2026-02-28 Road Traffic Safety - Evidence from Estonia (Vilnius).md 38 KB
category: Articles title: "Road Traffic Safety: Evidence from Estonia" created: 2026-02-28 updated: 2026-02-28 status: draft type: article tags:
article
author: Ardo Kubjas
Road Traffic Safety: Evidence from Estonia
Abstract
Hukkunutega lõppenud liiklusõnnetused on muutunud üheks maailma suurimaks surma põhjusteks. Teede liiklusohutus parandamine on elude päästmiseks ja ÜRO säästva arengu eesmärkide (UN, 2015) saavutamiseks ülioluline. Liiklusõnnetuste kulud moodustavad enamikus riikides umbes 3 % sisemajandustoodangust. Seetõttu mängib liiklusohutuse näitajate hindamine olulist rolli riikide ja trendide võrdlemisel, arvestades hukkunute arvu (surmade arv teedel) ning hukkunutega liiklusõnnetuste arvu (liiklusõnnetused milledes oli vähemalt üks hukkunu).
Teede liiklusohutuse mõõtmine on endiselt keeruline. Käesolevas artiklis käsitletakse teede liiklusohutuse näitajaid ja pakutakse meetodeid nende hindamiseks. Juhuslike sündmuste teooriat kasutati eeldamaks, et hukkunutega liiklusõnnetuste jaotus on peaaegu alati täiesti juhuslik ning Poissoni mudel kirjeldab seda protsessi hästi. Chi‑ruudu testiga sobitati andmeid ning prognoositi hukkunutega liiklusõnnetuste arv. Töö tulemused on suunatud teede liiklusohutuse ennustamisele jätkusuutlikkuse perspektiivist. Andmetele põhinev teekorralduse planeerimine aitab vähendada teel toimuvate surmade arvu.
Võtmesõnad: liiklusohutus, ÜRO arengueesmärgid, nutikad linnad, surmavad õnnetused, Poissoni jaotus.
Sissejuhatus
Teede liiklusohutus (RTS) on keeruline nähtus, mis nõuab mitmete valdkondade uurimist (linnaplaneerimine, matemaatika, teede liiklusjuhtimine, nutikad linnad). Liiklusohutus kuulub linnaarengu päevakorda ning seda käsitletakse ka ÜRO säästva arengu eesmärkide raames (UN, 2015). Riikide võrdlemine surmajuhtumite trendi jälgimise alusel mängib olulist rolli liiklusohutuse eesmärkide seadmisel. Lisaks on üldised UN‑eesmärgid sageli kasutatud ka riiklike strateegiliste sihtide alusena (Commission, 2018; Golinska & Hajdul, 2012). Teede liiklusõnnetused maksavad enamikus riikides umbes 3 % nende sisemajanduse kogutoodangust (WHO, 2022).
Traditsioonilised RTS‑näitajad, nagu suremusmäär, võivad olla moonutatuna haruldaste, suuremahuliste surmaga õnnetuste tõttu. Mitme näitaja mudel on sobivam liiklusohutuse keerukuse mõistmiseks. Käesolevas uuringus rakendati faktoranalüüsi ja Poissoni regressiooni Eesti teede õnnetuste andmetele, et selgitada, kas RTS‑olukord on aja jooksul paranenud ning millised tegurid mõjutavad surmavaid õnnetusi.
Liiklusohutus on muutunud teaduslikuks uurimisvaldkonnaks (Jamroz, 2008), kus mitmed teooriad ja mudelid on käsitlenud liiklusohutust. Artiklis püütakse selgitada, miks õnnetused toimuvad juhuslike sündmuste teooria vaatenurgast. Seetõttu esitati uurimisküsimus: kuidas mõõta liiklusohutust riikide lõikes? Autorid pakuvad mudelit, mis hindab liiklusohutust surmaga lõppenud õnnetuste arvu põhjal. See töö püüab lihtsustada teede liikluse reaalsust, näidates, et parim prognoosija on hukkunutega liikusõnnetuste arv, mitte varasemates mudelites sageli kasutatud hukkunute arvu (Spiegelhalter & Barnett, 2009).
Kirjanduses on kasutatud mitmeid teede liiklusõnnetuste definitsioone (OECD, 2014). Käesolevas artiklis võeti kasutusele kaks kontseptuaalset määratlust: (1) hukkunute arv – liikluses hukkunute arv miljonis elaniku kohta; (2) hukkunutega lõppenud liikusõnnetus – õnnetus, mille tagajärjel on üks või mitu osalejat surnud 30 päeva jooksul pärast sündmust (Finnish Data). Analüüs rõhutab, et hukkunutega õnnetuste arv on parem liiklusohutuse prognoosija kui hukkunute arv, arvestades, et ühes õnnetuses võib esineda mitu surmajuhtu.
Seetõttu tuleb võtta arvesse mitme hukkunuga juhtumeid; näiteks võivad teel toimuda hukkuntega liiklusõnnetused, kus kaks või enam inimest sureb. Autorid näitavad, et hukkunutega liiklusõnnetuste arv päevas järgib Poissoni jaotust (Spiegelhalter & Barnett, 2009), rakendades ka statistilise olulisuse testi riikide võrdlemisel (Benjamin et al., 2018; Shaver, 1993). Uuring tuvastas, et liiklusohutuse võrdlemine suurte ja väikeste riikide vahel on keeruline. Väikestes riikides on liiklusõnnetustes hukkunute arv on tavaliselt kõrgem kui suuremates riikides. Seetõttu on liiklusohutuse mõõtmine ja prognoosimine eriti oluline väiksemates riikides, kus surmade arv on suhteliselt suur.
