Document · PDF

LIS B09c Methode Brandkansprofiel per object 2.1.pdf

Gemeenteraad 13 september 2022, gemeente Dijk en WaardBij agendapunt: Voorstel voorzitter m.b.t. afdoening ingekomen stukken, w.o. mededelingen van het college aan de raad6.280 woorden

Open het PDF bij de gemeente ↗Naar de vergadering →

Tekst van het document

Uit het bestand gehaald, zonder opmaak, tabellen en afbeeldingen

Brandkansprofiel per object 2.1 2-12-2020

Inleiding

In februari 2019 is door Falck in opdracht van de veiligheidsregio een risicoprofiel voor brandweerzorg opgesteld. Na de oplevering van het risicoprofiel is bij de brandweerzorg de wens ontstaan om het risicoprofiel periodiek bij te werken om veranderingen in het risicobeeld bij te houden. Daarnaast beoogt de brandweer om het risicoprofiel door te ontwikkelen om de risico’s nog beter in beeld te brengen. Een van de onderdelen die verbeterd zou kunnen worden is de dataset ‘Brandkansprofiel per object’. Deze dataset bevat voor ieder object uit de in de veiligheidsregio de kans op brand. De kans op brand is bepaald aan de hand van een wiskundig model met behulp van historische incidentdata en gegevens over de objecten. Hoe dit model er precies uit ziet, is onduidelijk. Het model wordt niet omschreven in de rapportage van Falck en is ook niet gedocumenteerd door de hiervoor verantwoordelijke oud-werknemer van de veiligheidsregio. Wel zijn er een aantal bestanden gevonden waarin meerdere modellen met elkaar worden vergeleken. Daarnaast wisten sommige collega’s zich te herinneren voor welk model er uiteindelijk is gekozen. Op basis daarvan wordt aangenomen dat het brandkansprofiel per object is bepaald aan de hand van een machine learning algoritme waarbij het uitgangspunt was om branden zo goed mogelijk te voorspellen.

Er is hierbij extra weging toegekend aan het juist voorspellen van branden (true positives). De kansen per object zijn hierbij bepaald aan de hand van de variabelen ‘status’, ‘oppervlakte’, ‘’waarde’, ‘monument’ en ‘objecttype’. Hoewel dit machine learning model heel nuttig kan zijn voor ander doeleinden, is het niet het optimale model voor het bepalen van de kans op brand. Het machine learning model is ontwikkeld om branden juist te voorspellen en niet om de kans op brand met een zo hoog mogelijke nauwkeurigheid te schatten. Om deze reden en omdat het oorspronkelijke model niet gedocumenteerd is, is door de brandweerzorg aan team informatie gevraagd om voor de doorontwikkeling van het risicoprofiel een nieuw wiskundig model te ontwikkelen en dit op papier te zetten. Om per object te bepalen hoe groot de kans is dat er een brandincident plaatsvindt, is in R programming een logistisch regressie model ontwikkeld. Daarbij is veel werk van het oorspronkelijke model overgenomen en zijn een aantal aanpassingen gedaan. In de rest van dit document wordt omschreven hoe dit model is ontwikkeld. Hoofdstuk 2 omschrijft welke data is gebruikt. Hoofdstuk 3 beschrijft het model. Tenslotte worden in hoofdstuk 4 een aantal van de belangrijkste resultaten behandeld.

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 1 van 20

Data

Om per object te bepalen hoe groot de kans is dat er een brandincident plaatsvindt, is er gebruik gemaakt van twee datasets: branden en objecten.

2.1 Branden Dataset 1 betreft alle branden die in Noord-Holland Noord hebben plaatsgevonden en door de meldkamer zijn geregistreerd tussen 1 mei 2015 en 30 april 2020. Deze gegevens zijn afkomstig vanuit het Geïntegreerd Meldkamer Systeem (GMS). Wanneer er naar de meldkamer een automatische (brand-) alarmering wordt gestuurd of wanneer een centralist een 112-oproep beantwoord, wordt automatisch een incident aangemaakt in GMS. Het incident krijgt daarbij een meldingsclassificatie toegekend op basis van het alarm of de waarnemingen van de centralist. Als er een hulpdienst ter plaatse komt en een ander soort incident aantreft, wordt de meldingsclassificatie hier vaak op aangepast. Indien de meldingsclassificatie van een incident overeenkomt met een van de meldingsclassificaties in tabel 8 van de appendix, wordt er in dit model aangenomen dat er sprake is van een gebouwbrand. Er gelden nog meer voorwaarden voor wanneer een incident in het model wordt gekenmerkt als zijnde een gebouwbrand: Incident is geregistreerd in GMS Incident vond plaats in Noord-Holland Noord Incident vond plaats tussen 1 mei 2015 en 30 april 2020 De brandweer is gealarmeerd Tabel 8 bevat de meldingsclassificatie van het incident Dataset 2 is geconstrueerd door alle incidenten die niet voldoen aan één of meer van de bovenstaande voorwaarden uit GMS te filteren.

Van de voortkomende dataset zijn slechts twee velden relevant: ‘bag_adresseerbaarobject_id’ en ‘binnenbrand’. ‘Bag_adresseerbaarobject_id’ is het identificatienummer van het object en ‘binnenbrand’ is 1 voor al deze incidenten. Zelfs na het uitvoeren van de bovenstaande filters, zal de dataset waarnemingen bevatten waarbij er geen sprake was van gebouwbrand. Ook zullen er in Noord-Holland Noord in de gekozen tijdsperiode gebouwbranden zijn geweest die niet zijn geregistreerd in GMS of die ten onrechte uit de dataset zijn gefilterd. Om deze redenen zit er een foutmarge in de dataset.

