SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers

In opdracht van: Ministerie van Infrastructuur en Waterstaat en CROW - Aanpak SPV

1 Leeswijzer

Met deze rapportage wordt de deelscore op het kenmerk ‘gescheiden voorziening voor fietsers’ 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 gescheiden voorziening voor fietsers’. 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.

2 Voorwoord programma code

Deze rapportage is opgemaakt als R Markdown 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 geïnteresseerd zijn in de technische verantwoording van de bepaling van de kenmerkscore gescheiden voorziening voor fietsers van de SPI. Lezers van de rapportage (het html bestand) kunnen dit voorwoord verder overslaan.

Het voorwoord bevat de programmacode voor het controleren van de mappenstructuur, het installeren/inladen van de benodigde packages en het aanmaken van een aantal hulpvariabelen.

# list required libraries
libraries_to_load <- c("here", "tidyverse", "data.table", "dtplyr", "sf", "mapview", "stringr",
                       "this.path", "units", "kableExtra", "curl", "openxlsx2", "readr", "gt", 
                       "plotly", "qgisprocess", "future.apply", "writexl", "nngeo", "doParallel", 
                       "foreach", "lwgeom", "stplanr", "parallel")

# 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 mappenstructuur. 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 hulpfuncties 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))
      )
}

3 Introductie

De SPI Veilige Infrastructuur bevat het kenmerk gescheiden voorziening voor fietsers. Menging van fietsers met motorvoertuigen of zwaar verkeer wordt op wegen met een snelheidslimiet van 50 km/uur, 70 km/uur of 80 km/uur als onveilig beoordeeld gelet op de kwetsbaarheid van fietsers. Fietsers dienen, indien aanwezig in een straat/weg, gebruik te kunnen maken van een vrijliggend fietspad of een parallelweg met een veilige snelheidslimiet. Deze rapportage beschrijft de bepaling van scores van de SPI Veilige Infrastructuur op dit kenmerk en de resultaten daarvan. Een wegvak scoort positief op dit kenmerk wanneer er de rijbaan gesloten is verklaard voor voor fietsers en/of wanneer een gescheiden voorziening voor fietsers aanwezig is. Daaronder vallen een vrijliggend fietspad of een parallelweg met een veilige snelheidslimiet. 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. Meer informatie over de SPI Infrastructuur is te vinden via de website van Aanpak SPV.

4 Data

In de analyse wordt gebruik gemaakt van het NWB (Nationaal Wegenbestand) en WKD (Wegkenmerkendatabase) data voor snelheidslimieten en verkeerstypen. Deze laatste dataset bevat informatie over geslotenverklaringen voor fietsers op basis van het verkeersbordenbestand. Na het vaststellen van de verkeerstypen zijn deze resultaten door het NDW (Nationaal Dataportaal Wegverkeer) vergeleken met de coderingen zoals beschikbaar in OSM (OpenStreetMap) en met de coderingen zoals beschikbaar in het netwerk (Routeplanner) van de Fietsersbond. Van het NWB worden zowel de wegen als de fietspaden gebruikt. Voor de fietspaden worden ook data gebruikt over de breedtelabels van fietspaden. Dit is openbare data van het NDW.

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/ en via het NDW op https://docs.ndw.nu/en/handleidingen/wkd/

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.

Verder wordt er ruimtelijke data gebruikt van de Basisregistratie Adressen en Gebouwen (BAG) en de topografische data van TOP10NL. Uit de BAG worden de gebouwen gebruikt en uit de TOP10NL data over wateroppervlakten.

4.1 Data downloads

4.1.1 NWB

# -------------KIES JAAR------------------------
# indien gewenst, kies een ander jaar, bijv 2025
# Jaar versie nwb
nwbjaar <- "2025"

# ----------------------------------------------

#' 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 2025. Door het NWB-jaar (variabele ‘nwbjaar’) aan te passen in het script worden een aantal van de databronnen updatete naar de versie van dat jaar. Dit geldt echter niet voor de fietsintensiteiten data, de BAG en TOP10NL.

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/nwb-wegen/"))
  }

4.1.2 WKD

4.1.2.1 Snelheidslimieten

De analyse maakt gebruik van snelheidslimieten, gekoppeld aan het NWB, uit de WKD van januari 2025. 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
  wkd_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
  wkd_maxsnelheden <- st_read(here(dest_folder, maxsnelheden_datum, "Snelheden.shp"))

  # Save as RDS
  saveRDS(wkd_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/"))
  }

4.1.2.2 Verkeerstypen

Om wegen te onderscheiden met een geslotenverklaring voor fietsers, heeft het NDW gebruik gemaakt van de het verkeersbordenbestand en de resultaat gecontroleeerd met de coderingen uit OSM en de Routeplannerdata van de Fietsersbond. Deze informatie is toegevoegd aan de WKD voor Verkeerstypen. De data uit de WKD van januari 2025 wordt gekoppeld aan het NWB. Hier geldt wederom dat door het NWB-jaar aan te passen in het script, de volledige analyse op een ander jaar kan worden gedraaid. De dataset is uitgebreid beschreven op NDW docs. De verkeerstypen-data zijn gedownload van: https://downloads.rijkswaterstaatdata.nl/wkd/Verkeerstypen/

# Deze code chunk verzorgt de download en het inladen in R van de wkd verkeerstypen 

#' 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
verkeerstypen_rds_naam <- paste0("verkeerstypen", nwbjaar, "jan.sf.RDS")
# nwb datum op basis van jaar
verkeerstypen_datum <- paste0("01-01-", nwbjaar)
# zip bestandsnaam op basis van jaar
verkeerstypen_zip <- paste0("verkeerstypen", nwbjaar, "jan.zip")

# conditioneel laden of downloaden en verwerken van de data
if (file.exists(here("RDS", verkeerstypen_rds_naam))) {
  # if file exist load RDS
  wkd_verkeerstypen <- readRDS(here("RDS", verkeerstypen_rds_naam))
  cat(paste("Bestand geladen uit .RDS"))
  } else {

  # url for dutch open data
  verkeerstypenjaarjan_url <- paste0("https://downloads.rijkswaterstaatdata.nl/wkd/Verkeerstypen/01-01-", nwbjaar, ".zip") 

  # destination file + folder
  dest_file_verkeerstypenjaarjan <- here("Data", verkeerstypen_zip)
  dest_folder <- here("Data", paste0("verkeerstypen", nwbjaar,"jan"))

  # download file
  curl_download(verkeerstypenjaarjan_url, destfile = dest_file_verkeerstypenjaarjan, mode = "wb")

  # unzip
  unzip(dest_file_verkeerstypenjaarjan, exdir = dest_folder)

  # load the csv file
  wkd_verkeerstypen <- read_csv2(here(dest_folder, verkeerstypen_datum, "wkd_035-VRKRSTPNV2.csv"))

  # Save as RDS
  saveRDS(wkd_verkeerstypen, here("RDS", verkeerstypen_rds_naam))

  # clear zip
  file.remove(dest_file_verkeerstypenjaarjan)
    
  # code resultaat bericht
  cat(paste("Bestand opgehaald van internet van https://downloads.rijkswaterstaatdata.nl/wkd/"))
  }

4.1.3 Ruimtelijke data

4.1.3.1 BAG

Voor deze analyse is data van gebouwen nodig, in dit geval polygonen. De data komt uit de Basisregistratie Adressen en Gebouwen (BAG). Hieronder worden de juiste layers ingeladen. Verderop wordt uitgelegd hoe deze data gebruikt worden.

if (file.exists(here("RDS", "bag_gebouwen.sf.RDS"))) {
  # if file exist load RDS
  bag_gebouwen <- readRDS(here("RDS", "bag_gebouwen.sf.RDS"))
  cat(paste("Bestand geladen uit .RDS"))

  } else {

  # url voor openbare data
  bag_gebouwen_url <- "https://service.pdok.nl/lv/bag/atom/downloads/bag-light.gpkg"

  # destination file + folder
  dest_file_bag_gebouwen <- here("Data", "bag-light.gpkg")
  dest_folder <- here("Data")

  # download file
  curl_download(bag_gebouwen_url, destfile = dest_file_bag_gebouwen, mode = "wb")

  # load the buildings gpkg layer
  bag_gebouwen <- st_read(dest_file_bag_gebouwen, layer = "pand")

  # Save as RDS
  saveRDS(bag_gebouwen, here("RDS", "bag_gebouwen.sf.RDS"))

  # clear zip
  file.remove(dest_file_bag_gebouwen)
  }

## Bestand geladen uit .RDS

4.1.3.2 TOP10NL

Voor deze analyse is data van wateroppervlakten nodig, ook polygonen. De data voor wateroppervlakten komt uit de TOP10NL data. Hieronder worden de juiste layers ingeladen. Verderop wordt uitgelegd hoe deze data gebruikt worden.

# wateroppervlakten inladen
if (file.exists(here("RDS", "top10nl_water_mpol.sf.RDS"))) {
  # if file exist load RDS
  # laad waterdelen
  top10nl_water_mpol <- readRDS(here("RDS", "top10nl_water_mpol.sf.RDS"))
  } else {

  # url for dutch open data
  top10nlgml_url <- "https://service.pdok.nl/brt/topnl/atom/downloads/top10nl-gml-nl-nohist.zip"

  # destination file + folder
  dest_file_top10 <- here("Data", "top10nl_gml.zip")
  dest_folder <- here("Data")

  # download top10nl
  curl_download(top10nlgml_url, destfile = dest_file_top10, mode = "wb")

  # unzip
  unzip(dest_file_top10, files = "top10nl_waterdeel.gml", exdir = dest_folder)

  # load the gml
  top10nl_water_gml <- st_read(here("Data", "top10nl_waterdeel.gml"))

  # subset polygons and multipolygons and cast all to the type MULTOPOLYGON
  top10nl_water_mpol <- top10nl_water_gml[st_geometry_type(top10nl_water_gml) %in% c("POLYGON", "MULTIPOLYGON"), ] %>%
    st_cast(., "MULTIPOLYGON") %>%
    # set crs 28992 RD new
    st_set_crs(., 28992)

  # Save as RDS
  saveRDS(top10nl_water_mpol, here("RDS", "top10nl_water_mpol.sf.RDS"))

  # clear zip
  file.remove(dest_file_top10)

  # clean
  rm(top10nl_water_gml)
  }

# registratiegebieden inladen
if (file.exists(here("RDS", "top10nl_reggebied_mpol.sf.RDS"))) {
  # if file exist load RDS
  # laad waterdelen
  top10nl_reggebied_mpol <- readRDS(here("RDS", "top10nl_reggebied_mpol.sf.RDS"))
  } else {

  # url for dutch open data
  top10nlgml_url <- "https://service.pdok.nl/brt/topnl/atom/downloads/top10nl-gml-nl-nohist.zip"

  # destination file + folder
  dest_file_top10 <- here("Data", "top10nl_gml.zip")
  dest_folder <- here("Data")

  # download top10nl
  curl_download(top10nlgml_url, destfile = dest_file_top10, mode = "wb")

  # unzip
  unzip(dest_file_top10, files = "top10nl_registratiefgebied.gml", exdir = dest_folder)

  # load the gml
  top10nl_reggebied_gml <- st_read(here("Data", "top10nl_registratiefgebied.gml"))

  # subset polygons and multipolygons and cast all to the type MULTOPOLYGON
  top10nl_reggebied_mpol <- top10nl_reggebied_gml[st_geometry_type(top10nl_reggebied_gml) %in% c("POLYGON", "MULTIPOLYGON"), ] %>%
    st_cast(., "MULTIPOLYGON") %>%
    # set crs 28992 RD new
    st_set_crs(., 28992)

  # Save as RDS
  saveRDS(top10nl_reggebied_mpol, here("RDS", "top10nl_reggebied_mpol.sf.RDS"))

  # clear zip
  file.remove(dest_file_top10)

  # clean
  rm(top10nl_reggebied_gml)
  }

4.1.4 Fietsintensiteiten

Als laatste worden de fietsintensiteiten en bijbehorende breedtelabels van NDW ingeladen. Verderop wordt uitgelegd waar deze voor gebruikt worden.

if (file.exists(here("RDS", "fietsintensiteiten.RDS"))) {
  # if file exist load RDS
  ndw_fietsintensiteiten <- readRDS(here("RDS", "fietsintensiteiten.RDS"))
  cat(paste("Bestand geladen uit RDS"))
  } else {

  # url for dutch open data
  fietsintensiteiten_url <- "https://opendata.ndw.nu/2023_fietsintensiteiten.zip"

  # destination file + folder
  dest_file_fietsintensiteiten <- here("Data", "fietsintensiteiten.zip")
  dest_folder <- here("Data", "fietsintensiteiten" )

  # download file
  curl_download(fietsintensiteiten_url, destfile = dest_file_fietsintensiteiten, mode = "wb")

  # unzip
  unzip(dest_file_fietsintensiteiten, exdir = dest_folder)

  # load the csv
  ndw_fietsintensiteiten <- st_read(here(dest_folder, "nwb_breedtelabels.gpkg"))

  # Save as RDS
  saveRDS(ndw_fietsintensiteiten, here("RDS", "fietsintensiteiten.RDS"))

  # clear zip
  file.remove(dest_file_fietsintensiteiten)
  }

## Bestand geladen uit RDS

#https://opendata.ndw.nu/2023_fietsintensiteiten.zip
#https://opendata.ndw.nu/

4.2 Data preparatie

De data dient te worden geprepareerd voorafgaand aan de analyses en bepaling van het kenmerk gescheiden voorziening voor fietsers van de SPI Veilige Infrastructuur. De preparatie bevat onder meer het koppelen van de verschillende datasets, het selecteren van de juiste wegvakken in het NWB en het aanmaken van transects.

4.2.1 NWB fietspaden

Na het inladen van de meest recente versie van het NWB kunnen hierin de fietspaden geselecteerd worden. Hier wordt de Baansubsoort-code (BST_CODE) voor gebruikt, welke het type wegvak specificeert (wegvak, fietspad etc.). De verschillende betekenissen van de BST_CODEs kan in de online handleiding gevonden worden: https://docs.ndw.nu/en/handleidingen/nwb/nwb-basisstructuur/baansubsoort/

De BST_CODE “FP” wordt gebruikt om fietspaden te selecteren.

nwb_fietspaden <- nwb %>%
  # selecteer alleen fietspaden
  filter(BST_CODE == "FP") %>%
  # selecteer aantal relevante variabelen
  select(WVK_ID, STT_NAAM, GME_NAAM, WPSNAAM, BST_CODE, RPE_CODE, RIJRICHTNG, WEGBEHSRT) %>%
  # bereken de wegvaklengte
  mutate(lengte_fietspad = as.numeric(st_length(.)))

4.2.2 Koppeling tussen NWB en WKD

Om de juiste data te kunnen analyseren, is het van belang om het NWB te koppelen aan de snelheidslimieten en de verkeerstypen. Voor de snelheidslimieten geldt dat we ons richten op wegen met een limiet van 50, 70 of 80 km/uur. Er zijn wegvakken waarop meerdere snelheidslimieten aanwezig zijn. Hiervoor bepalen we de maatgevende limiet door de snelheidslimiet te selecteren die op het grootste deel van het wegvak geldt. Voor verkeerstypen geldt dat we ons richten op een geslotenverklaring voor fietsers. Met een koppeling tussen deze databronnen kan deze filtering uitgevoerd worden.

# Eerst worden de snelheidslimieten uit de WKD aan het NWB gekoppeld op basis van de WVK_ID
nwb_snelheid <- nwb %>% 
  # we maken als eerste een variabele aan die de lengte van een wegvak weergeeft
  mutate(wvk_lengte = as.numeric(st_length(.))) %>% 
  #st_drop_geometry() %>% 
  left_join(select(st_drop_geometry(wkd_maxsnelheden), MAXSHD, VAN, NAAR, WVK_ID), "WVK_ID") %>% 
  # initiate dtplyr
  as.data.frame() %>%
  lazy_dt() %>%
  # vervolgens wordt bepaald op welk deel van een wegvak de snelheidslimiet geldt
  mutate(shd_lengte = NAAR - VAN) %>% 
  # met deze lengte wordt de maatgevende limiet vooor een wegvak bepaald, omdat een wegvak meerdere limieten kan hebben
  # Hiervoor groeperen we per WVK_ID en nemen we de snelheidlimiet die op het langste deel van het wegvak geldt
  group_by(WVK_ID) %>% 
  mutate(shd_maatgevend = MAXSHD[which.max(shd_lengte)]) %>% 
  # sorteer op lengte limiet
  arrange(desc(shd_lengte)) %>%
  # bewaar het record met de maximale lengte van de wkd limiet segmenten
  slice_head(n=1) %>%
  ungroup() %>%
  select(c(WVK_ID, JTE_ID_BEG, JTE_ID_END, WEGBEHSRT, BST_CODE, RIJRICHTNG, STT_NAAM, WPSNAAM, GME_NAAM,
           WEGBEHNAAM, MAXSHD, wvk_lengte, shd_lengte, shd_maatgevend, geometry)) %>%
  # stop dtplyr
  as.data.frame() %>%
  # herinitieer sf obv de geometry kolom
  st_sf()

# Als tweede wordt de informatie over geslotenverklaringen aan de hierboven aangemaakte dataset gekoppeld
nwb_snelheid_gesloten_fiets <- nwb_snelheid %>% 
  # Alleen gesloten verklarnig voor fietsers wordt meegenomen
  left_join(select(wkd_verkeerstypen, FIETS_H, FIETS_T, WVK_ID), "WVK_ID") %>%
  mutate(rijrichting = ifelse(RIJRICHTNG == "H" | RIJRICHTNG == "T", "eenrichting", "tweerichting")) %>%
  # filter op codes die we niet tot de rijbaan rekenen
  filter(BST_CODE %nin% c("FP", "VP", "CADO", "VZ", "VD", "VDA", "VDF", "VDV", "RP", "VV", "PP", "BVP"))

4.2.3 Filter snelheden en geslotenverklaring bepalen

Het uitgangspunt voor deze SPI is dat wegen met een 50, 70 en 80 km/u limiet een geslotenverklaring hebben voor fietsers. In deze stap worden de wegvakken met deze limieten geselecteerd. Daarnaast wordt een variabele aangemaakt die aangeeft of een wegvak een geslotenverklaring voor fietsers heeft. Op dit moment is per rijrichting bepaald of er een geslotenverklaring is. Er zijn echter situaties waarin de ene rijrichting wel gesloten is voor fietsers en de andere niet. In deze situaties wordt het gehele wegvak beschouwd als opengesteld voor fietsers omdat er tenminste in een rijrichting fietsers op de rijbaan rijden.

In deze analyse laten we wegvakken met de volgende BST_CODEs buiten beschouwing: “FP”, “VP”, “CADO”, “VZ”, “VD”, “VDA”, “VDF”, “VDV”, “RP”, “VV”, “PP”, “BVP”. Deze codes zijn gekozen om een aantal NA-probelemen met de koppeling van het NWB en WKD Verkeerstypen op te lossen.

nwb_50_70_80_gesloten_fiets <- nwb_snelheid_gesloten_fiets %>% 
  # filter snelheden
  filter(shd_maatgevend %in% c("50", "70", "80")) %>% 
  # creëer variabele voor geslotenverklaring met 1 = gesloten voor fieters
  mutate(gesloten_fiets = case_when(
    # beide richtingen gesloten voor fiets
    na.as.false(FIETS_H == "N") & na.as.false(FIETS_T == "N") ~ 1, 
    # 1 richting straat met heenrichting gesloten voor fiets en andere richting open of onbekend
    na.as.false(FIETS_H == "N") & na.as.true(FIETS_T == "J") & rijrichting == "eenrichting" ~ 1, 
    # 1 richting straat met terugrichting gesloten voor fiets en andere richting open of onbekend
    na.as.true(FIETS_H == "J") & na.as.false(FIETS_T == "N") & rijrichting == "eenrichting" ~ 1, 
    .default = 0
  ),
    # variabele om te testen welk verschil het meenemen van de rijtichtingen in het beoordelen van 
    # de gesloten verklaring maakt
    gesloten_fiets2 = case_when(
    # beide richtingen gesloten voor fiets
    na.as.false(FIETS_H == "N") & na.as.false(FIETS_T == "N") ~ 1, 
    .default = 0
  ))

 test_gesloten <- table(nwb_50_70_80_gesloten_fiets$gesloten_fiets, nwb_50_70_80_gesloten_fiets$rijrichting)
# test_gesloten
 
 test2_gesloten <- table(nwb_50_70_80_gesloten_fiets$gesloten_fiets2, nwb_50_70_80_gesloten_fiets$rijrichting)
# test2_gesloten

nwb_50_70_80_gesloten_fiets <- select(nwb_50_70_80_gesloten_fiets, -gesloten_fiets2)

4.2.4 Transects genereren

Transects zijn loodlijnen die op wegvakken geplaatst worden. In deze analyse zijn de loodlijnen 30 meter lang en worden ze om de 10 meter op een wegvak geplaatst. Met deze transects wordt gekeken of deze een vrijliggend fietspad of parallelweg naast een wegvak kruisen. Zo kan beoordeeld worden of er een vrijliggend fietspad of parallelweg met een veilige snelheidslimiet van 30 km/uur bij het wegvak hoort om deze informatie later toe te schrijven aan het betreffende wegvak.

4.2.4.1 Transects aanmaken

In deze stap worden transects aangemaakt die gebruikt worden in vervolgstappen. Deze stap duurt vaak lang omdat hij erg intensief is voor het geheugen. Geadviseerd wordt om een krachtige computer voor deze stap te gebruiken.

Transects zijn loodlijnen van 30 meter lang welke om de 10 meter aan beide kanten op een wegvak gezet worden. In vervolgstappen worden deze transects afgeknipt op plekken waar zich gebouwen of wateroppervlakten binnen 30 meter van het wegvak bevinden.

LET OP: Wees ervan bewust dat dit een intensieve en tijdrovende klus is.