Nii et teede liiklusohutus väärib erilist tähelepanu jätkusuutlikkuse eesmärkide saavutamiseks kaasaegsetes linnakeskkondades ning teaduses. See tuleneb kõrgetest sotsiaal‑ ja majanduslikest kahjudest. Mudel võimaldab hinnata igapäevaseid surmavaid õnnetusi varasemate perioodide andmete põhjal, võttes arvesse riigi suurust ja aastase muutuse statistilist olulisust.
Käesolev artikkel keskendub uurimisandmete eksploratiivsele analüüsile surmavate teede õnnetuste kontekstis. Eesmärgiks on pakkuda prognoosimudel, mis sobib riikidele erineva suurusega. Autorite panus liiklusohutuse kirjandusse seisneb surmavate õnnetuste arvulise ennustamise empiirilises tõestamises – see on oluline samm teede suremuse vähendamiseks. Varasemates uuringutes püütakse prognoosida teede õnnetusi, võttes arvesse ka õnnetuste raskusastet, ohvrite arvu ja sõidukite osalust (Gatarić et al., 2023; Pourroostaei Ardakani et al., 2023).
Uuringu peamised panused on: (1) uurida teede surmavate õnnetuste mustreid; (2) pakkuda parimat sobivat mudelit surmavate õnnetuste prognoosimiseks, kasutades teeanalüüsi; (3) anda oma panus juhuslike sündmuste liiklusohutuse teooriasse.
Töö üldine struktuur on järgmine: jaotis 2 annab ülevaate teoreetilisest taustast liiklusohutuse uurimisel; jaotis 3 keskendub materjalidele, metoodikale ning selgitab andmemustreid. Jaotus 4 esitab tulemused ja peamised järeldused ning jaotis 5 võtab kokku empiirilise töö ning arutleb tulevaste uuringute võimaluste üle.
Teoreetiline taust ja kirjanduse ülevaade
Teede liiklusohutus kui teaduslik distsipliin põhineb paljude erinevate valdkondade kogemusel – linnaplaneerimine, matemaatika ning teede liiklusjuhtimine. Kõik see muudab selle interdistsiplinaarseks uurimisvaldkonnaks. Käesolev artikkel on üles ehitatud teooria‑empirismi‑mudeli loogikale. Jamroz (2008) toob esile, et teede liiklusohutuses eksisteerib neli tüüpi teooriaid: stohastiline, põhjuslik, süsteemne ja käitumuslik. Käesolevas töös kasutatakse stohastilist teooriat ehk juhuslike sündmuste teooriat, mille aluseks on Bortkiewicz, kes avastas, et aastas liiklusõnnetustes hukkamiste arv järgib peaaegu täiuslikult juhuslikku jaotust ning Poissoni mudel kirjeldab seda protsessi hästi (Bortkiewicz, 1898; Jamroz, 2008). Autorid käsitlevad õnnetusi just kui juhuslikke sündmusi. Bortkiewicz väitis, et õnnetused on puhtalt ootamatud ning nende üle ei ole meil kontrolli (Elvik jt., 2009).
Põhjuslike teooriate kohaselt peetakse inimfaktoreid oluliseks uurimisprobleemiks; hinnangul seostub 90 % liiklusõnnetustest inimese käitumisega (alkohol, koolitus, vanus) (Jamroz, 2008). Nende tegurite analüüsi selles uuringus siiski ei käsitleta.
Enamik varasematest mudelitest prognoosib teede õnnetuste arvu võttes arvesse õnnetuse tõsidust, ohvrite arvu ja sõidukite osalust (Gatarić jt., 2023; Pourroostaei Ardakani jt., 2023). Varasemalt on logistilist regressiooni ning teisi andmemineerimise tehnikaid ja masinõpet kasutatud ennustusmeetoditena (Ait‑Mlouk jt., 2017; Mohanta jt., 2022). Käesolevas uurimuses keskendutakse mudelile, mis prognoosib riikide lõikes surmavate õnnetuste arvu Poissoni jaotuse põhjal – teema, mida pole veel piisavalt süvitsi käsitletud.
Kirjandus rõhutab RTS‑i (road traffic safety) mitmetahulist olemust, millele mõju avaldavad ajutised, hooajalised ning demograafilised tegurid. Euroopa Liidu ja ÜRO Vision Zero algatus seab eesmärgiks liiklusõnnetuste surmajuhtumite likvideerimise aastaks 2050. Faktoranalüüsi ja Poissoni regressiooni kasutatakse sageli õnnetustrendide ja tõsiduse modelleerimiseks ning prognoosimiseks.
