Inicio Explorar Axuda
Iniciar sesión
ardo
/
Obsidian
1
0
Fork 0
Ficheiros Incidencias 0 Pull Requests 0 Wiki
Rama: master
Ramas Etiquetas
Obsidian
/
Doktoritöö
/
260215 - Vilnius
/
Abstract.md

Abstract.md 50 KB
Permalink Histórico Raw

analüüsi artikli abstarct'i: "Road traffic fatalities remain one of the leading causes of death globally, posing a major challenge to achieving the United Nations Sustainable Development Goals (SDGs), particularly SDG 3.6, which calls for a halving of global road traffic deaths and injuries by 2030. Measuring road traffic safety (RTS) is therefore critical for evidence-based policymaking and sustainable development. Traditionally, the road fatality rate has been used as the principal indicator of RTS. However, this measure alone provides a limited view. This study proposes a multi-indicator approach to measuring RTS by integrating other indicators — the road fatality rate, the number of fatalities, the number of fatal accidents, and the total number of road accidents—into a RTS measurement framework. Using path analysis and Estonian daily traffic data from 2010 to 2018, the results reveal that RTS is more strongly influenced by accident severity than by accident frequency. The results demonstrate that the multi-indicator model offers a more comprehensive and accurate measure of RTS compared to the traditional single-indicator approach for sustainable transport systems." Mida see annab transpordiplaneerimises?

Lühendid

 - Road Fatality Rate (RFR) = surmad / miljon sõidukikilomeetrit  - Total Fatalities (TF)  - Fatal Accidents (FA)  - All Accidents (AA)

  • Path‑analüüsi mudel: AA → FA → TF → RFR
  •  SDG 3.6 (vähenenud surmad)

Abstrakti analüüs ja selle praktiline väärtus transpordiplaneerimisele

Peamine sisuline punkt Mõju/kasu transpordiplaneerijale
1️⃣ Ühe‑näitaja (tavapärane) lähenemine on ebapiisav – traditsiooniliselt kasutatakse ainult liiklusohutuse hindamiseks surmaintensiivsust (surmade arv / miljoni sõidukiga). • Selgitab, miks pelgalt “surnud/10⁶ km” ei anna piisavat pilti riskidest ja seetõttu võib juhtuda, et olulisi ohutusprobleeme jääb varjatuks.
2️⃣ Mitme‑näitaja raamistik – kombineerib surmaintensiivsuse, suremuste koguarvu, surmaga lõppenud õnnetuste arvu ja kõigi liiklusõnnetuste (ka mitte‑surmavate) koguarvu. • Pakub terviklikumat pildi:
 – Surnu‑sagedus näitab kui tihti juhtub kõige tõsisemad tagajärjed.
 – Õnnetuste arv aitab mõista, kus on “kõrge risk” kuid madala surmaintensiivsusega (nt kerged õnnetused).
3️⃣ Path‑analüüs näitab, et raskusaste mõjutab turvalisust tugevamalt kui sagedus. • Planeerijad saavad suunata ressursse sinna, kus “raskuse aste” on kõrge (nt suurema kiirusega maanteed, ristmikud).
 – Näiteks investeerida paremasse valgustusse või eraldatud sõiduklassidesse.
4️⃣ Andmekasutus – Eesti igapäevased liiklusandmed 2010‑2018 • Demonstreerib, et olemasolevad statistilised registrid (õnnetuste andmebaasid) on piisavad mitme‑näitaja mudeli rakendamiseks.
 – Planeerijad saavad kasutada oma riigi/linna registreeritud andmeid ilma uute mõõtmiste vajaduseta.
5️⃣ Süsteemne ja jätkusuutlik lähenemine SDG‑3.6 suunas • Selge seos: mitme‑näitaja mudel võimaldab jälgida progressi eesmärgi “surmaintensiivsuse pooleks vähendamine” täpsemalt, sest see eristab sagedust ja raskusastet.
 – Seega on võimalik koostada realistlikud tegevuskavad ning mõõta nende tõhusust.

1️⃣ Miks mitme‑näitaja mudel on transpordiplaneerimisele oluline?

a) Täpsus

  • Surnu‑intensiivsus võib langeda, kui liiklusmaht väheneb (nt majanduskriis), kuid see ei tähenda automaatselt turvalisemaid teid.
  • Raskuse aste (surmaga lõppenud õnnetused) näitab “kõige valusama” probleemi olemasolu ja aitab tuvastada kriitilisi punkte.

b) Prioriteetide seadmine

  • Planeerijad saavad hinnata, kas investeering peaks suunatud sageduse vähendamisele (nt liiklusvoogude optimeerimine, alternatiivsed transpordiviisid) või raskusastme alandamisele (nt turvalised ristmikud, kiirusepiirangute karmistamine).

c) Ressursside efektiivne jaotumine

  • Piiratud eelarvega on võimalik suunata raha sinna, kus “kõrge risk + kõrge raskusaste” koondub (tavaliselt ka suuremad sotsiaalsed kulud – meditsiinilised kulutused, tootlikkuse kadumine).

d) Järelevalve ja hindamine

  • Mitme‑näitaja süsteem võimaldab luua indikaatorite komplekti ning jälgida nende arengut ajas. See on oluline nii riiklike strateegiate (nt rahvuslikud turvastrateegiad) kui ka kohalike projektide edukuse mõõtmiseks.

2️⃣ Kuidas rakendada mudelit praktilises transpordiplaneerimises?

Samm Kirjeldus Kasutatav tööriist/tehnika
1. Andmete kogumine • Koguge olemasolevad liiklusõnnetuste andmed (surnud, haavatud, õnnetuse tüüp).
• Lisage sõidukite liiklusmahu ja teekonnaandmeid.		 Statistikaamet, politsei/ohutuskeskused; GIS‑baasid.
2. Indikaatorite arvutus • Arvutage:
 – Road Fatality Rate (RFR) = surmad / miljon sõidukikilomeetrit.
 – Total Fatalities (TF).
 – Fatal Accidents (FA).
 – All Accidents (AA).		 Excel/ R / Python (pandas, NumPy).
3. Path‑analüüsi mudel • Looge strukturaalne seosmudel: AA → FA → TF → RFR (või vastupidi) ning hindage kaalu koefitsiente. lavaan paket R-s; semopy Pythonis.
4. Tulemuste visualiseerimine • Kaardistage “kuuma” piirkonnad, kus FA ja TF on kõrged, kuid AA suhteliselt madal (kõrge raskusaste).
• Loo trendgraafikud ajas.		 GIS‑kaardid; Tableau/PowerBI; R ggplot2.
5. Poliitikate kujundamine • Sihitud meetmed: kiirusepiirangute muutmine, turvalised ristmikud, eraldatud rattatee‑või jalakäijate alad.
• Seada KPI-d (Key Performance Indicators) iga näitaja kohta.		 Põhjalik tegevusplaan; riskianalüüsid (e.g., HAZOP).
6. Järelevalve • Korduv hindamine: kas meetmed vähendavad FA ja TF, mitte ainult AA.
• Raportide koostamine SDG‑3.6 täitmise kohta.		 Aastaaruanded; interaktiivsed dashboards.

