BS Praktikum PDF

Матовић, Б.
: Увод
1. УВОД
Истраживања имају практични циљ да омогуће истраживачима да схвате и разумеју

појаве које истражују и развију низ решења за проблеме са којима се људи суочавају у
свакодневном животу. За разлику од објашњења који су добијени субјективним приступом
филозофа, религијских лидера или политичара, научна објашњења су заснована на
емпиријском приступу, тј. на систематичном прикупљању и анализи података. Прикупљени
подаци и информације добијене из њих су базиране на независним посматрањима и
мерењима. Овакав приступ омогућава објективна објашњења проблема о којима је реч.
Такав приступ усмерава истраживаче и прописује начин прикупљања и анализе података,
извођење закључака из тих података, као и публиковање резултата истраживања. Једна од
најчешћих научних метода које се примењују у области безбедности саобраћаја је
статистика.
Статистика је научни метод који се користи за прикупљање, уређивање, анализу,

приказивање и интерпретацију података и доношење статистичких закључака.
У области безбедности саобраћаја експерти су често у прилици да доносе важне одлуке и

да дају концизна решења у условима које најчешеће прати неизвесност. Широк спектар
статистичких метода им омогућава да на стручан и исправан начин донесу одлуке. Одлуке
донете на овакав начин се називају проценама или прогнозама. Одлуке донешене без
кориштења научних метода нису поуздане и често резултирају погрешним закључцима.
Разликује се теоријска и примењена статистика. Теоријска или математичка
статистика бави се развојем, извођењем и доказивањем статистичких теорема, формула,
правила и закона. Примењена статистика подразумева примену тих теорема, формула,
правила и закона у решавању реалних проблема.
1.2. ОБЛАСТИ СТАТИСТИКЕ
У оквиру овога практикума, тежиште ће бити на примењеној статистици која може бити
дескриптивна и инференцијална статистика (тј. статистика закључивања).
Ако се претпостави да неко располаже базом података о саобраћајним незгодама, у
којима се налази скуп бројева који означавају нпр. врсту саобраћајних незгода према
последицама, онда се тај скуп назива серијом података, идентификациони број сваке
саобраћајне незгоде назива се елементом, а ознака сваког појединачног типа саобраћајне
незгоде податком или опсервацијом.
Серија података у изворном облику обично је веома велика и непрегледна. Таква серија
података није од велике помоћи у доношењу закључака или одлука. Закључке је лакше
доносити на основу сумарних табела и дијаграма него на основу непрегледне серије
података. Према томе, такве серије података се сажимају тако што се на основу њих
формирају табеле, дају графички прикази, или се израчунавају сумарни показатељи као што
су средње вредности, фреквенција и др. Део статистике који омогућава да се спроведе ова
врста статистичке анализе назива се дескриптивном статистиком.
Дескриптивна статистика се састоји од метода прикупљања, сређивања, приказивања

и описивања података помоћу табела, графикона и сумарних показатеља.
Већи део статистике бави се закључивањем, доношењем одлука, предвиђањима и
1
прогнозама о основном скупу на основу резултата добијених из узорка. На пример, уколико
се желе испитати ставови возача путничких аутомобила према безбедности саобраћаја на
подручју града Новог Сада и донети одлуке о евентуалним мерама за побољшање тих
ставова, онда се закључци могу извести на основу репрезентативног узорка од 1.000 возача
изабраних из националног регистра возачких дозвола за ово подручје.
Инференцијална статистика обухвата статистичке методе које се примењују да би се

на основу резултата из дела основног скупа (узорка) дошло до закључака о
карактеристикама основног скупа.
1.3. СТАТИСТИЧКА ПОПУЛАЦИЈА
Када се говори о статистици као научном методу, веома често се у литератури може
наићи на појмове основног скупа (или популације) и узорка. У складу са тим, веома је
важно у потпуности разумети ова два појма, као и разлике које постоје између њих. Основни
скуп се састоји од свих елемената или јединица посматрања чије карактеристике се
испитују: појединаца (бића), ствари или предмета. Основни скуп који се проучава назива се
још и циљном популацијом.
Основни скуп података или статистичка популација представља скуп истоврсних

јединица посматрања који имају неку заједничку карактеристику од интереса.
У зависности од броја јединица (опсега) популација може бити коначна и бесконачна.