2.2 Objecten Dataset 2 betreft alle objecten in Noord-Holland Noord uit de Basisadministratie Adressen en Gebouwen (BAG). De BAG wordt actief beheerd door het Kadaster en bevat basisgegevens van alle adressen en gebouwen in Nederland. De BAG gegevens van 1 januari 2020 zijn geëxporteerd uit de geodatabase van de veiligheidsregio en zijn vervolgens geïmporteerd in R. Deze dataset is gefilterd op 4 voorwaarden: Bouwjaar van het object is voor 2015 Bouwjaar van het object is niet onbekend Aan het object wordt niet voor het eerst gebouwd Object heeft geen celfunctie Objecten met een bouwjaar vanaf 2015 hebben niet gedurende de hele tijd van incidenthistorie bestaan. Deze objecten zouden daarom voor een vertekening in de resultaten zorgen als ze in de dataset werden gehouden. Datzelfde geldt voor objecten waarvan het bouwjaar onbekend is en voor objecten waar voor het eerst aan gebouwd wordt. Van deze objecten ligt het bouwjaar waarschijnlijk in de toekomst. Ten slotte Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 2 van 20

worden objecten met een celfunctie uit de dataset gefilterd. Van deze objecten zijn de basisgegevens niet bekend.

2.3 Samengevoegde dataset Na het uitvoeren van de filteringen zijn datasets 1 en 2 samengevoegd op basis van het identificatienummer. Incidenten konden echter alleen aan een object worden toegekend als het identificatienummer bekend was. Van de 2268 incidenten uit dataset 1 bevatte 2084 een identificatienummer. De overige 171 incidenten die geen identificatienummer bevatten vonden plaats in objecten zonder identificatienummer zoals schuren of zijn nooit toegekend aan een object. Tussen deze 1862 identificatienummers zitten bovendien slechts 1975 unieke identificatienummers. Blijkbaar bevat de dataset 113 incidenten in objecten waar al eerder in dezelfde tijdsperiode een gebouwbrand had plaatsgevonden. Deze 113 incidenten bevatten zeer waarschijnlijk ook een aantal dubbele meldingen. Van de 1975 unieke identificatienummers komen 1926 nummers overeen met de BAG. Deze samenvoeging leidt tot een algehele dataset waarin per object alle basisgegevens staan, alsmede of er in het object in de afgelopen 5 jaar brand is geweest.

2.4 Data transformatie Na het samenvoegen van de data zijn er een aantal bewerkingen op de data uitgevoerd om de dataset klaar te maken. Voor bouwjaar geldt dat er een nieuwe variabele is aangemaakt met de naam bouwjaar_levels. In deze variabele wordt het bouwjaar gegroepeerd volgens de regels weergegeven in tabel 1. Vervolgens zijn op basis bouwjaar_levels veertien dummyvariabelen gemaakt. Deze dummyvariabelen hebben de namen bouwjaar_levels<1800, bouwjaar_levels1800-1900, bouwjaarlevels190 enzovoort. Ieder van deze dummyvariabelen heeft de waarde 1 indien het desbetreffende object tot de groep bouwjaren hoort en is anders 0. Bijvoorbeeld: een object uit 1951 kent de volgende waarden: bouwjaar = 1951, bouwjaar_levels = 195, bouwjaar_levels<1800 = 0, bouwjaar_levels1800-1900 = 0, bouwjaar_levels190 = 0, bouwjaar_levels191 = 0, bouwjaar_levels192 = 0, bouwjaar_levels193 = 0, bouwjaar_levels194 = 0, bouwjaar_levels195 = 1, bouwjaar_levels196 = 0, bouwjaar_levels197 = 0, bouwjaar_levels198 = 0, bouwjaar_levels199 = 0, bouwjaar_levels200 = 0, bouwjaar_levels201 = 0. De reden waarom deze transformatie plaatsvindt, is omdat het logistische regressie model een betere voorspellende waarde heeft wanneer er gebruik wordt gemaakt van dummy variabelen. Bouwjaar

Bouwjaar_levels

0 tot 1799 1800 tot 1899 1900 tot 1909 1910 tot 1919 1920 tot 1929 1930 tot 1939 1940 tot 1949 1950 tot 1959 1960 tot 1969 1970 tot 1979 1980 tot 1989 1990 tot 1999 2000 tot 2009

<1800 1800-1900 190 191 192 193 194 195 196 197 198 199 200

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 3 van 20

2010 tot 2014

201

Tabel 1: transformatie bouwjaar

Voor de waardeklasse geldt hetzelfde als voor bouwjaar. Er is een nieuwe variabele aangemaakt met de naam waardeklasse_levels die de waardeklassen groepeert volgens tabel 2. Vervolgens zijn ook voor deze klassen dummyvariabelen aangemaakt. Waardeklasse

Waardeklasse_levels

1 tot 5 6 tot 10 11 tot 15 16 tot 20 21 of hoger Onbekend

1-5 6-10 11-15 16-20 > 20 -1

Tabel 2: transformatie waardeklasse

Dezelfde stappen zijn gemaakt voor bouwlagen. Zie tabel 3 voor de variabele bouwlagen_levels. Bouwlagen

Bouwlagen_levels

1 2 3 4 5 6 of hoger Onbekend

1 2 3 4 5 >6 -1

Tabel 3: transformatie bouwlagen

Dezelfde stappen zijn ook gemaakt voor oppervlakte. Zie tabel 4 voor oppervlakte_levels. Oppervlakte

Oppervlakte_levels

1 tot 49 50 tot 99 100 tot 149 150 tot 199 200 tot 299 300 tot 499 500 of hoger Onbekend

1 – 49 50 – 99 100 – 149 150 – 199 200 – 299 300 – 499 > 500 -1

Tabel 4: transformatie oppervlakte

In de BAG staat in de variabele status vermeld of het desbetreffende pand in gebruik is, of dat het pand een andere status heeft. Voor iedere status die in de dataset voorkomt, is een dummyvariabele gemaakt. Tabel 5 geeft deze mogelijke waardes weer. Status Pand in gebruik Pand in gebruik (niet ingemeten) Sloopvergunning verleend Tabel 5: status Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 4 van 20