On näidatud (…), et surmavate liiklusõnnetuste sagedus – mitte üksnes surmade arv – on täpsem näitaja teede liiklusohutusele, sest haruldased, kuid väga suured õnnetused (nt bussikollaps) võivad kogu pildi moonutada (; ). Ühe indikaatori, näiteks suremusmääraga piirdumine ei pruugi kajastada RTS‑i täielikku keerukust, eriti kui üksikud juhtumid statistikat disproportsionaalselt mõjutavad. Täielikumat hindamist saab saavutada mitme näitaja – õnnetused koos vigastustega, surmad ja surmavate õnnetuste arv – üheskoos arvestava mudeli abil.
Selles uuringus analüüsime Eesti liiklusandmeid soojakartide ja Poissoni regressiooni abil, et selgitada, kas RTS on aja jooksul paranenud. Analüüsi sisendmuutujad on nädalapäev, kuu ning aasta. Poissoni regressioon on laialdaselt kasutatav meetod teede liiklusõnnetuste trendide ja riskitegurite uurimiseks (; ; ). Kuigi suremusmäär (st liiklusohvrite arv aastas) on traditsiooniliselt kõige levinum RTS‑i indikaator, ei pruugi see anda täielikku ega stabiilset pilti olukorrast. Põhjus seisneb selle tundlikkuses haruldaste, kuid tõsiste sündmuste suhtes – näiteks üks õnnetus, milles langeb mitu inimest.
Käimasolev arutelu keskendub sellele, kuidas kõige paremini hinnata teede liiklusohutust. See keerukus tuleneb RTS‑i mitmetahulisusest: hooajalisusest (suvi vs talv), nädalapäevast (tööpäev vs nädalavahetus) ning laiematest sotsiaalmajanduslikest dünaamikatest. Lisaks muudab hindamist raskendavad lühiajalised ja pikaajalised mõjud, rahvastiku muutused (nt migratsioon) ning elanike kohta arvutatud näitajad, mis võivad turvalisuse mõõdikutesse viia eelarvamusi. Näiteks on Ukraina sisseränne suurendanud Eesti elanikkonda umbes 50 000‑ga, mõjutades seega per capita indikaatoreid.
Käesolev artikkel pakub kontekstuaalset tausta RTS‑ile, millele järgneb asjakohase kirjanduse ja teoreetilise raamistiku ülevaade.
Teede liiklusõnnetused kujutavad endast märkimisväärset majanduslikku koormust – need maksavad riikidele ligikaudu 3 % nende sisemajanduse koguproduktist (). Levinud RTS‑i hindamise indikaatorid hõlmavad õnnetuste koguarvu, õnnetuste tõsidust (vigastused ja surmad) ning ajutegureid nagu kellaaja, nädalapäeva või hooaja mõju (; ; ; ).
RTS on kujunenud eraldi teadusvaldkonnaks (; ; ; ). Erinevate indikaatorite rolli mõistmine on oluline turvalisustrendide täpseks tõlgendamiseks (; ).
RTS‑i tagajärjed ei piira end vaid metodoloogiale, vaid hõlmavad ka majanduslikke ja sotsiaalseid aspekte. Euroopa Liidus sureb igal aastal üle 20 000 inimese teede liiklusõnnetustes (). EL-i Teede Ohutuse Poliitika strateegia seab eesmärgiks õnnetuste suremusmäärade poole vähendamise aastaks 2030 ning peaaegu nulli surmade saavutamise aastaks 2050 – algatus, mida tuntakse Vision Zero ( ; ; ).
Maailma Terviseorganisatsiooni (WHO) andmetel seisab maailm silmitsi teede liiklusohutuse kriisiga: igal aastal sureb 1,3 miljonit inimest liiklusõnnetustes. Globaalse suremusmäärad jäävad vahemikku 3–40 surma 100 000 elanikku kohta (; ). EL-is hukkusid 2020. aastal peaaegu 19 000 inimese teede õnnetustes, mis tähendab 42 surma miljoni elaniku kohta – langus võrreldes 2019‑aastaga, osaliselt tingitud COVID‑19 pandeemia ajal toimunud liikluskoormuse vähenemisest ().
Uuendused teedeehitustehnoloogias ja jätkusuutlikud linnaplaneerimise algatused aitavad RTS‑i parandada (; ). 2021. aastal käivitas Euroopa Parlament uue Teede Ohutuse Raporti, mis toetab EL-i pikaajalist eesmärki liiklusõnnetuste surmajuhtumid aastaks 2050 likvideerida (; ).
Materjalid ja metoodika
Selles uurimuses kasutati teede liiklusohutuse andmeid aastatel 1991–2022, et koostada katkestusteta pikaajaline andmestik ning analüüsida muutusi liiklusohutuses riikide lõikes. Andmed töödeldi R‑tarkvara abil. Tehti vajalikud transformatsioonid ja skaleerimine, ebaolulised väärtused eemaldati ning puuduvad andmed imputeeriti parema prognoosiva analüüsi tagamiseks. Kasutatud olid Eurostati, Eesti Maanteeameti ja Statistikaameti (Eurostat, 2022; Statistics Estonia, 2023) andmekogud. Mõnede riikide andmeid saadi Euroopa Transpordiohutuse Nõukogu (ETSC) kaudu (ETSC, 2022). Uuritud muutujad olid päevade arv surmavate õnnetuste kohta, hukkamiste arv, riigi suurus ja aasta.