3️⃣ Konkreetne väärtus transpordiplaneerijale

Küsimus Vastus, mis tuleneb mitme‑näitaja mudelist
Millele keskenduda? “Raskuse aste” (FA ja TF) on tugevam mõjutaja – seega tuleb prioriteediks muuta teid ja ristmikke, kus surmaga lõppenud õnnetused koonduvad.
Kuidas õigustada investeeringuid poliitikutele? Selge kvantitatiivne tõestus: “Selle projekti elluviimine vähendab fatal accidents 30 % – see tähendab X elupääste ja Y miljonite euro suuruse sotsiaalse kulude kokkuhoiu.”
Kuidas seostada transpordipoliitika laiemate SDG‑eesmärkidega? Indikaatorid on otse seotud:
 – SDG 3.6 (vähenenud surmad).
 – SDG 11 (turvalised ja jätkusuutlikud linnad).
 – SDG 13/15 (kaasaegse kliima‑ ja keskkonnamõju vähendamine, sest vähem traagilisi õnnetusi → vähem erakorralisi teenuseid jne).
Kuidas hinnata olemasolevaid sekkumisi? Võrrelge “enne” ja “pärast” perioodi nii AA kui FA/TF suhtes – näete, kas meetmed vähendasid pigem õnnetuste arvu või nende raskusastet.
Kas mudel sobib ka väiksematesse linnades? Jah – isegi väikesed andmekogud võimaldavad arvutada samad neli näitajat; tulemused annavad kohalikele omavalitsustele konkreetseid prioriteete (nt “sõiduohutusrajoonid”).

4️⃣ Piirangud ja edasised uurimissuundad

Piirang Mõju / lahendus
Andmete kvaliteet – õnnetuste registreerimise täpsus võib erineda riigiti. • Parandada andmekvaliteeti: standardiseeritud raporti vormid, kohustuslik raporteerimine.
Ajaline piirang – 2010‑2018 periood ei pruugi kajastada hiljutisi tehnoloogilisi muutusi (nt ADAS-süsteemide laialdane kasutus). • Uuendada mudelit uute andmete ja muutuja­dega: automatiseeritud sõidukite telemaatika, nutikad liiklusmõõdikud.
Geograafiline ühtsus – Eesti on suhteliselt väike; suuremates riikides võib piirkondadevaheline heterogeensus olla märkimisväärsem. • Kohandada mudelit alajaotus‑tasemel (piirkonnad, linnaosad).
Sotsiaalsed ja demograafilised tegurid – vanusejaotused, sõidukite tüüp jne võivad mõjutada õnnetuste raskusastet. • Lisada regressioonimudeli kontrollmuutujad (sõiduajalugu, auto tüübid).

5️⃣ Kokkuvõte

  • Mitme‑näitaja raamistik annab transpordiplaneerijale terviklikuma ja täpsema pildi liiklusohutusest kui traditsiooniline üksikindikaator.
  • See võimaldab suunata poliitikaid raskusastme vähendamisele, mis on tõestatult tugevam mõjutaja turvalisusele.
  • Mudeli kasutamine aitab optimeerida investeeringuid, tõsta tegevuste läbipaistvust ning seostada kohalikke transpordiplaane rahvusvaheliste kestlikkuseeesmärkidega (SDG‑3.6, SDG‑11 jne).
  • Praktikas tähendab see: koguda ja struktureerida olemasolevaid õnnetusandmeid, arvutada neli põhinäitajat, teha path‑analüüs ning rakendada tulemusi otsuste tegemisel – alates teede projekteerimisest kuni liikluskorralduse ja turvalisuse hindamiseni.

Kokkuvõttes annab artikkel tööriistakasti uue mõõdikute komplekti, mis aitab transpordiplaneerijatel luua tõhusamaid, andmepõhisemaid ja jätkusuutlikumaid liikluslahendusi – just see on vajalik samm teekonnal, et 2030. aastaks saavutada surmaintensiivsuse pooleks vähendamine.

Kuidas kasutada path‑analüüsi (tee­analüüsi) liiklusohutuse uuringus

Allpool on samm‑sammuline juhend, kuidas luua ja rakendada path‑analüüsit mudeliks, mis hindab erinevate liiklusturvalisuse näitajate omavahelist mõju. Juhendis eeldatakse, et teil on olemas igapäevased või korduvad andmed 2010–2018 (või muu perioodi) kohta, milles sisalduvad:

Muutuja Kirjeldus / allikas
AA – All Accidents (kõik liiklusõnnetused) Koguarv õnnetusi antud ajaperioodil/maastikul.
FA – Fatal Accidents (surmaga lõppenud õnnetused) Õnnetuste arv, mille tagajärjel on vähemalt üks surm.
TF – Total Fatalities (surnute koguarv) Surnute arv samas ajaperioodis/maastikus.
RFR – Road Fatality Rate (surmaintensiivsus) (Surnud / sõidukikilomeetrid) × 10⁶.
VMT – Vehicle‑Miles Traveled (sõidukite läbitud kilomeetrite kogumaht) Sõiduandmed, mis võimaldavad normaliseerida.
Kontrollmuutujad (X1…Xk) Trafikavolume, ilmastikutingimused, teekatte tüüp, kiirusepiirangud jne.

1️⃣ Määratle uurimise eesmärk ja hüpoteesid

  • Peamine küsimus: Milline komponent – õnnetuste sagedus (AA) või nende raskusaste (FA, TF) – mõjutab kõige enam liiklusohutust, mõõdetuna RFR‑na?
  • Hüpotees 1 (Sageduse mõju): Suurem AA → kõrgem RFR.
  • Hüpotees 2 (Raskusastme mõju): Suurem FA/TF → suurem RFR, isegi kui AA on suhteliselt madal.

Path‑analüüs võimaldab testida mõlemaid hüpoteese korraga ja hinnata otse-, kaudseid ning vahendatud (mediatsiooni) efekte.

2️⃣ Määra mudeli struktuur

a) Käsitle muutujad latentsete või mõõdetavate suurustena

Path‑analüüs on tavaliselt osa strukturaalsest võrrandimudelist (SEM). Antud juhul saab kõiki muutujaid käsitleda mõõdetavatena – need on otse saadaval andmekogus. Kui soovite lisada abstraktseid konstruktsioone (nt “Liiklusrisk”), võite luua latentseid muutujad, kuid see ei ole kohustuslik.

b) Joonista tee‑diagramm

          VMT
            |
            v
   AA  ---> FA  ---> TF  ---> RFR
    \        |       ^      ^
     \_______|_______/      |
           (kaudne)         |
                ------------

  • Otsefektid:

    • AA → FA – kui õnnetusi on rohkem, siis tõenäoliselt ka surmaga lõppevaid.
    • FA → TF – iga fatal accident annab vähemalt ühe surma; seega tugev lineaarne seos.
    • TF → RFR – suremuste arv normaliseeritud sõidukikilomeetri kohta.