Коначна популација је она која има коначан број елемената, док са друге стране бесконачна
популација има бесконачан број елемената.
Статистичка популација мора бити дефинисана појмовно, просторно и временски.
Појмовном дефиницијом елемената популације утврђује се њихова припадност том скупу с
обзиром на појам јединице. Просторном дефиницијом дефинише се простор коме
припадају сви елементи посматране популације, док се временском дефиницијом дефинише
временски интервал или или одређени тренутак за који су везани елементи о којима је реч.
Закључци о основном скупу се готово увек доносе на основу дела тог скупа.
Део основног скупа који је изабран у сврхе статистичке анализе назива се узорком.
Ако би се у истраживању обухватиле све јединице основног скупа, до резултата се

долази у дужим временским интервалима, што се може негативно одразити на употребну
вредност самог истраживања. Помоћу узорка у краћем времену се долази до информација о
траженим обележјима. Поједина истраживања поред значајних финансијских средстава
захтевају врло стручне људске капацитете и неопходну техничку опрему. Имајући у виду да
узорак садржи мањи број јединица, његовом применом обезбеђује се потенцијал за
спровођење сложенијих и опсежнијих истраживања. На тај начин, опсег рада приликом
прикупљања података је значајно смањен. Стога се помоћу узорка може чак постићи и већи
степен тачности података и поузданости самог истраживања, него што је то случај са
истраживањем заснованом на целокупној популацији. У многим случајевима чак је немогуће
идентификовати сваки елемент основног скупа тј, истраживање популација које нису
коначне могуће је истражити само на основу узорка. Зато се истраживање најчешће
спроводи на основу изабраног узорка, који на основу адекватних статистичких алата
омогућава да се до карактеристика основног скупа може доћи на основу информација које се
добију из узорка.
2
Матовић, Б.: Увод
Један од основних задатака узорка односи се на процењивање непознатих параметара.

Параметар представља функцију свих вредности основног скупа (популације). Уколико се
из популације од N елемената изабере узорак од n елемената (n<N), параметар основног
скупа се процењује, а израз (функција, формула) помоћу које се процењује назива се
проценитељом. Проценитељ је функција вредности из узорка. Помоћу проценитеља и
вредности из узорка параметар се процењује бројем и интервалом. Добијене вредности се
називају проценама. Процес избора узорка из статистичког скупа приказан је на слици 1.1.
Слика 1.1. Процес избора узорка из основног скупа
Резултати добијени на основу узорка требало би да буду што сличнији резултатима који
би се добили спровођењем анализе целокупне популације. У противном, закључци
засновани на узорку не би могли бити генерализовани, односно примењени на одговарајући
основни скуп. Такав узорак назива се репрезентативним узорком, а закључци засновани на
таквој врсти узорка су најпоузданији. Врло често, репрезентативност узорка је у функцији
методе избора узорка.
Основни критеријум за поделу узорка је заснован на теорији вероватноће, према којој

разликујемо:
 узорке засноване на теорији вероватноће и
 узорке са намерним одабиром.
Доношење објективних нумеричких тврдњи у погледу прецизности резултата узорка је

