SEMINARSKI RAD

Ocjenjivanje sigurnosti na cestama u češkim regijama pomoću složenih pokazatelja

Mentor: Student:

Banja Luka, februar 2019.

Sažetak

Učinkovitost sigurnosti na cestama može se ocijeniti korišćenjem socijalno-ekonomskih

gubitaka od prometnih nesreća. Međutim, svaki relativni pokazatelj ima svoje prednosti i
izazove, što otežava njihov izbor i korištenje. Da bi dobili ukupnog poredak svake regije
zemlje u smislu performansi sigurnosti na cestama i učili od drugih, korisno je uporediti ih
pomoću objektivnih metoda koje se temelje na složenim pokazateljima, tj. kombinaciji
nekoliko pojedinačnih pokazatelja. U tom kontekstu, četiri pristupa za dobijanje težine
razvijeno je naknadno određivanjem kompozitnih pokazatelja na temelju statističkih modela i
kompilacije pojedinih pokazatelja, koristeći podatke o socijalno-ekonomskim gubicima za
2014. u 13 regija Češke Republike. Kompozitni pokazatelji razvijeni su pomoću analize
glavnih komponenti, faktorske analize, rank-suma metodom odnosa i analizom omotača
podataka, kao što se koristi na primjer u ekonomskim ili društvenim naukama. Konačni
rezultati su određeni kao kombinacija rangiranja na temelju kompozitnih pokazatelja. Za
dodatne interpretacije uporednih primjera regionalnog rangiranja korištenje odabranih
socijalnih pokazatelja ponašanja (nezaposlenost, stopa kriminala, korištenje mobilnih telefona
tokom vožnje) takođe je navedeno. Na kraju, studija je omogućila rangiranje čeških regija u
skladu s njihovom sigurnošću. Konačna regionalna usporedba može se koristiti za objektivnu
procjenu uticaja na cestovnu sigurnost i prijedloge protivmjera.

Ključne riječi - sigurnost cestovnog saobraćaja, prometne nesreće, socijalno-ekonomski

gubici, regionalna uporedba, kompozitni pokazatelj

1. Uvod

Sigurnost u cestovnom saobraćaju, nesreće, smrtni slučajevi i povrede predstavljaju