  • Kaudsed (mediatsioon) teed:

    • AA → FA → TF → RFR.
    • Võite lisada otseteed, näiteks AA → RFR, et testida, kas sagedusel on otsene mõju ka ilma raskusastme vahenduseta.

  • Kontrollmuutujad (X1…Xk) võivad mõjutada kõiki nelja põhimuutuja:

    • Lisage nooled Xi → AA, Xi → FA jne.

c) Valige mudeli komplekt

Klassikaline path‑analüüs keskendub lineaarsetele regressioonidele, mis on lihtsamini tõlgendatavad:

FA = β1 * AA + Σγi * Xi + ε1
TF = β2 * FA + Σδi * Xi + ε2
RFR = β3 * TF + Σθi * Xi + ε3
AA (või VMT) on eksogeensus, seega ei ole eesmine regressioon.

3️⃣ Andmete ettevalmistus

Samm Kirjeldus
a. Puuduvate väärtuste käsitlemine Kasutage täitmisstrateegiat (imputation) või eemaldage puuduvad ridade komplektid, kui nende osakaal on väike (<5 %).
b. Normaliseerimine / log‑transformatsioon Surnu‑intensiivsuse ja õnnetuste arvud võivad olla tugevalt asümmeetrilised; logaritmiline transformatsioon (log(AA+1)) vähendab heteroskedastilisust.
c. Aja‑seeria struktureerimine Kui andmed on igapäevased, võite luua kuukesksed või aastasõltuvad koondsummad, et vältida liialt suurt korrelatsiooni automaatsete trendide tõttu.
d. Kontrollmuutujate lisamine Näiteks WeatherIndex (halvem ilm = 1, hea ilm = 0), RoadType (maantee klass).

4️⃣ Mudeli hindamine ja parameetrite estimatsioon

a) Valitud tarkvara

  • R: paketid lavaan, semPlot.
  • Python: pakett semopy või statsmodels koos käsitsi määratud regressioonidega.
  • Stata / Mplus – samuti sobivad.

b) Koodinäide R‑is (lavaan)

library(lavaon)
# Andmete laadimine (eeldame, et df on andmeraamistik)
df$logAA  <- log(df$AllAccidents + 1)
df$logFA  <- log(df$FatalAccidents + 1)
df$logTF  <- log(df$TotalFatalities + 1)

model_spec <- '
  # otse‑efektid
  FatalAccidents ~ b1*AllAccidents + c1*WeatherIndex + c2*RoadType
  TotalFatalities ~ b2*FatalAccidents + d1*WeatherIndex + d2*RoadType
  RFR            ~ b3*TotalFatalities + e1*VehicleMilesTraveled

  # kaudne tee (AllAccidents → FatalAccidents → TotalFatalities → RFR)
'

fit <- sem(model_spec, data = df, estimator = "MLR")   # robust ML
summary(fit, standardized=TRUE, fit.measures=TRUE)

Tulemuste tõlgendamine:

  • Standardiseeritud koefitsient (β) näitab mõju suurust (0.00–1.00).
    • Kui b3 on näiteks 0.70, siis iga standardse ühenemise kasv total fatalities-is tõstab RFR-i 0.7‑standardset ühikut.
  • Kaudne efekt: arvutage β_total = b1 * b2 * b3. See näitab, kui palju kogu AA muutus mõjutab RFR-i läbi mediatsiooni.

c) Sobivuse mõõdikud

Mõõde Tähendus
χ² test (Chi‑square) Ideaalis ei olgu p‑väärtus <0.05, kuid suurte andmekogude puhul on see tihti signifikaalne; seega kasutage alternatiivseid näitajaid.
RMSEA (Root Mean Square Error of Approximation) < 0.06 → hea sobivus.
CFI / TLI (Comparative Fit Index, Tucker‑Lewis Index) > 0.95 soovitatav.
SRMR (Standardized Root Mean Square Residual) < 0.08 korral peetakse aktsepteeritavaks.

Kui mudel ei vasta nendele kriteeriumidele, võite:

  • Lisada või eemaldada otseteid.
  • Kaaluge latentsete konstruktsioonide kasutamist (nt “Risk” = AA + FA).
  • Kontrollige multikollineaarsust (VIF < 5).

5️⃣ Interpreteerimise näidis

Efekt Tulemuse tüüp Interpretatsioon transpordiplaneerijale
b1 = 0.45 (p<0.001) Otseeffect: AllAccidents → FatalAccidents Iga 10 % tõus õnnetuste arvus suurendab fatal accidents’i keskmiselt 4,5 %.
b2 = 0.80 (p<0.001) Otseeffect: FatalAccidents → TotalFatalities Surmaohtlikkuse suurenemine on peamine driver surmade arvule.
b3 = 0.62 (p<0.01) Otseeffect: TotalFatalities → RFR Iga 1 % kasv suremuste koguarvusest tõstab surmaintensiivsust 0,62 % (kui VMT on konstantne).
Kaudne efekt (AA → FA → TF → RFR) = 0.45 × 0.80 × 0.62 ≈ 0.22 Kaudne mõju Ühe protsendi tõus õnnetuste arvus (kõik) suurendab surmaintensiivsust ligikaudu 0,22 % läbi mediatsiooni.
AA → RFR otseteed (β = 0.05) Väike otsene efekt Enamik mõju kulgeb vahendatud teekonna kaudu; seega keskendumine ainult õnnetuste vähendamisele (ilma raskusastet käsitlemata) annab väikese tulemuse.

Järeldus: Raskusaste (FA, TF) on tugevam "vahendus" kui puhas sündmuste sagedus, mis tähendab, et poliitikate fookus peaks olema õnnetuste graviteedi vähendamine, mitte ainult nende arvu piiramine.

6️⃣ Täiendavad analüüsivõimalused

Analüüsi tüüp Kirjeldus & kasutus
Mitte‑lineaarne mediatsioon (logistlik või Poisson) Kui AA on loendandmed, kasutage Poisson või negative binomial regressioone. Path‑analüüs saab kombineerida GLM‑idega (lavaan toetab).
Ajaregressiooni / dynamiiline SEM Lisage viiteaegade (lag) efekti: FA_t = β1 * AA_{t-1} + …. See võimaldab näha, kuidas muutused ühe aasta jooksul mõjutavad järgmist aastat.
Mitmetasandiline mudel (hierarchical) Kui andmed on jaotatud piirkondade või riikide kaupa, kasutage mitmetasandilist SEM (lavaan + cluster).
Sõltuvus‑analüüs Võrrelge erinevate alampiirkondade koefitsiente – kas suured linnad näitavad sama mediatsiooni kui maapiirkonnad?