једино могуће када су узорци случајни (засновани на теорији вероватноће), јер тада за сваку
јединицу популације постоји вероватноћа да уђе у узорак. Једна од основних предности рада
са случајним узорцима је у томе да истраживачи не морају познавати обележја основног
скупа из којег узимају узорак, као ни њихову расподелу.
Постоје следеће врсте узорака који су засновани на теорији вероватноће:
 једноставни случајни узорак;
 стратификовани узорак;
 узорак група;
 систематски узорак;
 комбиновани типови узорака.
3
Једноставни случајни узорак има значај, јер је у њему садржана суштина случајног
избора и може помоћи у разумевању осталих метода избора. Поред тога, овај узорак се може
применити у оквиру осталих метода када се подручје истраживања сведе на мање целине у
којима је једноставни случајни избор могућ. Једноставни случајни узорак величине n
елемената добиће се из основног скупа који има N елемената ако се избор обавља тако да
сваки узорак величине n који се може изабрати из тог основног скупа има исту вероватноћу
да буде изабран. Да би избор појединих елемената у узорак заиста био случајан, неопходно
је придржавати се начела примене рачуна вероватноће при избору јединица у узорак.
Најчешћи начини случајног избора јединица су: употреба таблице случајних бројева,
применом одговарајућег софтверског решења који ствара случајне бројеве путем рачунара,
итд. Упркос томе што веома добро може послужити за објашњавање суштине метода узорка,
овај узорак се ретко може применити у практичним истраживањима. Наиме, у пракси су
ретки случајеви у којима постоји задовољавајућа листа која уједно представља једину
расположиву информацију о предмету истраживања, те код којих су трошкови по јединици
независни од локација изабраних јединица. Примена једноставног случајног узорка, ако се
неко жели придржавати теорије, увек ће проузроковати читав низ организационих проблема.
Само онај једноставни случајни узорак који је одабран уз стриктно поштовање свих
теоријских претпоставки, може бити довољно поуздан и само тада се може квантифицирати
степен те поузданости. У том случају потребна улагања су најчешће већа од ефекта који се
добије реализацијом одређеног истраживања.
Стратификовани узорак је врста узорка који се заснива на рашчлањивању основног
скупа на слојеве (стратуме), а из стратума се бирају мањи једноставни случајни (под) узорци.
Користи се за побољшање прецизности случајног узорка и то онда када је популација
хетерогена по одређеним значајним обележјима, док се број јединица узорка из сваког
стратума одређује на основу пропорционалности или на бази оцене о значају сваког
стратума. Приликом стратификовања скупа треба водити рачуна да разлике између стратума
буду што веће, а да се при томе осигура најмања грешка оцене неке карактеристике. Циљ је
да се стратуми уреде како би се што више међусобно разликовали и да маса унутар сваког
слоја буде што је могуће хомогенија. Да би се квалитетно одредио број стратума и начин
стратификовања, неопходно је претходно прикупљање информација о структури изучаваног
скупа. Информације се односе на она обележја која ће се испитивати и чије карактеристике
ће се процењивати или тестирати. Поред одређивања броја стратума, значајан проблем у
примени овог узорка представља распоред укупног узорка на поједине стратуме. У вези с
тим разликујемо пропорционални и оптимални распоред. Ако су у свим стратумима
задржане пропорције као и у основном скупу, тада је реч о пропорционалном распореду.
Концепт избора стратификованог узорка је приказан на слици 1.2. Понекад стратификовани
узорак није практичан за спровођење, па подела популације у мање делове или групе
(кластере) може бити практичније.
Узорак група се користи у случајевима када не постоји комплетна листа свих јединица
основног скупа која би служила као основ за формирање узорка или у случају када је избор
јединица у узорак повезан са проблемима техничке, организационе и финансијске природе.
Оцене карактеристика основног скупа на основу узорка група су прецизније уколико је
унутрашњи варијабилитет група већи, а вањски варијабилитет мањи. Група је у овом случају
примарна јединица избора дефинисана као онај елемент или скуп елемената које узимамо у
обзир за избор у некој етапи избора узорка. Практично, ако уместо појединачних чланова
неке популације, на бази случаја, бирамо одређене групе чланова, онда говоримо о узорку
група. На пример, уместо да узмемо узорак из читаве популације једног града, можемо на
бази случаја одабрати одређени број квартова града и само се на њих концентрисати. У
пракси је избор група најчешће диктиран природним груписањем, али треба водити рачуна о
значајном повећању грешке узорковања која је често поседица груписања. Кластер узорак
или узорак групе није исто што и стратификовани узорак. Стратуми су хомогени и разликују
4
се између себе, док су кластери или групе углавном хетерогени и наликују на популацију.
Ово омогућава повољнију ситуацију у погледу практичне примене.
Слика 1.2. Процес избора стратификованог узорка из основног скупа
Систематски узорак се формира тако да се по реду броје елементи у основном скупу и