Liiklusohtlikkust saab hinnata kahe näitaja alusel: (1) teede suremusmäär ning (2) surmadest tingitud liiklusõnnetused miljonis elanikkonnast. Surmav õnnetus tähendab isikut, kes sureb koheselt või 30 päeva jooksul pärast liiklusõnnetust. Surmajuhtum on õnnetus, mille tagajärjel üks inimene hukkub (UNECE Statistics of Road Traffic Accidents).
Suuremuse suhtes suremusmäär ja surmadest tingitud õnnetused näitavad umbes 1,07‑kordset suhet (Reported Road Casualties Great Britain, Annual Report, 2020; Statistics Estonia, 2022). Kuna see määr võtab arvesse riigi suurust, on suremusväärtus väiksem suurema elanikkonnaga riikides. Lisaks peaks liiklusohutuse muutus olema statistiliselt oluline (Testing‑for‑Statistically‑Significant‑Changes; UK Public Data, 2021).
Käesolevas töös esitatakse empiiriline analüüs teede liiklusohutusest (RTS) väikeses riigis – Eestis. Eesmärk on prognoosida surmavate õnnetuste esinemist Poissoni regressioonimudeli abil, pöörates erilist tähelepanu nende jaotumisele nädalapäevade ning kuude lõikes. See võimaldab hinnata hooajalisi ja iganädalasi mustreid teede liiklusohutuses.
Andmestik koosneb 3 287 päevast Eesti liiklusõnnetuste kohta aastatel 2010–2018 (; ; ). Kuna õnnetusandmed on loenditüüpi (näiteks 0–5 surmavat õnnetust päevas), kasutati Poissoni regressiooni, et hinnata igapäevast surmavate õnnetuste arvu. Andmete vastavuse kontrollimiseks Poissoni jaotusele – kus keskmine võrdub dispersiooniga – rakendati SPSS‑i Generalized Linear Model (GLM) funktsiooni. Chi‑ruut testiga võrreldi täheldatud ja oodatud sagedusi.
Analüüs tugines Eurostati, Eesti Maanteeameti, Statistikaameti ning Euroopa Transpordiohutuse Nõukogu andmetele (; ). Keskmine suhe teede surmade ja surmavate õnnetuste vahel on ligikaudu 1,07 (; ; ).
Selles artiklis rakendame kahte täiendavat statistilist meetodit: faktoranalüüsi ja tee‑analüüsi.
Prognoosimisel kasutati tee‑analüüsi. Tee‑analüüs (path analysis) on tehnika, millega analüüsitakse mitme regressiooni põhjal esinevaid põhjuse‑tagajuse seoseid (Raftery 1993). Mudel kujutatakse ringi- ja nooltega; üksik noole näitab põhjust. Iga mudeli muutuja toimib sõltuva muutujana, samas kui ülejäänud on põhjuslikud. Regresseerimise kaalu prognoositakse võrreldes kõigi muutujate korrelatsioonimaatriksiga ning hinnatakse statistilist sobivust. Tee‑mudel seob omavahel mitme muutuja suhted järjestikuses järjekorras, uurides sõltumatute (eksoogeensete) ja sõltuvate (endoogeensete) muutujate vahelisi seoseid.
Tee‑analüüs:
Kasutame tee‑analüüsi, et hinnata, kas hukkamised, surmavad õnnetused ning koguarv õnnetusi võivad kujutada latentset RTS‑muutujat.
Viimased uuringud rõhutavad faktoranalüüsi kasutegurit RTS‑uuringutes, kuna see võimaldab modelleerida seoseid vaadeldavate muutujate ja latentsete konstruktsioonide vahel (; ; ; ). Struktuurse võrrandi modelleerimine (SEM) on pakutud täiendavaks selgituseks RTS‑aluseid mehhanisme; (; ).
Meie faktoranalüüsi mudelis käsitletakse RTS-i latentse muutuja kujul. Vaadeldavad muutujad:
- surmavad teede õnnetused,
- hukkamiste arv,
- teede õnnetused, kus on nii hukkunuid kui ka vigastatud.
TÕSIDUS
![[Pasted image 20260228123122.png]]
Faktoranalüüsi mudel RTS hindamiseks
Allikas: Transportation Data; kasutades SPSS Amos
Standardiseeritud regressioonikohad joonisel 1
| Muutuja | Hinnang | P‑väärtus |
|---|---|---|
| Päevased teede hukkamised | 0,943 | < 0.001 |
| Päevased surmavad õnnetused | 1,009 | < 0.001 |
| Päevased koguarv õnnetusi | 0,251 | < 0.001 |
Vastavalt mudelile toob ühe standardhälbe suuruse RTS-i tõusu kaasa 0,943‑standardhälbe suurenemise päevastes teede hukkamistes, mis näitab tugevat positiivset mõju RTS‑i ja surmade vahel. Samas toob üks standardhälve RTS‑i kasv ühe standardhälve suuruse suurenemise päevases koguarv õnnetustes (0,251), viidates nõrgemale seosele. See tähendab, et RTS on tugevamalt seotud õnnetuste tõsidusega kui nende sagedusega.
Kokkuvõttes rõhutavad tulemused, et RTS‑i mõjutab oluliselt eelkõige raske (surmav) õnnetuslikkus, kinnitades väidet, et õnnetuse tõsidus on liiklusohutust hinnates kriitilisem komponent kui lihtsalt õnnetuste arv.