# let op, dit script kan meerdere dagen nodig hebben

# We kijken eerst of de transects al eerder zijn aangemaakt
if (all(file.exists(here("RDS", c("transectsL.rds", "transectsR.rds"))))) {
  # if file exist load RDS
  transectsL <- readRDS(here("RDS", "transectsL.rds"))
  transectsR <- readRDS(here("RDS", "transectsR.rds"))
  cat(paste("Bestanden geladen uit .RDS"))

  #Zo niet, dan gaan we door met het aanmaken van de transects
  } else {

  # bepaal de gewenste transect lengte in m
  transect_lengte_benodigd <- 30
  # Bepaal de segmentlength waarin het wegvak wordt opgesplits. De afstand tussen transecten is tevens gelijk aan de segementlengte 
  segmentlengte <- 5
  # afstand waarover transects worden uitgezet vanaf het beginpunt van het wegvak gerekend
  transect_afstand <- 10
  # groepsgrootte van wegvaken die tegelijkertijd berekend worden
  groepsgrootte <- 50

  # creëer groepsid
  nwb_id <- nwb_50_70_80_gesloten_fiets %>%
    mutate(groupid = (row_number()-1) %/% groepsgrootte + 1) %>%
    relocate(geometry, last_col()) 

  # groepeer ids voor gelijktijdige berekening
  nwb_groupid <- unique(nwb_id$groupid)

  # Bepaal paralelle clusters voor foreach
  n.cores <- detectCores() - 2
  my.cluster <- makeCluster(n.cores, type = "PSOCK")
  registerDoParallel(my.cluster)

  transectsLR <- foreach(i = seq_along(nwb_groupid), #1:length(NWB_UTR_groupid)
                        .combine = function(...) rbindlist(list(...)),
                        .multicombine = TRUE,
                        .packages = c("dplyr", "sf", "nngeo", "lwgeom", "stplanr")) %dopar% {
    # initieer transects dataset
    transectsLR_par <- filter(nwb_id, groupid %in% nwb_groupid[i]) %>%
    # selecteer beperkte selectie aan variabelen
    #select(groupid, limiet, STT_NAAM, WPSNAAMNEN, WPSNAAM) %>%
    # Bepaal segmentlengte per wegvak voor hele wegvaklengte
    mutate(segmentlengte_wvkid = ifelse(wvk_lengte <= 50, wvk_lengte/2, segmentlengte)) %>%
    # Verdichting an wegvakken met vertices voor elk x meter per segmentlengte_wvkid, behalve als wegvakken korter of even lang als 50m zijn
    st_segmentize(., dfMaxLength = segmentlengte) %>%
    # splits het wegvak op basis van vertices
    st_segments() %>%
    # creëer segment ids per groep
    group_by(WVK_ID) %>%
    mutate(segmentID = row_number(),
           # Afstand van het startpunt van het wegvak naar de transect
           transect_sp_afstand = segmentlengte + (segmentID * segmentlengte)) %>%
    # Selecter segmentIDs 
    # Voor korte wegvakenn selecteer segmentID dichtbij het midden en op zijn minst de eerste 
    filter((wvk_lengte <= 50 & segmentID == max(round(wvk_lengte/2/segmentlengte),1)) |
             # Voor langere wegvakken selecteer segmentID's minimaal 25 meter van een node 
             (segmentID >= (25/segmentlengte)   &  
                segmentID <= round((wvk_lengte-25) / segmentlengte) & segmentID %% 5 == 0)
           ) %>%
    ungroup() %>%
    # Bepaal geometrie van de segmenten: beginpunt, eindpunt, middelpunt, oriëntatie
    mutate(XYcentrum = st_geometry(st_centroid(.)),  # middelpunt of centrum lijnsegment
           XYstart = st_startpoint(.),  # beginpunt lijnsegment
           XYend = st_endpoint(.),      # eindpunt lijnsegment
           # Bepaal de lijn oriëntatie met line_bearing. De functie bepaalt de hoek ten opzichte van een noordelijke
           # richting (0 graden) met een hoek tussen de -180 to 180 graden, waarbij een oostwaartse richting positief is
           # en een westwaardse richting negatief. De functie werkt niet met crs 28992, wel met 4326.
           orientatie = line_bearing(st_transform(., crs = 4326), bidirectional = FALSE),
           # Vorm een 360 graden hoek. hier vormen alle lijnen het beginpunt op het kruispunt. Dus van het kruispunt af
           hoek360 = case_when(
             orientatie >= 0 ~ orientatie,
             orientatie < 0 ~ orientatie + 360,
             TRUE ~ NA_real_
           ),
           lengte = as.numeric(st_length(.)),
           extend = transect_lengte_benodigd  #
           ) %>%
    rowwise() %>%
    # bepaal de ligging van de punten van de transects
    mutate(
      # door 90 graden bij de oriëntatie van het segment op te tellen zetten we het nieuwe punt haaks op het segment
      hoek = hoek360 + 90,
      R_Xend = XYcentrum[[1]][1] + extend * sin(hoek * pi / 180), # dX = sin(alpha) * extend
      R_Yend = XYcentrum[[1]][2] + extend * cos(hoek * pi / 180),
      L_Xend = XYcentrum[[1]][1] - extend * sin(hoek * pi / 180),
      L_Yend = XYcentrum[[1]][2] - extend * cos(hoek * pi / 180)) %>%
    ungroup()

  # creëer nieuwe XY start en eindpunt
  transectsLR_par$R_XYend <- st_geometry(st_as_sf(select(as.data.frame(transectsLR_par), R_Xend, R_Yend),
      coords = c("R_Xend", "R_Yend")))
  transectsLR_par$L_XYend <- st_geometry(st_as_sf(select(as.data.frame(transectsLR_par), L_Xend, L_Yend),
      coords = c("L_Xend", "L_Yend")))

  # initialiseer data frame met correct aantal rijen
  geom_transectLR <- data.frame(1:nrow(transectsLR_par))
  # crëer transects vanaf nieuwe begin- en eindpunten
  for (j in 1:nrow(transectsLR_par)) {
    pairL <- st_combine(c(st_set_crs(transectsLR_par$XYcentrum[j], 28992), st_set_crs(transectsLR_par$L_XYend[j], 28992)))
    lineL <- st_cast(pairL, "LINESTRING")
    geom_transectLR$geom_transectL[j] <- st_geometry(lineL)
    pairR <- st_combine(c(st_set_crs(transectsLR_par$XYcentrum[j], 28992), st_set_crs(transectsLR_par$R_XYend[j], 28992)))
    lineR <- st_cast(pairR, "LINESTRING")
    geom_transectLR$geom_transectR[j] <- st_geometry(lineR)
  }

  # creëer sf om een goede geometrie kolom te krijgen
  geom_transectL <- st_sf(select(geom_transectLR, geom_transectL)) %>%
    st_set_crs(28992)
  geom_transectR <- st_sf(select(geom_transectLR, geom_transectR)) %>%
    st_set_crs(28992)

  # Voeg nieuwe geometrie kolom to aan originele dataset
  transectsLR_par$geom_transectL <- geom_transectL$geom_transectL
  transectsLR_par$geom_transectR <- geom_transectR$geom_transectR

  # resultaat per iteratie

  # Sommige opdrachten leveren geen hits op. We willen geen lege objecten als resultaat opvoeren omdat daarmee
  # conflicten tussen variabelen typen ontstaan. Daarom gebruiken we rm() om object bij return te verwijderen
  if (nrow(transectsLR_par) == 0) {
    NULL
    } else {
      transectsLR_par
      }

  }

  # Merk de nieuwe geometrie kolom aan als geom kolom in aparte transectL en transectR objecten
  transectsL <- as.data.frame(transectsLR) %>%
  st_sf(., sf_column_name = "geom_transectL", crs = 28992) #%>%
  #select(-geom)

  transectsR <- as.data.frame(transectsLR) %>%
  st_sf(., sf_column_name = "geom_transectR", crs = 28992) #%>%
  #select(-geom)

  rm(geom_transectL, geom_transectR, transectsLR)

  # Beëindig parallel cluster
  stopCluster(cl = my.cluster)

  # Opslaan voor later gebruik
  saveRDS(transectsL, here("RDS", "transectsL.RDS"))
  saveRDS(transectsR, here("RDS", "transectsR.RDS"))
    
  }

## Bestanden geladen uit .RDS

Voordat de transects in de volgende stap afgeknipt worden bekijken we eerst of het berekenen van de transects goed is gegaan. Dit doen we voor één gemeente.

# Selecteer NWB in IJsselstein
nwb_gemeente_50plus <- nwb_snelheid_gesloten_fiets %>% 
  filter(GME_NAAM == "IJsselstein" & MAXSHD %in% c("50", "70", "80"))

nwb_gemeente_30min <- nwb_snelheid_gesloten_fiets %>% 
  filter(GME_NAAM == "IJsselstein" & MAXSHD %in% c("15", "30"))

# Selecteer fietspaden in IJsselstein
nwb_fietspaden_gemeente <- nwb_fietspaden %>% 
  filter(GME_NAAM == "IJsselstein")

# Filter transects voor gemeente IJsselstein
transectsL_gemeente <- transectsL %>% 
  filter(GME_NAAM == "IJsselstein")
transectsR_gemeente <- transectsR %>% 
  filter(GME_NAAM == "IJsselstein")

mapview(nwb_gemeente_50plus, color = "purple") +
  mapview(nwb_gemeente_30min, color = "black") +
  mapview(nwb_fietspaden_gemeente, color = "orange") +
  mapview(transectsL_gemeente, color = "blue") +
  mapview(transectsR_gemeente, color = "red")

# # Selecteer NWB in Utrecht
# nwb_utr <- nwb_snelheid_gesloten_fiets %>% 
#   filter(GME_NAAM == "Utrecht")
# 
# # Selecteer fietspaden in Utrecht
# nwb_fietspaden_utr <- nwb_fietspaden %>% 
#   filter(GME_NAAM == "Utrecht")
# 
# # Filter transects voor gemeente Utrecht
# transectsL_utr <- transectsL %>% 
#   filter(GME_NAAM == "Utrecht")
# transectsR_utr <- transectsR %>% 
#   filter(GME_NAAM == "Utrecht")
# 
# mapview(nwb_utr, color = "black") +
#   mapview(nwb_fietspaden_utr, color = "orange") +
#   mapview(transectsL_utr, color = "blue") +
#   mapview(transectsR_utr, color = "red")

4.2.4.2 Transects afknippen

In deze stap worden de hiervoor geproduceerde transects afgeknipt bij gebouwen en wateroppervlakten die binnen 30 meter van het wegvak liggen. Voor deze verwerking is QGIS nodig, waarvoor we een R pakket gebruiken wat het mogelijk maakt om QGIS tools te gebruiken in de R omgeving. In dit geval is het de difference tool.

Met de volgende codechunk worden de transects afgeknipt bij gebouwen en wateroppervlakten die binnen 30 meter van het wegvak liggen waarop de transects aansluiten. Hiervoor gebruiken we de QGIS tool.

# Voordat we de wateroppervlakten kunnen gebruiken maken we er eerst polygonen ipv mult polygonen van
top10nl_water <- top10nl_water_mpol %>% 
   st_cast("POLYGON") %>% 
   select(-c(naamNL, naamFries))

# We kijken eerst of de transects al eerder zijn afgeknipt
if (all(file.exists(here("RDS", c("transectsL_gebouw.rds", "transectsR_gebouw.rds",
                                  "transectsL_water.rds", "transectsR_water.rds"))))) {
    # if file exist load RDS
    transectsL_gebouw <- readRDS(here("RDS", "transectsL_gebouw.rds"))
    transectsR_gebouw <- readRDS(here("RDS", "transectsR_gebouw.rds"))
    transectsL_water <- readRDS(here("RDS", "transectsL_water.rds"))
    transectsR_water <- readRDS(here("RDS", "transectsR_water.rds"))
    cat(paste("Bestanden geladen uit .RDS"))

  #Zo niet, dan gaan we door met het afknippen van de transects
  } else {
    
    # Bepaal paralelle clusters voor foreach
    n.cores <- 6
    my.cluster <- makeCluster(n.cores, type = "PSOCK")
    registerDoParallel(my.cluster)
        
    # Zet parameters in een lijst zodat je die in foreach kunt itereren
    jobs <- list(
      list(input = transectsL, overlay = bag_gebouwen),
      list(input = transectsR, overlay = bag_gebouwen),
      list(input = transectsL, overlay = top10nl_water),
      list(input = transectsR, overlay = top10nl_water)
    )
    
    
    # Run parallel jobs
    results <- foreach(job = jobs, .packages = c("qgisprocess", "sf", "dplyr")) %dopar% {
      job$input %>%
        qgis_run_algorithm_p(
          algorithm = "native:difference",
          OVERLAY = job$overlay
        ) %>%
        st_as_sf(.)
    }
        
    # Beëindig parallel cluster
    stopCluster(cl = my.cluster)
        
    # Zet resultaten in aparte variabelen als je wilt
    transectsL_gebouw <- results[[1]]
    transectsR_gebouw <- results[[2]]
    transectsL_water  <- results[[3]]
    transectsR_water  <- results[[4]]
    
    # Save as RDS
    saveRDS(transectsL_gebouw, here("RDS", "transectsL_gebouw.rds"))
    saveRDS(transectsR_gebouw, here("RDS", "transectsR_gebouw.rds"))
    saveRDS(transectsL_water, here("RDS", "transectsL_water.rds"))
    saveRDS(transectsR_water, here("RDS", "transectsR_water.rds"))

}

De resulterende lijnen zijn van het geometrie type multilinestring. Dit betekent dat meerdere stukjes van de transects - welke het resultaat zijn van het uitknippen van stukken van de transects - gezien worden als een multiline string. Deze kunnen opgesplitst worden naar enkele line strings met st_cast. Omdat de tekenrichting van de transects en de volgorde de knippunten bewaard is gebleven, betreft het eerste lijnstuk van een opgeknipte transect altijd het deel dat start bij het wegvak. Dit eerste lijnstuk wordt vervolgens bewaard.

Onderstaande kaart toont een voorbeeld van opgeknipte transects langs een watergang, waarvan het lijnstuk dat bij het wegvak begint zal worden bewaard.

mapview(filter(nwb_gemeente_50plus, WVK_ID == 600772287), color = "purple", basemaps = c(
  "Esri.WorldImagery",        # This will be the default shown
  "OpenStreetMap",
  "CartoDB.Positron",
  "CartoDB.DarkMatter"
)) +
  mapview(filter(transectsL_water, WVK_ID == 600772287), color = "blue")

Het verwerken van de transects naar links die afgeknipt zijn bij gebouwen gebeurt als volgt:

# bepaal de geometry kolomnaam
geometryname <- attr(transectsL_gebouw, "sf_column")

# verwerk trasects L geknipt op gebouw polygonen
transectsL_gebouw_first <- transectsL_gebouw %>%
  # use dtplyr
  lazy_dt() %>%
  arrange(GME_NAAM, WPSNAAM, WVK_ID) %>%
  # creëer een id voor transects vooraf aan het splitsen
  mutate(ID_WVK_SEGMENT = paste0(WVK_ID,"_", segmentID, "_L"),) %>%
  # some grouping and arranging
  group_by(WVK_ID) %>%
  arrange(segmentID, .by_group = TRUE) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  # cast naar linestring
  st_cast(., "LINESTRING") %>%
  # use dtplyr
  lazy_dt() %>%
  # groepeer op transect id
  group_by(ID_WVK_SEGMENT) %>%
  # behoud het eerste transect deel dat aan het wegvak zit
  slice_head(n=1) %>%
  ungroup() %>%
  as.data.frame() %>%
  st_sf() %>%
  # bepaal de nieuwe transect lengte
  mutate(lengte_transect = st_length(.),
         transect_side = "L",
         transect_split_object = "gebouw") %>%
  # selection of variables
  select(ID_WVK_SEGMENT, WVK_ID, groupid, STT_NAAM, GME_NAAM, WPSNAAM, MAXSHD, wvk_lengte, shd_lengte,
         shd_maatgevend, FIETS_H, FIETS_T, gesloten_fiets, lengte_transect, transect_sp_afstand, 
         transect_side, transect_split_object)

En voor rechts:

# bepaal de geometry kolomnaam
geometryname <- attr(transectsL_gebouw, "sf_column")

# verwerk trasects R geknipt op gebouw polygonen
transectsR_gebouw_first <- transectsR_gebouw %>%
  # use dtplyr
  lazy_dt() %>%
  arrange(GME_NAAM, WPSNAAM, WVK_ID) %>%
  # creëer een id voor transects vooraf aan het splitsen
  mutate(ID_WVK_SEGMENT = paste0(WVK_ID,"_", segmentID, "_R"),) %>%
  # some grouping and arranging
  group_by(WVK_ID) %>%
  arrange(segmentID, .by_group = TRUE) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  st_cast(., "LINESTRING") %>%
  # use dtplyr
  lazy_dt() %>%
  # groepeer op trasnect id
  group_by(ID_WVK_SEGMENT) %>%
  # behoud het eerste transect deel dat aan het wegvak zit
  slice_head(n=1) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  # bepaal de nieuwe transect lengte
  mutate(lengte_transect = st_length(.),
         transect_side = "R",
         transect_split_object = "gebouw") %>%
  # selection of variables
  select(ID_WVK_SEGMENT, WVK_ID, groupid, STT_NAAM, GME_NAAM, WPSNAAM, MAXSHD, wvk_lengte, shd_lengte,
         shd_maatgevend, FIETS_H, FIETS_T, gesloten_fiets, lengte_transect, transect_sp_afstand, 
         transect_side, transect_split_object)

Het verwerken van de transects naar links die afgeknipt zijn bij water gebeurt als volgt:

# verwerk trasects L geknipt op water polygonen
transectsL_water_first <- transectsL_water %>%
  # use dtplyr
  lazy_dt() %>%
  arrange(GME_NAAM, WPSNAAM, WVK_ID) %>%
  # creëer een id voor transects vooraf aan het splitsen
  mutate(ID_WVK_SEGMENT = paste0(WVK_ID,"_", segmentID, "_L"),) %>%
  # some grouping and arranging
  group_by(WVK_ID) %>%
  arrange(segmentID, .by_group = TRUE) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  st_cast(., "LINESTRING") %>%
  # use dtplyr
  lazy_dt() %>%
  # groepeer op trasnect id
  group_by(ID_WVK_SEGMENT) %>%
  # behoud het eerste transect deel dat aan het wegvak zit
  slice_head(n=1) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  st_cast(., "LINESTRING") %>%
  # bepaal de nieuwe transect lengte
  mutate(lengte_transect = st_length(.),
         transect_side = "L",
         transect_split_object = "water") %>%
  # selection of variables
  select(ID_WVK_SEGMENT, WVK_ID, groupid, STT_NAAM, GME_NAAM, WPSNAAM, MAXSHD, wvk_lengte, shd_lengte,
         shd_maatgevend, FIETS_H, FIETS_T, gesloten_fiets, lengte_transect, transect_sp_afstand, 
         transect_side, transect_split_object)

En voor rechts:

# verwerk trasects R geknipt op water polygonen
transectsR_water_first <- transectsR_water %>%
  # use dtplyr
  lazy_dt() %>%
  arrange(GME_NAAM, WPSNAAM, WVK_ID) %>%
  # creëer een id voor transects vooraf aan het splitsen
  mutate(ID_WVK_SEGMENT = paste0(WVK_ID,"_", segmentID, "_R"),) %>%
  # some grouping and arranging
  group_by(WVK_ID) %>%
  arrange(segmentID, .by_group = TRUE) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  st_cast(., "LINESTRING") %>%
  # use dtplyr
  lazy_dt() %>%
  # groepeer op trasnect id
  group_by(ID_WVK_SEGMENT) %>%
  # behoud het eerste transect deel dat aan het wegvak zit
  slice_head(n=1) %>%
  ungroup() %>%
  # revert back to sf
  as.data.frame() %>%
  st_sf() %>%
  # bepaal de nieuwe transect lengte
  mutate(lengte_transect = st_length(.),
         transect_side = "R",
         transect_split_object = "water") %>%
  # selection of variables
  select(ID_WVK_SEGMENT, WVK_ID, groupid, STT_NAAM, GME_NAAM, WPSNAAM, MAXSHD, wvk_lengte, shd_lengte,
         shd_maatgevend, FIETS_H, FIETS_T, gesloten_fiets, lengte_transect, transect_sp_afstand, 
         transect_side, transect_split_object)

4.2.4.3 Transects combineren

De sets van transects naar links en naar rechts kunnen gecombineerd worden. Daarna is het mogelijk om voor elke transect id (ID_WVK_SEGTMENT) de kortste te pakken.

Eerst worden alle transects samengevoegd:

# voeg alle transects samen in een object
transect_bind <- rbindlist(list(transectsL_gebouw_first, transectsL_water_first, 
                                transectsR_gebouw_first, transectsR_water_first)) %>%
  as.data.frame()

Vervolgens wordt van elk paar van transects de kortste geselecteerd.

# We kijken eerst of de korste al eerder zijn geselecteerd
if (file.exists(here("RDS", "transects_trimmed.rds"))) {
  
  # Laad bestand uit .rds
  transects <- readRDS(here("RDS", "transects_trimmed.rds"))
  cat(paste("Bestand geladen uit .rds"))
  
  # Zo niet, dan voeren we de rest van de chunk uit
} else {
  
  transects <- transect_bind %>% 
  # gebruik dtplyr
  lazy_dt() %>%
  mutate(istrimmed = ifelse(round(as.numeric(lengte_transect),1) == 30,FALSE, TRUE),
         lengte_transect = round(as.numeric(lengte_transect),1)) %>%
  arrange(GME_NAAM, WPSNAAM, WVK_ID, ID_WVK_SEGMENT) %>%
  # groepeer transects per ID_WVK_SEGMENT
  group_by(ID_WVK_SEGMENT) %>%
  # sorteer elke transect groep van kort naar lang
  arrange(lengte_transect, .by_group = TRUE) %>%
  # behoud de kortste transect op basis van transect lengte
  slice_head(n=1) %>%
  ungroup() %>%
  mutate(type_trimmed = ifelse(istrimmed, transect_split_object, "not trimmed")) %>%
  relocate(geom, last_col()) %>%
  # terug naar df sf
  as.data.frame() %>%
  st_sf()

  # Opslaan voor later gebruik
  saveRDS(transects, here("RDS", "transects_trimmed.RDS"))  
  
}

## Bestand geladen uit .rds

Ook van dit resultaat kunnen we een voorbeeld tonen. Op het voorbeeld is te zien dat de transects zijn afgesneden op de gebouwen en het water. Let op, door het perspectief lijken de transects minder scherp afgesneden.

# Set the full list of basemaps, with your preferred one first
mapviewOptions(
  basemaps = c("Esri.WorldImagery", # shown initially
                "CartoDB.Positron",        
               "OpenStreetMap",
               "CartoDB.DarkMatter")
)

nwb_voorbeeld <- filter(nwb_gemeente_50plus, WVK_ID == 600771716)
transects_voorbeeld <- filter(transects, WVK_ID == 600771716)

mapview(nwb_voorbeeld, color = "purple") +
  mapview(transects_voorbeeld, color = "blue")

4.2.5 Splitsen van transects bij fietspaden

In deze stap worden de in de vorige stap gecreëerde transects gesplitst bij vrijliggende fietspaden. Door de transects te splitsen bij fietspaden kan achterhaald worden welke transects een fietspad kruisen en op welke afstand dit gebeurt.

fietspad <- nwb_fietspaden %>%
  left_join(st_drop_geometry(select(ndw_fietsintensiteiten, wvk_id, fietstype, breedte, rijrichtng, os_int_kl)), by = join_by(WVK_ID == wvk_id))

Eerst maken we een functie aan om het splitsen sneller te laten verlopen.

# Creëer functie voor sneller splitsen
st_split_faster <-  function(x,y,...){

# first subset x and y to where they intersect
y_subset <- y[x, , op = st_intersects]
x_subset <- x[y, , op = st_intersects]

st_split(x_subset, y_subset,...)
}

Vervolgens bepalen we welke transects kruisen met een fietspad. Dit gebeurt parallel per gemeente.

# We kijken eerst of de deze chunk al eerder is uitgevoerd
if (file.exists(here("RDS", "transects_join_fietspaden.RDS"))) {
  
  # Laad eerder aangemaakte .rds
  transects_join_fietspaden <- readRDS(here("RDS", "transects_join_fietspaden.RDS"))
  cat(paste("Bestand geladen uit .RDS"))
  
  # Zo niet, dan voeren we de chunk verder uit
} else {
  
  time15 <- Sys.time()

  # vector voor subset van gemeenten
  #i_vector <- c(1:342)
  # unique(transects$GME_NAAM)[294] : Schiermonnikoog gives an error and is left out of the calculations

  gemeente_lijst <- unique(transects$GME_NAAM)

  # Define parallel cluster for foreach
  n.cores <- detectCores() - 2
  my.cluster <- makeCluster(n.cores, type = "PSOCK")
  registerDoParallel(my.cluster)

  transects_join_fietspaden <- foreach(i = seq_along(gemeente_lijst),
                        .combine = function(...) rbindlist(list(...)),
                        .multicombine = TRUE,
                        .packages = c("dplyr", "sf", "lwgeom", "data.table")) %dopar% {
                         # initieer transects dataset

    # subset fietspaden per gemeente
   fietspaden_subset <- fietspad %>%
      filter(GME_NAAM == gemeente_lijst[i]) %>%
      select(WVK_ID, STT_NAAM, lengte_fietspad, fietstype, breedte, rijrichtng, os_int_kl) %>%
      rename(STT_NAAM_fp = STT_NAAM, WVK_ID_fp = WVK_ID, fp_rijrichting = rijrichtng, fp_breedte = breedte,
             fp_type = fietstype, fp_intensiteitsklasse = os_int_kl)
    
    # subset transects per gemeente
    transects_subset <- filter(transects, GME_NAAM == gemeente_lijst[i])  
    
    # voer st_split uit voor transpects per fietspad
    transects_i_split <- st_split_faster(transects_subset, fietspaden_subset)
    
    # zet resultaten van st_split om in lijn geometire en behoud elke eerste transect van ID_WVK_SEGMENT
    a <- transects_i_split %>%
      # st_plit creëert een geometrie collectie. De lijn geometrieën moeten we extracten
      st_collection_extract(., type = "LINESTRING") %>%
      # groepeer per ID_WVK_SEGMENT en behoud eerste transect. Dit is degene die begint bij het wegvak
      group_by(ID_WVK_SEGMENT) %>%
      # mutate(id_count = n()) %>%
      # filter(id_count >1) %>%
      slice_head(n=1) %>%
      ungroup() %>%
      st_sf() %>%
      mutate(fietspad_intersect = TRUE,
             fietspad_afst = round(as.numeric(st_length(.)),1)) %>%
      relocate(geom, .after = last_col())
    
    # subset alle transects b set door filter van transects per ID_WVK_SEGMENT uit a
    b <- transects_subset %>%
      filter(ID_WVK_SEGMENT %nin% a$ID_WVK_SEGMENT) %>%
      mutate(fietspad_intersect = FALSE,
             fietspad_afst = NA_real_ ) %>%
      relocate(geom, .after = last_col())
    
    
    transects_i_trim_fietspad <- rbindlist(list(a,b)) %>%
      relocate(geom, .after = last_col()) %>%
      st_sf()
    
    transects_fietspad_join <- transects_i_trim_fietspad %>%
      filter(fietspad_intersect) %>%
      select(ID_WVK_SEGMENT) %>%
      st_buffer(., 0.001) %>%
      st_join(., fietspaden_subset, suffix = c("",".ct")) %>%
      st_drop_geometry() %>%
      right_join(transects_i_trim_fietspad) %>%
      relocate(WVK_ID_fp:type_trimmed, .after = last_col()) %>%
      mutate(type_trimmed = ifelse(is.na(fp_type), type_trimmed, "fietspad")) %>%
      relocate(geom, .after = last_col())

    # resultaten per iteratie
    
    # Sommige opdrachten leveren geen hits op. We willen geen lege objecten als resultaat opvoeren omdat daarmee
    # conflicten tussen variabelen typen ontstaan. Daarom gebruiken we rm() om object bij return te verwijderen
    if (nrow(transects_fietspad_join) == 0) {
      NULL
    } else {
      transects_fietspad_join
    }                         
                         
  }

  time16 <- Sys.time()
  timer15 <- time16 - time15


  # Beëindig parallel cluster
  stopCluster(cl = my.cluster)

  #rm(a,b)
  print(timer15)

  # save results
  saveRDS(transects_join_fietspaden, here("RDS", "transects_join_fietspaden.RDS"))
  st_write(transects_join_fietspaden, here("Output", "transects_join_fietspaden.gpkg"), append = FALSE, delete_dsn = TRUE)
  
}

4.2.6 Join transects met wegvakken

Als laatste worden de transects aan de wegvakken gekoppeld. Dit wordt gedaan om te kunnen bepalen of er een voor de fiets geschikte voorziening aanwezig is. In de analyse gaat het daarbij om parallelwegen met een limiet van 60 km/uur (ETW bubeko), parallelwegen met een limiet van 30 km/uur en lager of parallelwegen met een vrijliggend fietspad. Wegen met een limiet van 30 of 60 zijn niet getoetst op de aanwezigheid van een fietspad. Tenslotte zal ook worden beoordeeld of parallele rijbanen met eenzelfde straatnaam een vrijliggend fietspad hebben. Wanneer op een parallele rijbaan B (langs rijbaan A) een fietspad gedetecteerd wordt, dan zal deze informatie worden toegevoegd aan rijbaan A.