Na het aanmaken van de dummyvariabelen voor bouwjaar, waardeklasse, bouwlagen, oppervlakte en status, is de dataset in tweeën gesplitst. De splitsing vindt plaats op basis van de variabele objecttype. Deel A bevat alle objecten waarvan het objecttype ‘woonfunctie’ is. Deel B bevat alle andere objecten. De voornaamste reden om deze splitsing te maken, is dat verwacht wordt dat de relatie tussen brand en de voorspellende variabelen veel anders zal zijn voor woningen dan voor andere objecten. Bijvoorbeeld: wanneer een woning een grotere oppervlakte heeft, betekent dat vaak dat er één of twee mensen meer wonen waardoor de kans op brand iets hoger wordt. Wanneer een kantoor, een industriegebouw of een ander object een grotere oppervlakte heeft, zullen er waarschijnlijk nog veel meer mensen werken of aanwezig zijn, waardoor de kans op brand sneller toeneemt. In de BAG staat in de variabele objecttype vermeld wat de functie van het object is. In deel B is voor ieder van deze objecten een dummyvariabele aangemaakt. Tabel 6 geeft de mogelijke waardes weer. Objecttype Bijeenkomstfunctie Gezondheidsfunctie Industriefunctie Kantoorfunctie Logiesfunctie Onderwijsfunctie Overige functie Sportfunctie Winkelfunctie Tabel 6: objecttype

Verder staat in de BAG onder de variabele gebrklasse meer informatie vermeld over het type object. Veel van de mogelijke waardes lijken veel op elkaar. Sommige gebruiksklassen slaan zelfs op precies hetzelfde. Zo komt bijvoorbeeld zowel ‘eindwoning’ als ‘hoekwoning’ voor. Om het model een betere voorspellende waarden te laten maken, wordt gebrklasse gegroepeerd zoals in tabel 8 van de appendix. Deze informatie geeft vooral meer informatie over het type woning indien het object een object met een woonfunctie betreft. Als het object een andere functie heeft, dan voegt de gebrklasse in het overgrote deel van de objecten niets toe. Zo hebben objecten met een industriefunctie in 79 procent van de gevallen een gebrklasse ‘bedrijf’ en hebben objecten met een onderwijsfunctie in 91 procent van de gevallen een gebrklasse ‘Onderwijs’. Daarom worden alleen voor deel A van de dataset dummyvariabelen aangemaakt voor de mogelijke waardes van gebruiksklasse. Bovendien wordt het variabele monument gebruikt. Deze variabele is 1 indien het desbetreffende object in de lijst staat van rijksmonumenten, anders 0. Tenslotte zijn er aan alle objecten ook gebiedskenmerken toegekend. Specialisten van de Veiligheidsregio menen dat demografische kenmerken ook invloed hebben op de kans op brand.

Echter, in verband met privacywetgeving zijn demografische kenmerken niet beschikbaar per object daarom worden aan alle objecten de demografische kenmerken toegevoegd van de 100x100 meter vakken van het CBS (2019). Door het aggregatieniveau een niveau hoger te stellen ontstaat er helaas een beetje ruis. De variabelen uit de 100 bij 100 meter vakken die aan binnenliggende objecten worden toegekend staan weergegeven in tabel 7. CBS 100x100 meter Percentage 0 tot 15 jaar Percentage 15 tot 25 jaar Percentage 25 tot 45 jaar Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 5 van 20

Percentage 45 tot 65 jaar Percentage 65 jaar en ouder Percentage mannen Percentage vrouwen Percentage eenpersoonshuishoudens Percentage eenouderhuishoudens met thuiswonende kinderen Percentage meerpersoonshuishoudens zonder kinderen Percentage tweeouderhuishoudens met thuiswonende kinderen Percentage Nederlandse achtergrond Percentage niet westerse migratieachtergrond Percentage westerse migratieachtergrond Percentage personen met uitkering onder aow-leeftijd Percentage huurwoningen Percentage koopwoningen Gemiddeld elektriciteitsverbruik woning Gemiddeld gasverbruik woning Tabel 7: CBS 100x100 meter

Percentages worden als geheel getal opgeschreven. In de CBS-data bleek nog meer nuttige data te zitten waaronder percentage huur- en koopwoningen en het gemiddeld elektriciteits- en gasverbruik.

2.5 Beschrijvende statistiek Tabel 9 van de appendix geeft een overzicht weer van de gebruikte variabelen en klassen. Daarnaast geeft de tabel voor iedere variabele en klasse weer in hoeveel objecten van de desbetreffende klasse een brandincident heeft plaatsgevonden. Neem bij het bestuderen van deze tabel in acht dat de dataset is opgesplitst in objecten met een woonfunctie en andere objecten. In deze tabel wordt vooral duidelijk dat er weinig variabelen zijn die de kans op brand aanzienlijk doen stijgen. Daarmee wordt bevestigd dat het ontstaan van brand zeer onvoorspelbaar is. Toch lijken er kleine verschillen te zijn in de kansen op brand. Voor zowel woningen als andere objecten geldt grofweg dat hoe ouder het object, hoe groter de kans op brand. De kans is op brand is ook groter voor objecten met een hoge waarde of een grote oppervlakte. Objecten zonder woonfunctie lijken bovendien een grotere kans te hebben op brand naarmate het aantal bouwlagen toeneemt. Tenslotte vallen drie objecttypes op: objecten met een bijeenkomstfunctie, gezondheidsfunctie en objecten, met name objecten met een onderwijsfunctie kennen een verhoogde kans op brand.

Model

Het doel van het model is om per object zo nauwkeurig mogelijk te schatten wat de kans op brand is in een jaar. Daarvoor wordt aan de hand van de objecten en incidenten in de afgelopen 5 jaar geschat wat de effecten zijn van de objectkarakteristieken op de kans op brand. Nadat deze effecten berekend zijn, wordt voor ieder object op basis van de bijbehorende gegevens geschat wat de kans op brand is in de komende 1 5 jaar. Door deze uitkomst vervolgens te vermenigvuldigen met , wordt de kans op brand in een jaar 5

geschat. Om te bepalen waar de kans op brand in Noord-Holland Noord in de afgelopen 5 jaar van af hing, wordt gebruik gemaakt van een binair keuzemodel (Heij et al., 2004). Binaire keuzemodellen zijn modellen met slechts twee mogelijke uitkomsten; 0 en 1. In deze context betekent 0 dat er geen brand plaatsvindt is en betekent 1 dat deer wel brand plaatsvindt.

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 6 van 20

yi =

als in object i geen brand plaatsvindt.

als in object i minstens één keer brand plaatsvindt.