dugogodišnji javni zdravstveni problem. U svrhu mjerenja i upravljanja, nivoi sigurnosti na
cestama obično se procjenjuju pomoću zapisa o nesreći, tj. učestalošću nesreća i njihovim
posljedicama, kao što su smrtni slučajevi i povrede (vidi npr. [1]). Kako bi se razmotrile
različite ozbiljnosti u financijskom smislu, često se koriste troškovi nesreća, poznati i kao
društveno-ekonomski gubici. U pogledu istorijskih aktivnosti vezanih uz gubitke od nezgoda,
treba spomenuti značajan evropski projekat COST 313 [2], koji treba uporediti troškove
nesreća u odabranim evropskim zemljama. Jedna od njegovih preporuka bila je podjela
troškova i po vrsti, npr. medicinske troškove i imovinsku štetu. Drugi važan projekt bio je
HEATCO [3], koji je imao za cilj ujediniti metodologije za ocjenjivanje gubitaka od nesreća u
evropskim zemljama. Jedno od identifikovanih pitanja koji utiču na upoređivanje troškova je
tzv. nedovoljno izvještavanje - budući da nisu prijavljene sve nezgode, dobijene vrijednosti
možda nisu u potpunosti reprezentativne i uporedive [4].
U osnovi postoje dva osnovna pristupa za procjenu gubitaka od nesreća: ljudski
kapitalni (HC) pristup i pristup spremnosti na plaćanje (WTP) [5]. Dok se HC pristup bavi sa
novčanim doprinosom društvu, pristup WTP temelji se na ličnoj sklonosti kod ljudi. U Češkoj
se koristi pristup ljudskog kapitala na temelju jediničnih troškova za svaku razinu ozbiljnosti
nesreće, koju izračunava i godišnje ažurira CDV – transport centar za istraživanje. Ovaj
proces razmatra troškove za dvije sljedeće kategorije [6]:
  Direktni troškovi sadrže izdatke za zdravstvo, vatrogasnu službu i policiju;
oštećenje imovine i osiguranje; sudove i upravna tijela.
 Indirektni troškovi uključuju procjenu gubitka proizvodnje po bruto domaćem
proizvodu po stanovništvu i subjektivne gubitke za naknadu utvrđene štete
sudovima.
U posljednjih nekoliko godina, smrtonosne i teške ozljede su u opadanju, a lakše ozljede
i oštećenje imovine nesreće su u porastu. Zbog toga, imovinska šteta pokriva većinu direktnih
troškovi. Ipak, ukupno, direktni troškovi predstavljaju samo oko 6% ukupnih gubitaka, dok se
93% pripisuje indirektnim troškovima, posebno gubitku proizvodnje. [6]
Rezultati se naknadno koriste u studijama uticaja na sigurnost na cestama, analizama
troškova i drugim procesima odlučivanja. Međutim, u slučaju kada će se koristiti drištveno-
ekonomski gubici za uporedbu i ocjenjivanje određenih jedinica (npr. regija ili država)
njihove vrijednosti trebaju se normalizovati. U tu svrhu kao indikator mogu se koristiti
pokazatelji različite izloženosti. OECD [7] navodi 8 različitih jedinica izloženosti, uključujući
populaciju, registrovana vozila ili kilometražu, dok se broj stanovnika ili broj vozila najčešće
koristi [8]. Ipak, svaki od ovih relativnih pokazatelja imaju svoje prednosti i mane, što ometa
mogućnosti uporedbe rizika [9]. Ocjenjivanje regija prema njihovoj razini sigurnosti na
cestama, temeljeno isključivo na kriterijima, relativizovanih korištenjem različitih oblika
izloženosti, stoga nije jednostavan zadatak. U teoriji, mogu se koristiti tehnike donošenja
odlika sa više kriterija; međutim, nije uvijek očito kako izvući objektivne mjere za pojedine
kriterije [10].
Te su komplikacije motivisale prezentovanu studiju pitanjem: “Kako objektivno
ocijeniti uspješnost sigurnosti na cestama čeških regija?” ili drugim riječima “Kako ih
rangirati, da bismo uspjeli usprediti njihovu sigurnost na cestama?”. Kako se ne bi oslanjali na
stručne sudove, korišteni su kombinovani pokazatelji (CIs). CI je mjera koja proizlazi iz niza
promatranih činjenica što može otkriti relativne položaje (npr. zemlje) u određenom području;
kao kompilacija pojedinačnih pokazatelja, oni su alati za mjerenje višedimenzionalnih
koncepata koji se ne mogu obuhvatiti pomoću jednog pokazatelja [11]. KI se koriste za
modeliranje složenih pojava kao što je poslovni ciklusi, konkurentnost ili životni status; rjeđe
se koriste u području sigurnosti na cestama [12]. Razlikuju se sljedeći koraci razvoja KI:
odabir pokazatelja; indikator sakupljanja podataka; analize; mjerenja; agregacije; ispitivanje
robusnosti; računanje, vrednovanje i vizualizacija konačnog indeksa rezultata [13]. Može se
upotrijebiti nekoliko pristupa mjerenja: na primjer, Gitelman i saradnici [14] primijenjuju
analizu glavnih komponenti (PCA) i faktorsku analizu (FA); Shen i saradnici [15] uvode
analizu omotača podataka (DEA); i Chen i saradnici [16] opisali su entropiju uvođenja rang-
suma omjer (RSR).
U perspektivi korištenja ove četiri metode u prikazanoj studiji, one se mogu uporediti
kako slijedi:

 Faktorska analiza (FA). Ova se tehnika može koristiti za ispitivanje međusobnih

odnosa između relativnih pokazatelja društveno-ekonomskih gubitaka. Pokazatelji
mogu biti grupisani, s interpretacijom za svaki faktor; međutim, slabost je u tome
što se težine koje se temelje na korelacijama mogu razlikovati od stvarnih.
  Analiza glavnih komponenti (PCA). Ova metoda može dati indekse u obliku
složenih pokazatelja koji obuhvataju što više zajedničkih informacija među
pojedinačnim pokazateljima. Nedostatak je što zahtijeva korelaciju između
relativnih pokazatelja.
 Rang-suma-omjer (RSR). To je vrijedan alat za ocjenjivanje sigurnosti na cestama,
koji koristi eksplicitne formule. Njegovi rezultati smatraju se pouzdanim, jer se
metoda temelji na statističkim podacima distribucije, teoriji vjerovatnoće i
regresijskoj analizi.
 Analiza omotača podataka (DEA). Ova metoda ima glavnu prednost u primljenim
mjerenjima izvedenim iz podataka, bez potrebne normalizacije. Nedostatak je što
su rezultati pod uticajem ulaznih područja i zbir mjerenja razlikuje se od 1.
S obzirom na razlike između metoda i radi povećanja objektivnosti, koristili smo sve
četiri tehnike mjerenja (PCA, FA, DEA, RSR) za konstruisanje CIs, a konačni rezultati su
dobivenih kombinacijom njihovih rangiranja. Sljedeći tekst opisuje podatke i metode,
predstavlja rezultate i njihovo tumačenje, te daje konačne zaključke.

2. Podaci i metode

Analiza se temeljila na regionalnim društveno-ekonomskim gubicima u 2014. i

podacima o prometu iz 2010 sa popisa. S obzirom na specifičan karakter glavnog grada Praga
koji je doveo do vanjskih vrijednosti, bio je to uklonjen iz skupa podataka - dakle 13 regija je
dalje korišteno. Prikazuju se na karti na slici 1, koja je označena skraćenicama koje koristi
češki ured za statistiku.
Relativni pokazatelji društveno-ekonomskih gubitaka izvedeni su iz veličine populacije,
broja putničkih vozila, godišnjeg prometa (u vozilima-kilometrima), dužina cestovne mreže
(km) i regionalnog područja (km2). Brojevi, tj. ulazne vrijednosti za sljedeće analize, su
prikazane u tablici 1.
Sljedeći odlomci opisuju postupke 4 statistička modela, koji su primijenjeni za izradu
složenih pokazatelja (PCA, FA, RSR, DEA). Proračuni su provedeni u RStudiu i statistički
paket IBM SPSS.

2.1. Analiza glavnih komponenti (PCA)

PCA omogućuje smanjenje dimenzija u multivarijatnoj analizi podataka; njegov glavni

cilj je objašnjenje izvorne varijabilnosti varijabli. PCA se temelji na stvaranju novih latentnih
varijabli s nižim dimenzijama u odnosu na izvorni skup podataka, što omogućuje
pojednostavljenje analize [17].
 Slika 1. - Karta čeških regija (prilagođeno iz Wikimedia Commons)

Tabela 1. - Relativni pokazatelji društveno-ekonomskih gubitaka (CZK = češke krune)

Proveli smo sljedeće korake:

1) Standardizovali smo podatke oduzimanjem srednje vrijednosti i dijeljenjem standardnom

devijacijom:

𝑋𝑖𝑗 − 𝑋̅𝑗
𝑋 ′ 𝑖𝑗 = , 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑝 (1)
𝜎̂𝑗

gdje je X podatkovna matrica, 𝑋̅𝑗 i 𝜎̂𝑗 označavaju srednju vrijednost kolone i procijenjena
standardna odstupanja 𝑗 varijabli, odnosno.

2) Izveli smo PCA koristeći korelacijsku matricu, koja je nastala u matrici rezultata T
dimenzija n x 𝑎 i matrice opterećenja 𝑃 dimenzija p x 𝑎, gdje je a optimalno broj
 komponenti. Primljene su dvije komponente: prva je uključivala broj putnička vozila,
broj stanovnika i prometni učinak; druga uključuje dužinu cestovne mreže i područje
regije.