да се у узорак изабере, нпр. сваки пети, десети, педесети или k-ти елемент. Редни број
елемента од којег почиње бројање одређује се случајним избором из таблице случајних
бројева, од бројева између 1 и k. Код овог избора постоји за сваку јединицу у основном
скупу једнака могућност да буде изабрана за узорак, ако је број елемената који се бира тачан
делитељ броја елемената у основном скупу. Предност овог узорка је и у томе што се може
користити и када не постоји попис јединица основног скупа (нпр. анкетирањем сваког k-тог
испитаника). Систематски избор даће случајно изабрани узорак само онда када су елементи
скупа случајно поредани.
Осим претходно наведених узорака заснованих искључиво на случајности, односно
теорији вероватноће, који омогућују да свака јединица скупа буде укључена у узорак, у
пракси се често користе и узорци који нису базирани само на теорији вероватноће, већ и на
властитом знању и искуству. Најчешће се у пракси примењују следеће врсте узорака који
нису засновани на вероватноћи:
 квотни узорак;
 експертни - намерни узорак;
 узорак ''грудва снега'';
 пригодни или расположиви узорак.
Квотни узорак је најближи случајним узорцима, јер представља комбинацију

стратификованог и намерног узорка обзиром да се у узорак бирају јединице које по процени
истраживача најбоље одговарају циљу истраживања. Другим речима, квотни узорак чине
различите подгрупе основног скупа, према њиховим важним особинама, у оквиру којих
даљу селекцију врши сам истраживач. Квотни узорак се врло често примењује због
једноставног формирања и релативно добрих резултата. Поступак његовог формирања
одвија се у три фазе:
1) одређивање контролних особина (које сматрамо значајним за проучавање),
2) одређивање структуре и величине узорка и
3) селекција елемената у узорак на основу претходно дефинисаних особина.
5
Предности квотног узорковања су економичност и то што је једини примењив метод
узорковања за популације за које не постоји оквир. Недостаци квотног узорковања су у томе
што не омогућава да се процене стандардне грешке повежу са резултатом из узорка, као и
чињеница да истраживачу остаје пуна слобода у избору елемената у узорак, што неминовно
имплицира елементе пристрасности.
Експертни (намерни) узорак чине оне јединице које стручњаци сматрају
“најтипичнијима” за популацију која се истражује. Проучавајући одређену статистичку
популацију чије особине познају, они могу одабрати узорак оних јединица које су по
њиховом мишљењу типичне за истраживање датог проблема, односно оне јединице за које
сматрају да су довољно репрезентативне. Истраживање помоћу овог узорка даје најбоље
резултате када је основни скуп веома мали. Његова главна примена је у експлоративним
истраживањима, а такође се користи у прогнозама исхода избора. Код експертног узорка не
можемо објективно оценити величину грешке, јер се не заснивају на принципима
вероватноће, већ на знању стручњака који су извршили избор јединица узорка.
Узорак ''грудва снега'' формира се на принципу формирања “грудве снега” и захтева од
истраживача иницијално идентификовање једне или две особе које имају одређену
карактеристику. Те особе су изабране као носиоци информација, јер се од њих тражи да
идентификују друге испитанике који имају тражене квалитете. Основна предност овог
узорка је у економичности.
Пригодни или расположиви узорак настаје од случајева до којих се у неком тренутку
једино могло доћи или који су се истраживачу случајно нашли на располагању. На пример,
узорци које формира анкетар пресрећући пролазнике на улици, студенте који су тог дана
дошли на предавања, купце у робној кући и слично. Иако не задовољавају строге
критеријуме репрезентативности, понекад су погодни за научна уопштавања добијених
резултата. Пригодни узорци се често примењују у панел истраживањима, код тестирања
нових производа и слично, док код истраживања која се односе на ментално-садржајне
особине као што су ставови, мотиви, мишљења и намере овај узорак не може бити
репрезентативан.
1.4. ВРСТЕ ПОДАТАКА
У процесу прикупљања података који чине обележја елемената статистичке популације

од кључног значаја је знати на који начин треба мерити одређене појаве о којима је реч.
Формално, мерење означава процес додељивања нумеричких или ненумеричких ознака
објектима или догађајима према одређеним правилима (Coombs, 1964).
Својство које се мења, односно које варира од јединице до јединице статистичког скупа
назива се варијаблом. На основу ових својства елементи скупа се разликују или наликују
један другоме. Нпр. ова својства могу варирати између људи (нпр. понашање) или локација
(нпр. стање безбедности саобраћаја) или чак времена (нпр. умор).
Променљива може бити квантитативна (нумеричка) или квалитативна (атрибутивна).
Неке променљиве (као што су трошкови саобраћајних незгода) могу бројчано да се
искажу, док друге (као што је пол, категорија учешћа у саобраћају, итд) не могу. Први
пример јесте пример квантитативне променљиве, а други је пример квалитативне
променљиве. Подела променљивих је приказана на слици 1.3.
Променљива која се може бројчано изразити назива се квантитативном