De kans dat de uitkomst 1 is, verschilt per object. Deze kans hangt af van een aantal variabelen, ook wel regressoren. De kans dat er brand in een object plaatsvindt kan gezien worden als een functie van deze regressoren. 𝑃[𝑦𝑖 = 1] = 𝐹(𝑥𝑖′ 𝛽) Waarbij:

xi = Een vector van karakteristieken van object i. β = Een vector van onbekende coëfficiënten. Het doel van het model is om de vector van coëfficiënten β te schatten om zo te achterhalen wat voor invloed bepaalde factoren hebben op het plaatsvinden van brand. Dat gebeurt aan de hand van ‘maximum likelihood’. Stel dat voor n objecten de kans op brand p is. Als alle waarnemingen ook onafhankelijk zijn, dan is de kans dat ieder object i uitkomst yi heeft gelijk aan de likelihood: 𝑛

𝐿(𝑝) = ∏

𝑝 𝑦𝑖 (1 − 𝑝)1−𝑦𝑖

𝑖=1

De log-likelihood wordt gegeven door: 𝑛

log(𝐿(𝑝)) = ∑ 𝑖=1

𝑛

𝑦𝑖 log⁡(𝑝) + ∑

𝑖=1

(1 − 𝑦𝑖 ) log⁡(1 − 𝑝)

= ∑ log⁡(𝑝) + ∑ log⁡(1 − 𝑝) {𝑖,𝑦𝑖 =1}

{𝑖,𝑦𝑖 =0}

In het binaire keuzemodel is de kans dat er in object i brand plaatsvindt niet gelijk aan p, maar aan een functie van de verklarende variabelen: F(xi’β). De log-likelihood is daarom gelijk aan:

log(𝐿(𝛽)) ∑ log⁡(𝐹(𝑥𝑖′ 𝛽)) + ∑ log⁡(1 − 𝐹(𝑥𝑖′ 𝛽)) {𝑖,𝑦𝑖 =1}

{𝑖,𝑦𝑖 =0}

Om de coëfficiënten te bepalen, wordt de likelihood gemaximaliseerd voor β. Aan de hand van de geresulteerde vector b kan opgevat worden waar het al dan niet ontstaan van brand mee samen hing.

Het binaire keuzemodel kan geïnterpreteerd worden in termen van een niet-geobserveerde latente variabele yi*. De variabele yi* geeft een indicatie voor de uitkomst van individu i. Het wordt aangenomen dat Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 7 van 20

𝑦𝑖 ∗ = 𝑥𝑖′ 𝛽 + ɛ𝑖 , ⁡⁡ɛ𝑖 ⁡~⁡𝐼𝐼𝐷,⁡⁡⁡𝐸[ɛ𝑖 ] = 0. Dit wordt de zogenaamde indexfunctie genoemd waarbij xi’β de systematische neiging is en ɛi het individuele effect. Het houdt rekening met de mogelijkheid dat twee waarnemingen met dezelfde karakteristieken x verschillende uitkomsten hebben. De geobserveerde waarneming yi verhoudt zich als volgt tot de latente variabele: 𝑦𝑖 = 1⁡𝑎𝑙𝑠⁡𝑦𝑖 ∗ ≥ 0, ⁡𝑦𝑖 = 0⁡𝑎𝑙𝑠⁡𝑦𝑖 ∗ ≤ 0. Indien ɛi onafhankelijk en identiek verdeeld is met een symmetrische kansfunctie f, dan volgt dat 𝑃[𝑦𝑖 = 1] = 𝑃[𝑦𝑖 ∗ ≥ 0] = 𝑃[ɛ𝑖 ≥ −𝑥𝑖′ 𝛽] = 𝑃[−ɛ𝑖 ≥ 𝑥𝑖′ 𝛽] = 𝑃[ɛ𝑖 ≤ 𝑥𝑖′ 𝛽] = 𝐹(𝑥𝑖′ 𝛽).

Hierbij

cumulatieve

verdelingsfunctie van ɛ. Deze komt overeen met de verdelingsfunctie van het gekozen model.

Het model hangt af van de vorm van verdelingsfunctie F. De kansfunctie f is de afgeleide van de verdelingsfunctie F. De bijbehorende kansfunctie van het logitmodel is als volgt:

Logistische verdeling (logit): 𝑓(ɛ) = 𝜆(ɛ) =

𝑒ɛ (1 + 𝑒 ɛ )2

Nadat de coëfficiënten β zijn geschat door de likelihood te maximaliseren, wordt de geresulteerde vector b ingevuld in de kansfunctie om de kansen per object te schatten. 𝑃[𝑦𝑖 = 1] = 𝐹(𝑥𝑖′ 𝑏)

Resultaten

De geschatte coëfficiënten van de logistische regressie zijn weergegeven in tabel 10 van de appendix. Voor iedere variabele in deze tabel heeft één klasse geen waardes. De klasse zonder waardes geldt als referentie. Voor deze weggelaten coëfficiënten kan men 0 in gedachte nemen. Van het variabele bouwjaar_levels zijn er bijvoorbeeld geen waardes voor de klasse 0 tot 1799. Alle andere coëfficiënten die vallen onder bouwjaar_levels duiden het verschil in kans op brand tussen de desbetreffende klasse en de klasse 0 tot 1799. Deze coëfficiënten zijn als volgt te interpreteren. Een object uit de klasse 1800 tot 1899 heeft ten opzichte van een object uit de klasse 0 tot 1799 die voor de rest precies dezelfde eigenschappen heeft, gemiddeld grofweg een 𝑟̅ maal zo grote kans op brand in 5 jaar, waarbij 𝑟̅ is: 𝑟̅ = ⁡ 𝑒 𝑏1800⁡𝑡𝑜𝑡⁡1899 Waarbij: 𝑏1800⁡𝑡𝑜𝑡⁡1899 =

de geschatte coëfficiënt van de klasse 1800 tot 1899 (zie tabel 10).