7️⃣ Praktika: kuidas tulemusi viia poliitikasse

  1. Kvantifitseeri “riskipunktid” – kaardista piirkonnad, kus FA ja TF on kõrged (kaasa arvatud VMT‑normeeritud).
  2. Prioriteedi tabel:
    • Kõrge prioriteet: Raskusastme vähendamine (nt ristmikute valgustuse parandamine, kiirusepiirangute karmistamine).
    • Keskmine prioriteet: Sageduse alandamine (liiklusvoogude optimeerimine, alternatiivsed transpordivõimalused).
  3. KPI‑de loomine:
    • ΔFA / ΔAA – “raskusastme muutumise suhe”.
    • ΔRFR per 10 % VMT vähenemine.
  4. Järelevalve & raporteerimine: Kasuta path‑analüüsi tulemusi igal aastal, et näidata kas rakendatud meetmed on vähendanud kaudset efekti (AA → FA → TF → RFR).

8️⃣ Lühike kontrollnimekiri (kasutajale)

  • Andmete puhastamine – puuduvad väärtused, log‑transformatsioonid.
  • Mudelistruktuuri visand – tee diagramm ja kirjeldus.
  • Statistiline tarkvara valik & installimine (R + lavaan).
  • Mudeli kodeerimine (nagu eespool näidatud).
  • Sobivuse testimine (RMSEA, CFI jne).
  • Tulemuste tõlgendamine ja visualiseerimine – diagrammid (semPlot), tabelid.
  • Poliitikasoovitused koostada – põhinevad kaudsetel efektidel.

Kokkuvõte

Path‑analüüs annab struktureeritud raamistikku, millega saab:

  1. Mõõta ja võrrelda otseseid ning kaudselt vahendatud mõjusid (sagedus vs raskusaste).
  2. Kvantifitseerida, kui palju iga komponent panustab surmaintensiivsusse, mis on otsene sisend SDG‑3.6 hindamiseks.
  3. Suunata ressursside jaotamist – keskenduda sinna, kus “kaudne” mõju (raskusaste) on suurim, mitte ainult „sageduse“ vähendamisele.

Kasutades eespool kirjeldatud sammude komplekti, saate luua usaldusväärse statistilise mudeli, mis toetab tõendus‑põhist otsustamist ja aitab saavutada turvalisemat ning jätkusuutlikumat transpordisüsteemi.

Path‑analüüs ilma VMT (Vehicle‑Miles Traveled) andmeteta

Miks VMT on tavaliselt kasutusel?

Rõhutatud eesmärk Kuidas VMT aitab?
Eksponeerimise normaliseerimine – surmad ja õnnetused arvutatakse “surnud / miljon sõidukikilomeetrit”. Võimaldab võrrelda piirkondi, kus liiklusmaht on väga erinev.
Kasutus‑intensiivsuse hindamine (nt 1 km teel mitu õnnetust). Annab mõõdikud nagu “õnnetused / km” või “surmad / km”.

Kui VMT ei ole kättesaadav, tuleb leida alternatiivseid eksponeerimise mõõtmeid või modelleerida VMT latentse muutujana, et säilitada tee‑analüüsi sisuline loogika. Järgnevas juhendis on toodud samm‑sammult, kuidas seda teha.

1️⃣ Asenduste leidmine – “Eksponeerimise proxy”

Proxy Kirjeldus / allikas Eelised ja piirangud
Liiklusvoog (AADT, Annual Average Daily Traffic) Tunnistatud liikluse arv (sõidukid päevas) – saadaval enamikus riiklikest teetööde andmebaasidest. Hea asendus, kuid ei hõlma sõidu kestust ega kiirust; eeldab stabiilsust aastatel.
Sõidetud tee‑kilomeetrid (Road‑km) Teede kogupikkus teatud piirkonnas või klassi järgi (nt maantee X km). Lihtne mõõde, kuid ei kajasta kasutusintensiivsust – eeldab homogeenset liiklust.
Sõidu­mahu indeks (Traffic Volume Index) Kombineeritud näitaja: AADT × keskmine sõiduki kiirus või koormuse klassifikaator. Võib paremini peegeldada tegelikku “kilomeetrite” kasutamist, kuid vajab täiendavaid andmeid (keskmine kiirus).
Sõidukite registreerimise arv (Vehicle Stock) Registritud sõiduautode koguarv piirkonnas. Sobib kui ligikaudne proxy; ei kajasta tegelikku liiklust, vaid potentsiaalset nõudlust.
Inimeste/maja‑suurus per ruutkilomeeter – demograafilised faktorit (populatsioon tihedus). Inimese arv / km² või elamute arv / km². Kasutatav, kui liiklusvoog on tugevalt seotud elanike tihedusega; eeldab lineaarset seost.
Sõidukite kiiruse‑ja‑koormus‑kaalu (Speed‑&‑Load Index) Keskmine sõidu­kiirus × AADT / teeklassi koefitsient. Pakub keerulisemat, kuid realistlikumat proxy’t “kilomeetrite” kasutamiseks.

Valiku kriteeriumid:

  1. Kättesaadavus – kas andmeid on olemas või saab neid hõlpsasti koguda?
  2. Variatsioon – peab eristama piirkondi, kus liiklusmaht tõesti erineb.
  3. Mõõtühikute ühilduvus – peaks olema sama mõõdikuna (nt sõidukite arv või km) kõigis võrreldavates üksustes.

2️⃣ Path‑analüüsi mudeli kohandamine

a) Mudelistruktuur ilma VMT‑sõltuvusena

AA → FA → TF → RFR
      ↑       ↑
    Proxy1   Proxy2 (eksponeerimise proxy)
  • Proxy1 – mõjutab FA. Näiteks AADT või sõidukite registreeritud arv.
  • Proxy2 – võib olla sama kui Proxy1, kuid on sisestatud ka otseselt RFR‑le, et kontrollida eksponeerimise mõju.

b) Regresseerimisvõrrandid (näide)

Võrrand Kirjeldus
FA = β1·AA + γ1·Proxy + ε1 Fatal accidents sõltuvad õnnetuste arvust ja liiklusvoost.
TF = β2·FA + γ2·Proxy + ε2 Surmade koguarv sõltub fatal accidents‑ist ning samasugusest eksponeerimisest (näiteks “surnud / km”).
RFR = β3·TF + γ3·Proxy + ε3 Lõplik surmaintensiivsus (surmad per miljon sõidukikilomeetrit) arvutatakse proxy‑ga normaliseerides.