Hier wordt allereerst de join tussen transects en wegvakken uitgevoerd. De verwerking daarvan in de hierboven beschreven analyse volgt in de volgende paragrafen.

Bij het uitvoeren van de join wordt enkel naar twee groepen wegvakken gekeken. De eerste groep betreft wegvakken met een straatnaam die in de transects voorkomen. De tweede groep betreft wegvakken die in het NWB zijn geregistreerd als parallelweg (BST_CODE is PAR of VWG). Hiervoor zijn twee redenen. De eerste is dat de kans hiermee wordt verkleind dat transects worden gekoppeld aan wegvakken die geen parallelweg betreffen, maar de transects wel snijden (hier zijn verschillende oorzaken voor mogelijk). De tweede reden is dat een filtering van wegvakken de join aanzienlijk versnelt in R. Deze keuze leidt naar verwachting tot minder vals positieven (identificeren van een parallelweg, terwijl die er in werkelijkheid niet is), maar tegelijkertijd ook tot meer vals negatieven (het missen van een parallelweg die er wel is). Het missen van een parallelweg via deze route komt voor wanneer de parallelweg een straatnaam heeft die niet voorkomt in de lijst straatnamen die uit de set transects wordt gehaald en deze in het NWB niet is geregistreerd als parallelweg. De impact van het deze vals negatieven wordt vooralsnog als beperkt ingeschat omdat er meerdere mechanismen zijn om een weg met een limiet van 50, 70 of 80 km/uur positief te beoordelen op dit kenmerk van de SPI.Een wegvak met limiet 50, 70 of 80 zal verderop namelijk positief worden beoordeeld als;

• is vastgelegd dat deze een gesloten verklaring heeft voor fietsers,
• of op basis van de GIS analyse een parallel fietspad is geïdentificeerd,
• of op basis van de GIS analyse een voor fietsers positief beoordeelde parallele rijbaan is geïdentificeerd met de volgende eigenschappen
  • een parallel wegvak met een lagere limiet en een registratie in het NWB als parallelweg
  • een parallel wegvak met een lagere limiet en dezelfde straatnaam als de hoofdrijbaan

Nadere analyses zijn nodig om ook joins met parallele wegvakken met een andere straatnaam die niet als parallelweg zijn geregistreerd mee te kunnen nemen. Daarbij gaat het om een optimalisatie van de join en een analyse van vals positieven en negatieven. Dit paste niet meer binnen de voor deze opdracht beschikbare tijd.

# We kijken eerste of de join al eerder is uitgevoerd
if (file.exists(here("RDS", "transects_parallelwegen.rds"))) {
  
  # Laad de .rds
  transects_parallelwegen <- readRDS(here("RDS", "transects_parallelwegen.rds"))
  cat(paste("Bestand geladen uit .rds"))
  
  # Zo niet, dan voeren we de join uit
} else {
  
  time11 <- Sys.time()

  # groepsgroote van wegvakken om berekeningen in parallel te doen
  groupsize <- 1000 

  transects_regrouped <- transects %>%
  arrange(GME_NAAM, WPSNAAM) %>%
  mutate(regroupid = (row_number()-1) %/% groupsize + 1) %>%
  st_sf()

  gemeente_lijst_fixed <- unique(filter(transects_regrouped)$GME_NAAM)#, GME_NAAM != "Schiermonnikoog")$GME_NAAM)

  gemeente_lijst <- gemeente_lijst_fixed # [340:341]

  # Define parallel cluster for foreach
  n.cores <- detectCores() - 2
  #n.cores <- 2
  my.cluster <- makeCluster(n.cores, type = "PSOCK")
  registerDoParallel(my.cluster)

  transects_parallelwegen <- foreach(i = seq_along(gemeente_lijst),
                       .combine = function(...) rbindlist(list(...)),
                       .multicombine = TRUE,
                       .packages = c("dplyr", "sf", "data.table")) %dopar% {
    # creëer een stratenlijst per iteratie i                    
    regroupid  <-   unique(filter(transects_regrouped, GME_NAAM == gemeente_lijst[i])$regroupid)    
    
    
    for (j in c(0,regroupid)){
        # creëer object f bij iteratie nul
        if (j==0){f <- list()}
        # voer spatial join uit op straatnaam voor iteratie 1:aantal straten
        else{
          # subset transects per gemeente en straatnaam
          c <- transects_regrouped %>%
            filter(GME_NAAM == gemeente_lijst[i] & regroupid == j)# %>%
            #filter(regroupid == regroupid[1])
          
          c_streets <- unique(c$STT_NAAM)
          
          # subset wegen naar gemeenten en straten
          d <- nwb_snelheid_gesloten_fiets %>%
            filter(GME_NAAM == gemeente_lijst[i] & (STT_NAAM %in% c_streets | BST_CODE %in% c("PAR", "VWG"))) %>%
            select(WVK_ID, STT_NAAM, MAXSHD, BST_CODE) %>%
            rename(parallel_WVK_ID = WVK_ID, parallel_STT_NAAM = STT_NAAM, parallel_MAXSHD = MAXSHD, 
                   parallel_BST_CODE  = BST_CODE)
          
          # voer spatial joint uit voor transect met wegen 
          e <- st_join(c, d) %>%
            # verwijder joins met het originele wegvak per wvk_id
            filter(WVK_ID != parallel_WVK_ID)
          
            # resultaten per iteratie

            # Sommige opdrachten leveren geen hits op. We willen geen lege objecten als resultaat opvoeren omdat daarmee
            # conflicten tussen variabelen typen ontstaan. Daarom gebruiken we rm() om object bij return te verwijderen
            if (nrow(e) == 0) {
                NULL
            }
          # zet de resultaten in de lijst als er op zijn minst een join is
         else {f[[length(f)+1]] <- e
         }
        }

    }
    # creëer df door lijst f te kopplen na alle iteraties
    g <- rbindlist(f)
}

  time12 <- Sys.time()
  timer9 <- time12 - time11
  print(timer9)

  stopCluster(cl = my.cluster)

  # Opslaan voor later gebruik
  saveRDS(transects_parallelwegen, here("RDS", "transects_parallelwegen.rds"))
  st_write(transects_parallelwegen, here("Output", "transects_parallelwegen.gpkg"), append = FALSE)
  
}

4.2.7 Classificeren transects per wegvak

Om de uiteindelijke SPI-score voor dit onderdeel te berekenen is het van belang om wegvakken te classificeren op basis van de aanwezigheid van vrijliggende fietspaden, de aanwezigheid van voor fietsers veilig geachte parallelwegen (erftoegangswegen) en een geslotenverklaring voor fietsers.

4.2.7.1 Aanwezigheid fietspaden en geslotenverklaring

Nu de kruising van transects voor fietspaden en wegvakken bekend is, kan begonnen worden met het aggregeren van transects op wegvakniveau. Voor de zekerheid controleren we op dubbele transects en ontdubbelen die indien nodig.

# ontdubbelen transects data
transects_join_fietspaden_deduplicated <- transects_join_fietspaden %>%
  as.data.frame() %>%
  # gebruik dtplyr voor snellere verwerking
  lazy_dt() %>%
  # er zijn enkele dubbele transects. Dit kan door dubbele NWB geometrieën en moeten  
  # verwijderd worden. Dit doen we simpelweg door de eerste te pakken
  group_by(ID_WVK_SEGMENT) %>%
  slice_head(n=1) %>%
  ungroup() %>%
  # creëer een overkoepelende id voor transects die naar L en R gaan en op hettzelfde punt beginnen op
  # een wegvak
  mutate(ID_WVK_SEGMENT_unsided = str_sub(ID_WVK_SEGMENT, 1, -3)) %>%
  relocate(ID_WVK_SEGMENT_unsided, .after = ID_WVK_SEGMENT) %>%
  # reconvert lazy_dat object naar df
  as.data.frame()

Voor elk wegvak wordt het aantal en aandeel transects bepaald waar een fietspad aanwezig is. Dit gebeurt voor het totaal en voor de linker- en rechterkant van het wegvak apart.

Wanneer een wegvak voor minimaal 50% een vrijliggend fietspad heeft (dit aandeel kan naar wens aangepast worden), dan wordt deze als zodanig geclassificeerd.

# Creëer een threshold voor het minimale aandeel van een wegvak dat een fietspad moet hebben om als zodanig geclassificeerd te worden
threshold_aandeel_fietspad <- 0.5

# geaggregeerde karakteristieken door transects te tellen voor paren van L en R
transects_aggregated_fietspaden <- transects_join_fietspaden_deduplicated %>%
  as.data.frame() %>%
  lazy_dt() %>%
  # groepeer op ID_WVK_SEGMENT_unsided met behoud van WVK_ID
  # Toelichting: ID_WVK_SEGMENT is opgebouwd uit wvkid_segmentnr_wegzijde (L of R). ID_WVK_SEGMENT_unsided is dezelfde zonder wegzijde. 
  # Van elk ID_WVK_SEGMENT_unsided zijn er twee, 1 links 1 rechts. 
  group_by(WVK_ID, ID_WVK_SEGMENT_unsided) %>%
  # Bepaal of een fietspad aanwezig is, een- en/of tweezijdig (3 varianten)
            # true false variabele, true als fietspad aanwezig aan minimaal een kant van het wegvak
  summarise(fietspad_intersect_unsided = any(na.as.false(fietspad_intersect)), 
            # true false variabele, true als fietspad aanwezig aan een kant van het wegvak
            fietspad_intersect_onesided = ifelse(sum(na.as.false(fietspad_intersect))==1, TRUE, FALSE), 
            # true false variabele, true als fietspad aanwezig aan twee kanten van het wegvak
            fietspad_intersect_twosided = ifelse(sum(na.as.false(fietspad_intersect))==2, TRUE, FALSE)) %>% 
  group_by(WVK_ID) %>%
  # aantal aanwezige fietspaden per transect
  summarise(n_transectlocations_unsided = n(), # aantal transects locaties (dus L en R samen, dwz indien 4 L en 4 R -> 4 transectlocaties)
            n_fietspad_unsided_locations = sum(ifelse(fietspad_intersect_unsided, 1, 0)), # optellen als true
            n_fietspad_onesided_locations = sum(ifelse(fietspad_intersect_onesided, 1, 0)), # optelen als true
            n_fietspad_twosided_locations = sum(ifelse(fietspad_intersect_twosided, 1, 0))) %>% # optellen als true
  # bepaal aandeel
  mutate(aandeel_fietspad_unsided = round(n_fietspad_unsided_locations / n_transectlocations_unsided,2),
         aandeel_fietspad_onesided = round(n_fietspad_onesided_locations / n_transectlocations_unsided,2),
         aandeel_fietspad_twosided = round(n_fietspad_twosided_locations / n_transectlocations_unsided,2)) %>%
  # bepaal of wegvak aangemerkt moet worden als aanwezigheid fietspad
  mutate(fietspad_aanwezig = ifelse(aandeel_fietspad_unsided >= threshold_aandeel_fietspad, TRUE, FALSE)) %>%
  as.data.frame()


#unique(transects_join_fietspads_deduplicated$fietspad_intersect)

4.2.7.2 Aanwezigheid parallelweg met veilige snelheidslimiet

Op eenzelfde wijze als bij de fietspaden bepalen we of er een parallelweg geschikt voor fietsers aanwezig is naast een wegvak. Daarbij maken we gebruik van de aanname dat een weg met een limiet van 60 km/uur een erftoegangsweg betreft. Wegen met de volgende geregistreerde limieten worden daarmee als geschikt beschouwd: 60, 30, 20, 15, 5, NOA.

Als eerste maken we een lijst aan met wegvakken die een geschikte snelheidslimiet hebben en een lijst met wegvakken die een fietspad hebben.

# creëer een lookup lijst van wegvakken met een fietspad
wegvakken_fietspad <- filter(transects_aggregated_fietspaden, fietspad_aanwezig)$WVK_ID

# creëer een lookup lijst van wegvakken met een veilige snelheid van 30 of lager, of limiet 60 onder aanname dat 
# een weg met limiet 60 een etw buiten de bebouwde kom betreft. 
wegvakken_veiligesnelheid <- filter(nwb_snelheid_gesloten_fiets, MAXSHD %in% c("60", "30", "20", "15", "5", "NOA"))$WVK_ID

Deze lijst wordt gebruikt om te bepalen voor elke transect die met een wegvak kruist - met dezelfde straatnaam of BST_CODE PAR of VWG - of deze een geschikte snelheidslimiet of niet heeft, of dat er een vrijliggend fietspad aanwezig is langs de rijbaan waarmee de transect intersect.

# Voeg variabelen toe aan transects met parallelwegen
# Let op, de dataset is niet uniek voor ID_WVK_SEGMENT want een transect kan met meerdere wegvakken met dezelfde straatnamen of bst_code par/vwg intersecten die een verschillende WVK_ID hebben
transects_parallelwegen_plus <- transects_parallelwegen %>%
  relocate(geom, .after = last_col()) %>%
  st_sf() %>%
  select(ID_WVK_SEGMENT, WVK_ID, STT_NAAM, transect_side, starts_with("parallel")) %>%
  # voeg informatie aan variabelen toe met behulp van lookup lijsten
  mutate(parallel_veiligesnelheid = ifelse(parallel_WVK_ID %in% wegvakken_veiligesnelheid, TRUE, FALSE),
         parallel_fietspad = ifelse(parallel_WVK_ID %in% wegvakken_fietspad, TRUE, FALSE)) %>%
  filter(parallel_STT_NAAM == STT_NAAM | parallel_BST_CODE %in% c ("PAR", "VWG"))
  

# bepaal per transect identifier ID_WVK_SEGMENT of een van de transects intersects met een wegvak met een vrijliggend fietspad en/of een parallelweg met een veilige snelheidslimiet 
transects_parallels_aggregated <- transects_parallelwegen_plus %>%
  st_drop_geometry() %>%
  group_by(ID_WVK_SEGMENT, WVK_ID, transect_side) %>%
  arrange(ID_WVK_SEGMENT, WVK_ID, transect_side) %>%
  summarise(parallel_veiligesnelheid = any(parallel_veiligesnelheid),
            parallel_fietspad = any(parallel_fietspad))

Deze informatie wordt gebruikt om een nieuwe dataset aan te maken van wegvakken waarvan we nu weten of er een fietspad en/of een parallelweg met een veilige snelheidslimiet aanwezig is.

Wanneer een wegvak voor minimaal 50% een parallelweg met een veilige snelheidslimiet heeft (dit aandeel kan naar wens aangepast worden), dan wordt deze als zodanig geclassificeerd.

# Creëer een threshold voor het minimale aandeel van een wegvak dat een parallelweg met een veilige snelheid moet hebben om als zodanig geclassificeerd te worden
threshold_aandeel_parallel_vs <- 0.5

# creëer een nieuwe transects dataset met informatie over fietspaden en parallelwegen
transects_aggregated_FP_PAR <- transects_join_fietspaden_deduplicated %>%
  as.data.frame() %>%
  left_join(select(transects_parallels_aggregated, ID_WVK_SEGMENT, parallel_veiligesnelheid,
                   parallel_fietspad)) %>%
  # herhaal wat we deden om te bepalen of er een fietspad of parallelweg met een veilig snelheid aanwezig is en of een wegvak gezien wordt als veilig door de aanwezigheid van een ander wegvak dat als veilig gezien wordt
  lazy_dt() %>%
  #filter(GME_NAAM == "Utrecht") %>%
  # groepeer per ID_WVK_SEGMENT_unsided met behoud van WVK_ID
  group_by(WVK_ID, ID_WVK_SEGMENT_unsided) %>%
  # Bepaal of een fietpad aanwezig is links en/of rechts
            # true false variabele, true als fietspad aanwezig aan een van de zijden van het wegvak
  summarise(fietspad_intersect_unsided = any(na.as.false(fietspad_intersect)), 
            # true false variabele, true als fietspad aanwezig aan een kant van het wegvak
            fietspad_intersect_onesided = ifelse(sum(na.as.false(fietspad_intersect))==1, TRUE, FALSE), 
            # true false variabele, true als fietspad aanwezig aan beide kanten van het wegvak
            fietspad_intersect_twosided = ifelse(sum(na.as.false(fietspad_intersect))==2, TRUE, FALSE),
  # voeg parallel variabelen toe
            # true false variabele, true als parallelweg aanwezig aan een van de kanten van het wegvak
            parallel_v.s_unsided = any(na.as.false(parallel_veiligesnelheid)), 
            # true false variabele, true als parallwelweg aanwezig aan een kant van het wegvak
            parallel_v.s_onesided = ifelse(sum(na.as.false(parallel_veiligesnelheid))==1, TRUE, FALSE), 
            # true false variabele, true als parallelweg aanwezig aan beide kanten van het wegvak
            parallel_v.s_twosided = ifelse(sum(na.as.false(parallel_veiligesnelheid))==2, TRUE, FALSE),
            # true false variabele, true als een parallele rijbaan met fietspad aanwezig is aan een van de kanten van het wegvak
            parallel_fietspad_unsided = any(na.as.false(parallel_fietspad)) 
            ) %>% # true false variabele, true als parallewegl aanwezig aan twee kanten van het wegvak
  group_by(WVK_ID) %>%
  # aantal fietspaden aanwezig bij transects
  summarise(n_transectlocations_unsided = n(),
            n_fietspad_unsided_locations = sum(ifelse(fietspad_intersect_unsided, 1, 0)), # tel op als true
            n_fietspad_onesided_locations = sum(ifelse(fietspad_intersect_onesided, 1, 0)), # tel op als true
            n_fietspad_twosided_locations = sum(ifelse(fietspad_intersect_twosided, 1, 0)),
 # voeg parallelweg variabelen toe
            n_parallel_v.s_unsided = sum(ifelse(parallel_v.s_unsided, 1, 0)), # tel op als true
            n_parallel_v.s_onesided = sum(ifelse(parallel_v.s_onesided, 1, 0)), # tel op als true
            n_parallel_v.s_twosided = sum(ifelse(parallel_v.s_twosided, 1, 0)),
            n_parallel_fietspad_unsided = sum(ifelse(parallel_fietspad_unsided, 1, 0))
            ) %>% # tel op als true
  # bepaal aandelen
  mutate(aandeel_fietspad_unsided = round(n_fietspad_unsided_locations / n_transectlocations_unsided,2),
         aandeel_fietspad_onesided = round(n_fietspad_onesided_locations / n_transectlocations_unsided,2),
         aandeel_fietspad_twosided = round(n_fietspad_twosided_locations / n_transectlocations_unsided,2),
  # voeg parallelweg variabelen toe 
         aandeel_parallel_v.s_unsided = round(n_parallel_v.s_unsided / n_transectlocations_unsided,2),
         aandeel_parallel_v.s_onesided = round(n_parallel_v.s_onesided / n_transectlocations_unsided,2),
         aandeel_parallel_v.s_twosided = round(n_parallel_v.s_twosided / n_transectlocations_unsided,2),
         aandeel_parallel_with_fietspad_unsided = round(n_parallel_fietspad_unsided / n_transectlocations_unsided,2)
  ) %>%
  # bepaal of een wegvak geclassifieerd moet worden als fietspad of parallelweg aanwezig
  mutate(# bepaling aanwezigheid fietspad
         fietspad_aanwezig = ifelse(aandeel_fietspad_unsided >= threshold_aandeel_fietspad, TRUE, FALSE),
         # bepaling aanwezigheid parallelweg met veilige limiet
         parallel_vs_aanwezig = ifelse(aandeel_parallel_v.s_unsided >= threshold_aandeel_parallel_vs, TRUE, FALSE),
         # bepaling aanwezigheid parallele rijbaan met fietspad
         parallel_metfp_aanwezig = ifelse(aandeel_parallel_with_fietspad_unsided >= threshold_aandeel_parallel_vs, 
                                          TRUE, FALSE)) %>%
         # # bepaling aanwezigheid parallelweg of parallele rijbaan met fietspad
         # parallel_vs_fietspad_aanwezig = ifelse(aandeel_parallel_v.s_unsided >= threshold_aandeel_parallel_vs | 
         #                                aandeel_parallel_with_fietspad_unsided >= threshold_aandeel_parallel_vs, 
         #                                TRUE, FALSE)) %>%
  as.data.frame()

# # controle of berekeningen goed zijn gegaan
checkpar <- any(is.na(transects_aggregated_FP_PAR$parallel_vs_fietspad_aanwezig))
checkfp <- any(is.na(transects_aggregated_FP_PAR$fietspad_aanwezig))

print(paste0("Controle of de bepaling van de aanwezigheid van fietspaden missende waarden oplevert: ", checkpar ))
print(paste0("Controle of de bepaling van de aanwezigheid van veilige parallelbanen missende waarden oplevert: ", checkpar ))

4.2.8 Dataset voor analyse

Als laatste kan de volledige dataset aangemaakt worden met alle variabelen die nodig zijn voor de analyse.

nwb_wegvak_join_all <- nwb_50_70_80_gesloten_fiets %>%
  left_join(transects_aggregated_FP_PAR)

# names(nwb_wegvak_join_all)

nwb_wegvak_analyse <- nwb_wegvak_join_all %>%
          # wegvak informatie
  select(WVK_ID, STT_NAAM, GME_NAAM, WPSNAAM, shd_lengte, wvk_lengte, BST_CODE,
         # snelheidslimiet
         MAXSHD, shd_maatgevend,
         # aanwezigheid van ...
         gesloten_fiets, fietspad_aanwezig, parallel_vs_aanwezig, parallel_metfp_aanwezig,
         # wegbeheerders
         WEGBEHSRT, WEGBEHNAAM)

5 Analyse

In de analyse wordt gekeken welke wegvakken aan de SPI voldoen. Een wegvak voldoet wanneer:

• het wegvak een geslotenverklaring heeft voor fietsers;
• het wegvak een vrijliggend fietspad heeft; en/of
• het wegvak een parallelweg met een veilige snelheidslimiet heeft.

Wanneer er geen registratie is over de gesloten verklaring voor fietsers, dan wordt er vanuit gegaan dat de weg open is voor fietsers wanneer er tevens geen vrijliggend fietspad of een parallelweg met een veilige snelheidslimiet aanwezig is.

nwb_wegvak_analyse_cat <- nwb_wegvak_analyse %>%
  # wegakken die aan de SPI voldoen
  mutate(wvk_voldoet = ifelse(na.as.false(gesloten_fiets == 1) | na.as.false(parallel_vs_aanwezig) | 
                              na.as.false(fietspad_aanwezig) | 
                              # Een wegvak wordt ook als wegvak met fp aanwezig bedoordeeld als een fp aan een parallel 
                              # wegvak met dezelfde straatnaam is gekoppeld. 
                              na.as.false(parallel_metfp_aanwezig), TRUE, FALSE))

De volgende tabel is de bijbehorende attributentabel die de variabelen in de analysetabel beschrijft

# attributen en omschrijving in een data frame
tabel_wegvakken_fietsrijbaan_beschr <- data.frame(
  Attribuut = c(
    "WVK_ID", "STT_NAAM", "GME_NAAM", "WPSNAAM",
    "shd_lengte", "wvk_lengte", "BST_CODE", "MAXSHD", "shd_maatgevend",
    "gesloten_fiets", "fietspad_aanwezig", "parallel_vs_aanwezig", "parallel_metfp_aanwezig", 
    "WEGBEHSRT", "WEGBEHNAAM", "geometry", "wvk_voldoet"
    ),
  Omschrijving = c(
    "Het unieke nummer voor een Wegvak.",
    "Straatnaam", 
    "Naam van de gemeente waarin de straat ligt", 
    "Naam van de plaats waarin het wegvak ligt.", 
    "Lengte van het deel van het wegvak waarvoor de snelheidslimiet geldt.",
    "Lengte van het wegvak.",
    "NWB Baan subsoort code", 
    "Snelheidslimiet op basis van WKD.",
    "De maatgevende snelheidslimiet die geldt op het grootste deel van het wegvak.",
    "Geslotenverklaring aanwezig voor fietsers.",
    "Vrijliggend fietspad aanwezig.",
    "Parallelweg met veilige snelheidslimiet aanwezig.",
    "Parallel wegvak met daaraan gekoppeld fietspad aanwezig.",
    "Het type wegbeheerder met G: Gemeente, W: Waterschap, P: Provincie, R: Rijk en T: Particulier.",
    "Naam van de wegbeheerder.", 
    "Het type geometrie; in dit geval lijn.",
    "Geeft aan of het wegvak voldoet aan de SPI."
    )
)

scroltabel_gt(tabel_wegvakken_fietsrijbaan_beschr, title = "Variabelen gescheiden voorziening voor fietsers" )

Variabelen gescheiden voorziening voor fietsers
Attribuut	Omschrijving
WVK_ID	Het unieke nummer voor een Wegvak.
STT_NAAM	Straatnaam
GME_NAAM	Naam van de gemeente waarin de straat ligt
WPSNAAM	Naam van de plaats waarin het wegvak ligt.
shd_lengte	Lengte van het deel van het wegvak waarvoor de snelheidslimiet geldt.
wvk_lengte	Lengte van het wegvak.
BST_CODE	NWB Baan subsoort code
MAXSHD	Snelheidslimiet op basis van WKD.
shd_maatgevend	De maatgevende snelheidslimiet die geldt op het grootste deel van het wegvak.
gesloten_fiets	Geslotenverklaring aanwezig voor fietsers.
fietspad_aanwezig	Vrijliggend fietspad aanwezig.
parallel_vs_aanwezig	Parallelweg met veilige snelheidslimiet aanwezig.
parallel_metfp_aanwezig	Parallel wegvak met daaraan gekoppeld fietspad aanwezig.
WEGBEHSRT	Het type wegbeheerder met G: Gemeente, W: Waterschap, P: Provincie, R: Rijk en T: Particulier.
WEGBEHNAAM	Naam van de wegbeheerder.
geometry	Het type geometrie; in dit geval lijn.
wvk_voldoet	Geeft aan of het wegvak voldoet aan de SPI.