Om precies te zijn is niet de kans maar de zogenaamde odds 𝑟̅ maal zo groot. De formule voor odds luidt:

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 8 van 20

𝑜𝑑𝑑𝑠 = ⁡

𝑝 1−𝑝

Echter, omdat ⁡𝑝 voor alle objecten ver van 0,5 af ligt, verandert ⁡

𝑝 1−𝑝

nauwelijks. Daarom kan deze

opmerking buiten beschouwing worden gelaten. Voor alle geschatte coëfficiënten in tabel 10 geldt dat negatieve getallen duiden op een lagere kans op brand ten opzichte van de referentieklasse en dat positieve getallen duiden op een hogere kans ten opzichte van de referentieklasse. Verder geldt dat hoe meer het getal verschilt van 0, hoe groter het effect. Bij alle geschatte coëfficiënten moet de significantie in ogenschouw worden genomen. De significantie wordt in tabel 10 geduid met de p-waarde tussen haakjes. Hoe lager deze p-waarde, hoe kleiner de kans dat er geen sprake is van effect. Het doel van dit model is om de kans op brand zo goed mogelijk te schatten en niet om te onderzoeken of bepaalde verbanden bestaan. In dat laatste geval zouden verbanden tussen brand en de variabelen alleen bewezen worden als de p-waarde van de bijbehorende coëfficiënten lager zijn dan 0.05. Variabelen die niet significant zijn zouden uit het model moeten worden verwijderd. Echter, in het belang van het zo goed mogelijk schatten van de kans op brand worden alle variabelen behouden. Als men met de bovenstaande gedachten de coëfficiënten bestudeert, dan kan men de volgende trends uit de tabel opmaken. Voor objecten met een woonfunctie geldt dat objecten tussen 0 en 1799 en 1800 tot 1899 een lage kans op brand hebben. Datzelfde geldt voor objecten met een bouwjaar na 1970.

Objecten met een bouwjaar tussen 1900 en 1969 hebben een relatief hoge kans op brand. Deze effecten zijn niet significant vanwege het kleine aantal branden per klasse. Voor objecten met een woonfunctie geldt verder dat een zeer hoge of lage waardeklasse tot een verhoogde kans op brand leidt. Nog een andere factor die met een verhoogde kans op brand samenhangt, is een groot oppervlakte. Tenslotte valt op dat agrarische woningen, horecawoningen, portiekwoningen en eengezinswoningen een verhoogde kans op brand kennen. Voor objecten zonder woonfunctie gelden ongeveer dezelfde effecten met betrekking tot bouwjaar, waardeklasse en oppervlakte. Het hebben van meerdere bouwlagen zorgt bij deze objecten ook tot een verhoogde kans op brand. Objecten met een bijeenkomst-, gezondheids- en onderwijsfunctie hebben bovendien een verhoogde kans. Figuur 1 geeft de verdeling weer van de geschatte kansen per object in 5 jaar. Dezelfde gegevens gedeeld door 5 zijn weergegeven in figuur 2. Tabel 7 geeft van de diverse gebruiksklassen en objecttypes de kwantielen en het 95ste percentiel van de verdeling van kansen per object in 1 jaar weer. Het tweede kwantiel, ofwel het 50ste percentiel staat gelijk aan de mediaan.

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 9 van 20

Figuur 1: verdeling kansen op brand per object (5 jaar)

Figuur 2: verdeling kansen op brand per object (1 jaar)

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 10 van 20

Percentiel Objecttype

Gebruiksklasse (woonfunctie = 1)

Bijeenkomstfunctie

0,00161

0,00367

0,00641

0,02284

Gezondheidsfunctie

0,00072

0,00110

0,00227

0,00542

Industriefunctie

0,00112

0,00190

0,00348

0,00818

Kantoorfunctie

0,00010

0,00019

0,00025

0,00050

Logiesfunctie

0,00807

0,01287

0,02392

0,03133

Onderwijsfunctie

0,00011

0,00012

0,00020

0,00082

Overige functie

0,00144

0,00238

0,00370

0,01192

Sportfunctie

0,00073

0,00129

0,00231

0,00728

Winkelfunctie

0,00065

0,00082

0,00107

0,00179

Woonfunctie

0,00089

0,00113

0,00149

0,00265

0,00065

0,00079

0,00095

0,00133

2 onder 1 kap woning

0,00070

0,00082

0,00095

0,00124

Hoekwoning

0,00063

0,00073

0,00085

0,00110

Tussen/rijwoning

0,00056

0,00068

0,00085

0,00128

Geschakelde woning

0,00251

0,00348

0,00563

0,01060

Agrarisch

0,00110

0,00151

0,00221

0,00430

Bedrijf

0,00150

0,00229

0,00363

0,00750

Horeca

0,00068

0,00090

0,00116

0,00171

Bovenwoning

0,00080

0,00106

0,00159

0,00293

Detail/groothandel

0,00065

0,00087

0,00111

0,00165

Benedenwoning

0,00088

0,00152

0,00226

0,00462

Overig woonobject

0,00040

0,00047

0,00054

0,00069

Garage(box)

0,00038

0,00057

0,00088

0,00144

Meergezinswoning

0,00138

0,00194

0,00269

0,00598

Kantoor

0,00074

0,00081

0,00099

0,00142

Medisch

0,00087

0,00126

0,00166

0,00324

Recreatiewoning

0,00118

0,00151

0,00198

0,00276

Maisonnette

0,00129

0,00174

0,00226

0,00487

Energie en water

0,00361

0,00457

0,00579

0,00812

Portiekwoning

0,00128

0,00171

0,00257

0,00463

Eengezinswoning

0,00079

0,00100

0,00122

0,00185

Onbekend

0,00161

0,00367

0,00641

0,02284

Vrijstaande woning

Tabel 8: percentielen van geschatte kansen op brand per object in 1 jaar Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 11 van 20