(нумеричком) променљивом. Квалитативне променљиве су оне чији су ентитети
подељени у посебне категорије.
6
Слика 1.3. Врсте променљивих
У оквиру квалитативних варијабли разликују се три врсте варијабли: бинарне варијабле,

номиналне варијабле и ординалне варијабле. Бинарне варијабле су оне које имају само две
категорије (нпр. пол може бити или мушки или женски). Бинарне варијабле су оне чији се
одговори на питања могу свести на две категорије ''да'' и ''не''. Номиналне варијабле су оне
које имају најслабије метричке карактеристике, не могу се поређати по величини, већ се
подаци групишу у дескриптивне категорије. Ове варијабле могу бити кодиране тако што се
свакој категорији произвољно додељују бројеви, који морају бити доследно примењивани.
Бројчане вредности служе уместо имена појединих категорија и њима нису дозвољене
рачунске операције јер они служе као идентификатори. Номиналне варијабле су
категоријске јер групишу податке. Ординалне варијабле су оне којим се представљају
категорички подаци, који су класификовани у категорије по одређеном редоследу, али
растојање измену категорија нема тачно одређено значење. Ликертова скала (1- уопште се не
слажем; 2-не слажем се; 3-нити се слажем, нити се не слажем; 4-слажем се; 5-у потпуности
се слажем) која се често користи у психолошким истраживањима је пример ординалне скале
и она не подразумева квантитативну разлику измену категорија (категорија 2 не подразумева
двоструко јачи ниво слагања у односу на категорију 1), већ само редослед у односу на ниво
слагања.
Вредности одређене квантитативне променљиве могу бити пребројиве и непребројиве и
према томе се могу разликовати две врсте квантитативних варијабли, а то су прекидне и
непрекидне варијабле. На пример, могуће је пребројати број аутомобила који поседује једна
породица, али није могуће пребројати димензије тих аутомобила (ширина, дужина, висина).
Променљива чије вредности могу да се преброје, без употребе мерних инструмената јесте
прекидна (дискретна) променљива. Лако се примећује да прекидна променљива може узети
само изоловане-дисконтинуиране вредности, али не и вредности у интервалу између њих.
Променљива чије вредности је могуће пребројати назива се прекидном (дискретном)

променљивом. Другим речима, прекидна променљива може да има само изоловане
вредности, најчешће целе бројеве, а не и међувредности.
Постоје променљиве чије се вредности не могу пребројати, те стога могу да имају било
коју нумеричку вредност између два броја. Такве променљиве називају се непрекидним
(континуираним) променљивим.
Променљива која може узети било коју нумеричку вредност у одређеном интервалу
или интервалима јесте непрекидна (континуирана) променљива.
7
2. ПРИКУПЉАЊЕ ПОДАТАКА
Процес прикупљања података је најчешће у функцији врсте и циља истраживања које

неко жели спровести. Када се говори о области безбедности саобраћаја, подаци се у највећој
мери прикупљају путем интервјуа, анкетних образаца, посматрањем и експериментом.
2.1. ИНТЕРВЈУ
Истраживања се веома често обављају у форми интервјуа, који подразумева облик