Märkus: Kui kasutate sama proxyt kõigis võrrandites, siis see toimib “eksponeerimise kontrollkõlblikuna”. Alternatiivselt võib kasutada erinevaid proksie (nt AADT Proxy1 ja teede pikkus Proxy2) – sel juhul hindab mudel mõlemat eraldi.

c) Latentne VMT‑muutuja

Kui teil on mitu proxy‑andmestikku, saate modelleerida VMT-i latentse muutujana:

Latent_VMT → AA
Latent_VMT → FA
Latent_VMT → TF
Latent_VMT → RFR   (kaudne mõju)
  • Mõõdetavad indikaatorid: AADT, teede pikkus, sõidu‑kiirus.

  • SEM‑raamistik (lavaan või semopy) võimaldab määrata latentse konstruktsiooni ja hinnata selle koefitsiente.

    model_latent <- '
# Latent VMT definitsioon (3 indikatsiooni)
VMT =~ AADT + RoadKm + AvgSpeed
  
# Struktuursed seosed
FatalAccidents ~ b1*AllAccidents + l1*VMT
TotalFatalities ~ b2*FatalAccidents + l2*VMT
RFR            ~ b3*TotalFatalities + l3*VMT
'
fit_latent <- sem(model_latent, data=df)
summary(fit_latent, standardized=TRUE)

3️⃣ Kuidas asendada VMT praktikas

1. Liiklusvoo (AADT) kasutamine

  • Kalkulatsioon:
    • RFR_proxy = (TotalFatalities / AADT_total) × scaling_factor
    • Scaling factor võib olla näiteks “10⁶ sõidukite päevane voog” või „100 000 sõidu‑päeva“, et muuta väärtused intuitiivseks.
  • Eelised: Lihtne, tavaliselt olemas riiklike teede andmebaasides.
  • Piirangud: Ei arvesta tegelikku sõidukite läbitud kilomeetrit (sõituvad km sõltub kiirusest ja marsruudi pikkusest).

2. Teekogupikkus (Road‑km) + AADT

  • Kombineerige: Exposure = Σ(AADT_i × RoadKm_i) – see annab ligikaudse “kilomeetri‑päeva” väärtuse.
  • Kalkulatsioon:
    • RFR_proxy2 = TotalFatalities / Exposure

3. Sõidukite registreerimise arv (Vehicle Stock)

  • Sobib eriti hästi väiksemates või vähem andmeid koguvates piirkondades, kus AADT puudub.
  • Kalkulatsioon:
    • RFR_stock = TotalFatalities / VehicleStock

4. Demograafiline proxy (populatsiooni tihedus)

  • Kasutatakse siis, kui liiklusvood on tugevalt seotud elanike arvuga ja teekogumõõdud puuduvad.
  • Kalkulatsioon:
    • RFR_pop = TotalFatalities / Population

Oluline: Iga proxy‑valik peab olema konstantne kogu analüüsiperioodi jooksul või korrektselt normaliseeritud (nt inflatsiooni, rahvastiku kasv).

4️⃣ Praktika: sammud path‑analüüsi läbiviimiseks ilma VMT‑andmeteta

Samm Tegevus Kasutatav tööriist / koodinäide
1. Andmete kogumine Koguge AllAccidents (AA), FatalAccidents (FA), TotalFatalities (TF) ja valitud proxy‑andmed (AADT, RoadKm vms). Excel/CSV → R/Python import
2. Proxy normaliseerimine Arvutage exposure – nt Exposure = Σ(AADT_i × RoadKm_i). Kui ainult AADT, siis Exposure = Σ AADT_i. R df$Exposure <- with(df, sum(AADT * RoadKm))
3. Muutujate transformatsioon (valikuline) Log‑transformeerige loendandmeid, et vähendada heteroskedastilisust: logAA = log(AA+1) jne. R df$logFA <- log(df$FatalAccidents + 1)
4. Mudeli definitsioon Kirjutage SEM‑mudel (näide allpool). R lavaan või Python semopy.
5. Hinnang ja sobivuse kontroll Kontrollige χ², RMSEA, CFI, SRMR – veenduge, et mudel on statistiliselt vastuvõetav. R summary(fit, fit.measures=TRUE)
6. Kaudsete efektide arvutamine Korrutage koefitsiente (nt β_total = β1·β2·β3). Manuaalselt või funktsiooniga (parameterEstimates()).
7. Tulemuste visualiseerimine Joonistage tee‑diagramm, kaardistage riskipiirkonnad. R semPlot, QGIS/ArcGIS (kaardi loomine).
8. Poliitikasoovitused Koostage raport: “Sõidukite registreerimise arvu vähendamine X % → surma‑intensiivsuse vähenemine Y %”. Word/LaTeX + graafikud.

R‑koodinäide (AADT proxy)

library(lavaan)
# 1) Andmed
df$logAA <- log(df$AllAccidents + 1)
df$logFA <- log(df$FatalAccidents + 1)
df$logTF <- log(df$TotalFatalities + 1)

# 2) Proxy: AADT (kui teekilomeetrite puuduvad, kasutame ainult voogu)
exposure <- sum(df$AADT)               # päevane sõidukite arv kogu perioodis
df$RFR_proxy <- df$TotalFatalities / exposure * 1e6   # surmad per miljon AADT

# 3) SEM mudel (kasutades log‑muutujaid)
model <- '
  # otseefektid
  logFA ~ b1*logAA + g1*AADT
  logTF ~ b2*logFA + g2*AADT
  RFR_proxy ~ b3*logTF + g3*AADT

  # kaudne tee (logAA → logFA → logTF → RFR)
'
fit <- sem(model, data = df, estimator="MLR")
summary(fit, standardized=TRUE, fit.measures=TRUE)

# 4) Kaudse efekti arvutus
est <- parameterEstimates(fit)
beta_total <- est$est[est$label=="b1"] *
              est$est[est$label=="b2"] *
              est$est[est$label=="b3"]
cat("Kaudne efekt (logAA → RFR):", beta_total, "\n")

5️⃣ Sensitiivsuse‑ ja robustsuskontrollid

Kontroll Kuidas teha?
Erinevate proxyde võrdlus Käivita mudel kolm korda – kordamööda AADT, RoadKm, VehicleStock. Võrreldes koefitsiente ja sobivusindikaatoreid (RMSEA jne).
Bootstrapping Hinnake kaudsete efektide usaldusvahemikke 5 000‑kordse bootstrapiga (lavaan funktsioon bootstrap).
Ajaliselt lagged mudel Lisage viiteaegade (lag) muutujad: logFA_t ~ logAA_{t-1}. Kontrollib, kas mõju ilmneb järgmisel aastal.
Subgrupi analüüs Eraldi hinnake linnalised vs maapiirkondlikud andmed – võib selgitada, milline proxy töötab paremini erinevates kontekstides.

6️⃣ Kokkuvõte: “Mida teha, kui VMT puudub?”