Kontext
Tänapäeval võimaldavad nutikad tehnoloogiad ühendada ja automatiseerida autosid ning teisi sõidukeid, eesmärgiga parandada teeohutust, kuna enamik tänaseid liiklusõnnetusi on põhjustatud inimestest (Lives, 2016). Uus „linnapoliitika algatus“ julgustab linnu liikumist jätkusuutlikuma transpordisüsteemi suunas – soodustab jalgsi liikumist, rattasõitu ja ühistransporti ning võtab kasutusele parema teetappade surmade jälgimise (EU Commission, 2020). Euroopa Parlament (2021) on algatanud Teede Ohutuse aruande (Commission, 2020; Zu jt., 2022), mis toetab ELi pikaajalist visiooni – jõuda võimalikult lähedale nullile teekonnaliste surmadele kuni aastaks 2050 (Vision Zero). Muude teeohutuse näitajate tuletamiseks saab kasutada teetappade surmade arvu, et hinnata riikidevahelist teeohutust (Navin jt., 1996; Wegman & Hagenzieker, 2010).
Maailma teeohutus on kriisis (Wegman, 2017; WHO, 2022). Iga aasta jooksul sureb ligikaudu 1,3 miljonit inimest teetappade õnnetuste tagajärjel ning enam kui pooled kõikidest teetappade surmadest kannatavad jalakäijad, ratturite ja mootorratturite ohvrid. Globaalselt varieerub teetappade suremus 100 000 inimese kohta vähem kui 3‑st peaaegu 40‑ni; siiski on mõned riigid rängemalt mõjutatud kui teised, sõltuvalt konkreetsest riigist (Wegman, 2017; Wegman & Hagenzieker, 2010). Näiteks suri ELi teedel kümne aasta jooksul 6 000 last (ETSC, 2022). ELi riikides hukkus 2020. aastal peaaegu 19 000 inimest teetappade õnnetustes, mis tähendab 42 suremust miljoni elanikku kohta – see on madalam kui 2019. aastal ning kajastab COVID‑19 kriisi mõju teetranspordi kasutamisele (Eurostat, 2022).
06 Tulemused ja arutelu
1. Andmete uurimine
Et paremini mõista ajaliselt muutuvate mustrite seost teetappade surmajuhtumitega, visualiseeriti andmeid soojakartide abil. Need graafikud toovad esile, millistel nädalapäevadel, kuudel ja aastatel on õnnetuste arv kõige suurem.
Lisaks kirjeldavatele järeldustele loodi kolm eraldi mudelit, millega ennustada oodatavat surmajuhtumite arvu. Mudelites kasutati kategoorilisi muutujad weekday, month ja year, et hinnata RTS‑i erinevatest ajaperspektiividest.
Need visualiseeringud aitavad tuvastada mustreid ja potentsiaalseid riskiperioode, mis on olulised teetappade ohutuse planeerimisel ning poliitiliste sekkumiste kavandamisel.
Soojakartid nädalapäeva ja kuu lõikes, 2010‑2018
Soojakartid kuu ja aasta lõikes, 2010‑2018
Soojakartid nädalapäeva ja aasta lõikes, 2010‑2018
Surmajuhtumite sagedus
Tabelis 1 on esitatud igapäevaste surmajuhtumide (AF) sagedused Eesti andmete põhjal ajavahemikus 2010–2018.
Kõige rohkem päevadel, mil toimusid surmajuhtumid, registreeriti 2011. aastal – 77 päeva (77/365), mis annab igapäevase AF‑sageduse 0,22. See on vaatlusaluse perioodi tippväärtus. Võrreldes sellega oli 2018. aasta päevane AF‑sagedus langenud 0,16, näidates langustrendi.
Uuriti ka seost riigi elanikkonna suuruse ja surmajuhtumite määra vahel – tulemused võivad aidata teha tõenduspõhisemaid otsuseid teetappade ohutuse hindamisel eri riikide lõikes.
Euroopa keskmine suremus on 52 surma 1 miljoni elanikku kohta (Joon 1, Tabel 1). Madalaima määra registreerisid Norras, Maltal, Rootsis ja Suurbritannias – alla 30 surma miljonile. Kõrgeimad määrad: Bulgaaria ja Rumeenia (87), millele järgneb Lätti.
Madalaim suremus oli Norras (21); seejärel Malta (24) ja Rootsi (26). Saksal on suur elanikkond (82,9 mln) kuid alla‑keskmine surmajuhtumite määr (39). Ühendkuningriik (66,5 mln) näitab veelgi madalamat määra.