истраживања у којем се питања испитаницима читају лично или путем телефонске
комуникације. Предност личног интервјуа је то што омогућава истраживачима да развију
блискост и осећај поверења са испитаницима. Ово може мотивисати испитанике да наставе
са интервјуом и дају искреније и отвореније одговоре на постављена питања. Међутим,
интервју лицем у лице (лични) су веома скупи за спровођење, а то за последицу има
спровођење телефонских истраживања који су уобичајенији. У телефонском интервјуу
интревјуисти су смештени на једној локацији, телефонски бројеви се бирају аутоматски, а
питања се читају са екрана рачунара испред истраживача. Оваква процедура омогућава
такву ефикасност и координацију међу интервјуистуима да многа истраживања могу бити
спроведена у једном дану. Разликују се неструктурирани и структурирани интервјуи.
Разлика између њих је што неструктурирани користи слободан формат питања, тј.
интервјуиста води комуникацију са испитаницима о темама од интереса, без потпуно
припремљеног концепта питања. Иако је генерална листа тема од интереса припремљена
раније, фокус интервјуа се усмерава ка темама за које су испитаници у највећој мери
заинтересовани или о којој имају највише знања. Због тога што се питања о којима се води
дискусија разликују између испитаника, интервјуиста мора бити бити обучен да поставља
питања на такав начин да добије што више информација од испитаника о њиховим
ствариним ставовима и осећањима. Један пример неструктурираног личног интервјуа су
фокус групе у којима се већи број људи интервјуише у исто време и размењују идеје
међусобно и са интервјуистом. Неструктурирани интервјуи могу обезбедити дубинске
информације о конкретним проблемима појединца или групе људи и стога могу произвести
идеје за будуће истраживачке пројекте или за политику доношења одлука. Међутим, може
постојати ограничење у погледу адекватне обуке интервјуисте да поставља питања на
непристрасан начин. Такође, веома је тешко објективно квантификовати и анализирати
одговоре, пошто они између испитаника могу бити веома хетерогени. Пошто истраживачи
обично требају објективније податке, спроводе се структурирани интервјуи, који користе
унапред припремљена питања, која се постављају испитаницима. Предност оваквог
приступа у односу на неструктурирани је што омогућава бољу компарацију одговора између
појединаца, јер су питања, временски оквир и формат одговора контролисани и идентични за
сваког испитаника.
2.2. АНКЕТНА ИСТРАЖИВАЊА
Анкетна истраживања се спроводе од стране истраживача путем анкетног обрасца.

Анкетни образац представља скуп унапред припремљених питања о теми од интереса и
засновани су на принципу давања самопријављених одговора. Анкетна истраживања
пружају низ предности у односу на интервју. Они омогућавају истраживачима да на
економичнији и лакши начин дођу до информација већег броја испитаника. Такође, анкетна
истраживања могу омогућити много искреније одговоре од интервјуа, поготову када се од
испитаника траже одговори на ''осетљива'' питања, јер омогућавају анонимност. Поред овога,
за разлику од интервјуа, испитаници су под мањим утицајем интервјуисте, због тога што они
8
или нису присутни уопште приликом попуњавања упитника или не постављају питања
директно. Поред предности које нуде анкетна истраживања, постоје и нека ограничења.
Један део људи, након што добије анкетни образац, одлучи да га попуни и врати
истраживачима. Међутим, други део њих занемари образац који добије и одбије да учествује
у истраживању. Стопа одзива (енг. response rate) представља проценат људи који успешно
попуне упитник и врате га истраживачу. Постоје ситуације када је стопа попуњених
упитника веома ниска. Она може да варира у зависности од броја питања која су обухваћена
анкетним обрасцем, метода прикупљања података или у зависности од заинтересованости
испитаника за тему о којој је реч. Такође, људи који су се одазвали истраживању могу се
значајно разликовати од оних који нису, а све то може да утиче да закључци изведени из
истраживања могу да садрже грешку. Истраживачи понекад могу да повећају стопу одзива
обезбеђивањем поклона или новчане надокнаде за оне који успешно одговоре истраживању,
интересантним дизајном упитника, мањим бројем питања или наглашавањем важности
његовог учешћа, као и наглашавањем да је истраживање анонимно. Други, важан проблем је
неразумевање питања од стране испитаника или попуњавање упитник сасвим насумично.
Постоји методологија којом се тестира поузданост истраживања, која омогућава исправност
закључака изведених из истраживања.
2.2.1. Анкетни образац
Један од најзначајнијих задатака истраживача у њиховом истраживачком раду