6 Scores en Benchmark SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers

De SPI Veilige Infrastructuur bevat het kenmerk “gescheiden voorziening voor fietsers”. Idealiter hebben alle wegen met een 50, 70 en 80 km/uur snelheidslimiet een geslotenverklaring voor fietsers. Fietsers mogen hier niet op de rijbaan fietsen en zijn verplicht, indien aanwezig, een vrijliggend fietspad te gebruiken of een parallelweg met een veilige snelheidslimiet. Onder wegen met een veilige snelheidslimiet beschouwen we erftoeganswegen binnen en buiten de bebouwde kom (snelheidslimiet 30 km/uur of lager en 60 km/uur bubeko respectievelijk) en GOW30 wegen.

6.1 Bepaling scores per wegbeheerder

In het vorige hoofdstuk zijn wegvakken beoordeeld ten aanzien van de SPI kenmerk gescheiden voorziening voor fietsers. Een wegvak voldoet wanneer het:

• een geslotenverklaring heeft voor fietsers;
• een vrijliggend fietspad heeft; en/of
• een parallelweg met een veilige snelheidslimiet.

Hierbij geldt dat een wegvak aangemerkt wordt als wegvak met een vrijliggend fietspad of een parallelweg met een veilige snelheidslimiet, wanneer dit kenmerk aanwezig is op minimaal de helft van de wegvaklengte. Indien een wegvak aan geen van de bovenstaande kenmerken voldoet, wordt deze afgekeurd.

De beoordeling op wegvakniveau wordt vertaald naar een score op netwerkniveau per wegbeheerder. Daarbij wordt gekeken naar het aandeel van de wegvakken dat als voldoende wordt beoordeeld. Per wegbeheerder wordt het volgende gescoord.

1. Kenmerk gescheiden voorziening voor fietsers: [aantal wegvakken dat voldoet] / [totaal aantal wegvakken]
2. Score kenmerk naar weglengte: [totale weglengte van de wegvakken die voldoen] / [totale weglengte]

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.

#### landelijk ####
scores_landelijk_totaal_wvk <- nwb_wegvak_analyse_cat %>%
  st_drop_geometry(.) %>%
  ungroup() %>% 
  # bepaal scores
  summarise(`Wegbeheerder soort` = "Totaal",
            Wegbeheerder = "Totaal",
            Snelheidslimiet = "Totaal",
            `Score kenmerk gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1),
            ) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ round(., 1))) 

# scores per limiet bepalen
scores_landelijk_limiet_wvk <- nwb_wegvak_analyse_cat %>% 
  st_drop_geometry() %>% 
  # groepeer naar limiet
  group_by(shd_maatgevend) %>%
  # bepaal scores
  summarise(`Wegbeheerder soort` = "Totaal" ,
            Wegbeheerder = "Totaal",
            #Snelheidslimiet = shd_maatgevend,
            `Score kenmerk gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ round(., 1))) %>%
  relocate(shd_maatgevend, .after = Wegbeheerder) %>%
  rename(Snelheidslimiet = shd_maatgevend) %>% 
  ungroup()

# combineer alle landelijke scores
scores_landelijk <- bind_rows(scores_landelijk_limiet_wvk, scores_landelijk_totaal_wvk) %>%
  # Limiet als factor om arrange in de juiste volgorde te krijgen
  mutate(Snelheidslimiet = factor(Snelheidslimiet, 
                                  levels = c("50", "70", "80", "Totaal"))) %>% 
  arrange(Wegbeheerder, Snelheidslimiet)

head(scores_landelijk)

#### provincies ####

# scores voor het totaal bepalen
scores_provincies_totaal_wvk <- nwb_wegvak_analyse_cat %>%
  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 gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                  ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                  ~ round(., 1))) %>%
  rename(Wegbeheerder = WEGBEHNAAM) %>%
  relocate(`Wegbeheerder soort`) %>%
  ungroup()

# scores per limiet bepalen 
scores_provincies_limiet_wvk <- nwb_wegvak_analyse_cat %>%
  st_drop_geometry() %>%
  # selecteer op basis van wegbeheersoort
  filter(WEGBEHSRT == "P") %>%
  # groepeer naar webeheerder
  group_by(WEGBEHNAAM, shd_maatgevend) %>%
  # bepaal scores
  summarise(`Wegbeheerder soort` = "Provincie" ,
            `Score kenmerk gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE,wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ round(., 1))) %>%
  rename(
    Wegbeheerder = WEGBEHNAAM,
    Snelheidslimiet = shd_maatgevend
    ) %>%
  relocate(`Wegbeheerder soort`) %>%
  ungroup()

# head(scores_provincies_limiet_wvk)

# combineer alle provincie scores
scores_provincies <- bind_rows(scores_provincies_limiet_wvk, scores_provincies_totaal_wvk) %>%
  # Limiet als factor om arrange in de juiste volgorde te krijgen
  mutate(Snelheidslimiet = factor(Snelheidslimiet, 
                                  levels = c("50", "70", "80", "Totaal"))) %>% 
  arrange(Wegbeheerder, Snelheidslimiet)


#### gemeenten ####

# scores voor het totaal bepalen
scores_gemeenten_totaal_wvk <- nwb_wegvak_analyse_cat %>%
  st_drop_geometry() %>%
  # selecteer op basis van wegbeheersoort
  filter(WEGBEHSRT == "G") %>%
  # groepeer naar webeheerder
  group_by(GME_NAAM) %>%
  # bepaal scores
  summarise(`Wegbeheerder soort` = "Gemeente" ,
            Snelheidslimiet = "Totaal",
            `Score kenmerk gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                  ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                  ~ round(., 1))) %>%
  rename(Wegbeheerder = GME_NAAM) %>%
  relocate(`Wegbeheerder soort`) %>%
  ungroup()

# scores per limiet bepalen
scores_gemeenten_limiet_wvk <- nwb_wegvak_analyse_cat %>%
  st_drop_geometry() %>%
  # selecteer op basis van wegbeheersoort
  filter(WEGBEHSRT == "G") %>%
  # groepeer naar webeheerder
  group_by(GME_NAAM, shd_maatgevend) %>%
  # bepaal scores
  summarise(`Wegbeheerder soort` = "Gemeente" ,
            `Score kenmerk gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ round(., 1))) %>%
  rename(
    Wegbeheerder = GME_NAAM,
    Snelheidslimiet = shd_maatgevend
    ) %>%
  relocate(`Wegbeheerder soort`) %>%
  ungroup()

# head(scores_provincies_limiet)

# combineer alle gemeente scores
scores_gemeenten <- bind_rows(scores_gemeenten_limiet_wvk, scores_gemeenten_totaal_wvk) %>%
  # Limiet als factor om arrange in de juiste volgorde te krijgen
  mutate(Snelheidslimiet = factor(Snelheidslimiet, 
                                  levels = c("50", "70", "80", "Totaal"))) %>% 
  arrange(Wegbeheerder, Snelheidslimiet)

#### waterschappen ####

# scores voor het totaal bepalen - wegvakniveau
scores_waterschappen_totaal_wvk <- nwb_wegvak_analyse_cat %>%
  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 gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                  ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                  ~ round(., 1))) %>%
  rename(Wegbeheerder = WEGBEHNAAM) %>%
  relocate(`Wegbeheerder soort`) %>%
  ungroup()

# scores per limiet bepalen
scores_waterschappen_limiet_wvk <- nwb_wegvak_analyse_cat %>%
  st_drop_geometry() %>%
  # selecteer op basis van wegbeheersoort
  filter(WEGBEHSRT == "W") %>%
  # groepeer naar webeheerder
  group_by(WEGBEHNAAM, shd_maatgevend) %>%
  # bepaal scores
  summarise(`Wegbeheerder soort` = "Waterschap" ,
            `Score kenmerk gescheiden voorziening voor fietsers` = sum(wvk_voldoet) / n(),
            `Score kenmerk naar weglengte` = sum(ifelse(wvk_voldoet == TRUE, wvk_lengte, 0)) / sum(wvk_lengte),
            `Totale weglengte [km]` = round(sum(wvk_lengte) / 1000, 1)) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ set_units(. * 100, "%"))) %>%
  mutate(across(c(`Score kenmerk gescheiden voorziening voor fietsers`, `Score kenmerk naar weglengte`), 
                ~ round(., 1))) %>%
  rename(
    Wegbeheerder = WEGBEHNAAM,
    Snelheidslimiet = shd_maatgevend
    ) %>%
  relocate(`Wegbeheerder soort`) %>%
  ungroup()

# head(scores_waterschappen_limiet)

# combineer alle waterschap scores
scores_waterschappen <- bind_rows(scores_waterschappen_limiet_wvk, scores_waterschappen_totaal_wvk) %>%
  # Limiet als factor om arrange in de juiste volgorde te krijgen
  mutate(Snelheidslimiet = factor(Snelheidslimiet, 
                                  levels = c("50", "70", "80", "Totaal"))) %>% 
  arrange(Wegbeheerder, Snelheidslimiet)

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.

6.2 Resultaten SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers per wegbeheerder

In deze paragraaf worden de deelscores van de SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers getoond. De getoonde resultaten worden apart getoond in subparagrafen op landelijk niveau en voor waterschapswegbeheerders, provinciale wegbeheerders en gemeentelijke wegbeheerders.

6.2.1 Landelijk

Hieronder worden de scores voor heel Nederland getoond.

scroltabel_gt(scores_landelijk, title = "SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers, van alle wegbeheerders samen")

SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers, van alle wegbeheerders samen
Wegbeheerder soort	Wegbeheerder	Snelheidslimiet	Score kenmerk gescheiden voorziening voor fietsers	Score kenmerk naar weglengte	Totale weglengte [km]
Totaal	Totaal	50	66.9 [%]	54.5 [%]	19946.1
Totaal	Totaal	70	96.6 [%]	97.9 [%]	1076.8
Totaal	Totaal	80	81.9 [%]	71.3 [%]	12706.9
Totaal	Totaal	Totaal	70.2 [%]	62.2 [%]	33729.8

6.2.2 Waterschappen

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 - kenmerk gescheiden voorziening voor fietsers, van waterschaps-wegbeheerders")

SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers, van waterschaps-wegbeheerders
Wegbeheerder soort	Wegbeheerder	Snelheidslimiet	Score kenmerk gescheiden voorziening voor fietsers	Score kenmerk naar weglengte	Totale weglengte [km]
Waterschap	HHS Hollands Noorderkwartier	50	37.5 [%]	15.3 [%]	6.1
Waterschap	HHS Hollands Noorderkwartier	80	70.4 [%]	65.3 [%]	6.6
Waterschap	HHS Hollands Noorderkwartier	Totaal	52.5 [%]	41.1 [%]	12.7
Waterschap	HHS Schieland en de Krimpenerwaard	50	0.0 [%]	0.0 [%]	2.7
Waterschap	HHS Schieland en de Krimpenerwaard	80	11.8 [%]	33.2 [%]	4.7
Waterschap	HHS Schieland en de Krimpenerwaard	Totaal	8.0 [%]	20.9 [%]	7.5
Waterschap	Waterschap De Hollandse Delta	50	58.6 [%]	44.1 [%]	40.8
Waterschap	Waterschap De Hollandse Delta	70	100.0 [%]	100.0 [%]	0.6
Waterschap	Waterschap De Hollandse Delta	80	72.9 [%]	69.5 [%]	112.8
Waterschap	Waterschap De Hollandse Delta	Totaal	68.1 [%]	62.9 [%]	154.3
Waterschap	Waterschap Rivierenland	50	45.0 [%]	18.0 [%]	6.0
Waterschap	Waterschap Rivierenland	80	66.7 [%]	48.5 [%]	28.9
Waterschap	Waterschap Rivierenland	Totaal	61.1 [%]	43.3 [%]	34.9
Waterschap	Waterschap Scheldestromen	50	35.7 [%]	38.0 [%]	22.6
Waterschap	Waterschap Scheldestromen	80	76.8 [%]	79.2 [%]	164.9
Waterschap	Waterschap Scheldestromen	Totaal	66.8 [%]	74.2 [%]	187.5

6.2.3 Provincies

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 - kenmerk gescheiden voorziening voor fietsers, van provinciale wegbeheerders")

SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers, van provinciale wegbeheerders
Wegbeheerder soort	Wegbeheerder	Snelheidslimiet	Score kenmerk gescheiden voorziening voor fietsers	Score kenmerk naar weglengte	Totale weglengte [km]
Provincie	Drenthe	50	93.2 [%]	93.6 [%]	26.1
Provincie	Drenthe	70	100.0 [%]	100.0 [%]	21.6
Provincie	Drenthe	80	95.8 [%]	98.1 [%]	323.4
Provincie	Drenthe	Totaal	95.5 [%]	97.9 [%]	371.1
Provincie	Flevoland	50	92.6 [%]	93.2 [%]	14.0
Provincie	Flevoland	70	100.0 [%]	100.0 [%]	6.5
Provincie	Flevoland	80	93.6 [%]	91.8 [%]	453.0
Provincie	Flevoland	Totaal	93.6 [%]	91.9 [%]	473.4
Provincie	Friesland	50	72.6 [%]	71.1 [%]	22.2
Provincie	Friesland	70	95.2 [%]	96.7 [%]	28.0
Provincie	Friesland	80	91.5 [%]	94.6 [%]	335.0
Provincie	Friesland	Totaal	89.5 [%]	93.4 [%]	385.2
Provincie	Gelderland	50	84.1 [%]	78.6 [%]	136.5
Provincie	Gelderland	70	98.9 [%]	99.8 [%]	12.1
Provincie	Gelderland	80	90.9 [%]	89.3 [%]	1096.5
Provincie	Gelderland	Totaal	89.6 [%]	88.3 [%]	1245.0
Provincie	Groningen	50	87.0 [%]	82.1 [%]	62.4
Provincie	Groningen	70	98.7 [%]	100.0 [%]	43.5
Provincie	Groningen	80	96.3 [%]	97.0 [%]	270.4
Provincie	Groningen	Totaal	93.3 [%]	94.8 [%]	376.2
Provincie	Limburg	50	84.6 [%]	81.9 [%]	81.6
Provincie	Limburg	70	96.3 [%]	98.6 [%]	3.9
Provincie	Limburg	80	97.8 [%]	98.0 [%]	449.9
Provincie	Limburg	Totaal	94.0 [%]	95.6 [%]	535.4
Provincie	Noord-Brabant	50	94.6 [%]	92.3 [%]	44.3
Provincie	Noord-Brabant	70	100.0 [%]	100.0 [%]	7.7
Provincie	Noord-Brabant	80	97.7 [%]	98.7 [%]	620.4
Provincie	Noord-Brabant	Totaal	97.2 [%]	98.3 [%]	672.4
Provincie	Noord-Holland	50	97.5 [%]	98.6 [%]	83.4
Provincie	Noord-Holland	70	98.5 [%]	98.9 [%]	55.5
Provincie	Noord-Holland	80	98.0 [%]	99.2 [%]	588.1
Provincie	Noord-Holland	Totaal	97.9 [%]	99.1 [%]	727.0
Provincie	Overijssel	50	94.9 [%]	93.2 [%]	68.5
Provincie	Overijssel	70	90.0 [%]	89.6 [%]	8.7
Provincie	Overijssel	80	97.2 [%]	99.6 [%]	612.9
Provincie	Overijssel	Totaal	96.5 [%]	98.8 [%]	690.1
Provincie	Utrecht	50	94.6 [%]	95.9 [%]	48.8
Provincie	Utrecht	70	100.0 [%]	100.0 [%]	2.5
Provincie	Utrecht	80	95.5 [%]	94.9 [%]	309.2
Provincie	Utrecht	Totaal	95.3 [%]	95.0 [%]	360.5
Provincie	Zeeland	50	93.0 [%]	90.4 [%]	8.8
Provincie	Zeeland	70	96.7 [%]	99.1 [%]	6.7
Provincie	Zeeland	80	95.6 [%]	91.7 [%]	346.3
Provincie	Zeeland	Totaal	95.5 [%]	91.8 [%]	361.7
Provincie	Zuid-Holland	50	95.1 [%]	91.6 [%]	97.6
Provincie	Zuid-Holland	70	97.7 [%]	96.1 [%]	14.3
Provincie	Zuid-Holland	80	97.5 [%]	99.4 [%]	572.4
Provincie	Zuid-Holland	Totaal	96.8 [%]	98.3 [%]	684.3

6.2.4 Gemeenten

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 - kenmerk gescheiden voorziening voor fietsers, van gemeentelijke wegbeheerders")

SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers, van gemeentelijke wegbeheerders
Wegbeheerder soort	Wegbeheerder	Snelheidslimiet	Score kenmerk gescheiden voorziening voor fietsers	Score kenmerk naar weglengte	Totale weglengte [km]
Gemeente	's-Gravenhage	50	81.4 [%]	80.9 [%]	457.0
Gemeente	's-Gravenhage	70	97.2 [%]	95.6 [%]	14.4
Gemeente	's-Gravenhage	80	83.3 [%]	71.8 [%]	0.1
Gemeente	's-Gravenhage	Totaal	81.5 [%]	81.4 [%]	471.5
Gemeente	's-Hertogenbosch	50	84.9 [%]	76.3 [%]	181.8
Gemeente	's-Hertogenbosch	70	100.0 [%]	100.0 [%]	3.4
Gemeente	's-Hertogenbosch	80	86.7 [%]	79.8 [%]	23.7
Gemeente	's-Hertogenbosch	Totaal	85.0 [%]	77.1 [%]	208.9
Gemeente	Aa en Hunze	50	41.1 [%]	26.8 [%]	38.1
Gemeente	Aa en Hunze	70	40.0 [%]	1.7 [%]	0.8
Gemeente	Aa en Hunze	80	19.6 [%]	14.8 [%]	92.5
Gemeente	Aa en Hunze	Totaal	33.3 [%]	18.2 [%]	131.4
Gemeente	Aalsmeer	50	73.1 [%]	62.2 [%]	44.6
Gemeente	Aalsmeer	80	100.0 [%]	100.0 [%]	0.7
Gemeente	Aalsmeer	Totaal	74.0 [%]	62.8 [%]	45.2
Gemeente	Aalten	50	37.3 [%]	21.9 [%]	35.2
Gemeente	Aalten	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Aalten	80	75.0 [%]	40.9 [%]	2.9
Gemeente	Aalten	Totaal	38.5 [%]	23.4 [%]	38.1
Gemeente	Achtkarspelen	50	53.5 [%]	46.8 [%]	10.0
Gemeente	Achtkarspelen	70	0.0 [%]	0.0 [%]	0.6
Gemeente	Achtkarspelen	80	76.8 [%]	67.2 [%]	13.7
Gemeente	Achtkarspelen	Totaal	62.6 [%]	57.2 [%]	24.4
Gemeente	Alblasserdam	50	69.0 [%]	63.8 [%]	24.0
Gemeente	Alblasserdam	80	93.3 [%]	97.1 [%]	1.7
Gemeente	Alblasserdam	Totaal	71.2 [%]	66.0 [%]	25.8
Gemeente	Albrandswaard	50	51.6 [%]	39.9 [%]	27.9
Gemeente	Albrandswaard	80	96.3 [%]	99.3 [%]	1.5
Gemeente	Albrandswaard	Totaal	55.1 [%]	42.9 [%]	29.4
Gemeente	Alkmaar	50	68.2 [%]	54.3 [%]	117.2
Gemeente	Alkmaar	70	100.0 [%]	100.0 [%]	5.1
Gemeente	Alkmaar	80	100.0 [%]	100.0 [%]	2.6
Gemeente	Alkmaar	Totaal	69.5 [%]	57.1 [%]	124.8
Gemeente	Almelo	50	45.1 [%]	34.7 [%]	157.9
Gemeente	Almelo	70	96.5 [%]	93.5 [%]	17.5
Gemeente	Almelo	80	75.4 [%]	61.5 [%]	50.6
Gemeente	Almelo	Totaal	51.4 [%]	45.3 [%]	226.1
Gemeente	Almere	50	90.2 [%]	85.9 [%]	212.2
Gemeente	Almere	80	78.0 [%]	87.5 [%]	10.5
Gemeente	Almere	Totaal	89.9 [%]	86.0 [%]	222.6
Gemeente	Alphen aan den Rijn	50	76.6 [%]	62.3 [%]	99.9
Gemeente	Alphen aan den Rijn	70	100.0 [%]	100.0 [%]	8.9
Gemeente	Alphen aan den Rijn	80	83.3 [%]	54.4 [%]	0.8
Gemeente	Alphen aan den Rijn	Totaal	77.7 [%]	65.3 [%]	109.5
Gemeente	Alphen-Chaam	50	25.0 [%]	3.9 [%]	2.8
Gemeente	Alphen-Chaam	80	78.6 [%]	98.2 [%]	2.3
Gemeente	Alphen-Chaam	Totaal	44.7 [%]	46.1 [%]	5.2
Gemeente	Altena	50	49.5 [%]	39.4 [%]	40.8
Gemeente	Altena	80	96.0 [%]	99.3 [%]	9.2
Gemeente	Altena	Totaal	58.2 [%]	50.4 [%]	50.0
Gemeente	Ameland	50	0.0 [%]	0.0 [%]	0.6
Gemeente	Ameland	80	100.0 [%]	100.0 [%]	10.9
Gemeente	Ameland	Totaal	73.1 [%]	94.6 [%]	11.5
Gemeente	Amersfoort	50	77.3 [%]	67.7 [%]	168.5
Gemeente	Amersfoort	70	100.0 [%]	100.0 [%]	16.4
Gemeente	Amersfoort	80	87.7 [%]	78.4 [%]	9.9
Gemeente	Amersfoort	Totaal	78.4 [%]	71.0 [%]	194.9
Gemeente	Amstelveen	50	80.5 [%]	79.8 [%]	88.7
Gemeente	Amstelveen	80	89.7 [%]	97.4 [%]	3.6
Gemeente	Amstelveen	Totaal	80.7 [%]	80.5 [%]	92.3
Gemeente	Amsterdam	50	89.8 [%]	85.1 [%]	344.8
Gemeente	Amsterdam	70	98.4 [%]	99.9 [%]	42.3
Gemeente	Amsterdam	80	90.6 [%]	95.6 [%]	4.6
Gemeente	Amsterdam	Totaal	90.3 [%]	86.9 [%]	391.7
Gemeente	Apeldoorn	50	80.6 [%]	66.3 [%]	167.9
Gemeente	Apeldoorn	80	81.2 [%]	73.9 [%]	28.1
Gemeente	Apeldoorn	Totaal	80.6 [%]	67.4 [%]	196.0
Gemeente	Arnhem	50	81.2 [%]	72.8 [%]	187.2
Gemeente	Arnhem	70	90.9 [%]	91.5 [%]	7.6
Gemeente	Arnhem	80	91.3 [%]	90.8 [%]	6.7
Gemeente	Arnhem	Totaal	81.5 [%]	74.1 [%]	201.5
Gemeente	Assen	50	68.4 [%]	55.4 [%]	103.5
Gemeente	Assen	70	89.7 [%]	97.4 [%]	14.9
Gemeente	Assen	80	98.7 [%]	99.9 [%]	8.7
Gemeente	Assen	Totaal	72.2 [%]	63.4 [%]	127.1
Gemeente	Asten	50	53.0 [%]	36.8 [%]	19.2
Gemeente	Asten	80	90.8 [%]	60.2 [%]	14.8
Gemeente	Asten	Totaal	63.3 [%]	47.0 [%]	34.0
Gemeente	Baarle-Nassau	50	36.2 [%]	21.7 [%]	10.9
Gemeente	Baarle-Nassau	80	100.0 [%]	100.0 [%]	0.0
Gemeente	Baarle-Nassau	Totaal	37.8 [%]	22.0 [%]	10.9
Gemeente	Baarn	50	63.0 [%]	50.5 [%]	19.0
Gemeente	Baarn	80	81.8 [%]	97.3 [%]	3.9
Gemeente	Baarn	Totaal	65.2 [%]	58.5 [%]	22.9
Gemeente	Barendrecht	50	71.6 [%]	61.9 [%]	53.0
Gemeente	Barendrecht	70	98.9 [%]	99.9 [%]	15.8
Gemeente	Barendrecht	80	66.7 [%]	36.3 [%]	0.8
Gemeente	Barendrecht	Totaal	74.3 [%]	70.3 [%]	69.6
Gemeente	Barneveld	50	59.8 [%]	43.0 [%]	96.8
Gemeente	Barneveld	80	68.2 [%]	58.8 [%]	31.3
Gemeente	Barneveld	Totaal	61.0 [%]	46.9 [%]	128.1
Gemeente	Beek	50	43.8 [%]	29.6 [%]	23.2
Gemeente	Beek	80	65.5 [%]	46.5 [%]	7.6
Gemeente	Beek	Totaal	46.4 [%]	33.8 [%]	30.8
Gemeente	Beekdaelen	50	38.6 [%]	23.3 [%]	35.8
Gemeente	Beekdaelen	80	41.1 [%]	27.5 [%]	48.1
Gemeente	Beekdaelen	Totaal	39.6 [%]	25.7 [%]	83.9
Gemeente	Beesel	50	26.7 [%]	17.5 [%]	13.2
Gemeente	Beesel	80	21.9 [%]	11.6 [%]	50.9
Gemeente	Beesel	Totaal	23.7 [%]	12.8 [%]	64.1
Gemeente	Berg en Dal	50	58.3 [%]	47.8 [%]	28.1
Gemeente	Berg en Dal	80	56.2 [%]	34.3 [%]	10.0
Gemeente	Berg en Dal	Totaal	58.1 [%]	44.3 [%]	38.1
Gemeente	Bergeijk	50	62.4 [%]	48.0 [%]	22.5
Gemeente	Bergeijk	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Bergeijk	80	100.0 [%]	100.0 [%]	6.0
Gemeente	Bergeijk	Totaal	66.4 [%]	58.8 [%]	28.5
Gemeente	Bergen (L)	50	21.3 [%]	9.4 [%]	14.0
Gemeente	Bergen (L)	70	75.0 [%]	99.1 [%]	0.8
Gemeente	Bergen (L)	80	49.1 [%]	29.1 [%]	47.4
Gemeente	Bergen (L)	Totaal	37.1 [%]	25.5 [%]	62.1
Gemeente	Bergen (NH)	50	71.4 [%]	61.8 [%]	27.3
Gemeente	Bergen (NH)	80	100.0 [%]	100.0 [%]	4.8
Gemeente	Bergen (NH)	Totaal	73.0 [%]	67.5 [%]	32.1
Gemeente	Bergen op Zoom	50	76.4 [%]	64.0 [%]	75.4
Gemeente	Bergen op Zoom	70	100.0 [%]	100.0 [%]	4.6
Gemeente	Bergen op Zoom	80	94.7 [%]	99.7 [%]	7.9
Gemeente	Bergen op Zoom	Totaal	77.8 [%]	69.1 [%]	87.9
Gemeente	Berkelland	50	45.5 [%]	30.1 [%]	38.5
Gemeente	Berkelland	80	90.9 [%]	98.1 [%]	13.0
Gemeente	Berkelland	Totaal	52.6 [%]	47.3 [%]	51.6
Gemeente	Bernheze	50	88.5 [%]	84.0 [%]	10.4
Gemeente	Bernheze	80	100.0 [%]	100.0 [%]	4.2
Gemeente	Bernheze	Totaal	90.9 [%]	88.6 [%]	14.6
Gemeente	Best	50	84.9 [%]	73.9 [%]	37.2
Gemeente	Best	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Best	80	90.6 [%]	71.0 [%]	10.0
Gemeente	Best	Totaal	85.5 [%]	73.3 [%]	47.2
Gemeente	Beuningen	50	76.4 [%]	64.6 [%]	24.2
Gemeente	Beuningen	80	100.0 [%]	100.0 [%]	5.0
Gemeente	Beuningen	Totaal	80.1 [%]	70.6 [%]	29.2
Gemeente	Beverwijk	50	69.5 [%]	64.6 [%]	57.1
Gemeente	Beverwijk	80	100.0 [%]	100.0 [%]	3.9
Gemeente	Beverwijk	Totaal	70.5 [%]	66.9 [%]	61.0
Gemeente	Bladel	50	57.7 [%]	45.4 [%]	35.5
Gemeente	Bladel	80	100.0 [%]	100.0 [%]	0.3
Gemeente	Bladel	Totaal	58.3 [%]	46.0 [%]	35.9
Gemeente	Blaricum	50	62.1 [%]	62.4 [%]	13.3
Gemeente	Blaricum	80	100.0 [%]	100.0 [%]	0.2
Gemeente	Blaricum	Totaal	62.8 [%]	62.9 [%]	13.5
Gemeente	Bloemendaal	50	76.6 [%]	66.4 [%]	24.9
Gemeente	Bloemendaal	Totaal	76.6 [%]	66.4 [%]	24.9
Gemeente	Bodegraven-Reeuwijk	50	51.0 [%]	40.7 [%]	25.6
Gemeente	Bodegraven-Reeuwijk	70	100.0 [%]	100.0 [%]	1.2
Gemeente	Bodegraven-Reeuwijk	80	92.0 [%]	95.2 [%]	4.9
Gemeente	Bodegraven-Reeuwijk	Totaal	54.9 [%]	51.3 [%]	31.6
Gemeente	Boekel	50	53.4 [%]	53.2 [%]	8.3
Gemeente	Boekel	80	90.0 [%]	75.4 [%]	0.5
Gemeente	Boekel	Totaal	57.1 [%]	54.5 [%]	8.8
Gemeente	Borger-Odoorn	50	50.3 [%]	48.3 [%]	73.4
Gemeente	Borger-Odoorn	70	75.0 [%]	97.6 [%]	1.2
Gemeente	Borger-Odoorn	80	84.9 [%]	85.7 [%]	25.8
Gemeente	Borger-Odoorn	Totaal	54.0 [%]	58.5 [%]	100.4
Gemeente	Borne	50	47.7 [%]	30.7 [%]	25.2
Gemeente	Borne	80	96.2 [%]	97.6 [%]	6.3
Gemeente	Borne	Totaal	54.8 [%]	44.0 [%]	31.4
Gemeente	Borsele	50	32.7 [%]	28.9 [%]	16.7
Gemeente	Borsele	80	73.3 [%]	37.0 [%]	1.5
Gemeente	Borsele	Totaal	36.1 [%]	29.6 [%]	18.1
Gemeente	Boxtel	50	52.5 [%]	31.1 [%]	30.7
Gemeente	Boxtel	80	98.4 [%]	92.0 [%]	6.4
Gemeente	Boxtel	Totaal	59.4 [%]	41.6 [%]	37.1
Gemeente	Breda	50	71.3 [%]	60.4 [%]	247.7
Gemeente	Breda	70	100.0 [%]	100.0 [%]	40.1
Gemeente	Breda	80	51.2 [%]	59.4 [%]	11.4
Gemeente	Breda	Totaal	73.2 [%]	65.6 [%]	299.2
Gemeente	Bronckhorst	50	32.8 [%]	19.8 [%]	26.4
Gemeente	Bronckhorst	80	85.7 [%]	87.1 [%]	13.6
Gemeente	Bronckhorst	Totaal	42.1 [%]	42.7 [%]	40.0
Gemeente	Brummen	50	42.6 [%]	16.1 [%]	6.6
Gemeente	Brummen	80	40.0 [%]	7.7 [%]	8.3
Gemeente	Brummen	Totaal	41.7 [%]	11.4 [%]	14.8
Gemeente	Brunssum	50	74.6 [%]	62.3 [%]	38.3
Gemeente	Brunssum	80	84.6 [%]	81.6 [%]	3.5
Gemeente	Brunssum	Totaal	75.0 [%]	63.9 [%]	41.8
Gemeente	Bunnik	50	69.1 [%]	64.1 [%]	10.5
Gemeente	Bunnik	80	76.2 [%]	79.5 [%]	3.2
Gemeente	Bunnik	Totaal	70.1 [%]	67.7 [%]	13.8
Gemeente	Bunschoten	50	82.6 [%]	79.4 [%]	10.1
Gemeente	Bunschoten	80	83.3 [%]	97.9 [%]	1.5
Gemeente	Bunschoten	Totaal	82.6 [%]	81.9 [%]	11.7
Gemeente	Buren	50	37.9 [%]	14.2 [%]	12.5
Gemeente	Buren	80	80.0 [%]	63.3 [%]	0.9
Gemeente	Buren	Totaal	40.0 [%]	17.5 [%]	13.4
Gemeente	Capelle aan den IJssel	50	87.8 [%]	88.3 [%]	63.2
Gemeente	Capelle aan den IJssel	70	100.0 [%]	100.0 [%]	5.2
Gemeente	Capelle aan den IJssel	Totaal	88.2 [%]	89.2 [%]	68.3
Gemeente	Castricum	50	86.9 [%]	77.7 [%]	19.6
Gemeente	Castricum	80	95.0 [%]	33.4 [%]	1.9
Gemeente	Castricum	Totaal	87.4 [%]	73.9 [%]	21.5
Gemeente	Coevorden	50	33.4 [%]	26.3 [%]	88.5
Gemeente	Coevorden	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Coevorden	80	25.2 [%]	13.0 [%]	263.8
Gemeente	Coevorden	Totaal	30.0 [%]	16.4 [%]	352.4
Gemeente	Cranendonck	50	37.4 [%]	25.6 [%]	33.6
Gemeente	Cranendonck	80	92.2 [%]	91.4 [%]	12.4
Gemeente	Cranendonck	Totaal	47.5 [%]	43.3 [%]	46.1
Gemeente	Culemborg	50	67.6 [%]	49.6 [%]	37.2
Gemeente	Culemborg	80	100.0 [%]	100.0 [%]	0.8
Gemeente	Culemborg	Totaal	67.9 [%]	50.7 [%]	38.0
Gemeente	Dalfsen	50	53.0 [%]	24.8 [%]	23.1
Gemeente	Dalfsen	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Dalfsen	80	92.6 [%]	95.0 [%]	20.4
Gemeente	Dalfsen	Totaal	62.1 [%]	57.8 [%]	43.5
Gemeente	Dantumadiel	50	17.4 [%]	11.4 [%]	22.3
Gemeente	Dantumadiel	80	87.8 [%]	80.6 [%]	10.9
Gemeente	Dantumadiel	Totaal	32.2 [%]	34.1 [%]	33.1
Gemeente	De Bilt	50	68.8 [%]	58.3 [%]	38.1
Gemeente	De Bilt	80	75.7 [%]	69.9 [%]	7.2
Gemeente	De Bilt	Totaal	69.3 [%]	60.2 [%]	45.3
Gemeente	De Fryske Marren	50	30.6 [%]	21.8 [%]	43.0
Gemeente	De Fryske Marren	70	50.0 [%]	58.8 [%]	0.2
Gemeente	De Fryske Marren	80	63.6 [%]	53.7 [%]	66.0
Gemeente	De Fryske Marren	Totaal	42.6 [%]	41.2 [%]	109.3
Gemeente	De Ronde Venen	50	56.2 [%]	44.4 [%]	40.1
Gemeente	De Ronde Venen	80	65.7 [%]	79.5 [%]	9.6
Gemeente	De Ronde Venen	Totaal	57.1 [%]	51.2 [%]	49.7
Gemeente	De Wolden	50	24.1 [%]	19.2 [%]	33.3
Gemeente	De Wolden	80	71.0 [%]	79.0 [%]	28.2
Gemeente	De Wolden	Totaal	35.4 [%]	46.6 [%]	61.4
Gemeente	Delft	50	75.3 [%]	74.8 [%]	74.6
Gemeente	Delft	70	100.0 [%]	100.0 [%]	4.7
Gemeente	Delft	80	22.2 [%]	16.6 [%]	3.7
Gemeente	Delft	Totaal	74.7 [%]	73.7 [%]	82.9
Gemeente	Den Helder	50	44.4 [%]	41.5 [%]	119.0
Gemeente	Den Helder	70	100.0 [%]	100.0 [%]	3.1
Gemeente	Den Helder	80	78.1 [%]	57.2 [%]	4.2
Gemeente	Den Helder	Totaal	45.3 [%]	43.5 [%]	126.3
Gemeente	Deurne	50	64.1 [%]	43.2 [%]	48.6
Gemeente	Deurne	80	95.0 [%]	87.1 [%]	31.5
Gemeente	Deurne	Totaal	70.4 [%]	60.5 [%]	80.2
Gemeente	Deventer	50	72.7 [%]	62.2 [%]	124.7
Gemeente	Deventer	80	60.6 [%]	78.3 [%]	5.8
Gemeente	Deventer	Totaal	72.1 [%]	62.9 [%]	130.5
Gemeente	Diemen	50	72.5 [%]	70.7 [%]	25.9
Gemeente	Diemen	70	97.5 [%]	99.0 [%]	14.5
Gemeente	Diemen	80	100.0 [%]	100.0 [%]	0.5
Gemeente	Diemen	Totaal	77.2 [%]	81.1 [%]	40.8
Gemeente	Dijk en Waard	50	75.3 [%]	63.7 [%]	104.1
Gemeente	Dijk en Waard	70	100.0 [%]	100.0 [%]	1.2
Gemeente	Dijk en Waard	80	98.2 [%]	99.7 [%]	6.0
Gemeente	Dijk en Waard	Totaal	76.4 [%]	66.1 [%]	111.2
Gemeente	Dinkelland	50	34.0 [%]	22.4 [%]	29.1
Gemeente	Dinkelland	70	96.7 [%]	99.9 [%]	7.2
Gemeente	Dinkelland	80	53.8 [%]	42.9 [%]	11.3
Gemeente	Dinkelland	Totaal	41.5 [%]	38.9 [%]	47.6
Gemeente	Doesburg	50	44.8 [%]	45.4 [%]	9.8
Gemeente	Doesburg	80	100.0 [%]	100.0 [%]	0.0
Gemeente	Doesburg	Totaal	45.8 [%]	45.7 [%]	9.8
Gemeente	Doetinchem	50	73.5 [%]	56.5 [%]	81.2
Gemeente	Doetinchem	70	100.0 [%]	100.0 [%]	4.1
Gemeente	Doetinchem	80	91.4 [%]	95.5 [%]	9.7
Gemeente	Doetinchem	Totaal	74.8 [%]	62.4 [%]	95.0
Gemeente	Dongen	50	55.0 [%]	43.2 [%]	37.7
Gemeente	Dongen	80	84.3 [%]	58.3 [%]	9.8
Gemeente	Dongen	Totaal	58.3 [%]	46.3 [%]	47.5
Gemeente	Dordrecht	50	68.6 [%]	67.0 [%]	129.4
Gemeente	Dordrecht	80	100.0 [%]	100.0 [%]	2.1
Gemeente	Dordrecht	Totaal	68.8 [%]	67.5 [%]	131.5
Gemeente	Drechterland	50	19.4 [%]	8.8 [%]	36.6
Gemeente	Drechterland	80	82.4 [%]	89.8 [%]	1.2
Gemeente	Drechterland	Totaal	26.1 [%]	11.5 [%]	37.8
Gemeente	Drimmelen	50	67.8 [%]	60.9 [%]	12.4
Gemeente	Drimmelen	80	94.9 [%]	96.8 [%]	7.2
Gemeente	Drimmelen	Totaal	75.4 [%]	74.1 [%]	19.6
Gemeente	Dronten	50	59.9 [%]	43.5 [%]	64.0
Gemeente	Dronten	80	49.0 [%]	22.1 [%]	234.9
Gemeente	Dronten	Totaal	56.3 [%]	26.7 [%]	299.0
Gemeente	Druten	50	75.0 [%]	57.9 [%]	17.8
Gemeente	Druten	80	93.5 [%]	99.8 [%]	5.4
Gemeente	Druten	Totaal	77.1 [%]	67.6 [%]	23.1
Gemeente	Duiven	50	78.9 [%]	57.9 [%]	30.3
Gemeente	Duiven	80	96.0 [%]	97.6 [%]	6.6
Gemeente	Duiven	Totaal	81.6 [%]	65.1 [%]	36.9
Gemeente	Echt-Susteren	50	55.5 [%]	40.3 [%]	34.8
Gemeente	Echt-Susteren	80	55.6 [%]	24.1 [%]	24.4
Gemeente	Echt-Susteren	Totaal	55.5 [%]	33.6 [%]	59.2
Gemeente	Edam-Volendam	50	53.0 [%]	36.9 [%]	26.4
Gemeente	Edam-Volendam	Totaal	53.0 [%]	36.9 [%]	26.4
Gemeente	Ede	50	72.0 [%]	60.1 [%]	130.0
Gemeente	Ede	80	76.3 [%]	68.6 [%]	26.3
Gemeente	Ede	Totaal	72.3 [%]	61.5 [%]	156.3
Gemeente	Eemnes	50	76.7 [%]	78.0 [%]	8.8
Gemeente	Eemnes	80	100.0 [%]	100.0 [%]	1.1
Gemeente	Eemnes	Totaal	77.8 [%]	80.5 [%]	9.9
Gemeente	Eemsdelta	50	63.1 [%]	44.7 [%]	68.0
Gemeente	Eemsdelta	80	70.0 [%]	45.1 [%]	2.5
Gemeente	Eemsdelta	Totaal	63.3 [%]	44.7 [%]	70.5
Gemeente	Eersel	50	63.3 [%]	44.3 [%]	18.0
Gemeente	Eersel	80	87.5 [%]	98.7 [%]	0.9
Gemeente	Eersel	Totaal	64.2 [%]	46.9 [%]	18.9
Gemeente	Eijsden-Margraten	50	40.2 [%]	28.8 [%]	22.9
Gemeente	Eijsden-Margraten	80	86.2 [%]	98.7 [%]	3.7
Gemeente	Eijsden-Margraten	Totaal	45.8 [%]	38.5 [%]	26.6
Gemeente	Eindhoven	50	93.2 [%]	88.5 [%]	212.8
Gemeente	Eindhoven	70	100.0 [%]	100.0 [%]	46.2
Gemeente	Eindhoven	80	88.1 [%]	79.0 [%]	21.5
Gemeente	Eindhoven	Totaal	93.7 [%]	89.7 [%]	280.5
Gemeente	Elburg	50	45.8 [%]	35.9 [%]	12.3
Gemeente	Elburg	80	40.0 [%]	9.9 [%]	0.4
Gemeente	Elburg	Totaal	45.6 [%]	35.1 [%]	12.7
Gemeente	Emmen	50	59.4 [%]	46.0 [%]	256.3
Gemeente	Emmen	70	100.0 [%]	100.0 [%]	0.9
Gemeente	Emmen	80	90.3 [%]	83.7 [%]	62.9
Gemeente	Emmen	Totaal	62.4 [%]	53.5 [%]	320.2
Gemeente	Enkhuizen	50	30.2 [%]	20.9 [%]	21.2
Gemeente	Enkhuizen	80	50.0 [%]	73.2 [%]	0.1
Gemeente	Enkhuizen	Totaal	30.4 [%]	21.2 [%]	21.3
Gemeente	Enschede	50	73.8 [%]	62.4 [%]	169.7
Gemeente	Enschede	70	100.0 [%]	100.0 [%]	3.9
Gemeente	Enschede	80	84.2 [%]	79.1 [%]	14.8
Gemeente	Enschede	Totaal	74.6 [%]	64.5 [%]	188.3
Gemeente	Epe	50	62.8 [%]	46.8 [%]	21.1
Gemeente	Epe	80	100.0 [%]	100.0 [%]	3.8
Gemeente	Epe	Totaal	67.6 [%]	54.8 [%]	24.8
Gemeente	Ermelo	50	61.2 [%]	37.2 [%]	24.5
Gemeente	Ermelo	70	0.0 [%]	0.0 [%]	0.5
Gemeente	Ermelo	80	81.4 [%]	85.0 [%]	14.8
Gemeente	Ermelo	Totaal	63.2 [%]	54.4 [%]	39.8
Gemeente	Etten-Leur	50	80.8 [%]	64.3 [%]	55.8
Gemeente	Etten-Leur	80	76.9 [%]	87.3 [%]	1.3
Gemeente	Etten-Leur	Totaal	80.7 [%]	64.9 [%]	57.1
Gemeente	Geertruidenberg	50	71.3 [%]	46.4 [%]	38.6
Gemeente	Geertruidenberg	80	87.0 [%]	70.4 [%]	4.6
Gemeente	Geertruidenberg	Totaal	72.1 [%]	49.0 [%]	43.1
Gemeente	Geldrop-Mierlo	50	89.8 [%]	86.8 [%]	32.2
Gemeente	Geldrop-Mierlo	80	97.1 [%]	99.7 [%]	3.6
Gemeente	Geldrop-Mierlo	Totaal	90.3 [%]	88.1 [%]	35.8
Gemeente	Gemert-Bakel	50	57.6 [%]	58.8 [%]	15.4
Gemeente	Gemert-Bakel	80	88.5 [%]	81.1 [%]	40.0
Gemeente	Gemert-Bakel	Totaal	71.3 [%]	74.9 [%]	55.5
Gemeente	Gennep	50	51.6 [%]	39.4 [%]	16.8
Gemeente	Gennep	80	29.1 [%]	24.3 [%]	34.3
Gemeente	Gennep	Totaal	40.8 [%]	29.2 [%]	51.1
Gemeente	Gilze en Rijen	50	55.0 [%]	30.1 [%]	30.8
Gemeente	Gilze en Rijen	80	85.7 [%]	70.0 [%]	1.1
Gemeente	Gilze en Rijen	Totaal	56.2 [%]	31.4 [%]	31.8
Gemeente	Goeree-Overflakkee	50	55.8 [%]	47.5 [%]	33.7
Gemeente	Goeree-Overflakkee	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Goeree-Overflakkee	80	96.2 [%]	99.6 [%]	3.3
Gemeente	Goeree-Overflakkee	Totaal	58.6 [%]	52.1 [%]	37.0
Gemeente	Goes	50	70.1 [%]	57.0 [%]	48.5
Gemeente	Goes	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Goes	80	79.4 [%]	70.4 [%]	4.0
Gemeente	Goes	Totaal	70.7 [%]	58.1 [%]	52.5
Gemeente	Goirle	50	66.7 [%]	56.9 [%]	20.0
Gemeente	Goirle	80	100.0 [%]	100.0 [%]	9.2
Gemeente	Goirle	Totaal	71.2 [%]	70.5 [%]	29.3
Gemeente	Gooise Meren	50	82.0 [%]	73.0 [%]	45.7
Gemeente	Gooise Meren	80	82.5 [%]	79.2 [%]	16.2
Gemeente	Gooise Meren	Totaal	82.1 [%]	74.6 [%]	61.9
Gemeente	Gorinchem	50	69.0 [%]	58.3 [%]	33.7
Gemeente	Gorinchem	80	100.0 [%]	100.0 [%]	1.5
Gemeente	Gorinchem	Totaal	69.6 [%]	60.0 [%]	35.2
Gemeente	Gouda	50	69.0 [%]	61.5 [%]	64.8
Gemeente	Gouda	80	28.6 [%]	20.6 [%]	0.6
Gemeente	Gouda	Totaal	68.4 [%]	61.1 [%]	65.3
Gemeente	Groningen	50	65.6 [%]	55.6 [%]	269.2
Gemeente	Groningen	70	89.3 [%]	97.0 [%]	7.7
Gemeente	Groningen	80	45.2 [%]	8.7 [%]	3.9
Gemeente	Groningen	Totaal	65.6 [%]	56.1 [%]	280.8
Gemeente	Gulpen-Wittem	50	12.6 [%]	3.8 [%]	22.6
Gemeente	Gulpen-Wittem	80	17.1 [%]	2.2 [%]	22.0
Gemeente	Gulpen-Wittem	Totaal	13.9 [%]	3.0 [%]	44.6
Gemeente	Haaksbergen	50	54.5 [%]	35.8 [%]	38.3
Gemeente	Haaksbergen	70	100.0 [%]	100.0 [%]	6.3
Gemeente	Haaksbergen	80	87.8 [%]	86.1 [%]	10.7
Gemeente	Haaksbergen	Totaal	61.3 [%]	52.9 [%]	55.4
Gemeente	Haarlem	50	74.8 [%]	70.2 [%]	129.7
Gemeente	Haarlem	70	100.0 [%]	100.0 [%]	1.4
Gemeente	Haarlem	80	100.0 [%]	100.0 [%]	0.0