3) Množili smo standardizirane podatke prema njihovim koeficijentima opterećenja

dobijenim iz softvera:

𝐷𝑖𝑗𝑘 = 𝑋 ′ 𝑖𝑗 ∗ 𝑃𝑗𝑘, 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑝; 𝑘 = 1, … , 𝑎 (2)

Dobili smo 𝑎 matrice dimenzija n x 𝑝.

4) Izračunali smo zbir svake regije nad varijablama koje doprinose a komponentama:
𝑝
𝐹𝑖𝑘 = ∑𝑗=1 𝐷𝑖𝑗𝑘 , 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑝; 𝑘 = 1, … , 𝑎 (3)

Vrijednosti nove varijable 𝐹 bile su faktori 𝑎 komponenti.

5) Dobili smo kompozitni indikator (𝐶𝐼) kao važan zbir faktora i standard odstupanja od
glavnih komponenti:
𝐶𝑙𝑖 = ∑𝑎𝑘=1 𝐹𝑖𝑘 ∙ √𝜆𝑘 , 𝑖 = 1, … , 𝑛; (4)

gdje su √𝜆𝑘 standardne devijacije glavnih komponenti, iz kojih su izvedene

dekompozicija jednine vrijednosti (singularna razgradnja: 𝑋 = 𝑈𝐷𝑉T; √𝜆𝑘 jedinične
(dijagonalne) vrijednosti matrice D) matrice 𝑋.

6) Regije smo rangirali prema CI.

2.2. Faktorska analiza (FA)

Slično kao i PCA, FA takođe smanjuje dimenzije u multivarijatnoj analizi podataka.

Novo-konstruisane varijable, nazvane faktorima, objašnjavaju veliki dio ukupne varijance. Ti
su faktori konstruisai pod uslovom najnižeg mogućeg gubitka podataka. Nakon primanja
relevantnih faktora, rotacija se provodi radi bolje interpretacije.
U osnovi, faktori i sljedeće težine su izvedene iz korelacija, stoga FA ne radi u slučaju
niskih korelacija među varijablama. KMO test (Kaiser-Meyer-Olkin) može se koristiti za
otkrivanje da li je korelacija između varijabli relevantna. Faktorska analiza nema smisla ako
je vrijednost testa KMO manja od 0,5 [17].
Dva se faktora smatraju prikladnim za sljedeću analizu, slično kao u PCA. Koraci
postupka su kako slijedi:
1) Provjerili smo upotrebu faktorske analize prema vrijednosti KMO; vrijednost je bila 0,5,
što je prihvatljivo (ne ispod 0,5).
2) Optimalnim brojem faktora određena je testom optimalna koordinata (noc), na temelju
statističkog kriterijuma lokacije, usporednom analizom. Paralelna analiza je iterativan
postupak određivanja optimalnog broja faktora:

n oc = Count [(𝜆i ≥ LSi) and 𝜆i ≥ predicted (𝜆i)) ] (5)

gdje su 𝜆i svojstvene vrijednosti i LSi su vrijednosti statistike mjesta (za više detalja, vidi
[18]). Dobili smo dva faktora: prvi je uključivao dužinu cestovne mreže, prometne
performanse i regionalna područja; druga uključuje veličinu populacije i broj putničkih
vozila.

3) Izračunali smo faktorske vrijednosti T i sastavnu težinu matrice 𝐴 pomoću varimax

rotacija.
4) Definisali smo novu matricu:

2 𝑝
𝑈𝑗𝑘 = 𝐴𝑗𝑘 /∑𝑗=1 ∑𝑎𝑘=1 𝐴𝑗𝑘
2
, 𝑗 = 1, … , 𝑝; 𝑘 = 1, … , 𝑎 (6)

5) Dobili smo preliminarnu težinu varijable 𝑗 kao 𝑊j = (Ujk), j = 1,…, 𝑝,

pod uslovom: ∑𝑝𝑗=1 𝑊 < 1.