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 12 van 20

Appendix

Brw_meldingclassificaties_calc Brand - 0 binnen - 0 woning Brand - 0 binnen - 1 schoorsteen Brand - 0 binnen - 2 schuur Brand - 0 binnen - 3 flat/hoogbouw Brand - 0 binnen - 4 rieten dak Brand - 0 binnen - 5 binnen overig Brand - 0 binnen - nvt Brand - 1 bijz. object - 0 kantoor Brand - 1 bijz. object - 1 winkel Brand - 1 bijz. object - 2 hotel/logies Brand - 1 bijz. object - 3 horeca Brand - 1 bijz. object - 4 tankstation Brand - 1 bijz. object - 5 agrarisch Brand - 1 bijz. object - 6 cultuur/amusement Brand - 1 bijz. object - 7 bijz. overig Brand - 1 bijz. object - nvt Brand - 2 buiten - 2 schuur Brand - bijgebouw - 01 woning/woongebouw Brand - bijgebouw - 05 agrarisch Brand - bijgebouw - nvt Brand - gebouw - 01 woning/woongebouw Brand - gebouw - 02 bijeenkomst Brand - gebouw - 03 cel Brand - gebouw - 04 gezondheidszorg Brand - gebouw - 05 agrarisch Brand - gebouw - 05 bijgebouw Brand - gebouw - 05 industrie Brand - gebouw - 05 industrie* Brand - gebouw - 05 industrie/agrarisch Brand - gebouw - 06 kantoor Brand - gebouw - 07 logies Brand - gebouw - 08 onderwijs Brand - gebouw - 09 sport Brand - gebouw - 10 winkel Brand - gebouw - 11 overige Brand - gebouw - 11 station Brand - gebouw - afstemverzoek Brand - gebouw - brandgerucht Brand - gebouw - nvt Brand - industrie - agrarisch bedrijf Brand - industrie - fabricage-opslaggeb.

Brand - industrie - nvt Brand - industrie - onderhoud/reparatie Brand - industrie - opsl. brandb. vloeis. Tabel 8: meldingsclassificaties gebouwbrand

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 13 van 20

Gebrklasse

Gebruiksklasse

Vrijstaande woning 2 onder 1 kap woning Hoekwoning Tussen/rijwoning Geschakelde woning Agrarisch met woongedeelte Agrarisch Horeca met woongedeelte Bedrijf Bedrijf met woongedeelte Detail/groothandel met woongedeelte Detail/groothandel Bovenwoning Benedenwoning Onderwijs Object in aanbouw Garage(box) Meergezins doelgroepwoning Laboriatoria en praktijk met woongedeelte Laboratoria en praktijk Bijzondere woonfunctie met woongedeelte Kantoor Nog te bepalen Specifiek woonobject Overig woonobject Tussen/rij doelgroepwoning Medisch met woongedeelte Horeca Sport en recreatie Maisonnette Energie en water Kantoor met woongedeelte Bijzondere woonfunctie Meergezinswoning Eindwoning Religie Hoek doelgroepwoning 2 onder 1 kap doelgroepwoning Vrijstaande recreatiewoning Portiekwoning Medisch Niet-woning Bovenwoning doelgroep Portiekwoning doelgroep Gemeenschapsgebouw overig Woning Sport en recreatie met woongedeelte

Vrijstaande woning 2 onder 1 kap woning Hoekwoning Tussen/rijwoning Geschakelde woning Agrarisch Agrarisch Horeca Bedrijf Bedrijf Detail/groothandel Detail/groothandel Bovenwoning Benedenwoning Overig woonobject Overig woonobject Garage(box) Meergezinswoning Overig woonobject Overig woonobject Overig woonobject Kantoor Overig woonobject Overig woonobject Overig woonobject Tussen/rijwoning Medisch Horeca Recreatiewoning Maisonnette Energie en water Kantoor Overig woonobject Meergezinswoning Hoekwoning Overig woonobject Hoekwoning 2 onder 1 kap woning Recreatiewoning Portiekwoning Medisch Overig woonobject Bovenwoning Portiekwoning Overig woonobject Overig woonobject Recreatiewoning

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 14 van 20

Recreatiewoningen Benedenwoning doelgroep Woonwagen/-boot Eengezinswoning Transport Communicatie Geschakelde recreatiewoning Hoek recreatiewoning Tussen/rij recreatiewoning Cultuur 2 onder 1 kap recreatiewoning Cultuur met woongedeelte Portiekflat Doelgroepwoning Maisonnette doelgroep Vrijstaande doelgroepwoning Transport met woongedeelte Gemeenschapsgebouw overig met woongedeelte Galerijflat

Recreatiewoning Benedenwoning Overig woonobject Eengezinswoning Overig woonobject Overig woonobject Recreatiewoning Recreatiewoning Recreatiewoning Overig woonobject Recreatiewoning Overig woonobject Portiekwoning Overig woonobject Maisonnette Vrijstaande woning Overig woonobject Overig woonobject Meergezinswoning

Tabel 9: transformatie gebruiksklasse

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 15 van 20

Brand = 1

Bouwjaar_levels

Waardeklasse_levels

Bouwlagen_levels

Oppervlakte_levels

Status

Objecttype

Gebruiksklasse

Brand = 0

Totaal

Brand = 1

Brand = 0

Totaal

Deel A objecttype = woonfunctie

Deel B objecttype ≠ woonfunctie

0 tot 1799

12 (0,8%)

1451 (99,2%)

1463

3 (0,7%)

425 (99,3%)

428

1800 tot 1899

42 (0,8%)

5347 (99,2%)

5389

8 (0,9%)

881 (99,1%)

889

1900 tot 1909

47 (0,8%)

6171 (99,2%)

6218

11 (1,2%)

884 (98,8%)

895

1910 tot 1919

71 (0,9%)

7863 (99,1%)

7934

13 (1,4%)

922 (98,6%)

935

1920 tot 1929

68 (0,7%)

10055 (99,3%)

10123

10 (0,9%)

1148 (99,1%)

1158

1930 tot 1939

92 (0,7%)

13138 (99,3%)

13230

15 (1,3%)

1172 (98,7%)

1187

1940 tot 1949

30 (0,7%)

4181 (99,3%)

4211

8 (1,5%)

520 (98,5%)

528

1950 tot 1959

85 (0,5%)

15522 (99,5%)

15607

11 (0,5%)

2359 (99,5%)

2370

1960 tot 1969

189 (0,5%)

35776 (99,5%)

35965

41 (0,4%)

9761 (99,6%)

9802

1970 tot 1979

292 (0,5%)

62105 (99,5%)

62397

74 (0,6%)

12499 (99,4%)

12573

1980 tot 1989

232 (0,5%)

48005 (99,5%)

48237

48 (0,7%)

6407 (99,3%)

6455

1990 tot 1999

133 (0,3%)

38242 (99,7%)

38375

62 (0,7%)

8834 (99,3%)

8896

2000 tot 2009

110 (0,4%)

30710 (99,6%)