Gemeente	Haarlem	Totaal	75.1 [%]	70.5 [%]	131.2
Gemeente	Haarlemmermeer	50	64.3 [%]	50.2 [%]	254.7
Gemeente	Haarlemmermeer	70	100.0 [%]	100.0 [%]	5.0
Gemeente	Haarlemmermeer	80	90.5 [%]	91.7 [%]	31.9
Gemeente	Haarlemmermeer	Totaal	66.8 [%]	55.6 [%]	291.6
Gemeente	Halderberge	50	54.8 [%]	38.4 [%]	33.5
Gemeente	Halderberge	70	100.0 [%]	100.0 [%]	1.8
Gemeente	Halderberge	80	59.2 [%]	29.8 [%]	11.7
Gemeente	Halderberge	Totaal	57.3 [%]	38.6 [%]	47.0
Gemeente	Hardenberg	50	46.8 [%]	33.7 [%]	106.6
Gemeente	Hardenberg	70	100.0 [%]	100.0 [%]	1.5
Gemeente	Hardenberg	80	95.2 [%]	99.2 [%]	15.4
Gemeente	Hardenberg	Totaal	50.6 [%]	42.7 [%]	123.5
Gemeente	Harderwijk	50	77.9 [%]	64.0 [%]	56.9
Gemeente	Harderwijk	80	60.8 [%]	35.2 [%]	11.8
Gemeente	Harderwijk	Totaal	76.8 [%]	59.0 [%]	68.7
Gemeente	Hardinxveld-Giessendam	50	73.9 [%]	66.3 [%]	16.7
Gemeente	Hardinxveld-Giessendam	80	0.0 [%]	0.0 [%]	0.0
Gemeente	Hardinxveld-Giessendam	Totaal	73.5 [%]	66.3 [%]	16.7
Gemeente	Harlingen	50	67.6 [%]	49.2 [%]	22.1
Gemeente	Harlingen	80	70.0 [%]	73.1 [%]	4.6
Gemeente	Harlingen	Totaal	67.9 [%]	53.4 [%]	26.7
Gemeente	Hattem	50	76.5 [%]	58.0 [%]	5.6
Gemeente	Hattem	80	100.0 [%]	100.0 [%]	3.5
Gemeente	Hattem	Totaal	83.6 [%]	74.2 [%]	9.0
Gemeente	Heemskerk	50	51.4 [%]	44.7 [%]	42.1
Gemeente	Heemskerk	80	80.0 [%]	99.3 [%]	0.7
Gemeente	Heemskerk	Totaal	51.6 [%]	45.7 [%]	42.8
Gemeente	Heemstede	50	83.0 [%]	83.4 [%]	29.3
Gemeente	Heemstede	80	100.0 [%]	100.0 [%]	0.2
Gemeente	Heemstede	Totaal	83.0 [%]	83.6 [%]	29.5
Gemeente	Heerde	50	50.3 [%]	32.2 [%]	14.7
Gemeente	Heerde	80	85.4 [%]	83.2 [%]	7.6
Gemeente	Heerde	Totaal	57.7 [%]	49.6 [%]	22.3
Gemeente	Heerenveen	50	51.6 [%]	38.2 [%]	104.2
Gemeente	Heerenveen	80	90.2 [%]	96.3 [%]	14.1
Gemeente	Heerenveen	Totaal	53.2 [%]	45.1 [%]	118.4
Gemeente	Heerlen	50	64.1 [%]	48.9 [%]	149.5
Gemeente	Heerlen	70	91.9 [%]	98.9 [%]	13.8
Gemeente	Heerlen	80	76.5 [%]	86.5 [%]	9.2
Gemeente	Heerlen	Totaal	65.5 [%]	55.0 [%]	172.5
Gemeente	Heeze-Leende	50	58.0 [%]	45.3 [%]	18.6
Gemeente	Heeze-Leende	70	0.0 [%]	0.0 [%]	0.1
Gemeente	Heeze-Leende	80	73.3 [%]	80.1 [%]	8.4
Gemeente	Heeze-Leende	Totaal	58.8 [%]	56.0 [%]	27.1
Gemeente	Heiloo	50	80.7 [%]	80.7 [%]	22.2
Gemeente	Heiloo	80	100.0 [%]	100.0 [%]	1.4
Gemeente	Heiloo	Totaal	80.9 [%]	81.9 [%]	23.6
Gemeente	Hellendoorn	50	50.6 [%]	37.2 [%]	44.9
Gemeente	Hellendoorn	80	93.2 [%]	91.3 [%]	22.7
Gemeente	Hellendoorn	Totaal	58.8 [%]	55.3 [%]	67.6
Gemeente	Helmond	50	67.8 [%]	56.7 [%]	185.6
Gemeente	Helmond	70	100.0 [%]	100.0 [%]	9.1
Gemeente	Helmond	80	88.5 [%]	72.0 [%]	20.7
Gemeente	Helmond	Totaal	69.4 [%]	60.0 [%]	215.3
Gemeente	Hendrik-Ido-Ambacht	50	68.0 [%]	59.2 [%]	32.1
Gemeente	Hendrik-Ido-Ambacht	Totaal	68.0 [%]	59.2 [%]	32.1
Gemeente	Hengelo (O)	50	67.5 [%]	54.3 [%]	136.6
Gemeente	Hengelo (O)	80	93.9 [%]	97.2 [%]	5.0
Gemeente	Hengelo (O)	Totaal	68.2 [%]	55.8 [%]	141.6
Gemeente	Het Hogeland	50	26.7 [%]	15.2 [%]	48.5
Gemeente	Het Hogeland	70	0.0 [%]	0.0 [%]	0.0
Gemeente	Het Hogeland	80	13.4 [%]	7.8 [%]	178.9
Gemeente	Het Hogeland	Totaal	20.4 [%]	9.4 [%]	227.4
Gemeente	Heumen	50	65.0 [%]	41.1 [%]	9.7
Gemeente	Heumen	80	66.7 [%]	54.6 [%]	4.4
Gemeente	Heumen	Totaal	65.2 [%]	45.3 [%]	14.0
Gemeente	Heusden	50	51.2 [%]	36.4 [%]	41.8
Gemeente	Heusden	70	100.0 [%]	100.0 [%]	3.6
Gemeente	Heusden	80	76.6 [%]	80.6 [%]	8.0
Gemeente	Heusden	Totaal	56.8 [%]	47.3 [%]	53.4
Gemeente	Hillegom	50	88.9 [%]	79.9 [%]	13.0
Gemeente	Hillegom	Totaal	88.9 [%]	79.9 [%]	13.0
Gemeente	Hilvarenbeek	50	81.8 [%]	67.0 [%]	2.9
Gemeente	Hilvarenbeek	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Hilvarenbeek	80	97.8 [%]	99.4 [%]	2.9
Gemeente	Hilvarenbeek	Totaal	90.1 [%]	83.4 [%]	5.9
Gemeente	Hilversum	50	69.2 [%]	61.4 [%]	97.9
Gemeente	Hilversum	80	61.8 [%]	39.3 [%]	4.6
Gemeente	Hilversum	Totaal	69.1 [%]	60.4 [%]	102.6
Gemeente	Hoeksche Waard	50	36.3 [%]	26.6 [%]	117.2
Gemeente	Hoeksche Waard	80	72.7 [%]	92.5 [%]	3.8
Gemeente	Hoeksche Waard	Totaal	36.9 [%]	28.7 [%]	121.0
Gemeente	Hof van Twente	50	45.8 [%]	27.4 [%]	31.6
Gemeente	Hof van Twente	80	83.1 [%]	70.2 [%]	10.8
Gemeente	Hof van Twente	Totaal	52.7 [%]	38.2 [%]	42.3
Gemeente	Hollands Kroon	50	42.9 [%]	27.4 [%]	59.8
Gemeente	Hollands Kroon	80	95.9 [%]	99.0 [%]	27.8
Gemeente	Hollands Kroon	Totaal	52.3 [%]	50.1 [%]	87.6
Gemeente	Hoogeveen	50	80.0 [%]	63.3 [%]	91.8
Gemeente	Hoogeveen	70	100.0 [%]	100.0 [%]	3.2
Gemeente	Hoogeveen	80	100.0 [%]	100.0 [%]	1.2
Gemeente	Hoogeveen	Totaal	80.6 [%]	65.0 [%]	96.2
Gemeente	Hoorn	50	56.2 [%]	50.4 [%]	88.7
Gemeente	Hoorn	70	100.0 [%]	100.0 [%]	8.6
Gemeente	Hoorn	80	97.1 [%]	97.9 [%]	2.1
Gemeente	Hoorn	Totaal	59.7 [%]	55.7 [%]	99.3
Gemeente	Horst aan de Maas	50	36.3 [%]	20.7 [%]	50.0
Gemeente	Horst aan de Maas	80	76.0 [%]	81.1 [%]	37.9
Gemeente	Horst aan de Maas	Totaal	46.1 [%]	46.7 [%]	87.9
Gemeente	Houten	50	65.2 [%]	44.6 [%]	29.8
Gemeente	Houten	70	88.4 [%]	97.3 [%]	28.2
Gemeente	Houten	80	93.8 [%]	99.6 [%]	2.4
Gemeente	Houten	Totaal	75.0 [%]	71.4 [%]	60.3
Gemeente	Huizen	50	84.1 [%]	75.8 [%]	37.7
Gemeente	Huizen	80	55.6 [%]	80.4 [%]	0.8
Gemeente	Huizen	Totaal	83.8 [%]	75.9 [%]	38.5
Gemeente	Hulst	50	31.8 [%]	23.2 [%]	48.4
Gemeente	Hulst	80	50.0 [%]	23.9 [%]	7.8
Gemeente	Hulst	Totaal	34.8 [%]	23.3 [%]	56.2
Gemeente	IJsselstein	50	45.0 [%]	41.0 [%]	33.5
Gemeente	IJsselstein	70	100.0 [%]	100.0 [%]	1.1
Gemeente	IJsselstein	80	50.0 [%]	42.6 [%]	2.1
Gemeente	IJsselstein	Totaal	45.4 [%]	42.9 [%]	36.8
Gemeente	Kaag en Braassem	50	25.4 [%]	21.4 [%]	39.9
Gemeente	Kaag en Braassem	80	84.8 [%]	86.5 [%]	6.9
Gemeente	Kaag en Braassem	Totaal	32.1 [%]	31.0 [%]	46.8
Gemeente	Kampen	50	64.0 [%]	41.2 [%]	46.3
Gemeente	Kampen	80	90.5 [%]	96.3 [%]	3.0
Gemeente	Kampen	Totaal	65.2 [%]	44.5 [%]	49.4
Gemeente	Kapelle	50	23.5 [%]	13.7 [%]	4.1
Gemeente	Kapelle	80	69.2 [%]	49.9 [%]	1.7
Gemeente	Kapelle	Totaal	36.2 [%]	24.6 [%]	5.8
Gemeente	Katwijk	50	82.2 [%]	61.2 [%]	43.2
Gemeente	Katwijk	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Katwijk	80	75.0 [%]	6.1 [%]	0.8
Gemeente	Katwijk	Totaal	82.2 [%]	60.2 [%]	44.1
Gemeente	Kerkrade	50	64.2 [%]	51.1 [%]	68.7
Gemeente	Kerkrade	70	100.0 [%]	100.0 [%]	2.9
Gemeente	Kerkrade	80	87.2 [%]	89.7 [%]	6.0
Gemeente	Kerkrade	Totaal	66.3 [%]	55.9 [%]	77.6
Gemeente	Koggenland	50	30.5 [%]	10.6 [%]	42.6
Gemeente	Koggenland	70	100.0 [%]	100.0 [%]	0.6
Gemeente	Koggenland	80	96.3 [%]	99.2 [%]	2.6
Gemeente	Koggenland	Totaal	40.1 [%]	16.7 [%]	45.7
Gemeente	Krimpen aan den IJssel	50	49.4 [%]	44.5 [%]	26.2
Gemeente	Krimpen aan den IJssel	Totaal	49.4 [%]	44.5 [%]	26.2
Gemeente	Krimpenerwaard	50	22.1 [%]	14.2 [%]	20.0
Gemeente	Krimpenerwaard	80	66.7 [%]	27.3 [%]	0.2
Gemeente	Krimpenerwaard	Totaal	22.7 [%]	14.3 [%]	20.2
Gemeente	Laarbeek	50	70.1 [%]	73.9 [%]	8.0
Gemeente	Laarbeek	80	76.0 [%]	64.5 [%]	8.4
Gemeente	Laarbeek	Totaal	71.7 [%]	69.1 [%]	16.4
Gemeente	Land van Cuijk	50	63.2 [%]	44.9 [%]	88.7
Gemeente	Land van Cuijk	70	100.0 [%]	100.0 [%]	0.4
Gemeente	Land van Cuijk	80	76.7 [%]	82.5 [%]	45.2
Gemeente	Land van Cuijk	Totaal	65.9 [%]	57.7 [%]	134.3
Gemeente	Landgraaf	50	69.8 [%]	54.1 [%]	32.1
Gemeente	Landgraaf	70	92.3 [%]	97.8 [%]	3.6
Gemeente	Landgraaf	80	89.4 [%]	78.1 [%]	5.3
Gemeente	Landgraaf	Totaal	72.1 [%]	61.0 [%]	41.0
Gemeente	Landsmeer	50	50.0 [%]	26.5 [%]	8.6
Gemeente	Landsmeer	80	35.7 [%]	51.5 [%]	1.7
Gemeente	Landsmeer	Totaal	45.7 [%]	30.7 [%]	10.3
Gemeente	Lansingerland	50	84.2 [%]	75.8 [%]	61.0
Gemeente	Lansingerland	80	100.0 [%]	100.0 [%]	8.2
Gemeente	Lansingerland	Totaal	84.7 [%]	78.7 [%]	69.2
Gemeente	Laren	50	78.1 [%]	58.9 [%]	6.1
Gemeente	Laren	80	78.6 [%]	44.3 [%]	2.5
Gemeente	Laren	Totaal	78.2 [%]	54.6 [%]	8.6
Gemeente	Leeuwarden	50	71.6 [%]	57.1 [%]	167.1
Gemeente	Leeuwarden	70	100.0 [%]	100.0 [%]	10.8
Gemeente	Leeuwarden	80	66.3 [%]	65.1 [%]	28.7
Gemeente	Leeuwarden	Totaal	71.9 [%]	60.4 [%]	206.6
Gemeente	Leiden	50	83.1 [%]	80.6 [%]	91.6
Gemeente	Leiden	80	83.3 [%]	98.6 [%]	2.0
Gemeente	Leiden	Totaal	83.1 [%]	81.0 [%]	93.6
Gemeente	Leiderdorp	50	67.6 [%]	74.5 [%]	23.8
Gemeente	Leiderdorp	80	80.0 [%]	93.7 [%]	0.2
Gemeente	Leiderdorp	Totaal	67.8 [%]	74.7 [%]	24.0
Gemeente	Leidschendam-Voorburg	50	79.7 [%]	77.8 [%]	59.3
Gemeente	Leidschendam-Voorburg	70	42.9 [%]	15.5 [%]	0.4
Gemeente	Leidschendam-Voorburg	80	100.0 [%]	100.0 [%]	0.2
Gemeente	Leidschendam-Voorburg	Totaal	79.5 [%]	77.5 [%]	59.9
Gemeente	Lelystad	50	69.6 [%]	58.4 [%]	130.1
Gemeente	Lelystad	70	100.0 [%]	100.0 [%]	33.8
Gemeente	Lelystad	80	50.0 [%]	35.1 [%]	136.8
Gemeente	Lelystad	Totaal	68.7 [%]	52.5 [%]	300.7
Gemeente	Leudal	50	43.8 [%]	28.5 [%]	30.0
Gemeente	Leudal	80	83.8 [%]	79.1 [%]	32.9
Gemeente	Leudal	Totaal	56.2 [%]	54.9 [%]	62.9
Gemeente	Leusden	50	80.5 [%]	76.3 [%]	31.4
Gemeente	Leusden	80	75.0 [%]	82.0 [%]	1.7
Gemeente	Leusden	Totaal	80.4 [%]	76.6 [%]	33.2
Gemeente	Lingewaard	50	56.2 [%]	39.9 [%]	52.5
Gemeente	Lingewaard	80	39.5 [%]	23.2 [%]	32.4
Gemeente	Lingewaard	Totaal	52.7 [%]	33.6 [%]	84.9
Gemeente	Lisse	50	77.1 [%]	67.4 [%]	11.4
Gemeente	Lisse	Totaal	77.1 [%]	67.4 [%]	11.4
Gemeente	Lochem	50	54.5 [%]	38.3 [%]	22.4
Gemeente	Lochem	80	84.2 [%]	98.6 [%]	3.5
Gemeente	Lochem	Totaal	56.6 [%]	46.5 [%]	25.9
Gemeente	Loon op Zand	50	52.1 [%]	46.5 [%]	22.0
Gemeente	Loon op Zand	80	96.9 [%]	98.0 [%]	5.9
Gemeente	Loon op Zand	Totaal	60.3 [%]	57.3 [%]	27.9
Gemeente	Lopik	50	5.2 [%]	1.0 [%]	10.8
Gemeente	Lopik	80	20.0 [%]	0.9 [%]	1.7
Gemeente	Lopik	Totaal	6.1 [%]	1.0 [%]	12.5
Gemeente	Losser	50	52.7 [%]	42.1 [%]	18.8
Gemeente	Losser	80	72.2 [%]	66.7 [%]	2.4
Gemeente	Losser	Totaal	53.9 [%]	44.8 [%]	21.2
Gemeente	Maasdriel	50	24.2 [%]	10.9 [%]	42.0
Gemeente	Maasdriel	70	100.0 [%]	100.0 [%]	0.3
Gemeente	Maasdriel	80	54.7 [%]	28.4 [%]	27.7
Gemeente	Maasdriel	Totaal	32.3 [%]	18.3 [%]	70.0
Gemeente	Maasgouw	50	34.0 [%]	20.2 [%]	43.4
Gemeente	Maasgouw	80	62.4 [%]	47.4 [%]	32.5
Gemeente	Maasgouw	Totaal	41.1 [%]	31.8 [%]	75.9
Gemeente	Maashorst	50	71.3 [%]	59.1 [%]	56.9
Gemeente	Maashorst	80	81.9 [%]	72.3 [%]	17.8
Gemeente	Maashorst	Totaal	72.8 [%]	62.2 [%]	74.7
Gemeente	Maassluis	50	75.9 [%]	68.3 [%]	27.9
Gemeente	Maassluis	80	37.5 [%]	59.2 [%]	1.2
Gemeente	Maassluis	Totaal	75.1 [%]	67.9 [%]	29.1
Gemeente	Maastricht	50	72.2 [%]	65.7 [%]	152.9
Gemeente	Maastricht	70	92.9 [%]	98.7 [%]	6.1
Gemeente	Maastricht	80	82.6 [%]	91.4 [%]	4.3
Gemeente	Maastricht	Totaal	72.6 [%]	67.6 [%]	163.3
Gemeente	Medemblik	50	44.0 [%]	34.7 [%]	88.9
Gemeente	Medemblik	80	81.2 [%]	82.9 [%]	9.2
Gemeente	Medemblik	Totaal	47.5 [%]	39.2 [%]	98.1
Gemeente	Meerssen	50	73.5 [%]	64.3 [%]	19.7
Gemeente	Meerssen	80	81.0 [%]	61.4 [%]	2.7
Gemeente	Meerssen	Totaal	74.1 [%]	63.9 [%]	22.4
Gemeente	Meierijstad	50	69.9 [%]	57.0 [%]	77.1
Gemeente	Meierijstad	70	96.0 [%]	98.3 [%]	13.5
Gemeente	Meierijstad	80	72.1 [%]	61.3 [%]	12.0
Gemeente	Meierijstad	Totaal	73.4 [%]	62.9 [%]	102.6
Gemeente	Meppel	50	50.2 [%]	33.9 [%]	50.7
Gemeente	Meppel	80	65.9 [%]	84.3 [%]	12.1
Gemeente	Meppel	Totaal	51.6 [%]	43.6 [%]	62.8
Gemeente	Middelburg	50	62.3 [%]	53.9 [%]	57.7
Gemeente	Middelburg	70	100.0 [%]	100.0 [%]	3.4
Gemeente	Middelburg	80	92.9 [%]	83.0 [%]	1.9
Gemeente	Middelburg	Totaal	64.1 [%]	57.2 [%]	62.9
Gemeente	Midden-Delfland	50	67.5 [%]	67.4 [%]	14.1
Gemeente	Midden-Delfland	80	69.2 [%]	44.9 [%]	1.6
Gemeente	Midden-Delfland	Totaal	67.6 [%]	65.2 [%]	15.7
Gemeente	Midden-Drenthe	50	59.1 [%]	38.6 [%]	45.6
Gemeente	Midden-Drenthe	80	67.6 [%]	55.2 [%]	59.8
Gemeente	Midden-Drenthe	Totaal	61.2 [%]	48.0 [%]	105.4
Gemeente	Midden-Groningen	50	49.2 [%]	31.9 [%]	110.7
Gemeente	Midden-Groningen	70	0.0 [%]	0.0 [%]	0.2
Gemeente	Midden-Groningen	80	63.3 [%]	46.2 [%]	25.0
Gemeente	Midden-Groningen	Totaal	50.5 [%]	34.5 [%]	135.9
Gemeente	Moerdijk	50	47.5 [%]	26.6 [%]	35.9
Gemeente	Moerdijk	80	96.0 [%]	99.3 [%]	21.6
Gemeente	Moerdijk	Totaal	64.9 [%]	53.9 [%]	57.5
Gemeente	Molenlanden	50	23.3 [%]	21.0 [%]	21.4
Gemeente	Molenlanden	80	75.0 [%]	43.9 [%]	0.4
Gemeente	Molenlanden	Totaal	24.5 [%]	21.3 [%]	21.8
Gemeente	Montferland	50	42.0 [%]	19.7 [%]	20.0
Gemeente	Montferland	80	94.4 [%]	88.0 [%]	12.8
Gemeente	Montferland	Totaal	60.4 [%]	46.4 [%]	32.8
Gemeente	Montfoort	50	50.0 [%]	36.0 [%]	12.5
Gemeente	Montfoort	80	60.0 [%]	5.9 [%]	0.6
Gemeente	Montfoort	Totaal	50.4 [%]	34.7 [%]	13.1
Gemeente	Mook en Middelaar	50	30.9 [%]	17.8 [%]	18.2
Gemeente	Mook en Middelaar	80	100.0 [%]	100.0 [%]	0.0
Gemeente	Mook en Middelaar	Totaal	31.7 [%]	17.9 [%]	18.2
Gemeente	Neder-Betuwe	50	26.6 [%]	15.7 [%]	28.6
Gemeente	Neder-Betuwe	80	94.9 [%]	80.4 [%]	15.0
Gemeente	Neder-Betuwe	Totaal	47.2 [%]	38.0 [%]	43.6
Gemeente	Nederweert	50	24.0 [%]	20.8 [%]	14.9
Gemeente	Nederweert	80	19.2 [%]	9.0 [%]	215.1
Gemeente	Nederweert	Totaal	20.0 [%]	9.8 [%]	230.0
Gemeente	Nieuwegein	50	64.2 [%]	51.4 [%]	79.6
Gemeente	Nieuwegein	70	98.8 [%]	99.5 [%]	11.6
Gemeente	Nieuwegein	80	92.1 [%]	97.4 [%]	4.1
Gemeente	Nieuwegein	Totaal	67.8 [%]	59.2 [%]	95.3
Gemeente	Nieuwkoop	50	17.7 [%]	8.4 [%]	29.7
Gemeente	Nieuwkoop	80	66.7 [%]	69.9 [%]	3.8
Gemeente	Nieuwkoop	Totaal	20.2 [%]	15.3 [%]	33.5
Gemeente	Nijkerk	50	64.8 [%]	47.6 [%]	53.5
Gemeente	Nijkerk	80	87.5 [%]	98.6 [%]	2.6
Gemeente	Nijkerk	Totaal	65.4 [%]	50.0 [%]	56.1
Gemeente	Nijmegen	50	74.7 [%]	69.9 [%]	229.0
Gemeente	Nijmegen	70	100.0 [%]	100.0 [%]	5.3
Gemeente	Nijmegen	80	81.6 [%]	72.5 [%]	14.0
Gemeente	Nijmegen	Totaal	75.1 [%]	70.7 [%]	248.3
Gemeente	Nissewaard	50	70.6 [%]	55.8 [%]	76.1
Gemeente	Nissewaard	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Nissewaard	80	94.4 [%]	99.2 [%]	4.0
Gemeente	Nissewaard	Totaal	71.6 [%]	58.0 [%]	80.2
Gemeente	Noardeast-Fryslân	50	52.6 [%]	36.1 [%]	37.6
Gemeente	Noardeast-Fryslân	80	22.2 [%]	15.9 [%]	264.2
Gemeente	Noardeast-Fryslân	Totaal	34.2 [%]	18.4 [%]	301.8
Gemeente	Noord-Beveland	50	24.1 [%]	20.6 [%]	4.7
Gemeente	Noord-Beveland	80	0.0 [%]	0.0 [%]	0.9
Gemeente	Noord-Beveland	Totaal	22.4 [%]	17.1 [%]	5.6
Gemeente	Noordenveld	50	46.6 [%]	30.5 [%]	42.4
Gemeente	Noordenveld	80	91.2 [%]	89.1 [%]	8.2
Gemeente	Noordenveld	Totaal	50.7 [%]	39.9 [%]	50.6
Gemeente	Noordoostpolder	50	53.8 [%]	41.5 [%]	52.0
Gemeente	Noordoostpolder	70	100.0 [%]	100.0 [%]	0.6
Gemeente	Noordoostpolder	80	46.4 [%]	21.4 [%]	104.9
Gemeente	Noordoostpolder	Totaal	52.2 [%]	28.3 [%]	157.6
Gemeente	Noordwijk	50	70.2 [%]	66.7 [%]	38.6
Gemeente	Noordwijk	80	88.9 [%]	74.3 [%]	0.5
Gemeente	Noordwijk	Totaal	70.8 [%]	66.8 [%]	39.1
Gemeente	Nuenen, Gerwen en Nederwetten	50	83.1 [%]	85.9 [%]	19.2
Gemeente	Nuenen, Gerwen en Nederwetten	80	97.8 [%]	97.3 [%]	8.3
Gemeente	Nuenen, Gerwen en Nederwetten	Totaal	86.7 [%]	89.3 [%]	27.4
Gemeente	Nunspeet	50	79.7 [%]	51.3 [%]	27.0
Gemeente	Nunspeet	80	85.7 [%]	98.1 [%]	2.2
Gemeente	Nunspeet	Totaal	79.8 [%]	54.8 [%]	29.2
Gemeente	Oegstgeest	50	81.0 [%]	76.7 [%]	14.7
Gemeente	Oegstgeest	80	53.8 [%]	36.3 [%]	2.8
Gemeente	Oegstgeest	Totaal	79.6 [%]	70.1 [%]	17.5
Gemeente	Oirschot	50	81.3 [%]	66.8 [%]	12.9
Gemeente	Oirschot	80	88.1 [%]	74.7 [%]	11.3
Gemeente	Oirschot	Totaal	83.3 [%]	70.5 [%]	24.2
Gemeente	Oisterwijk	50	73.3 [%]	53.0 [%]	33.5
Gemeente	Oisterwijk	80	50.0 [%]	3.7 [%]	2.4
Gemeente	Oisterwijk	Totaal	72.9 [%]	49.7 [%]	35.9
Gemeente	Oldambt	50	37.2 [%]	23.5 [%]	94.5
Gemeente	Oldambt	80	30.3 [%]	12.5 [%]	90.1
Gemeente	Oldambt	Totaal	36.0 [%]	18.1 [%]	184.5
Gemeente	Oldebroek	50	73.4 [%]	62.8 [%]	17.7
Gemeente	Oldebroek	80	40.0 [%]	20.3 [%]	2.2
Gemeente	Oldebroek	Totaal	71.9 [%]	58.0 [%]	19.9
Gemeente	Oldenzaal	50	55.7 [%]	34.4 [%]	59.7
Gemeente	Oldenzaal	80	70.0 [%]	43.6 [%]	0.8
Gemeente	Oldenzaal	Totaal	55.9 [%]	34.5 [%]	60.5
Gemeente	Olst-Wijhe	50	59.5 [%]	51.0 [%]	17.4
Gemeente	Olst-Wijhe	80	66.7 [%]	19.0 [%]	0.9
Gemeente	Olst-Wijhe	Totaal	59.8 [%]	49.4 [%]	18.4
Gemeente	Ommen	50	66.4 [%]	58.8 [%]	22.4
Gemeente	Ommen	80	96.4 [%]	99.5 [%]	7.2
Gemeente	Ommen	Totaal	69.6 [%]	68.7 [%]	29.6
Gemeente	Oost Gelre	50	63.2 [%]	44.9 [%]	34.0
Gemeente	Oost Gelre	80	100.0 [%]	100.0 [%]	2.0
Gemeente	Oost Gelre	Totaal	64.8 [%]	47.9 [%]	36.0
Gemeente	Oosterhout	50	70.1 [%]	55.8 [%]	98.0
Gemeente	Oosterhout	70	100.0 [%]	100.0 [%]	7.3
Gemeente	Oosterhout	80	68.0 [%]	46.4 [%]	20.8
Gemeente	Oosterhout	Totaal	70.9 [%]	56.8 [%]	126.1
Gemeente	Ooststellingwerf	50	23.9 [%]	10.5 [%]	14.2
Gemeente	Ooststellingwerf	70	50.0 [%]	72.4 [%]	0.7
Gemeente	Ooststellingwerf	80	68.6 [%]	56.6 [%]	17.1
Gemeente	Ooststellingwerf	Totaal	34.9 [%]	36.6 [%]	32.0
Gemeente	Oostzaan	50	46.8 [%]	28.4 [%]	9.7
Gemeente	Oostzaan	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Oostzaan	80	87.5 [%]	77.9 [%]	0.8
Gemeente	Oostzaan	Totaal	53.6 [%]	32.4 [%]	10.5
Gemeente	Opmeer	50	42.7 [%]	19.4 [%]	25.2
Gemeente	Opmeer	80	20.0 [%]	1.1 [%]	0.7
Gemeente	Opmeer	Totaal	41.8 [%]	18.9 [%]	25.9
Gemeente	Opsterland	50	40.0 [%]	37.9 [%]	11.6
Gemeente	Opsterland	80	82.8 [%]	75.2 [%]	26.2
Gemeente	Opsterland	Totaal	58.6 [%]	63.7 [%]	37.8
Gemeente	Oss	50	76.4 [%]	64.7 [%]	114.4
Gemeente	Oss	70	98.3 [%]	99.9 [%]	11.7
Gemeente	Oss	80	93.5 [%]	93.0 [%]	17.0
Gemeente	Oss	Totaal	78.4 [%]	70.9 [%]	143.2
Gemeente	Oude IJsselstreek	50	51.3 [%]	34.5 [%]	37.0
Gemeente	Oude IJsselstreek	80	89.2 [%]	75.5 [%]	5.6
Gemeente	Oude IJsselstreek	Totaal	54.9 [%]	39.9 [%]	42.7
Gemeente	Ouder-Amstel	50	74.3 [%]	70.0 [%]	30.1
Gemeente	Ouder-Amstel	70	100.0 [%]	100.0 [%]	0.8
Gemeente	Ouder-Amstel	80	94.7 [%]	83.0 [%]	3.3
Gemeente	Ouder-Amstel	Totaal	75.7 [%]	71.9 [%]	34.2
Gemeente	Oudewater	50	90.2 [%]	66.5 [%]	6.1
Gemeente	Oudewater	80	75.0 [%]	98.9 [%]	2.2
Gemeente	Oudewater	Totaal	89.6 [%]	74.9 [%]	8.3
Gemeente	Overbetuwe	50	71.3 [%]	55.1 [%]	61.8
Gemeente	Overbetuwe	80	80.0 [%]	89.7 [%]	5.9
Gemeente	Overbetuwe	Totaal	71.7 [%]	58.1 [%]	67.7
Gemeente	Papendrecht	50	89.0 [%]	85.6 [%]	34.5
Gemeente	Papendrecht	80	100.0 [%]	100.0 [%]	0.8
Gemeente	Papendrecht	Totaal	89.1 [%]	86.0 [%]	35.4