  1. Vali sobiv eksponeerimise proxy (AADT, teekilomeetrid, sõidukite arv vms).
  2. Normaliseeri surma‑ ja õnnetusnäitajad selle proksi alusel, et saada “surmad per üksikühik” (nt surmad / AADT).
  3. Ehita path‑analüüs samade struktuursete seoste abil – AA → FA → TF → RFR, lisades proxy muutujate koefitsiente.
  4. Alternatiivselt modelleeri VMT latentse muutuja mitme proksi põhjal (AADT + RoadKm + AvgSpeed). See võimaldab säilitada teoreetilist “kilomeetrite” kontseptsiooni, isegi kui tegelikud kilomeetrid on puudu.
  5. Testi mudeli sobivust, arvuta otsesed ja kaudsed efektid ning tee sensitiivsuse analüüs, et kinnitada proksi valiku robustsust.

Kui need sammud järjekindlalt järgida, siis võite saavutada sama informatiivse ja poliitikakujundajatele kasuliku tulemuse nagu VMT‑põhise mudeliga – näidates selgelt, kuidas õnnetuste sagedus vs raskusaste mõjutab surmaintensiivsust ning millised sekkumised toovad kõige suurema turvalisuse tõusu.

Lühike “tegevuskava” (checklist)

Tegevus Juhend / Tööriist
📊 Andmete kogumine – AA, FA, TF + AADT või muu proxy Statistikaamet, liikluskorralduse andmebaas
🧹 Puhastamine & transformatsioon (log‑transform) R dplyr, Python pandas
📐 Proxy arvutamine – Exposure = Σ(AADT·RoadKm) vms Excel/SQL / R mutate()
🔍 SEM mudeli definitsioon R lavaan, Python semopy
🧪 Sobivuse hindamine (RMSEA, CFI…) summary(fit, fit.measures=TRUE)
📈 Tulemuste visualiseerimine – tee‑diagrammid + riskikaardid R semPlot, QGIS/ArcGIS
✍️ Poliitikasoovitused (prioriteedid) Word / LaTeX raport koos KPI‑dega

Järgides seda raamist, saate luua tugeva tõendusmaterjali liiklusohutuse parandamiseks ka olukorras, kus traditsiooniline VMT‑andmestik on kättesaamatu.

Liiklussageduse (traffic volume) sidumine mitme‑näitaja path‑analüüsi mudeliga

(ilma VMT‑andmeteta)

Alljärgnevas selgitan, kuidas liiklussagedust – tavaliselt AADT (Annual Average Daily Traffic) või mõnda muud voogumõõdet – saab süstemaatiliselt integreerida teooria‑põhisesse tee‑analüüsi raamistikku.

1️⃣ Miks liiklussagedus on oluline?

Liiklussageduse roll Mõju mudelile
Eksponeerimise faktor – näitab, kui palju sõidukeid teekond igapäevaselt kasutab. Võimaldab “surma‑intensiivsust” (RFR) skaleerida vastavalt tegelikule koormusele.
Riskifaktor – suurem voog suurendab kokkupõrke tõenäosust, kuid võib ka vähendada sõiduki intensiivsuse (kui sama arv sõidu‑km jaotub rohkemate auto vahel). Selgitab, miks mõnikord kõrgem AA ei tähenda proportsionaalselt suuremat RFR.
Seadusandlik alus – AADT on tihti sisuliselt olemas riiklikes teede haldamise andmebaasides ja seetõttu kättesaadav. Pakub praktilist mõõdet, millega saab mudelit rakendada ilma VMT‑spetsiifiliste GPS‑andmeteta.

2️⃣ Kuidas liiklussagedust (AADT) integreerida path‑analüüsi

2.1 Mudeli laiendamine – “Exposure” komponentina

AA → FA → TF → RFR
│          ↑        |
└─► Exposure (AADT) ────►
  • Exposure on liiklussagedus‑kaalutud koefitsient, mis korrigeerib iga järgmise astme sõltuvust.
  • Seda saab rakendada kahel viisil:
    1. Otse regressioonina (AADT kui kontrollmuutuja).
    2. Latentne konstruktsioon, kus AADT koos teiste proksidega moodustab “Traffic Volume” latentse muutuja.

2.2 Valemiline vorm

Võrrand Kirjeldus
FA = β1·AA + γ1·AADT + ε1 Fatal accidents sõltuvad koguarvust (AA) ja liiklussagedusest (AADT).
TF = β2·FA + γ2·AADT + ε2 Surmade arv sõltub fatal accidents‑ist ning AADT‑st.
RFR = β3·TF + γ3·AADT + ε3 Lõplik surmaintensiivsus (surmad / miljon sõidukikilomeetrit) on mõjutatud nii suremuste koguarvust kui ka liiklussagedusest.

Märkus: Kui RFR arvutatakse normeeritud AADT‑ga, siis viimane koefitsient (γ3) võib olla 0 (kuna normaliseerimine juba võtab AADT arvesse). Sel juhul on AADT sisestatud ainult FA ja TF tasanditel.

2.3 Alternatiivne lähenemine – log‑transformatsioon

Liiklussagedus on tihti väga mitmekesine (10 000–200 000 sõidukit päevas). Logaritmiline skaleerimine aitab:

logFA = β1·logAA + γ1·logAADT + ε1
logTF = β2·logFA  + γ2·logAADT + ε2
logRFR= β3·logTF  + γ3·logAADT + ε3   (või jätke see välja, kui RFR on juba log‑skaalas)

3️⃣ Latentne “Traffic Volume” konstruktsioon (mitme proxyga)

Kui teil on lisaks AADT‑le ka teisi koormuse näitajaid – näiteks:

Proxy Kirjeldus
RoadKm Teede kogupikkus piirkonnas.
AvgSpeed Keskmine sõidu kiirus (km/h).
VehicleStock Registreeritud sõidukite arv.

Siis saate luua latentse muutujaga, mis esindab tegelikku koormust:

TrafficVol =~ AADT + RoadKm + AvgSpeed
FA       ~ β1*AA   + λ1*TrafficVol
TF       ~ β2*FA   + λ2*TrafficVol
RFR      ~ β3*TF   + λ3*TrafficVol
  • =~ tähistab, et TrafficVol on latentne faktor, mida mõõdetakse antud indikaatoritega.
  • See võimaldab kaalujaid (λ1, λ2, …) optimeerida, nii et mudel “õpib”, milline proxy annab parima selgituse.

R‑kood (lavaan)

library(lavaan)

model_latent <- '
  # Latentne faktor: Traffic Volume
  TrafficVol =~ AADT + RoadKm + AvgSpeed

  # Struktuursed seosed
  FatalAccidents ~ b1*AllAccidents + l1*TrafficVol
  TotalFatalities ~ b2*FatalAccidents + l2*TrafficVol
  RFR            ~ b3*TotalFatalities   # (RFR on juba normaliseeritud)
'

fit_latent <- sem(model_latent, data = df,
                  estimator = "MLR", std.lv=TRUE)   # standardiseeritud latentne faktor

summary(fit_latent, standardized = TRUE, fit.measures = TRUE)

Tulemuste tõlgendamine

  • l1, l2 näitavad, kui palju liiklussagedus (ja sellega seotud koormuse komponent) mõjutab otse fatal accidents ja total fatalities.
  • Kui l1 või l2 on statistiliselt olulised (p < 0.05) – siis liiklussagedusel on oluline roll riskifaktorina.