Autorite arvutuste ja keskmise koefitsiendi 1,09 põhjal on EL‑28 keskmine suremus 48, mis võib toimida võrdlusbaasina üksikutele riikidele EU‑s.
| Riik | Surmajuhtumite määr (100 000 elanikku) | Surmavate õnnetuste päevane keskmine | Populatsioon 2018 (mln) |
|---|---|---|---|
| Austria | 55 | 51 | 8,8 |
| Belgium | 67 | 62 | 11,4 |
| Bulgaria | 98 | 90 | 7 |
| Croatia | 82 | 76 | 4,1 |
| Czech | 70 | 64 | 10,6 |
| Cyprus | 67 | 62 | 1,2 |
| Denmark | 36 | 33 | 5,8 |
| Estonia | 51 | 47 | 1,3 |
| Finland | 48 | 44 | 5,5 |
| France | 54 | 49 | 67 |
| Germany | 43 | 39 | 82,9 |
| Greece | 74 | 68 | 10,7 |
| Hungary | 66 | 60 | 9,8 |
| Israel | 38 | 35 | 8,9 |
| Italy | 56 | 52 | 60,4 |
| Latvia | 95 | 87 | 1,9 |
| Lithuania | 80 | 74 | 2,8 |
| Luxembourg | 64 | 59 | 0,6 |
| Malta | 26 | 24 | 0,5 |
| Netherlands | 37 | 34 | 17,2 |
| Norway | 23 | 21 | 5,3 |
| Poland | 77 | 71 | 38 |
| Portugal | 60 | 55 | 10,3 |
| Romania | 95 | 87 | 19,5 |
| Serbia | 68 | 62 | 7 |
| Slovakia | 51 | 46 | 5,4 |
| Slovenia | 58 | 53 | 2,1 |
| Spain | 36 | 33 | 46,7 |
| Sweden | 29 | 26 | 10,2 |
| Switzerland | 31 | 29 | 8,5 |
| UK | 31 | 28 | 66,5 |
| EU‑28 | 52 | 48 | 513,2 |
Allikas: (ETSC, 2022), autorite täiendused
2. Seoseanalüüs
Raja analüüsi tulemuste põhjal näitab joonis 4 selgelt, et kui populatsioon on x‑teljel ja surmavate õnnetuste määr y‑teljel, siis nende vahel valitseb negatiivne korrelatsioon (korrelatsiooni koefitsient –0,20). Väiksemates riikides (populatsioon kuni 5 mln) on surmajuhtumite jaotus tihedam kui suuremates riikides, kus andmed on hajutatum. See illustreerib raskust võrrelda riike erineva suurusega.
Järeldused:
a. Toote kvaliteedi mõju kliendirahulolule = 0,457
b. Teenuse kvaliteedi mõju kliendirahulolule = 0,038
c. Kaebuste käsitluse mõju kliendirahulolule = 0,345
d. Kokkuvõtlikult toote‑, teenus‑ ja kaebuskäsitluse mõju = 0,597
e. Mudelis arvestamata muude muutujate mõju = 0,403
f. Toote‑ ja teenuse kvaliteedi korrelatsioon = 0,600
g. Toote‑kvaliteedi ja kaebuste käsitluse korrelatsioon = 0,724
h. Teenuse‑kvaliteedi ja kaebuste käsitluse korrelatsioon = 0,684
Teetappade ohutus – Eesti näide
Joon 5: Surmajuhtumite ja surmavate õnnetuste arv Eestis 1990‑2022
Allikas: (Statistics Estonia, 2023); autorite täiendused
Surmadavad teetappade õnnetused
Surmajuhtumite arvu saab kasutada järgmise aasta keskmiste ennustamiseks, sest see järgib Poissoni jaotust (Jamroz, 2008; Spiegelhalter & Barnett, 2009). Testi rakendati Eesti‑ ja Austraalia‑andmetel. Eestis ei olnud surmajuhtumeid 309 päeval, Austraalial – 17 päeva. Ühel päeval toimus üks surmav õnnetus 51 päevadel ning kahte surmavat õnnetust viiel päeval (Joon 6). Seega oli keskmine igapäevane arv 0,14 (2015).
Chi‑ruut test näitas, et oodatud ja täheldatud väärtused ei erine oluliselt (p = 0,36) – andmed on Poissoni‐jaotusega.
| Aasta | Päevade arv ilma surmajuhtumiteta |
|---|---|
| 2015 | 309 |
Allikas: (Open Data, 2022; Estonia, 2021)
Lisaks ristlõikeanalüüsile 2015. aastal vaadeldi Eesti igapäevast surmavate õnnetuste arvu ajas 2010‑2015. Kõige rohkem päevadel toimusid surmajuhtumid 93 (2011, 0,25), mis näitab selgelt langustrendi igapäevaste surmavate õnnetuste osas. Poissoni jaotus võimaldab hinnata pikaajalisi trende; igal aastal on esitatud vaatluse väärtus koos 95 % usaldusvahemikuga (Joon 9). Kui usaldusvahemikud ei kattu, võib järeldada olulist muutust aluseks olevas riskis.
Joon 9: Surmavate õnnetuste arv 2010‑2015
Allikas: (Statistics Estonia, 2023)
Peamised tulemused
- Mitmekülgsus: Liiklusohutuse hindamisel ei piisa ainult surmajuhtumite arvu; oluline on ka õnnetuste koguarv, sest üks õnnetus võib sisaldada mitu suremist.
- Kolm indikaatorit, mida tuleks kaaluda: (i) teetappade surmad päevas, (ii) teetappade surmavad õnnetused päevas ja (iii) üldine õnnetuste arv päevas. Analüüsi põhjal on surmavate õnnetuste päevane keskmine kõige olulisem näitaja.
- Poissoni mudel: Surmajuhtumite arvu saab edukalt prognoosida juhuslike sündmuste teooria ja Poissoni jaotuse abil; chi‑ruut test kinnitab mudeli sobivust.