Gemeente	Peel en Maas	50	26.6 [%]	12.9 [%]	34.9
Gemeente	Peel en Maas	80	81.0 [%]	82.8 [%]	8.1
Gemeente	Peel en Maas	Totaal	33.1 [%]	26.0 [%]	43.0
Gemeente	Pekela	50	18.6 [%]	8.3 [%]	30.2
Gemeente	Pekela	80	71.4 [%]	75.0 [%]	0.3
Gemeente	Pekela	Totaal	20.4 [%]	9.0 [%]	30.5
Gemeente	Pijnacker-Nootdorp	50	82.6 [%]	74.3 [%]	34.1
Gemeente	Pijnacker-Nootdorp	80	34.6 [%]	28.2 [%]	2.6
Gemeente	Pijnacker-Nootdorp	Totaal	79.9 [%]	71.0 [%]	36.7
Gemeente	Purmerend	50	68.4 [%]	61.1 [%]	90.6
Gemeente	Purmerend	80	93.3 [%]	98.9 [%]	2.2
Gemeente	Purmerend	Totaal	68.9 [%]	62.0 [%]	92.8
Gemeente	Putten	50	76.3 [%]	65.3 [%]	17.5
Gemeente	Putten	80	50.0 [%]	42.7 [%]	1.4
Gemeente	Putten	Totaal	75.6 [%]	63.6 [%]	18.9
Gemeente	Raalte	50	56.1 [%]	45.2 [%]	26.1
Gemeente	Raalte	80	62.6 [%]	45.2 [%]	11.9
Gemeente	Raalte	Totaal	58.0 [%]	45.2 [%]	38.0
Gemeente	Reimerswaal	50	45.0 [%]	36.5 [%]	13.8
Gemeente	Reimerswaal	80	78.6 [%]	70.3 [%]	3.2
Gemeente	Reimerswaal	Totaal	51.8 [%]	42.9 [%]	17.0
Gemeente	Renkum	50	37.2 [%]	23.6 [%]	31.3
Gemeente	Renkum	80	73.1 [%]	57.6 [%]	3.5
Gemeente	Renkum	Totaal	40.0 [%]	27.1 [%]	34.8
Gemeente	Renswoude	50	13.7 [%]	2.2 [%]	4.6
Gemeente	Renswoude	80	75.0 [%]	97.1 [%]	2.9
Gemeente	Renswoude	Totaal	25.4 [%]	39.1 [%]	7.6
Gemeente	Reusel-De Mierden	50	91.9 [%]	90.2 [%]	5.0
Gemeente	Reusel-De Mierden	80	100.0 [%]	100.0 [%]	0.1
Gemeente	Reusel-De Mierden	Totaal	92.0 [%]	90.4 [%]	5.1
Gemeente	Rheden	50	24.3 [%]	16.0 [%]	51.8
Gemeente	Rheden	80	60.0 [%]	33.5 [%]	1.9
Gemeente	Rheden	Totaal	25.0 [%]	16.7 [%]	53.7
Gemeente	Rhenen	50	51.1 [%]	51.2 [%]	10.1
Gemeente	Rhenen	80	94.1 [%]	99.1 [%]	2.4
Gemeente	Rhenen	Totaal	63.1 [%]	60.3 [%]	12.5
Gemeente	Ridderkerk	50	60.2 [%]	43.7 [%]	55.7
Gemeente	Ridderkerk	70	100.0 [%]	100.0 [%]	0.2
Gemeente	Ridderkerk	80	40.0 [%]	17.4 [%]	1.1
Gemeente	Ridderkerk	Totaal	59.6 [%]	43.4 [%]	57.0
Gemeente	Rijssen-Holten	50	53.9 [%]	37.1 [%]	57.0
Gemeente	Rijssen-Holten	80	50.0 [%]	14.6 [%]	0.4
Gemeente	Rijssen-Holten	Totaal	53.9 [%]	37.0 [%]	57.4
Gemeente	Rijswijk	50	76.1 [%]	71.5 [%]	83.7
Gemeente	Rijswijk	80	7.1 [%]	3.8 [%]	1.2
Gemeente	Rijswijk	Totaal	75.3 [%]	70.5 [%]	84.9
Gemeente	Roerdalen	50	41.7 [%]	17.9 [%]	10.7
Gemeente	Roerdalen	80	65.0 [%]	54.6 [%]	8.8
Gemeente	Roerdalen	Totaal	50.0 [%]	34.4 [%]	19.5
Gemeente	Roermond	50	77.1 [%]	60.4 [%]	74.9
Gemeente	Roermond	70	100.0 [%]	100.0 [%]	1.7
Gemeente	Roermond	80	73.4 [%]	44.8 [%]	10.0
Gemeente	Roermond	Totaal	77.2 [%]	59.4 [%]	86.6
Gemeente	Roosendaal	50	63.3 [%]	52.1 [%]	133.9
Gemeente	Roosendaal	80	74.3 [%]	67.8 [%]	14.7
Gemeente	Roosendaal	Totaal	63.8 [%]	53.6 [%]	148.6
Gemeente	Rotterdam	50	77.1 [%]	71.9 [%]	691.2
Gemeente	Rotterdam	70	100.0 [%]	100.0 [%]	9.4
Gemeente	Rotterdam	80	74.8 [%]	69.3 [%]	157.8
Gemeente	Rotterdam	Totaal	76.9 [%]	71.7 [%]	858.3
Gemeente	Rozendaal	50	12.5 [%]	1.0 [%]	0.6
Gemeente	Rozendaal	80	100.0 [%]	100.0 [%]	0.7
Gemeente	Rozendaal	Totaal	30.0 [%]	52.9 [%]	1.3
Gemeente	Rucphen	50	54.1 [%]	33.1 [%]	14.3
Gemeente	Rucphen	80	83.3 [%]	43.3 [%]	2.1
Gemeente	Rucphen	Totaal	56.0 [%]	34.4 [%]	16.4
Gemeente	Schagen	50	35.3 [%]	28.1 [%]	63.8
Gemeente	Schagen	80	96.6 [%]	98.7 [%]	6.9
Gemeente	Schagen	Totaal	37.9 [%]	35.0 [%]	70.7
Gemeente	Scherpenzeel	50	68.6 [%]	38.9 [%]	6.6
Gemeente	Scherpenzeel	80	66.7 [%]	66.1 [%]	0.2
Gemeente	Scherpenzeel	Totaal	68.5 [%]	39.5 [%]	6.7
Gemeente	Schiedam	50	77.8 [%]	67.5 [%]	77.7
Gemeente	Schiedam	Totaal	77.8 [%]	67.5 [%]	77.7
Gemeente	Schouwen-Duiveland	50	26.9 [%]	28.1 [%]	56.5
Gemeente	Schouwen-Duiveland	80	40.7 [%]	20.3 [%]	3.9
Gemeente	Schouwen-Duiveland	Totaal	27.5 [%]	27.6 [%]	60.4
Gemeente	Simpelveld	50	40.1 [%]	25.4 [%]	13.6
Gemeente	Simpelveld	80	25.6 [%]	10.7 [%]	33.5
Gemeente	Simpelveld	Totaal	33.6 [%]	15.0 [%]	47.2
Gemeente	Sint-Michielsgestel	50	56.8 [%]	45.1 [%]	18.3
Gemeente	Sint-Michielsgestel	80	25.0 [%]	6.5 [%]	1.4
Gemeente	Sint-Michielsgestel	Totaal	56.2 [%]	42.4 [%]	19.7
Gemeente	Sittard-Geleen	50	69.1 [%]	56.5 [%]	109.7
Gemeente	Sittard-Geleen	70	100.0 [%]	100.0 [%]	5.3
Gemeente	Sittard-Geleen	80	31.6 [%]	11.0 [%]	50.6
Gemeente	Sittard-Geleen	Totaal	65.1 [%]	44.0 [%]	165.6
Gemeente	Sliedrecht	50	91.6 [%]	90.7 [%]	20.3
Gemeente	Sliedrecht	80	100.0 [%]	100.0 [%]	0.4
Gemeente	Sliedrecht	Totaal	91.8 [%]	90.8 [%]	20.7
Gemeente	Sluis	50	56.4 [%]	46.6 [%]	24.8
Gemeente	Sluis	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Sluis	80	51.2 [%]	35.8 [%]	4.9
Gemeente	Sluis	Totaal	55.8 [%]	44.9 [%]	29.7
Gemeente	Smallingerland	50	57.3 [%]	36.3 [%]	63.8
Gemeente	Smallingerland	80	73.9 [%]	82.4 [%]	5.3
Gemeente	Smallingerland	Totaal	58.0 [%]	39.9 [%]	69.2
Gemeente	Soest	50	90.2 [%]	82.6 [%]	27.7
Gemeente	Soest	80	36.4 [%]	22.2 [%]	10.4
Gemeente	Soest	Totaal	85.7 [%]	66.0 [%]	38.1
Gemeente	Someren	50	36.7 [%]	24.3 [%]	24.6
Gemeente	Someren	80	61.0 [%]	36.1 [%]	29.5
Gemeente	Someren	Totaal	45.7 [%]	30.7 [%]	54.1
Gemeente	Son en Breugel	50	78.7 [%]	62.6 [%]	28.3
Gemeente	Son en Breugel	80	83.3 [%]	97.9 [%]	2.7
Gemeente	Son en Breugel	Totaal	78.9 [%]	65.7 [%]	31.1
Gemeente	Stadskanaal	50	72.0 [%]	63.8 [%]	52.1
Gemeente	Stadskanaal	80	25.5 [%]	14.1 [%]	180.5
Gemeente	Stadskanaal	Totaal	50.2 [%]	25.3 [%]	232.6
Gemeente	Staphorst	50	27.3 [%]	15.3 [%]	43.0
Gemeente	Staphorst	80	100.0 [%]	100.0 [%]	2.4
Gemeente	Staphorst	Totaal	29.2 [%]	19.7 [%]	45.3
Gemeente	Stede Broec	50	83.9 [%]	71.8 [%]	8.1
Gemeente	Stede Broec	80	100.0 [%]	100.0 [%]	2.0
Gemeente	Stede Broec	Totaal	85.8 [%]	77.3 [%]	10.1
Gemeente	Steenbergen	50	75.4 [%]	67.4 [%]	11.2
Gemeente	Steenbergen	80	92.3 [%]	91.9 [%]	22.1
Gemeente	Steenbergen	Totaal	83.5 [%]	83.6 [%]	33.3
Gemeente	Steenwijkerland	50	49.1 [%]	31.1 [%]	43.5
Gemeente	Steenwijkerland	80	76.9 [%]	70.4 [%]	11.7
Gemeente	Steenwijkerland	Totaal	51.7 [%]	39.4 [%]	55.2
Gemeente	Stein	50	64.7 [%]	44.8 [%]	22.1
Gemeente	Stein	80	85.8 [%]	85.9 [%]	13.8
Gemeente	Stein	Totaal	72.5 [%]	60.6 [%]	35.8
Gemeente	Stichtse Vecht	50	71.5 [%]	57.1 [%]	58.6
Gemeente	Stichtse Vecht	80	96.3 [%]	98.1 [%]	8.4
Gemeente	Stichtse Vecht	Totaal	72.7 [%]	62.2 [%]	66.9
Gemeente	Súdwest-Fryslân	50	37.8 [%]	24.7 [%]	90.2
Gemeente	Súdwest-Fryslân	70	83.3 [%]	78.2 [%]	4.0
Gemeente	Súdwest-Fryslân	80	87.6 [%]	90.7 [%]	56.1
Gemeente	Súdwest-Fryslân	Totaal	52.8 [%]	50.8 [%]	150.4
Gemeente	Terneuzen	50	57.7 [%]	47.5 [%]	92.9
Gemeente	Terneuzen	70	98.1 [%]	99.1 [%]	4.1
Gemeente	Terneuzen	80	67.3 [%]	59.8 [%]	6.4
Gemeente	Terneuzen	Totaal	60.0 [%]	50.3 [%]	103.5
Gemeente	Terschelling	50	50.5 [%]	53.8 [%]	10.7
Gemeente	Terschelling	80	17.0 [%]	11.8 [%]	39.0
Gemeente	Terschelling	Totaal	31.2 [%]	20.8 [%]	49.7
Gemeente	Texel	50	41.6 [%]	22.1 [%]	16.5
Gemeente	Texel	80	76.8 [%]	40.5 [%]	13.3
Gemeente	Texel	Totaal	53.9 [%]	30.3 [%]	29.7
Gemeente	Teylingen	50	71.1 [%]	54.6 [%]	13.9
Gemeente	Teylingen	80	0.0 [%]	0.0 [%]	0.2
Gemeente	Teylingen	Totaal	69.7 [%]	53.9 [%]	14.1
Gemeente	Tholen	50	42.1 [%]	29.3 [%]	24.5
Gemeente	Tholen	80	88.0 [%]	58.5 [%]	0.8
Gemeente	Tholen	Totaal	46.9 [%]	30.2 [%]	25.3
Gemeente	Tiel	50	71.8 [%]	56.5 [%]	51.4
Gemeente	Tiel	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Tiel	80	94.2 [%]	97.7 [%]	6.0
Gemeente	Tiel	Totaal	74.8 [%]	60.9 [%]	57.5
Gemeente	Tilburg	50	72.1 [%]	58.6 [%]	238.8
Gemeente	Tilburg	70	97.8 [%]	97.0 [%]	10.7
Gemeente	Tilburg	80	94.7 [%]	93.8 [%]	75.0
Gemeente	Tilburg	Totaal	75.0 [%]	68.0 [%]	324.5
Gemeente	Tubbergen	50	41.9 [%]	21.6 [%]	15.3
Gemeente	Tubbergen	80	98.1 [%]	93.1 [%]	12.8
Gemeente	Tubbergen	Totaal	57.9 [%]	54.3 [%]	28.1
Gemeente	Twenterand	50	34.2 [%]	21.5 [%]	66.8
Gemeente	Twenterand	70	66.7 [%]	55.8 [%]	0.4
Gemeente	Twenterand	80	100.0 [%]	100.0 [%]	9.8
Gemeente	Twenterand	Totaal	38.0 [%]	31.6 [%]	77.0
Gemeente	Tynaarlo	50	87.1 [%]	82.4 [%]	25.0
Gemeente	Tynaarlo	70	100.0 [%]	100.0 [%]	0.0
Gemeente	Tynaarlo	80	97.1 [%]	96.2 [%]	7.5
Gemeente	Tynaarlo	Totaal	88.1 [%]	85.6 [%]	32.6
Gemeente	Tytsjerksteradiel	50	28.3 [%]	20.6 [%]	32.6
Gemeente	Tytsjerksteradiel	80	54.9 [%]	42.5 [%]	61.1
Gemeente	Tytsjerksteradiel	Totaal	37.8 [%]	34.9 [%]	93.7
Gemeente	Uitgeest	50	84.4 [%]	63.3 [%]	10.2
Gemeente	Uitgeest	80	85.7 [%]	87.5 [%]	1.0
Gemeente	Uitgeest	Totaal	84.5 [%]	65.4 [%]	11.1
Gemeente	Uithoorn	50	77.2 [%]	55.9 [%]	31.6
Gemeente	Uithoorn	80	100.0 [%]	100.0 [%]	2.5
Gemeente	Uithoorn	Totaal	78.1 [%]	59.2 [%]	34.1
Gemeente	Urk	50	50.0 [%]	30.8 [%]	25.4
Gemeente	Urk	70	75.0 [%]	99.7 [%]	1.2
Gemeente	Urk	80	50.0 [%]	6.7 [%]	1.6
Gemeente	Urk	Totaal	50.3 [%]	32.2 [%]	28.2
Gemeente	Utrecht	50	75.4 [%]	67.5 [%]	370.4
Gemeente	Utrecht	70	99.2 [%]	99.7 [%]	36.1
Gemeente	Utrecht	80	90.9 [%]	95.4 [%]	4.5
Gemeente	Utrecht	Totaal	76.2 [%]	70.6 [%]	411.0
Gemeente	Utrechtse Heuvelrug	50	39.1 [%]	33.8 [%]	41.2
Gemeente	Utrechtse Heuvelrug	80	58.7 [%]	19.8 [%]	18.9
Gemeente	Utrechtse Heuvelrug	Totaal	41.1 [%]	29.4 [%]	60.2
Gemeente	Vaals	50	18.2 [%]	24.0 [%]	1.8
Gemeente	Vaals	80	100.0 [%]	100.0 [%]	0.0
Gemeente	Vaals	Totaal	35.7 [%]	25.8 [%]	1.9
Gemeente	Valkenburg aan de Geul	50	25.9 [%]	13.9 [%]	33.2
Gemeente	Valkenburg aan de Geul	70	100.0 [%]	100.0 [%]	0.4
Gemeente	Valkenburg aan de Geul	80	48.8 [%]	21.8 [%]	7.6
Gemeente	Valkenburg aan de Geul	Totaal	29.2 [%]	16.2 [%]	41.2
Gemeente	Valkenswaard	50	84.6 [%]	76.8 [%]	29.4
Gemeente	Valkenswaard	80	100.0 [%]	100.0 [%]	8.9
Gemeente	Valkenswaard	Totaal	85.7 [%]	82.2 [%]	38.3
Gemeente	Veendam	50	37.5 [%]	28.7 [%]	90.1
Gemeente	Veendam	70	100.0 [%]	100.0 [%]	0.1
Gemeente	Veendam	80	33.3 [%]	11.4 [%]	32.6
Gemeente	Veendam	Totaal	37.5 [%]	24.1 [%]	122.9
Gemeente	Veenendaal	50	68.7 [%]	57.3 [%]	67.3
Gemeente	Veenendaal	80	100.0 [%]	100.0 [%]	0.3
Gemeente	Veenendaal	Totaal	68.9 [%]	57.4 [%]	67.6
Gemeente	Veere	50	61.5 [%]	58.3 [%]	15.6
Gemeente	Veere	80	66.7 [%]	65.6 [%]	2.4
Gemeente	Veere	Totaal	62.2 [%]	59.2 [%]	18.0
Gemeente	Veldhoven	50	82.7 [%]	74.2 [%]	64.0
Gemeente	Veldhoven	70	94.6 [%]	98.9 [%]	17.8
Gemeente	Veldhoven	80	35.6 [%]	15.1 [%]	22.2
Gemeente	Veldhoven	Totaal	80.2 [%]	65.8 [%]	104.0
Gemeente	Velsen	50	69.3 [%]	56.8 [%]	103.9
Gemeente	Velsen	70	100.0 [%]	100.0 [%]	1.7
Gemeente	Velsen	80	83.3 [%]	99.1 [%]	1.1
Gemeente	Velsen	Totaal	69.5 [%]	57.9 [%]	106.8
Gemeente	Venlo	50	60.0 [%]	45.8 [%]	211.9
Gemeente	Venlo	70	92.9 [%]	99.8 [%]	1.8
Gemeente	Venlo	80	79.7 [%]	70.5 [%]	21.1
Gemeente	Venlo	Totaal	61.3 [%]	48.4 [%]	234.8
Gemeente	Venray	50	64.9 [%]	50.7 [%]	62.3
Gemeente	Venray	80	88.6 [%]	88.8 [%]	8.6
Gemeente	Venray	Totaal	65.9 [%]	55.3 [%]	70.9
Gemeente	Vijfheerenlanden	50	65.6 [%]	42.2 [%]	59.1
Gemeente	Vijfheerenlanden	80	100.0 [%]	100.0 [%]	0.7
Gemeente	Vijfheerenlanden	Totaal	65.7 [%]	42.9 [%]	59.8
Gemeente	Vlaardingen	50	73.8 [%]	64.7 [%]	73.8
Gemeente	Vlaardingen	80	61.1 [%]	66.5 [%]	3.1
Gemeente	Vlaardingen	Totaal	73.6 [%]	64.7 [%]	76.9
Gemeente	Vlissingen	50	70.7 [%]	65.3 [%]	35.4
Gemeente	Vlissingen	70	100.0 [%]	100.0 [%]	7.5
Gemeente	Vlissingen	80	85.7 [%]	37.0 [%]	0.5
Gemeente	Vlissingen	Totaal	73.8 [%]	71.0 [%]	43.3
Gemeente	Voerendaal	50	36.0 [%]	28.1 [%]	11.4
Gemeente	Voerendaal	70	100.0 [%]	100.0 [%]	0.9
Gemeente	Voerendaal	80	82.9 [%]	79.2 [%]	5.9
Gemeente	Voerendaal	Totaal	46.9 [%]	48.1 [%]	18.2
Gemeente	Voorne aan Zee	50	60.5 [%]	54.1 [%]	54.7
Gemeente	Voorne aan Zee	80	95.6 [%]	98.8 [%]	6.1
Gemeente	Voorne aan Zee	Totaal	62.8 [%]	58.6 [%]	60.8
Gemeente	Voorschoten	50	69.8 [%]	63.5 [%]	26.2
Gemeente	Voorschoten	80	0.0 [%]	0.0 [%]	0.6
Gemeente	Voorschoten	Totaal	69.4 [%]	62.1 [%]	26.8
Gemeente	Voorst	50	34.1 [%]	21.8 [%]	24.0
Gemeente	Voorst	80	77.8 [%]	81.5 [%]	9.7
Gemeente	Voorst	Totaal	43.4 [%]	39.0 [%]	33.6
Gemeente	Vught	50	81.5 [%]	73.8 [%]	17.7
Gemeente	Vught	80	81.8 [%]	94.4 [%]	1.3
Gemeente	Vught	Totaal	81.5 [%]	75.2 [%]	19.0
Gemeente	Waadhoeke	50	26.4 [%]	14.5 [%]	49.2
Gemeente	Waadhoeke	70	100.0 [%]	100.0 [%]	5.2
Gemeente	Waadhoeke	80	69.6 [%]	69.7 [%]	45.8
Gemeente	Waadhoeke	Totaal	43.6 [%]	44.2 [%]	100.2
Gemeente	Waalre	50	87.6 [%]	81.8 [%]	13.7
Gemeente	Waalre	80	100.0 [%]	100.0 [%]	0.1
Gemeente	Waalre	Totaal	87.9 [%]	82.0 [%]	13.9
Gemeente	Waalwijk	50	66.2 [%]	47.2 [%]	91.6
Gemeente	Waalwijk	80	81.8 [%]	55.8 [%]	6.4
Gemeente	Waalwijk	Totaal	66.8 [%]	47.8 [%]	98.0
Gemeente	Waddinxveen	50	62.0 [%]	45.8 [%]	31.1
Gemeente	Waddinxveen	80	87.8 [%]	98.8 [%]	4.5
Gemeente	Waddinxveen	Totaal	65.0 [%]	52.6 [%]	35.7
Gemeente	Wageningen	50	64.6 [%]	52.1 [%]	47.8
Gemeente	Wageningen	80	33.3 [%]	4.8 [%]	0.8
Gemeente	Wageningen	Totaal	64.3 [%]	51.3 [%]	48.6
Gemeente	Wassenaar	50	74.4 [%]	74.6 [%]	27.0
Gemeente	Wassenaar	70	100.0 [%]	100.0 [%]	1.1
Gemeente	Wassenaar	80	54.1 [%]	42.4 [%]	7.8
Gemeente	Wassenaar	Totaal	72.7 [%]	68.4 [%]	35.9
Gemeente	Waterland	50	55.4 [%]	44.7 [%]	7.8
Gemeente	Waterland	Totaal	55.4 [%]	44.7 [%]	7.8
Gemeente	Weert	50	39.7 [%]	26.9 [%]	66.2
Gemeente	Weert	70	99.4 [%]	99.9 [%]	17.4
Gemeente	Weert	80	63.5 [%]	70.4 [%]	23.3
Gemeente	Weert	Totaal	52.2 [%]	48.3 [%]	106.8
Gemeente	West Betuwe	50	52.4 [%]	30.4 [%]	59.0
Gemeente	West Betuwe	70	100.0 [%]	100.0 [%]	2.1
Gemeente	West Betuwe	80	75.5 [%]	86.8 [%]	8.2
Gemeente	West Betuwe	Totaal	54.8 [%]	39.2 [%]	69.3
Gemeente	West Maas en Waal	50	59.7 [%]	41.2 [%]	7.4
Gemeente	West Maas en Waal	80	100.0 [%]	100.0 [%]	0.1
Gemeente	West Maas en Waal	Totaal	60.8 [%]	42.0 [%]	7.5
Gemeente	Westerkwartier	50	46.6 [%]	34.9 [%]	45.9
Gemeente	Westerkwartier	70	0.0 [%]	0.0 [%]	2.2
Gemeente	Westerkwartier	80	20.7 [%]	4.1 [%]	105.7
Gemeente	Westerkwartier	Totaal	37.7 [%]	13.2 [%]	153.9
Gemeente	Westerveld	50	56.2 [%]	61.0 [%]	3.4
Gemeente	Westerveld	70	66.7 [%]	76.6 [%]	0.0
Gemeente	Westerveld	80	100.0 [%]	100.0 [%]	1.9
Gemeente	Westerveld	Totaal	69.4 [%]	74.9 [%]	5.4
Gemeente	Westervoort	50	58.4 [%]	53.6 [%]	12.0
Gemeente	Westervoort	80	100.0 [%]	100.0 [%]	0.7
Gemeente	Westervoort	Totaal	58.6 [%]	56.1 [%]	12.7
Gemeente	Westerwolde	50	17.9 [%]	13.7 [%]	135.4
Gemeente	Westerwolde	80	20.0 [%]	13.4 [%]	342.6
Gemeente	Westerwolde	Totaal	18.9 [%]	13.5 [%]	478.0
Gemeente	Westland	50	57.4 [%]	45.6 [%]	95.8
Gemeente	Westland	80	66.1 [%]	59.0 [%]	8.8
Gemeente	Westland	Totaal	57.8 [%]	46.7 [%]	104.6
Gemeente	Weststellingwerf	50	33.1 [%]	32.2 [%]	30.0
Gemeente	Weststellingwerf	70	40.0 [%]	28.0 [%]	2.4
Gemeente	Weststellingwerf	80	75.8 [%]	79.3 [%]	21.6
Gemeente	Weststellingwerf	Totaal	41.3 [%]	50.8 [%]	54.0
Gemeente	Wierden	50	47.4 [%]	25.6 [%]	23.3
Gemeente	Wierden	80	97.4 [%]	92.4 [%]	6.4
Gemeente	Wierden	Totaal	54.1 [%]	39.9 [%]	29.7
Gemeente	Wijchen	50	78.0 [%]	53.3 [%]	59.2
Gemeente	Wijchen	80	32.8 [%]	16.2 [%]	20.4
Gemeente	Wijchen	Totaal	74.4 [%]	43.8 [%]	79.6
Gemeente	Wijdemeren	50	40.4 [%]	38.9 [%]	54.2
Gemeente	Wijdemeren	80	42.9 [%]	9.4 [%]	7.9
Gemeente	Wijdemeren	Totaal	40.5 [%]	35.2 [%]	62.1
Gemeente	Wijk bij Duurstede	50	75.1 [%]	52.3 [%]	14.9
Gemeente	Wijk bij Duurstede	70	100.0 [%]	100.0 [%]	1.5
Gemeente	Wijk bij Duurstede	80	50.0 [%]	90.9 [%]	1.0
Gemeente	Wijk bij Duurstede	Totaal	75.4 [%]	58.5 [%]	17.3
Gemeente	Winterswijk	50	48.1 [%]	30.9 [%]	27.7
Gemeente	Winterswijk	80	0.0 [%]	0.0 [%]	0.5
Gemeente	Winterswijk	Totaal	47.6 [%]	30.3 [%]	28.2
Gemeente	Woensdrecht	50	66.7 [%]	48.0 [%]	9.5
Gemeente	Woensdrecht	80	92.6 [%]	86.1 [%]	7.6
Gemeente	Woensdrecht	Totaal	72.2 [%]	64.9 [%]	17.1
Gemeente	Woerden	50	51.5 [%]	41.1 [%]	68.0
Gemeente	Woerden	70	100.0 [%]	100.0 [%]	2.6
Gemeente	Woerden	80	80.0 [%]	27.9 [%]	3.7
Gemeente	Woerden	Totaal	52.9 [%]	42.5 [%]	74.3
Gemeente	Wormerland	50	53.5 [%]	36.6 [%]	14.4
Gemeente	Wormerland	80	100.0 [%]	100.0 [%]	0.1
Gemeente	Wormerland	Totaal	53.8 [%]	37.3 [%]	14.6
Gemeente	Woudenberg	50	67.1 [%]	51.6 [%]	5.1
Gemeente	Woudenberg	80	37.5 [%]	14.4 [%]	2.0
Gemeente	Woudenberg	Totaal	61.6 [%]	41.2 [%]	7.0
Gemeente	Zaanstad	50	60.0 [%]	50.0 [%]	142.3
Gemeente	Zaanstad	70	98.4 [%]	100.0 [%]	16.6
Gemeente	Zaanstad	80	100.0 [%]	100.0 [%]	5.2
Gemeente	Zaanstad	Totaal	61.9 [%]	56.6 [%]	164.0
Gemeente	Zaltbommel	50	43.0 [%]	23.4 [%]	55.1
Gemeente	Zaltbommel	80	49.4 [%]	25.5 [%]	50.3
Gemeente	Zaltbommel	Totaal	44.7 [%]	24.4 [%]	105.4
Gemeente	Zandvoort	50	80.0 [%]	80.1 [%]	9.9
Gemeente	Zandvoort	Totaal	80.0 [%]	80.1 [%]	9.9
Gemeente	Zeewolde	50	71.2 [%]	54.6 [%]	44.1
Gemeente	Zeewolde	70	100.0 [%]	100.0 [%]	2.7
Gemeente	Zeewolde	80	23.0 [%]	6.4 [%]	125.1
Gemeente	Zeewolde	Totaal	60.1 [%]	20.2 [%]	171.9
Gemeente	Zeist	50	86.1 [%]	78.2 [%]	41.0
Gemeente	Zeist	80	90.9 [%]	98.0 [%]	5.0
Gemeente	Zeist	Totaal	86.3 [%]	80.3 [%]	46.0
Gemeente	Zevenaar	50	60.4 [%]	48.3 [%]	51.2
Gemeente	Zevenaar	80	80.0 [%]	69.6 [%]	9.2
Gemeente	Zevenaar	Totaal	62.0 [%]	51.6 [%]	60.4
Gemeente	Zoetermeer	50	74.6 [%]	67.2 [%]	142.0
Gemeente	Zoetermeer	70	100.0 [%]	100.0 [%]	20.2
Gemeente	Zoetermeer	80	100.0 [%]	100.0 [%]	5.3
Gemeente	Zoetermeer	Totaal	75.5 [%]	72.2 [%]	167.4
Gemeente	Zoeterwoude	50	80.1 [%]	64.6 [%]	12.2
Gemeente	Zoeterwoude	80	0.0 [%]	0.0 [%]	0.1
Gemeente	Zoeterwoude	Totaal	79.6 [%]	63.9 [%]	12.4
Gemeente	Zuidplas	50	51.7 [%]	42.2 [%]	36.7
Gemeente	Zuidplas	80	78.9 [%]	89.1 [%]	6.5
Gemeente	Zuidplas	Totaal	55.0 [%]	49.2 [%]	43.3
Gemeente	Zundert	50	48.7 [%]	37.1 [%]	21.2
Gemeente	Zundert	80	14.6 [%]	7.1 [%]	70.0
Gemeente	Zundert	Totaal	34.1 [%]	14.0 [%]	91.2
Gemeente	Zutphen	50	69.4 [%]	53.7 [%]	44.8
Gemeente	Zutphen	80	53.3 [%]	23.7 [%]	6.0
Gemeente	Zutphen	Totaal	68.6 [%]	50.2 [%]	50.8
Gemeente	Zwartewaterland	50	36.9 [%]	31.5 [%]	23.8
Gemeente	Zwartewaterland	80	83.8 [%]	50.9 [%]	4.8
Gemeente	Zwartewaterland	Totaal	45.7 [%]	34.8 [%]	28.7
Gemeente	Zwijndrecht	50	73.8 [%]	62.6 [%]	54.1
Gemeente	Zwijndrecht	80	100.0 [%]	100.0 [%]	0.1
Gemeente	Zwijndrecht	Totaal	74.1 [%]	62.7 [%]	54.3
Gemeente	Zwolle	50	73.4 [%]	59.4 [%]	151.1
Gemeente	Zwolle	70	95.7 [%]	97.9 [%]	42.3
Gemeente	Zwolle	80	82.4 [%]	83.9 [%]	5.5
Gemeente	Zwolle	Totaal	75.9 [%]	68.2 [%]	199.0