подразумева формирање поузданог и валидног упитника. Један од основних циљева
приликом формирања анкетног обрасца је да се изврши избор питања која ће дати
неопходне информације до којих истраживач жели да дође. Приликом формирања анкетног
обрасца, веома је важно да је истраживач добро упознат са темом коју изучава, да изврши
свеобухватан преглед истраживања која су на сличан начин до тада била спроведена, како би
имао што ширу базу расположивих сазнања. Друго, веома је важно да зна које статистичке
методе ће примењивати у анализи, како би на прави начин одабрао питања која ће бити
обухваћена упитником, као и начине на који ће бити мерена.
Анкетни образац се у области безбедности саобраћаја користи за истраживање утицаја
људског фактора на безбедност саобраћаја. Због тога је приликом формирања анкетног
обрасца веома корисно направити разлику између пет одвојених типова садржаја: понашања,
норми, знања, ставова и атрибута. Пре него што се формулишу питања обухваћена
упитником веома је важно имати јасну представу о проблему за који је истраживач
заинтересован. Ако се желе испитати понашања, онда питања треба да дају информацију о
томе шта људи раде. Нпр. ако се жели испитивати брза вожња као фактор безбедности
саобраћаја, онда се возачима поставља питање о томе колико често су у претходном периоду
изводили ово понашање (тј. Колико сте често у урбаној средини прекорачили брзину за 20
km/h у последње две седмице). Слична ситуација је и са другим обележјима која се желе
испитати.
Значајна пажња мора бити посвећена развоју јасног, недвосмисленог и употребљивог
упитника. Да би се ово постигло формулисање питања у склопу упитника је од
фундаменталне важности. Постоје одређени принципи који приликом фомулисања питања
морају бити испоштовани. Речи којима се означавају одређени појмови морају да буду
једноставне. Неопходно је избегавати жаргоне и различите техничке термине. Питања
морају бити кратка. То омогућава избегавање конфузије и недвосмислености. Неопходно је
избегавати двосмислена питања. Важно је избећи да се формулисањем питања испитаник
наводи на одговор. Питања која садрже двостуку негацију могу бити тешка за разумевање,
поготову када се од испитаника тражи да се определи за ниво слагања или неслагања са
датом изјавом. Треба избегавати питања за које се процени да захтевају претходно знање.
9
Треба избегавати речи које могу имати више значења. Питања морају бити довољно
прецизна. Питања не смеју да побуђују јака осећања.
Разликују се три типа формата питања, а то су затворена, отворена или комбинована
питања. Затворени тип питања подразумева унапред понуђене одговоре за које испитаник
може у складу са својим мишљењем да се определи. Отворени тип питања подразумева
одговоре који су произвољно формирани од стране испитаника. Комбинација ових питања
подразумева да су за дате одговоре унапред понуђени одговори, као и простор који
омогућава давање одговора произвољно од стране испитаника.
Приликом формирања упитника одговори се најчешће скалирају применом Ликертове
скале. Ликертова скала је психометријска скала којим се жели сазнати степен слагања,
односно неслагања испитаника с неком тврдњом (његов став према некој тврдњи) на
континууму од апсолутно позитивног према апсолутно негативном ставу према предмету
истраживачког интереса. Примењује се у истраживањима која користе методу анкете (или
структурирани интервју) за прикупљање података. Скалу је конструисао Ренсис Ликерт
1932. године. Осим слагања, испитаник на скали процене може процењивати учесталост,
квалитет, важност и друге конструкте. Најчешће се скала процене састоји од 5 степени
(према Ликерту), а ређе од седам или девет степени (Табела 2.1).
Ликертова скала може бити дефинисана као скуп тврдњи према којима испитаник
изражава слагање, односно неслагање на скали процене.
Слагање с тим тврдњама се сматра индикатором неког латентног става који се не може
директно испитати.
Табела 2.1. Пример Ликертове петостепене скале за испитивање нивоа слагања и

учесталости
5- У
1-Уопште се 2-Не слажем
Слагање 3-Ниједно 4-Слажем се потпуности
не слажем се
се слажем
5-Веома
Учесталост 1-Никада 2-Ретко 3- Понекад 4-Често
често
Скала се не мора увек састојати од пет, седам или девет степени. У зависности од
предмета истраживања, испитаницима се може понудити и скала без опције неутралног
става према предмету истраживања. У литератури се такав облик Ликертове скале још зове и
скала принудног избора, а разликује се од скале са 5/7/9 понуђених опција у непостојању
неутралног (средњег) степена. То је оправдано када се испитују ставови у вези неке
осетљиве теме, а за коју се претпоставља да би већина испитаника дала неутралне одговоре.
Ипак, многи истраживачи који се баве методологијом оспоравају такав приступ сматрајући
како је коректно понудити испитаницима и опцију неутралног става у вези неке неке
тврдње јер испитаници заиста могу имати неутралан став. Предлаже се помицање неутралне
категорије на почетак или крај континуума како би се избегла склоност давању неутралних
процена. Заговорници скале с парним бројем понуђених опција (без неутралне опције)
сматрају како је неутралан став према некој тврдњи ретка појава јер истраживању претежно
приступају они испитаници који имају негативно или позитивно искуство спрам мерене
појаве.
Најчешћи проблем при конструкцији скале Ликертовог типа јесте проблем
10
унидимензионалности. У природним наукама то није велики проблем јер већина објеката