- Statistiline olulisus: Muudatuste hindamiseks on vaja rakendada statistilisi teste (nt χ²), et eristada tõelisi trendimuutusi juhuslikest kõikumistest.
- Väikeste riikide kontekst: Väikestes riikides, nagu Eesti, on surmajuhtumite määr suhteliselt kõrge; seetõttu on nende näitajate täpne hindamine ja prognoosimine eriti oluline.
Kokkuvõttes rõhutavad tulemused, et surmavate õnnetuste arv on kõige usaldusväärsem mõõdik teetappade ohutuse hindamisel ning Poissoni‑baasiline lähenemine võimaldab luua täpseid prognoose ja toetada poliitilisi otsuseid, eriti väikeste riikide kontekstis.
Arutelu
Olulisem näitaja teede ohutuse hindamiseks on teetappade surmavad õnnetused, mitte pelgalt teekannete suremus, eriti väikestes riikides. Andmete analüüsimine absoluutsete arvude põhjal võib olla eksitav. Käesolevas artiklis võrreldi riike teekannete suremuse alusel – see näitaja on asjakohane ja avalikult kättesaadav, kuna enamikus riikides ei ole saadaval andmeid surmavate õnnetuste arvu kohta. Siiski on surmavate õnnetuste arv oluline teede ohutuse analüüsimisel, sest sellel järgnevad Poissoni jaotus.
Riikide aastased teekannete suremusandmed analüüsiti ning visualiseeriti. Väiksemates riikides (rahvaarv kuni 5 miljonit) oli surmajuhtumite määra skoorid kõrgemad ning mustrid tihedamad võrreldes suuremate riikidega. Seetõttu soovitatakse teede ohutuse hindamisel rakendada klassifikatsiooni: väikesed riigid (rahvaarv kuni 5 miljonit), keskmise suurusega riigid (5–10 miljonit) ja suured riigid (üle 10 miljoni). Klassifitseerimise piirid võivad siiski olla edasiste uuringute objektiks. Käesoleva uurimuse tulemused on väga väärtuslikud teede ohutuse täiendavaks analüüsimiseks ning teede turvalisuse olukorra hindamiseks.
Uuringu piirang seisneb selles, et “surmavate õnnetuste” arvu puhul kasutati mõnikord hinnanguid. Seetõttu võiks tulevastes uuringutes keskenduda tegeliku andmekvaliteedi parandamisele.
Järeldused
Ühtegi lahendust ei ole, mis suudaks meid täielikult kaitsta õnnetuste eest. Juhuslike sündmuste teooria aluseks olev juhuslikkuse põhimõte ei võimalda pakkuda täielikku ja teaduslikku selgitust liiklusõnnetuste nähtusele. Teooriat kombineerides põhjusliku teooriaga (inimistegurid) saab probleemi osaliselt seletada. Autorid soovitavad kasutada kombineeritud mudeleid (meta‑mudelid), et luua teede transpordiohutuse monitoorimise ja kontrollsüsteem.
ÜRO ja Euroopa Liidu ambitsioonikad eesmärgid on seatud liiklusohutuse parandamiseks, mille käigus soovitakse 2030. aastaks vähendada teetappade surmade arvu poole võrra. Seetõttu püüdis see uuring jälgida riikide vahelisi teekannete ohutusarengu trende. Peamine eesmärk oli leida parimad praktikad ja kehtestada meetmed, millega hinnata teede turvalisust.
Peamiseks indikaatoriks kasutati teetappade surmade arvu ning suremusmäärat ajas muutuste jälgimiseks. Analüüs näitab, et lisaks siin kirjeldatud näitajatele tuleks rakendada statistilise olulisuse teste aastatevaheliste muudatuste hindamiseks, eriti kui võrreldakse riike erineva suurusega.
Kõik asjakohased teekannete ohutuse andmed peaksid olema kättesaadavad avatud andmebaasides. Näiteks tuleks ka surmavate liiklusõnnetuste andmeid avalikult jagada. Kuna mitme inimese kaasamisega õnnetused loetakse kõige tõsisemaks, on nende jälgimine äärmiselt oluline.
Uuring näitab, et riikide võrdlemine teekannete ohutuse indikaatorite alusel on keeruline. Andmeanalüüs paljastas, et suremusmäärade ja surmavate õnnetuste suhte väärtus suurtes riikides on ligikaudu 1,1. See suhtarv on väiksemates riikides aga palju kõikumisi – jääb vahemikku 1,06–1,3. Seda nähtust tuleb veel põhjalikumalt uurida.
On pidevalt vaja arendada uusi teooriaid ja täiuslikumaid ohutusmudeleid, mida saaks rakendada uute meta‑mudelite kujundamisel teekannete turvalisuse jätkusuutliku planeerimise eesmärgil.
References
Ait‑Mlouk, A., Gharnati, F., & Agouti, T. (2017). An improved approach for association rule mining using a multi‑criteria decision support system: A case study in road safety. European Transport Research Review, 9(3), 40. https://doi.org/10.1007/s12544-017-0257-5
Australia, D. (2022). Australian Road Deaths Database. https://www.bitre.gov.au/statistics/safety/fatal_road_crash_database
Benjamin, D. J., Berger, J. O., Johannesson, M., Nosek, B. A., … Johnson, V. E. (2018). Redefine statistical significance. Nature Human Behaviour, 2(1), Article 1. https://doi.org/10.1038/s41562-017-0189-z
Bortkiewicz, L. J. (1898). The law of small numbers. BG Teubner, Leipzig, Germany (En. Wikipedia.Org/Wiki/Poisson_distribution).