6.3 Benchmarks provincies per limiet categorie

In 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 50, 70 en 80 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 = 600) %>% #list(color = c('blue', 'purple')) 
  layout(
    # titeel initiele grafiek met object limiet
    title = list(text = paste("Kenmerkscore gescheiden voorziening voor fietsers bij", "\n", 
                              "limiet", limiet, "voor te selecteren wegbeheerder vs.", "\n",
                              "landelijk. Selecteer de wegbeheerder uit de", "\n", 
                              "uitklapbare keuzelijst rechts."),
                 xanchor = 'center', yanchor =  'top'), # plaatsing van de titel
    #xanchor = 'center', x = 0.5 , yanchor =  'top', y = 1), # Dynamic title
    margin = list(l = 70, t = 70), # 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 gescheiden voorziening voor fietsers`[i], landelijke_score_limiet))),  # Update x and y scores_wegbeheerder_limiet
              list(title = paste("Kenmerkscore gescheiden voorziening voor fietsers bij limiet", limiet, "\n",
                                 "voor", groepskeuzen_wegbeheerder_limiet[i], "vs. landelijk")) # Dynamic title update
            ),
            label = groepskeuzen_wegbeheerder_limiet[i]
          )
        })
      )
    )
  )
}

# Calculate the average score
landelijke_score_50 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[1]
landelijke_score_70 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[2]
landelijke_score_80 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[3]
landelijke_score_totaal <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[4]

# data per provincie per limiet
scores_provincies_50 <- filter(scores_provincies, Snelheidslimiet == "50")
scores_provincies_70 <- filter(scores_provincies, Snelheidslimiet == "70")
scores_provincies_80 <- filter(scores_provincies, Snelheidslimiet == "80")
scores_provincies_totaal <- filter(scores_provincies, Snelheidslimiet == "Totaal")

# Create the dropdown menu options
groepskeuzen_provincies_50 <- scores_provincies_50$Wegbeheerder
groepskeuzen_provincies_70 <- scores_provincies_70$Wegbeheerder
groepskeuzen_provincies_80 <- scores_provincies_80$Wegbeheerder
groepskeuzen_provincies_totaal <- scores_provincies_totaal$Wegbeheerder

grafiekkleuren <- list(color = c(blue_vals[3], green_vals[3]))

Benchmark 50 km/u

# maak een benchmark grafiek voor provenciale wegbeheerders met limiet 50
fig50prov <- figuur.benchmark(scores_wegbeheerder_limiet = scores_provincies_50, 
                              limiet = 50,
                              groepskeuzen_wegbeheerder_limiet = groepskeuzen_provincies_50,
                              landelijke_score_limiet = landelijke_score_50)

# Display the plot
fig50prov

Benchmark 70 km/u

# 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

Benchmark 80 km/u

# 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

Benchmark Totaal

# 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_prov

6.4 Benchmarks gemeenten per limiet categorie

In 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 50, 70 en 80km/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_50 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[1]
landelijke_score_70 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[2]
landelijke_score_80 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[3]
landelijke_score_totaal <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[4]

# data per gemeente per limiet
scores_gemeenten_50 <- filter(scores_gemeenten, Snelheidslimiet == "50")
scores_gemeenten_70 <- filter(scores_gemeenten, Snelheidslimiet == "70")
scores_gemeenten_80 <- filter(scores_gemeenten, Snelheidslimiet == "80")
scores_gemeenten_totaal <- filter(scores_gemeenten, Snelheidslimiet == "Totaal")

# Create the dropdown menu options
groepskeuzen_gemeenten_50 <- scores_gemeenten_50$Wegbeheerder
groepskeuzen_gemeenten_70 <- scores_gemeenten_70$Wegbeheerder
groepskeuzen_gemeenten_80 <- scores_gemeenten_80$Wegbeheerder
groepskeuzen_gemeenten_totaal <- scores_gemeenten_totaal$Wegbeheerder

grafiekkleuren <- list(color = c(blue_vals[3], green_vals[3]))

Benchmark 50 km/u

# maak een benchmark grafiek voor gemeentelijke wegbeheerders met wegen met limiet 50
fig50gem <- figuur.benchmark(scores_wegbeheerder_limiet = scores_gemeenten_50, 
                              limiet = 50,
                              groepskeuzen_wegbeheerder_limiet = groepskeuzen_gemeenten_50,
                              landelijke_score_limiet = landelijke_score_50)
# Display the plot
fig50gem

Benchmark 70 km/u

# 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

Benchmark 80 km/u

# 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

Benchmark Totaal

# 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_gem

6.5 Benchmarks waterschappen per limiet categorie

In 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 50km/uur, 70 km/uur en 80 km/uur apart.

De verschillende benchmarks bevinden zich onder tabbladen die met de muis aangeklikt kunnen worden. Met een knop rechts van de grafiek kan de gewenste wegbeheerder worden gekozen.

# Calculate the average score
landelijke_score_50 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[1]
landelijke_score_70 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[2]
landelijke_score_80 <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[3]
landelijke_score_totaal <- scores_landelijk$`Score kenmerk gescheiden voorziening voor fietsers`[4]

# data per waterschap per limiet
scores_waterschappen_50 <- filter(scores_waterschappen, Snelheidslimiet == "50")
scores_waterschappen_70 <- filter(scores_waterschappen, Snelheidslimiet == "70")
scores_waterschappen_80 <- filter(scores_waterschappen, Snelheidslimiet == "80")
scores_waterschappen_totaal <- filter(scores_waterschappen, Snelheidslimiet == "Totaal")

# Create the dropdown menu options
groepskeuzen_waterschappen_50 <- scores_waterschappen_50$Wegbeheerder
groepskeuzen_waterschappen_70 <- scores_waterschappen_70$Wegbeheerder
groepskeuzen_waterschappen_80 <- scores_waterschappen_80$Wegbeheerder
groepskeuzen_waterschappen_totaal <- scores_waterschappen_totaal$Wegbeheerder

grafiekkleuren <- list(color = c(blue_vals[3], green_vals[3]))

Benchmark 50 km/u

# maak een benchmark grafiek voor waterschaps-wegbeheerders met wegen met limiet 50
fig50wat <- figuur.benchmark(scores_wegbeheerder_limiet = scores_waterschappen_50, 
                              limiet = 50,
                              groepskeuzen_wegbeheerder_limiet = groepskeuzen_waterschappen_50,
                              landelijke_score_limiet = landelijke_score_50)

# Display the plot
fig50wat

Benchmark 70 km/u

# 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

Benchmark 80 km/u

# 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

Benchmark Totaal

# 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_wat

6.6 Aandachtspunten bij de SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers

Hieronder noemen we een aantal aandachtspunten bij de resultaten en de bepaling van de SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers:

• Wegen met een snelheidslimiet van 100 km/uur zijn buiten beschouwing gelaten omdat is aangenomen dat het in de praktijk al niet meer voorkomt dat op deze wegen fietsers mengen met zwaar verkeer
• Van wegen met een limiet van 60 km/uur is aangenomen dat dit erftoegangswegen buiten de bebouwde kom betreft. Hiervan is aangenomen dat deze veilig zijn voor de fiets. Een beoordeling van de hoeveelheid verkeer en de daaruit volgende wenselijkheid van een gescheiden fietsvoorziening zoals de richtlijn voorschrijft is in deze analyse niet meegenomen. Ook is geen rekening gehouden met bubeko GOW’s met een lokaal lagere limietstelling. Deze informatie is niet landelijk beschikbaar.
• Om te bepalen of langs een wegvak een fietspad of parallelweg aanwezig is, zijn transects (dwarslijnen) aangemaakt waarmee gekeken wordt of een van deze twee typen infrastructuur naast de hoofdrijbaan aanwezig is. De methode kent een aantal beperkingen
  • Een threshold is gekozen voor welk deel van de transects een fietspad of parallelweg aanwezig dient te zijn om een wegvak positief te beoordelen. De keuze van de threshold is pragmatisch en gedeeltelijk van invloed op de resultaten
  • Er is gekozen voor een threshold van 50%. Dit kan relatief gunstig uitpakken voor langere wegvakken waarvan minder dan de helft in werkelijkheid niet voldoet.
  • Bij de bepaling van de aanwezigheid van parallelwegen is enkel gekeken naar wegvakken met dezelfde straatnaam of een BST_CODE PAR of VWG. Deze keuze leidt tot vals negatieven waar het gaat om het beoordelen van de aanwezigheid van parallelwegen, maar voorkomt vals negatieven. In de oprdacht ontbrak de tijd voor een verdere optimalisatie en analyse van de effecten van het loslaten van de eis van gelijke straatnamen.
• De kwaliteit van de WKD verkeerstypen is in 2024 sterk verbeterd. De WKD geeft opzichzelf daarmee al een goed beeld van de menging van fietsers en motorvoertuigen. De gis analyses zijn aanvullend, om daar waar de aanwezigheid van een fietspad of parallelweg is gemist, deze mee te nemen in de beoordeling van dit SPI kenmerk. De resultaten van de gis analyse kunnen conflicteren met de WKD. In gevallen kan dit leiden tot een onterecht positieve beoordeling van een wegvak.
• De resultaten geven op wegbeheerder niveau een goed beeld. Op wegvakniveau kan het voorkomen dat de resultaten afwijken van de werkelijkheid.
  
• Fouten op wegvak niveau kunnen het resultaat zijn van fouten in de registratie van het NWB, zoals een verkeerde snelheidslimiet. Aan wegbeheerders is het verzoek om bij het constateren van fouten ten gevolge van fouten in de brondata waar mogelijk de brondata te verbeteren.

7 Data export wegvakken

De in het vorige hoofdstuk behandelde scores per wegbeheerder zijn bepaald op basis van scores op wegvakniveau. Van elk wegvak is bepaald of deze voldoet aan het kenmerk SPI Veilige Infrastructuur - kenmerk gescheiden voorziening voor fietsers, plus een aantal aanvullende kenmerken. Per wegvak zijn de volgende kenmerken vastgelegd:

# sf df om te exporteren
nwb_wvk_fietsrijbaan_export <- nwb_wegvak_analyse_cat %>% 
  mutate(wvk_voldoet = ifelse(wvk_voldoet == TRUE, "Voldoet", "Voldoet niet"))

# Attributen tabel in tekstformat
nwb_wvk_fietsrijbaan_export_attributentabel <- data.frame(
  Attribuut = c(
    "WVK_ID", "STT_NAAM", "GME_NAAM", "WPSNAAM",
    "shd_lengte", "wvk_lengte","MAXSHD", "shd_maatgevend",
    "gesloten_fiets", "fietspad_aanwezig", "paralle_v.s_aanwezig",
    "WEGBEHSRT", "WEGBEHNAAM", "geometry", "wvk_voldoet"
    ),
  Omschrijving = c(
    "Het unieke nummer voor een Wegvak.",
    "Straatnaam", 
    "Naam van de gemeente waarin de straat ligt", 
    "Naam van de plaats waarin het wegvak ligt.", 
    "Lengte van het deel van het wegvak waarvoor de snelheidslimiet geldt.",
    "Lengte van het wegvak.",
    "Snelheidslimiet op basis van WKD.",
    "De maatgevende snelheidslimiet die geldt op het grootste deel van het wegvak.",
    "Geslotenverklaring aanwezig voor fietsers.",
    "Vrijliggend fietspad aanwezig.",
    "Parallelweg met veilige snelheidslimiet van 30 km/uur aanwezig.",
    "Het type wegbeheerder met G: Gemeente, W: Waterschap, P: Provincie, R: Rijk en T: Particulier.",
    "Naam van de wegbeheerder.", 
    "Het type geometri; in dit geval lijn.",
    "Geeft aan of het wegvak voldoet aan de SPI."
    )
)



# maak een scrol tabel van de attributen tabel
scroltabel_gt(nwb_wvk_fietsrijbaan_export_attributentabel)

Attribuut	Omschrijving
WVK_ID	Het unieke nummer voor een Wegvak.
STT_NAAM	Straatnaam
GME_NAAM	Naam van de gemeente waarin de straat ligt
WPSNAAM	Naam van de plaats waarin het wegvak ligt.
shd_lengte	Lengte van het deel van het wegvak waarvoor de snelheidslimiet geldt.
wvk_lengte	Lengte van het wegvak.
MAXSHD	Snelheidslimiet op basis van WKD.
shd_maatgevend	De maatgevende snelheidslimiet die geldt op het grootste deel van het wegvak.
gesloten_fiets	Geslotenverklaring aanwezig voor fietsers.
fietspad_aanwezig	Vrijliggend fietspad aanwezig.
paralle_v.s_aanwezig	Parallelweg met veilige snelheidslimiet van 30 km/uur aanwezig.
WEGBEHSRT	Het type wegbeheerder met G: Gemeente, W: Waterschap, P: Provincie, R: Rijk en T: Particulier.
WEGBEHNAAM	Naam van de wegbeheerder.
geometry	Het type geometri; in dit geval lijn.
wvk_voldoet	Geeft aan of het wegvak voldoet aan de SPI.

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 met limiet 50 in beheer van de gemeente IJsselstein.

fietsrijbaan_IJsselstein <- nwb_wvk_fietsrijbaan_export %>%
  filter(WEGBEHSRT == "G" & WEGBEHNAAM == "IJsselstein" & shd_maatgevend == "50")

mapview(fietsrijbaan_IJsselstein, 
        zcol = "wvk_voldoet", 
        legend = TRUE,
        layer.name = "Wegvak voldoet aan SPI")

Wegvakken in de kaart zijn aan te klikken. Daarmee wordt de attributentabel van het wegvak geladen en kunnen andere scores en kenmerken van het wegvak worden bekeken.

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_wvk_fietsrijbaan_export), here("Output", "SPI_kenmerkscore_fietsrijbaan.csv"),
          row.names = FALSE, sep = ";", dec = ",", quote = TRUE)

# export naar geopackage
st_write(nwb_wvk_fietsrijbaan_export, here("Output", "SPI_kenmerkscore_fietsrijbaan.gpkg"), Append = FALSE, delete_dsn = TRUE)

# export van transects naar geopackage
st_write(transects, here("Output", "transects.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