6) Konačnu standardnu težinu za svaku varijablu 𝑗 dobili smo primjenom formule:

𝑝
Vj = Wj / ∑𝑗=1 Wj, j =1, …, p (7)

pod uvjetom ∑𝑝𝑗=1 Vj = 1.

7) Sastavili smo složeni indikator kao zbir standardnih varijabli:

𝑝
CIi = ∑𝑗=1 𝑋ij∙ Vj, I =1, …, n (8)

8) Regije smo rangirali prema CI.

 2.3. Metoda odnosa ranga zbira (RSR)

RSR integrira prednosti klasičnih parametarskih procjena i moderne neparametarske

procjene. Njegova ideja ponovno se temelji na kombinaciji varijabli u jednom kompozitnom
indikatoru pripadajući svakoj regiji. U studiji smo primijenili entropijski ugrađeni RSR, što ne
uzima u obzir specifičnu vjerojatnoću, a metrika ima karakteristike kontinuiranog 0 – 1
intervala [16].

Postupak se sastojao od sljedećih koraka:

1) Naš problem odlučivanja ima 𝑛 alternative (regije) i p kriterije (varijable). Mi

konstruišemo matricu odlučivanja 𝑋.
2) Izvršili smo transformaciju ranga za svaki kriterij:

3) Utvrdili smo težine za svaki kriterij kako slijedi:

Dobili smo entropijske vrijednosti kriterija:

Zatim smo standardizovali vrijednosti:

4) Dobili smo kompozitnu vrijednost indeksa kao:

5) Regije smo rangirali prema CI.

2.4. Analiza omotača podataka (DEA)

DEA se temelji na linearnoj optimizaciji i koristi model koji povezuje odnose između
ulaza i izlaza. U našem slučaju proizvodnja je bila samo jedna: ukupni gubici, dok su broj
stanovnika, putnička vozila, regionalna područja i prometne performanse korišteni su kao
modeli ulaza, bez korištenja relativizovane vrijednosti. Koristili smo poseban slučaj DEA
nazvan BCC model [19]. Primijenjen je softverski zadatak linearnog programiranja,
pokušavajući proizvesti za svaku regiju hipotetski kompozit koji ga nadmašuje. Kalkulacija je
provedena kako slijedi:
1) Za svako promatranje riješili smo djelomični zadatak pomoću BCC modela. Imali smo
matricu X ulaznih varijabli 𝑝 ulaznih varijabli 𝑛 regija. Izlazna varijabla y izgrađena je kao 𝑛 x
1 vektor.

2) Utvrdili smo ulazne i izlazne podatke i primijenili linearno programiranje sa sljedećim

formulacija: ∀𝑖 = 1, … , 𝑛: 𝜃̂𝑖 = min 𝜃,

gdje je i = 1,…, 𝑛; j = 1,…, 𝑝; k = 1,…, 𝑞 (u našem slučaju q = 1), 𝜃 je skalar, a 𝜆 je n x 1 ne-

negativni vektor vrijednosti za koeficijente ograničenja u odgovarajućem problemu linearne
optimizacije. Drugim riječima, vektor predstavlja pripadajuće težine u svakoj regiji.
Intuitivno, 𝑥ij i 𝑦ik je j - ti ulaz i k-ti izlaz odnosno i-ti region.

3) Hipotetski kompozitni indikator odgovara 𝜃̂.

4) Regije smo rangirali prema 𝐶𝐼.

Konstruirani kompozitni indeks je barem jednak odgovarajućem izlazu određene regije i troši
maksimalni udio 𝜃 ulaza [15].

2.5. Kombinacija

Konačni kompozitni pokazatelji izvedeni su za svaku regiju i za svaku od 4 analiza

metoda. Regije su podijeljene u četiri grupe na temelju sličnog prosječnog rangiranja. Grupe
su identifikovae K-means klaster tehnikom pomoću prosječnog ranga [20].