4️⃣ Andmete hankimine & ettevalmistus

Allikas Mida koguda?
Riiklik teede haldamise andmebaas (nt Eesti Maanteeamet) AADT, teekilomeetrid (RoadKm), keskmine kiirus.
Statistikaamet / Demograafiad Sõidukite registreerimise arv, elanike tihedus – võimaldavad täiendavaid proksie.
Ilmaandmed (meteostaatika) Ilmastikutingimused (WeatherIndex) – kontrollmuutujaks, sest halb ilm suurendab õnnetuste tõenäosust.

Andmetöötluse sammud

  1. Koguge igapäevane või aastane AADT iga teekonna lõigu kohta.
  2. Summeerige: Exposure = Σ (AADT_i × RoadKm_i) – see annab “sõidukite‑päeva‑kilomeetriline” koormus, mis on VMT‑asendus.

  3. Logi transformeerige, kui jaotused on tugevalt kallutatud (log(Exposure+1)).

    df$Exposure <- with(df, AADT * RoadKm)   # rida‑tasemel
total_exposure <- sum(df$Exposure)        # kogu piirkonna koormus
df$logExposure <- log(total_exposure + 1)

5️⃣ Kuidas tõlgendada tulemusi transport‑planeerijale?

Efekt Tähendus (näide)
γ1 positiivne ja oluline (p < .01) Liiklussagedus suurendab fatal accidentsi – seega tuleks keskenduda koormuse vähendamisele (nt alternatiivne ühistransport, takistuste loomine).
β2 tugev (≈0.8) Surmade koguarv sõltub peamiselt fatal accidents‑idest; see tähendab, et raskusastme alandamine (kiirusepiirangud, turvalised ristmikud) annab suurema mõju kui ainult õnnetuste arvu vähendamine.
γ2 negatiivne Suurem AADT vähendab suremusi per sõidukikilomeeter – võimalik seletus on “turvalisemad teed/kiirusepiiramised” suurema koormusega maanteedel. See annab signaali, et kõrge liiklusvoog ei ole alati negatiivne; oluline on koormuse kvaliteet.
λ1 (latentse faktori kaalu) Kui AADT omab suurimat kaalu (≈0.7) ja teised proksid väiksemad, siis AADT on peamine liiklussageduse mõõde. Planeerijad peaksid keskenduma sõiduvoo juhtimisele (nt dünaamiline kiirusepiirang).

6️⃣ Poliitikasoovitused põhinevad mudeli tulemustel

  1. Liiklustegevuse hajutamine

    • Sihitud investeeringud alternatiivse transpordi infrastruktuuri (rajalõigud, trammid) piirkondades, kus AADT on kõrge ja γ1 positiivne.

  2. Raskusastme vähendamise meetmed

    • Kiirusepiirangute karmistamine, turvalised ristmikud (kõrge β2).
    • Valgustuse parandused ja intelligentsed liikluskorraldussüsteemid (ADAS‑toetatud).

  3. Sõiduvoo optimeerimine – “Smart Traffic Management”

    • Reaalajas AADT jälgimise süsteem, mis suunab sõidukite koormust teistesse marsruutidesse tipptundidel. See vähendab γ1‑efekti (väheneb fatal accidents).

  4. Järelevalve & KPI-d

    • KPI 1: “Fatal Accident Rate per 10 000 AADT” – jälgitakse igakuist muutust.
    • KPI 2: “Raskusastme vähendamise protsent (β2‑koefitsient aastas)”.

7️⃣ Lõplik sammude kontrollnimekiri

Samm Tegevus
✅ Koguge AADT + täiendavad proksid (RoadKm, AvgSpeed, VehicleStock).
✅ Arvutage Exposure = Σ(AADT × RoadKm) või kasutage log‑transformeeritud logAADT.
✅ Määrake mudeli struktuur:
- Otse regressioon (FA ~ AA + AADT)
- Või latentne faktor (TrafficVol).
✅ Hinnake mudelit (RMSEA, CFI, SRMR).
✅ Tõlgendage koefitsiente – keskendu γ‑ ja β‑parameetritele.
✅ Koostage poliitikasoovitused vastavalt sellele, milline komponent (AADT, FA, TF) on kõige tugevam riskifaktor.
✅ Jälgige KPI-sid ning uuendage mudelit iga 2‑3 aasta tagant uute andmetega.

Kokkuvõte

  • Liiklussagedus (AADT) toimib eksponeerimise ja riskifaktori rollis path‑analüüsi raames, asendades VMT‑andmed.
  • Seda saab rakendada otse regressioonina või kombineerida teiste proksidega latentseks Traffic Volume faktoriks.
  • Mudeli tulemused näitavad selgelt, kas sagedus (koormuse suurus) või raskusaste (fatal accidents/total fatalities) on peamine mõjutaja surmaintensiivsusele – ja seeläbi juhivad need planeerijaid valima õige suuna poliitika: voo hajutamine vs. õnnetuste raskusastme alandamine.

Kasutades ülaltoodud raamistikku, saate luua tõendus‑põhise analüüsi, mis on täielikult rakendatav ka siis, kui VMT‑spetsiifilised andmed puuduvad, ning annab selge suuna jätkusuutliku ja turvalise transpordisüsteemi kujundamiseks.

Teemat on käsitletud

Kuidas rakendada mitmeindikaatori liiklusohutuse (RTS) mudelit teistes riikides või piirkondades

Alljärgnevalt esitan praktilise töövoo, mis põhineb artiklis kirjeldatud lähenemisel ning on kohandatav erinevate rahvuslike ja regionaalsete kontekstide jaoks.

1️⃣ Ettevalmistus – kohaliku konteksti kaardistamine

Samm Mida teha Miks oluline
a) Kogukonna‑ ja poliitiline analüüs Kaardista riigi/piirkonna olemasolevad liiklusohutuse strateegiad, SDG‑si kohaldamine (nt eesmärk 3.6 – surmade pooleks vähendamine aastaks 2030) ning rahvuslikud sihid (näiteks “Towards Zero” – 50 % vähenemine võrreldes baasajaga 2010) [1]. Tagab, et mudel toetub olemasolevatele poliitilistele raamistikutele ja aitab siduda uue mõõdikuga juba kehtivad eesmärgid.
b) Andmekaitse‑ ja õigusraamistik Kontrolli, millised andmed on kättesaadavad (politsei‑/sõidukiregistrite aruanded, telemaatikasüsteemide logid). Veendu, et nende kasutamine vastab kohalikele privaatsusnormidele. Andmete kvaliteet ja õiguslik korrektsus mõjutavad mudeli usaldusväärsust.
c) Geograafilised/ demograafilised eripärad Kogu teave sõidukite tüübi, liikluskoormuse tiheduse, linna‑ vs maapiirkondade kohta. Need faktorid võivad muuta indikaatorite suhtelisi kaalusid (nt maapiirkondades on õnnetuste sagedus suurem, kuid tõsidus madalam).