Commission. (2020). Report on the safety and liability implications of Artificial Intelligence, the Internet of Things and robotics.
Commission, E. (2018). EUROPE ON THE MOVE. Sustainable Mobility for Europe: Safe, connected, and clean. European Commission Brussels.
Elvik, R., Høye, A., Vaa, T., & Sørensen, M. (2009). The handbook of road safety measures. Emerald Group Publishing Limited.
Estonia. (2021). Estonian data for Poisson distribution [Dataset]. https://onedrive.live.com/edit.aspx?resid=B07D73AEB7CBE13A!81480&cid=b07d73aeb7cbe13a&CT=1680940081423&OR=ItemsView
ETSC, E. (2022). European Transport Safety Council. https://etsc.eu/tag/road-safety-data/
Eurostat, E. C. (2022). Transport data: Victims in road accidents. https://ec.europa.eu/eurostat/databrowser/view/TRAN_R_ACCI__custom_3403935/bookmark/table?lang=en&bookmarkId=1a374e84-4679-4d2a-a7cf-8226ecfb8f72
Finnish data. (2022). https://www.stat.fi/meta/kas/kuol_joht_onnet_en.html
Gatarić, D., Ruškić, N., Aleksić, B., Đurić, T., … Pezo, M. (2023). Predicting Road Traffic Accidents—Artificial Neural Network Approach. Algorithms, 16(5), 257. https://doi.org/10.3390/a16050257
Golinska, P., & Hajdul, M. (2012). European union policy for sustainable transport system: Challenges and limitations. Sustainable Transport: New Trends and Business Practices, 3–19.
Jamroz, K. (2008). Review of Road Safety Theories and Models. Journal of Konbin, 4(1), 89‑108. https://doi.org/10.2478/v10040-008-0012-z
Lives, S. (2016). Boosting Car Safety in the EU. Document COM 787 Final Version of December 2016.
Mohanta, B. K., Jena, D., Mohapatra, N., Ramasubbareddy, S., & Rawal, B. S. (2022). Machine learning based accident prediction in secure IoT enable transportation system. Journal of Intelligent & Fuzzy Systems, 42(2), 713‑725. https://doi.org/10.3233/JIFS-189743
Navin, F. P. D., Bergan, A., & Zhang, G. (1996). Road Safety Model: Some Fundamental Ideas. Transportation Research Record, 1563(1), 48‑57. https://doi.org/10.1177/0361198196156300107
Open Data, E. (2022). Estonian traffic accidents. https://avaandmed.eesti.ee/datasets/inimkannatanutega-liiklusonnetuste-andmed
Pourroostaei Ardakani, S., Liang, X., Mengistu, K. T., So, R. S., Wei, X., He, B., & Cheshmehzangi, A. (2023). Road Car Accident Prediction Using a Machine‑Learning‑Enabled Data Analysis. Sustainability, 15(7), 5939. https://doi.org/10.3390/su15075939
Reported road casualties Great Britain, annual report: 2021. (2022). https://www.gov.uk/government/statistics/reported-road-casualties-great-britain-annual-report-2021/reported-road-casualties-great-britain-annual-report-2021
Shaver, J. P. (1993). What statistical significance testing is, and what it is not. The Journal of Experimental Education, 61(4), 293‑316.
Spiegelhalter, D., & Barnett, A. (2009). London Murders: A Predictable Pattern? Significance, 6(1), 5‑8. https://doi.org/10.1111/j.1740-9713.2009.00334.x
Statistics Estonia, T. T. (2023). Table TS093. https://andmed.stat.ee/en/stat/majandus__transport__liiklusennetused/TS093/table/tableViewLayout1
Testing‑for‑statistically‑significant‑changes.pdf. (n.d.). Retrieved April 4, 2023, from https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/995114/testing-for-statistically-significant-changes.pdf
UK Public Data, U. (2021). UK Road Accidents. https://www.gov.uk/government/collections/road-accidents-and-safety-statistics
UN. (2015). Transforming our World: The 2030 Agenda for Sustainable Development. https://sdgs.un.org/publications/transforming‑our‑world‑2030‑agenda‑sustainable‑development‑17981
UNECE Statistics of Road Traffic Accidents. (n.d.). Retrieved April 4, 2023, from https://unece.org/sites/default/files/2022-01/2113621_E_pdf_web.pdf
Wegman, F. (2017). The future of road safety: A worldwide perspective. IATSS Research, Special Issue: The First Global Interactive Forum on Traffic and Safety (2015) Symposium on “Diverse, Regionally‑Rooted Transport Cultures,” 40(2), 66‑71. https://doi.org/10.1016/j.iatssr.2016.05.003
Wegman, F., & Hagenzieker, M. (2010). Scientific research on road safety management. Safety Science, 48(9).
WHO. (2022). Road traffic injuries. https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries
Zu, J., Peng, Z., & Chen, F. (2022). Overseeing road safety progress using CV‑PROMETHEE Ⅱ‑JSS: A case study in the EU context. Expert Systems with Applications, 195.