3. Rezultati

Grupiranje regija temelji se na 4 opisane metode, i njihovo konačno rangiranje je

navedeno u tablici 2, kao i na karti na slici 2, sa crveno-narančasto-žuto-zelenim bojama što
ukazuje na smanjenje ozbiljnosti. Očito je da nisu sve metode dale dosljedne rezultate. Na
primjer, odstupanja su vidljiva u modelu temeljenom na DEA metodi, gdje su dobivene PLK,
OLK i ULK regije koje se razlikuju od ostalih triju ljestvica. S druge strane, HKK, VYS i
KVK regije dobile su slične ljestvice u sve četiri metode.
Interesantno je istražiti razloge za navedene razlike između sigurnih performansi
čeških regija. To nije jednostavan zadatak, jer na sigurnost utiče mnoštvo faktora, od kojih se
svi ne mogu lako definisati i mjeriti. Ipak, samo na primjer, neki su pokazatelji odabrani za
ilustrativnu usporedbu. Odabrane su od njih dvije grupe:
1) Ekonomski pokazatelji, koji su povezani sa sigurnošću kroz izloženost [21].
 2) Pokazatelji sigurnosti, koji odražavaju radne uslove sistema cestovnog saobraćaja
koji utiču na sigurnost sistema [22].

Tabela 2. - Grupe regija sa sličnim sigurnosnim učinkom, temeljene na rezultatima 4 analize

Na slici 3. prikazane su karte sa ocjenama na temelju tri odabrana pokazatelja: stopa

nezaposlenosti, stopa kriminala, korišteje mobilnog telefona tokom vožnje. Karte koriste ista
četiri nivoa kao i rangiranje prema društveno-ekonomskim gubicima u periodu korištenja 4
grupe.

 Stopa nezaposlenosti temelji se na podacima češkog ureda za statistiku u 2014. godini

(https://www.czso.cz/csu/czso/home). Karta prikazuje najnižu stopu u PLK i JHC koji
su imali stopu nezaposlenosti od 6,0% i manje. Na suprotnom kraju najveća stopa
nezaposlenosti zabilježena je u regijama MSK i ULK (9,8% i više).
 Stopa kriminala koristila je indeks iz 2014. sa web stranice Czech Crime
(http://www.czechcrime.org/). Indeks kriminala definiše se kao godišnji broj
registrovanih zločina na 10 000 stanovnika. Karta označava najviši indeks kriminala u
MSK i ULK regijama.
 Korištenje mobilnih telefona tokom vožnje temeljilo se na vizuelnim pregledima
sigurnosnih pokazatelja koje je proveo CDV - Centar za istraživanje prometa u 2014.
na reprezentativnoj mreži od 91 lokacije (https://www.czrso.cz/nub). Rezultati
pokazuju omjer promatranih vozača koji su koristili mobilni telefon tokom vožnje
[22]. Najniži omjer je u KVK, PLK i VYS regijama; na suprotnom kraju ljestvice,
najveći omjer ovih vozači je zabilježen u ULK regiji.

Rangiranje, na temelju tri navedena pokazatelja, djelomično odgovara rangiranju

sigurnosti. Posebno se dosljedno identifikuje regija ULK-a kao ona s najnižim
performansama; nasuprot tome, jugozapadne regije (JHC, KVK, PLK) su rangirane kao oni sa
najboljim rezultatima po većini pokazatelja.
 Slika 2. - Ocjena regija prema učinku sigurnosti na cestama na temelju složenih pokazatelja
(crvena - narančasto - žuto - zelena boja označava smanjenje ozbiljnosti)

Slika 3. - Tri odabrana primjera pokazatelja za usporedbu s ocjenom sigurnosti cestovnog

prometa, sa analognom skalom boja (crvena - narančasto - žuto - zelena boja označava
smanjenje ozbiljnosti)