30820

67 (0,9%)

7254 (99,1%)

7321

2010 tot 2014

39 (0,4%)

9509 (99,6%)

9548

23 (0,9%)

2553 (99,1%)

2576

1 tot 5

120 (0,6%)

20879 (99,4%)

20999

43 (0,3%)

16949 (99,7%)

16992

6 tot 10

496 (0,4%)

121623 (99,6%)

122119

34 (0,7%)

5144 (99,3%)

5178

11 tot 15

321 (0,5%)

67804 (99,5%)

68125

44 (1,1%)

3817 (98,9%)

3861

16 tot 20

113 (0,8%)

13881 (99,2%)

13994

24 (1,1%)

2079 (98,9%)

2103

21 of hoger

52 (1,2%)

4154 (98,8%)

4206

117 (4,2%)

2657 (95,8%)

2774

Onbekend

340 (0,6%)

59734 (99,4%)

60074

132 (0,5%)

24973 (99,5%)

25105

284 (0,6%)

46538 (99,4%)

46822

117 (0,5%)

21350 (99,5%)

21467

917 (0,5%)

187840 (99,5%)

188757

133 (1%)

13837 (99%)

13970

122 (0,5%)

23287 (99,5%)

23409

75 (1,7%)

4394 (98,3%)

4469

47 (0,4%)

13063 (99,6%)

13110

31 (1,8%)

1666 (98,2%)

1697

16 (0,3%)

5733 (99,7%)

5749

16 (1,9%)

828 (98,1%)

844

6 of hoger

37 (0,5%)

7266 (99,5%)

7303

12 (1,5%)

770 (98,5%)

782

Onbekend

19 (0,4%)

4348 (99,6%)

4367

10 (0,1%)

12774 (99,9%)

12784

1 tot 49

44 (0,4%)

10987 (99,6%)

11031

17 (0,1%)

23014 (99,9%)

23031

50 tot 99

420 (0,4%)

99056 (99,6%)

99476

26 (0,2%)

12050 (99,8%)

12076

100 tot 149

575 (0,4%)

129416 (99,6%)

129991

30 (0,6%)

4749 (99,4%)

4779

150 tot 199

188 (0,6%)

31315 (99,4%)

31503

22 (0,9%)

2463 (99,1%)

2485

200 tot 299

115 (1%)

11884 (99%)

11999

29 (0,9%)

3101 (99,1%)

3130

300 tot 499

53 (1,5%)

3489 (98,5%)

3542

42 (1,4%)

3056 (98,6%)

3098

500 of hoger

47 (2,4%)

1928 (97,6%)

1975

228 (3,1%)

7186 (96,9%)

7414

Pand in gebruik

1419 (0,5%)

284877 (99,5%)

286296

372 (0,7%)

54261 (99,3%)

54633

Pand in gebruik (niet ingemeten)

22 (0,8%)

2893 (99,2%)

2915

17 (1,3%)

1253 (98,7%)

1270

Sloopvergunning verleend

1 (0,3%)

305 (99,7%)

306

5 (4,5%)

105 (95,5%)

110

Bijeenkomstfunctie

79 (2,7%)

2863 (97,3%)

2942

Gezondheidsfunctie

30 (3,1%)

950 (96,9%)

980

Industriefunctie

97 (0,9%)

11104 (99,1%)

11201

Kantoorfunctie

46 (1,4%)

3137 (98,6%)

3183

Logiesfunctie

15 (0,1%)

13144 (99,9%)

13159

Onderwijsfunctie

43 (7,9%)

502 (92,1%)

545

Overige functie

26 (0,1%)

18609 (99,9%)

18635

Sportfunctie

8 (1,8%)

447 (98,2%)

455

Winkelfunctie

50 (1%)

4863 (99%)

4913

Woonfunctie

1442 (0,5%)

288075 (99,5%)

289517

Vrijstaande woning

283 (0,7%)

40369 (99,3%)

40652

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 16 van 20

Monument

2 onder 1 kap woning

115 (0,4%)

27267 (99,6%)

27382

Hoekwoning

140 (0,4%)

32922 (99,6%)

33062

Tussen/rijwoning

278 (0,4%)

73512 (99,6%)

73790

Geschakelde woning

21 (0,4%)

4898 (99,6%)

4919

Agrarisch

50 (2,3%)

2099 (97,7%)

2149

Bedrijf

13 (1,3%)

1027 (98,8%)

1040

Horeca

8 (2,1%)

376 (97,9%)

384

Bovenwoning

30 (0,5%)

6231 (99,5%)

6261

Detail/groothandel

4 (0,6%)

623 (99,4%)

627

Benedenwoning

18 (0,5%)

3905 (99,5%)

3923

Overig woonobject

21 (0,9%)

2443 (99,1%)

2464

Garage(box)

2 (0,5%)

415 (99,5%)

417

Meergezinswoning

120 (0,3%)

34918 (99,7%)

35038

Kantoor

4 (1,3%)

304 (98,7%)

308

Medisch

2 (0,5%)

379 (99,5%)

381

Recreatiewoning

7 (0,8%)

844 (99,2%)

851

Maisonnette

26 (0,8%)

3168 (99,2%)

3194

Energie en water

3 (1,1%)

278 (98,9%)

281

Portiekwoning

7 (2,4%)

290 (97,6%)

297

Eengezinswoning

5 (1,7%)

291 (98,3%)

296

Onbekend

285 (0,6%)

51516 (99,4%)

51801

Monument

13 (1%)

1315 (99%)

1328

10 (1,6%)

616 (98,4%)

626

1442 (0,5%)

288075 (99,5%)

289517

394 (0,7%)

55619 (99,3%)

56013

Complete dataset

Tabel 10: beschrijvende statistiek

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 17 van 20

Deel

Waardeklasse_levels

objecttype

Deel

objecttype

Schatting van coëfficiënt (p)

-5,482727 (0,0000)

-7,592479 (0,0000)

1800 tot 1899

0,252653 (0,5331)

0,484597 (0,4852)

1900 tot 1909

0,388997 (0,3412)

1,004227 (0,1389)

1910 tot 1919

0,543584 (0,1749)

1,175631 (0,0827)

1920 tot 1929

0,231428 (0,5663)