2️⃣ Andmete kogumine – nelja põhimetriiku hankimine

Indikaator Andmeallikad Märkus
Road fatality rate (surmajuhtude arv per miljon sõidetud km) Sõidukite läbitud kilomeetrid (tollisüsteem, GPS‑andmed või statistiline modelleerimine) + registreeritud surmad. Kui täpset kaubandusliku liikluse andmestikku pole, võib kasutada keskmist sõidu­kilometrit per sõiduk ja korrutada registrite arvuga.
Number of fatalities (kogu surmade arv) Politsei/terve‑süsteemi registreerimised; haiglate suremusregistrid. Kontrolli andmete täielikkust – alaraportimine on tavaline probleem, seega kasuta mitme allika võrdlust.
Number of fatal accidents (fataalsed õnnetused) Politsei õnnetusaruanne; kindlustusseltside kahjukirjed. Täpsusta definitsioon – “fatal accident” tähendab sündmust, kus vähemalt üks inimene sureb kohapeal või 30 päeva jooksul pärast kokkupõrget.
Total number of road accidents (kõik õnnetused) Samad allikad kui eelmises veerus, kuid laiem filtr – ka väikeste kahjudega sündmused. Võib lisada kategooriad: “light injury”, “serious injury”.

Andmete puhastamine: lineaarne interpolatsioon puuduvate väärtuste täitmiseks; log‑transformatsioon (log(x + 1)) suurte arvude stabiliseerimiseks.

3️⃣ Struktuurimudeli (Path Analysis) ehitamine

a) Latentse konstruktsiooni defineerimine

  • Latentne muutuja “RTS” – hindab üldist liiklusohutust.
  • Indikaatorid on nähtavad mõõdikud, mis „laadivad“ RTS‑sõlme.

b) Mudeli diagramm (tekstiline kirjeldus)

Road fatality rate  →\
Number of fatalities   →  RT S
Fatal accidents        →/
Total accidents       →

Lisaks võid lisada kaudseid teid, näiteks:
road fatality rate → number of fatalities → RTS, et näidata, kuidas suremus mõjutab üldist turvalisust kaudselt.

c) Hinnangute arvutamine

  • Kasuta struktureeritud lineaarset modelleerimist (SEM).
  • Koefitsientide (β) väärtused määravad indikaatorite kaalu RTS‑indeksis.
  • Sobivuse näitajad: CFI ≥ 0.95, RMSEA ≤ 0.06; need tagavad mudeli usaldusväärsuse.

d) Tarkvara

R (pakett lavaan), Stata (sem) või IBM SPSS AMOS – kõik toetavad path‑analysisi ja võimaldavad tulemuste visualiseerimist.

4️⃣ Mudeli kalibreerimine ja valideerimine

Valideerimismeetod Kirjeldus
Kvalitatiivne kontroll Intervjueeri kohalikke liiklusohutuse eksperte, et kinnitada indikaatorite tähendus.
Rist‑validatsioon (kross‑validation) Jaga andmed treening‑/testkomplektiks (nt 70 % /30 %). Hinnake prognoosiv täpsus (RMSE või MAPE).
Ajaline stabiilsus Kontrolli, kas koefitsientide väärtused püsivad sarnased erinevate ajaperioodide vahel (2010‑2020 vs 2021‑2025).

5️⃣ RTS‑indeksi koostamine ja kasutuselevõtt

a) Indeksivalemi

[ RTS_{i,t}= w1 \cdot FR{i,t}+w2 \cdot NF{i,t}+w3 \cdot FA{i,t}+w4 \cdot TA{i,t} ]

  • FR = road fatality rate,
  • NF = number of fatalities,
  • FA = fatal accidents,
  • TA = total accidents.

Kaalud (w_j) võetakse path‑analysis‑st saadud β‑koefitsientidest.

b) Skaleerimine 0–100

[ RTS^{*}=100 \times \frac{RTS-\min(RTS)}{\max(RTS)-\min(RTS)} ]
Võimaldab riikide ja piirkondade võrdlust ühtsel skaalal.

c) Visualiseerimine & aruandlus

  • Interaktiivne veebidashbord (Power BI, Tableau või R‑shiny).
  • Kaardirenderdus: kuumad punktid (kõrge RTS), trendijooned ajas.
  • Regulaarne aastane raport – kooskõlas SDG‑de jälgimise nõuetega [1].

6️⃣ Poliitikasoovitused mudeli põhjal

Dominantsen indikaator Soovitatav sekkumine
Road fatality rate (kõrge) Kiirusepiiramiste automaatne jälgimine, nutikad kiiruskaamerad.
Number of fatalities (kasvav) Kohustuslik turvalisuskoolitus; rangemud sõidukite ohutusstandardid (AD‑AS).
Fatal accidents (suured arvud) Ristmiste ümberkujundamine “protected intersections”, jalakäijate eraldatud rajad.
Total accidents (palju, kuid madal tõsidus) Kampaaniad turvalise sõidu kultuuri edendamiseks; teavitustööd alkoholi‑ ja mobiiltelefonikasutuse kohta.

7️⃣ Võimalikud väljakutsed & lahendusstrateegiad

Väljakutse Lahendus
Andmekvaliteedi varieeruvus (puuduvad või ebatäpsed andmed) Loo Data Quality Index ja kasutage mitme allika triangulatsiooni.
Indikaatorite definitsioonide erinevused riikides Koosta ühtne meta‑andmestiku koodiraamistik, lähtudes IRTAD või WHO standarditest (nt “fatal accident” = 1+ surma).
Poliitiline toetus puudub Esita mudeli pilotuuringud ja näita selgelt seost SDG 3.6‑ga ning potentsiaalset kuluefektiivsust [1].

Kokkuvõte

Mitmeindikaatori RTS‑mudel on kohandatav järgmistest sammudest: (i) kohaliku konteksti kaardistamine, (ii) andmete kogumine ja puhastamine, (iii) path‑analysisi põhine struktuurimudel, (iv) mudeli kalibreerimine ning (v) indeksilepõhiste poliitikasoovituste koostamine. Sellise lähenemisega saab iga riik või piirkond täpselt mõõta oma liiklusohutuse olukorda, jälgida edusamme SDG‑de suunas ja suunata ressursse tõhusamalt õnnetuste tõsiduse vähendamiseks – mis on uuringu põhijäreldus (et “severity” mõjutab RTS-d tugevamini kui „frequency”) [1] 7516011e.md.