4. Rasprava i zaključci

Analiza sigurnosti na cestama i naknadno donošenje odluka na regionalnom nivou

potrebno je kako bismo mogli ocijeniti i usporediti performanse sigurnosti pojedinih regija.
Međutim, s obzirom na razlike u regionalnim karakteristikama, kao što su površina, broj
stanovnika ili dužina cestovne mreže, pojedini pokazatelji su upotrebljivi. Primjena složenih
pokazatelja (CIs), tj. višedimenzionalnih kompilacija pojedinačnih pokazatelja, nudi jedino
rješenje.
Kako bi se ocijenile češke regije, korišteni su društveno-ekonomski gubici od prometnih
nesreća kao osnova za razvoj CIs izvedenih iz četiri različite metode, čiji su rezultati
kombinirani i dobijen je konačni poredak u četiri grupe. Dvije sjeverne i jedna južna regija
(ULK, MSK i JHM) su rangirane kao prvi, tj. sa najlošijom performansom, dok su četiri
jugozapadne regije (KVK, PLK, JHC i VYS) sa najboljim prformansama. Za dodatno
tumačenje, usporedni primjeri regionalnog rangiranja pomoću odabranih socijalnih
pokazatelja i pokazatelja ponašanja (nezaposlenost, stopa kriminala, korištenje mobilnih
telefona tokom vožnje) takođe su navedeni i pronađeni relativno odgovarajući. Relativno su
potvrdili konačnu ocjenu - stoga je moguće koristiti za rangiranje i uspoređivanje regija za
korištenje u donošenju odluka o usvajanju potrebnih strategije poboljšanja sigurnosti na
cestama.
 Iako su CIs korišteni u sličnim prethodnim studijama [12 - 16], doprinos prikazane
studije je u kombinaciji više CIs, budući da niti jedan od njih ne može dati određene rezultate.
Osim toga, usporedba s drugim socijalnim pokazateljima i pokazateljima ponašanja
omogućuje provjeru i interpretaciju rezultata, koja nije korištena ni u jednoj od prethodnih
studija.
Ipak, istraživana tema je složena i predstavljena studija ne pokušava pojednostaviti tu
činjenicu. Autori su svjesni mogućih pristranosti i ograničenja, što bi se trebalo riješiti u
budućim analizama:
 Ulazni podaci, tj. društveno-ekonomski gubici, pod uticajem su prijavljivanja
nesreća, nepoznate razine. Štoviše, ova se razina može razlikovati između regija.
 Takođe, proces dobijanja društveno-ekonomskih gubitaka podložan je
potencijalnim pristranostima: za primjer potencijalnog budućeg postupka iz
pristupa ljudskog kapitala (HC) na pristup spremnosti na plaćanje (WTP) može
promijeniti konačne rezultate.
 Buduća analiza može uzeti u obzir i druge metode konstruiranja kompozitnih
pokazatelja, kao i drugi pokazatelji za usporedbu rezultata (na primjer, prosječna
starost vozila). Takođe može se proučavati vremenska evolucija (promjene
između godina). Analiza elastičnosti može pokazati specifični doprinos pojedinih
parametara.

Ukratko, složeni pokazatelji sigurno pružaju koristan uvid u objektivnost

komparativne analize. Primijenjena su četiri različita pristupa za izradu kompozitnih
pokazatelja i nađeno je rangiranje, temeljeno na tim pokazateljima. Stoga prikazanu studiju
vidimo kao prvi korak prema razvoju metode, koja će pružiti objektivnu ocjenu čeških regija.
Onda će služe kao podloga za donošenje odluka o planiranju ciljanih aktivnosti na cestovnoj
sigurnosti kako bi se poboljšala sigurnosti u određenim regijama.

Zahvale

Autori cijene pomoć svojih kolega Jan Tecl i Robert Zůvala sa pripremom podataka,
kao i Josef Mikulík s komentarima o ranijim verzijama rukopisa. Ministarstvo obrazovanja,
mladih i sporta podržalo je nacionalnu održivost programa i projekta Centra za istraživanje i
razvoj u prometu (LO1610), koristeći istraživačku infrastrukturu Operativnog programa
istraživanje i razvoja inovacija (CZ.1.05 / 2.1.00 / 03.0064).
Litratura