0,714855 (0,3028)

1930 tot 1939

0,325131 (0,4148)

0,861139 (0,1990)

1940 tot 1949

0,258735 (0,5554)

1,510484 (0,0340)

1950 tot 1959

0,196259 (0,6229)

0,393071 (0,5704)

1960 tot 1969

0,208361 (0,5946)

0,856881 (0,1833)

1970 tot 1979

0,109028 (0,7795)

0,94988 (0,1352)

1980 tot 1989

0,040256 (0,9178)

0,657454 (0,3048)

1990 tot 1999

-0,304711 (0,4409)

0,648518 (0,3082)

2000 tot 2009

-0,300737 (0,4506)

0,667596 (0,2931)

2010 tot 2014

-0,138689 (0,7410)

0,556746 (0,3969)

1 tot 5

0,123776 (0,5188)

-0,036596 (0,8446)

6 tot 10

-0,18459 (0,2631)

-0,13126 (0,5091)

11 tot 15

-0,2666 (0,1089)

0,182661 (0,3094)

16 tot 20

-0,119628 (0,5383)

-0,184275 (0,4201)

21 of hoger

0,25879 (0,3018)

0,973934 (0,0000)

-0,016144 (0,9473)

0,556411 (0,1370)

-0,056803 (0,8081)

0,485258 (0,2048)

0,111264 (0,6622)

0,987428 (0,0115)

-0,208038 (0,4688)

1,055472 (0,0114)

-0,086594 (0,8072)

0,977851 (0,0318)

6 of hoger

0,220292 (0,4716)

0,990587 (0,0380)

50 tot 99

0,303421 (0,0842)

1,329771 (0,0004)

100 tot 149

0,471201 (0,0109)

1,982366 (0,0000)

150 tot 199

0,719168 (0,0003)

2,144717 (0,0000)

200 tot 299

1,052499 (0,0000)

2,143163 (0,0000)

300 tot 499

1,396828 (0,0000)

2,487807 (0,0000)

500 of hoger

1,859549 (0,0000)

3,050087 (0,0000)

Pand in gebruik (niet ingemeten)

0,237059 (0,3131)

0,35961 (0,1626)

Sloopvergunning verleend

-0,348219 (0,7294)

1,621662 (0,0013)

Bijeenkomstfunctie

Gezondheidsfunctie

0,386346 (0,0908)

Industriefunctie

-1,058191 (0,0000)

Kantoorfunctie

-0,582061 (0,0032)

Logiesfunctie

-1,892582 (0,0000)

Onderwijsfunctie

0,230154 (0,2780)

Overige functie

-0,771115 (0,0071)

Sportfunctie

-0,835094 (0,0301)

Winkelfunctie

-0,841092 (0,0000)

0 tot 1799

Onbekend Bouwlagen_levels

Onbekend Oppervlakte_levels

Status

Objecttype

≠

woonfunctie

Constante Bouwjaar_levels

woonfunctie

1 tot 49

Pand in gebruik

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 18 van 20

Gebruiksklasse

Vrijstaande woning

2 onder 1 kap woning

-0,111691 (0,3766)

Hoekwoning

-0,171089 (0,1931)

Tussen/rijwoning

-0,288254 (0,0186)

Geschakelde woning

-0,26246 (0,2921)

Agrarisch

0,712622 (0,0058)

Bedrijf

-0,060953 (0,8768)

Horeca

0,163233 (0,7250)

Bovenwoning

-0,117901 (0,5915)

Detail/groothandel

-0,331222 (0,5170)

Benedenwoning

-0,101707 (0,7107)

Overig woonobject

0,775389 (0,0058)

Garage(box)

-1,092757 (0,2805)

Meergezinswoning

-0,272809 (0,1316)

Kantoor

0,397838 (0,5025)

Medisch

0,329698 (0,6650)

Recreatiewoning

0,130261 (0,7996)

Maisonnette

0,251189 (0,3144)

Energie en water

0,171742 (0,8122)

Portiekwoning

1,382994 (0,0009)

Eengezinswoning

0,182034 (0,8001)

Geen informatie

-0,185452 (0,3084)

Monument

-0,203775 (0,5276)

-0,179419 (0,6272)

% inwoners

0 tot 15 jaar

0,003223 (0,4190)

15 tot 25 jaar

-0,002055 (0,6143)

25 tot 45 jaar

% man/vrouw

45 tot 65 jaar

0,000322 (0,8934)

65 jaar en ouder

-0,008059 (0,0001)

Man

0,000133 (0,9572)

Vrouw % gezinssamenstelling

Eenpersoonshuishoudens

0,001903 (0,2600)

Eenouderhuishoudens

0,004538 (0,3505)

Meerpersoonshuishoudens

Tweeouderhuishoudens % herkomst

Nederlandse

-0,001187 (0,5884)

achtergrond

westerse

migratieachtergrond

% huur/koop

Niet-westerse migratieachtergrond

0,007542 (0,0143)

Huurwoningen

-0,002624 (0,0502)

Koopwoningen

% uitkering

Personen met uitkering onder aow-leeftijd

0,006427 (0,0966)

Energie

Gemiddeld elektriciteitsverbruik

-0,00001 (0,8337)

Gemiddeld gasverbruik

-0,000034 (0,6828)

Tabel 11: regressie output

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 19 van 20

Literatuurlijst

CBS. (2019). Kaart van 100 meter bij 100 meter met statistieken. Te raadplegen via: https://www.cbs.nl/nlnl/dossier/nederland-regionaal/geografische-data/kaart-van-100-meter-bij-100-meter-met-statistieken Heij, C., de Boer, P., Franses, P. H., Kloek, T., en van Dijk, H. K. (2004). Econometric Methods with Applications in Business and Economics (pp. 558-586. New York, Verdenigde Staten: Oxford University Press.

Brandkansprofiel per object

versiedatum 07-04-2020

Pagina 20 van 20

De tekst is automatisch uit het bestand gehaald en kan afwijken van het origineel (kolommen, tabellen en koppen lopen door elkaar). Het officiële stuk bij de gemeente is leidend. Bron: https://api1.ibabs.eu/publicdownload.aspx?site=DijkenWaard&id=8518107f-126f-45fe-b660-72658f5b67dc