In deze paper worden Bayesiaanse hiërarchische modellen gebruikt om in Leuven, een kleine universiteitsstad in België, gevaarlijke kruispunten voor fietsers te identificeren en te rangschikken. De doelstelling van deze paper is de studie van het proces dat gevolgd wordt om lijsten op te stellen van gevaarlijke kruispunten, gebaseerd op de beschikbare ongevallendata. Een hiërarchisch model met random effecten laat toe verschillende bronnen van variatie te specificeren, namelijk de variatie tussen de kruispunten en de variatie binnen elk kruispunt afzonderlijk. De Gibbs sampler wordt gebruikt om de verdeling van de fietsongevallenproporties te onderzoeken. Een belangrijk voordeel van de Gibbs sampler is de mogelijkheid om steekproeven te nemen uit complexe functies van de fietsongevallenproporties, zoals de rangorde van een kruispunt. In de tekst wordt aangetoond dat de rangorde zelf als een dichtheid kan worden beschouwd. Omdat de fietsongevallenproportie een stochastisch karakter heeft, kan de rangorde, gebaseerd op de gemiddelde a posteriori proportie, niet deterministisch zijn. Het ordenen van gevaarlijke locaties is een interessante manier om inzicht te verwerven in het concept van gevaarlijke punten, maar er bestaat niet zoiets als DE juiste rangorde. Deze tekst onderzoekt de vraag of een rangorde alleen genoeg motivatie kan geven voor de selectie van een gevaarlijk punt