1. Choueiri, E. M., Choueiri, G. M., Choueiri, B. M. (2015). Road safety in Lebanon:

magnitude, cost and potential countermeasures. Advances in Transportation Studies: an
International Journal, 35, pp. 73-88.
2. Alfaro, J.-L., Chapuis, M., Fabre, F. (1994). COST 313: Socioeconomic Cost of Road
Accidents. Final Report of the Action. European Commission, Brussels, Belgium.
3. Bickel, P., Friedrich, R., Burgess, A., Fagiani, P., Hunt, A., De Jong, G. et al. (2006).
Proposal for Harmonised Guidelines. HEATCO project deliverable 5. European Commission,
Brussels, Belgium.
4. Derriks, H. M., Mak, P. M. (2007). Underreporting of Road Traffic Casualties. IRTAD
Special Report. OECD/ITF, Paris, France.
5. Dionne, G., Lanoie, P. (2004). Public Choice about the Value of a Statistical Life for Cost-
Benefit Analyses. Journal of Transport Economics and Policy, 38, pp. 247-274.
6. Vyskočilová, A., Gogolín, O., Valach, O. (2014). New approach to evaluation of socio-
economic losses caused by traffic accidents. TRB 93rd Annual Meeting, Washington, D.C.,
USA.
7. OECD (1997). Road Safety Principles and Models: Review of Descriptive, Predictive, Risk
and Accident Consequence Models. OECD, Paris, France.
8. Hakkert, A. S., Braimaister, L. (2002). The uses of exposure and risk in road safety studies.
Report R- 2002-12. SWOV Institute for Road Safety Research, Leidschendam, the
Netherlands.
9. Papadimitriou, E., Yannis, G., Bijleveld, F., Cardoso, J. L. (2013). Exposure data and risk
indicators for safety performance assessment in Europe. Accident Analysis and Prevention,
60, pp. 371-383.
10. Barfod, M. B., Leleur, S. (2014). Multi-criteria decision analysis for use in transport
decision making, 2nd Edition. Technical University of Denmark, Copenhagen, Denmark.
11. OECD (2008). Handbook on Constructing Composite Indicators: Methodology and User
Guide. OECD, Paris, France.
12. Al-Haji, G. (2005). Towards a Road Safety Development Index (RSDI): Development of
an International Index to Measure Road Safety Performance. Licentiate thesis, Linköping
University, Sweden.
13. Hermans, E. (2009). A methodology for developing a composite road safety performance
index for crosscountry comparison. PhD thesis, Hasselt University, Belgium.
14. Gitelman, V., Doveh, E., Hakkert, S. (2010). Designing a composite indicator for road
safety. Safety Science, 48, pp. 1212-1224.
15. Shen, Y., Hermans, E., Brijs, T., Wets, G., Vanhoof, K. (2012). Road safety risk
evaluation and target setting using data envelopment analysis and its extensions. Accident
Analysis and Prevention, 48, pp. 430-441.
16. Chen, F., Wu, J., Chen, X., Wang, J., Wang, D. (2016). Benchmarking road safety
performance:
Identifying a meaningful reference (best-in-class). Accident Analysis and Prevention, 86, pp.
76-89.
17. Field, A. (2013). Discovering statistics using IBM SPSS Statistics, 4th Edition. SAGE,
Thousand Oaks.
18. Raîche, G., Walls, T. A., Magis, D., Riopel, M., Blais, J.-G. (2013). Non-Graphical
Solutions for
Cattell’s Scree Test. Methodology, 9, pp. 23-29.
19. Wen, M. (2015). Uncertain Data Envelopment Analysis. Springer, Berlin.
20. Everitt, B., Hothorn, T. (2011). Introduction to Applied Multivariate Analysis with R.
Springer, New York.
21. Kopelias, P., Misokefalou, E., Tsantsanoglou, A. (2016). Evaluation of road safety level
during a recession period: a comparison using safety and economic factors. Advances in
Transportation Studies: an International Journal, 38, pp. 121-134.
22. Gitelman, V., Vis, M., Weijermars, W., Hakkert, S. (2014). Development of Road Safety
Performance Indicators for the European Countries. Advances in Social Sciences Research
Journal, 1, pp. 140-158.