мерења има само једну димензију (попут висине, тежине, итд). У друштвеној психологији
може доћи до преклапања димензија. Провера унидимензионалности се врши применом
факторске анализе помоћу које се може раздвојити скала на подскале у случају
мултидимензионалности. Скала процене која се користи у примјени Ликертове скале је
''груба скала'' ординалног типа. Ординална и номинална скала доносе мање информација.
Веома је чест случај да истраживачи у својим анализама третирају ординалну варијаблу као
квантитативну, што може да представља методолошки проблем. Примена Ликертове скале
има низ предности. Конструкција је у односу на друге скале једноставнија, тражи мање
времена за конструкцију а с обзиром на учесталост примене, лако је разумљива
испитаницима.
Пример једног анкетног обрасца дат је у Прилогу 1.
2.2.2. Начини прикупљања података путем анкете
Прикупљање података за анкетна истраживања спроводи се обично на четири начина:

лично, путем поште, телефонским путем и кориштењем интернета. Иако прикупљање
података лично, тј. од стране посебно обучених лица има добру репутацију, неопходно је
размотрити и друге начине. Анкетирање путем поште и телефона је значајно унапређено
последњих година, а истраживања путем интернета обезбеђују путпуно нове истраживачке
могућности. Начин прикупљања података је у великој мери повезан са стопом одзива и
економским показатељима.
Метод лицем у лице (тј. лични) функционише тако што посебно обучена лица
(интервјуист) лично анкетирају испитанике, тако што уручују упитнике на које испитаници
дају одговоре. Такав приступ омогућава да се спроведу релативно комплексна истраживања,
из различитих области, јер интервјуисти могу да на лицу места отклоне све недоумице које
испитаници имају. Они такође могу да објасне испитаницима елементе који су важни за
ефикасно попуњавање упитника, као и да укажу на евентуалне грешке или недостатке
приликом попуњавања (нпр. уколико испитаници не попуне неко питање). Истраживање се
најчешће обавља на анкетном обрасцу који је у папирној форми, а на који се оловком бележе
одговори. Поред овога могућа је и примена рачунарске технологије, где се на таблет или
лаптоп рачунару одговори евидентирају електронски. То омогућава избегавање грешака у
погледу недавања одговора на поједина питања.
Телефонско анкетирање за разлику од личног анкетирања омогућава економичност и
ефикасност. Телефонско анкетирање подразумева телефонски контакт са одабраним
испитаником и постављање питања путем телефона. Овај вид анкетирања је обично праћен
применом технологије у једном рачунарском центру.
Анкетирање путем поште је за разлику од претходна два начина истраживања
заснован на томе да испитаник разуме и одговори на питања без могућности да пронађе
додатна објашњења, па због тога питања морају да буду што једноставније формулисана.
Овакав вид истраживања је најекономичнији, али и најмање ефикасан у погледу стопе
одзива. Анкетирање путем поште се обично спроводи тако што се у коверти на предвиђену
адресу пошаље анкетни образац у папирној форми и унапред припремљена коверта за
повратак попуњеног обрасца. Поред оваквог обилика анкетирања, може се електронски
образац послати на ЦД-у, а одговори могу бити једноставно послани путем поште по или
мејла. Ограничење оваквог приступа је расположивост и приступачност рачунарима од
стране испитаника.
Анкетно истраживање путем интернета од средине 90-их година је постало могућ и
веома популаран вид истаживања. Постоје три начина како интернет може бити кориштен за
истраживања: путем мејла, веб странице и њихова комбинација. Истраживање путем мејла
11
се спроводи тако што се анкетни образац у различитим електронским форматима шаље на
предвиђене мејл адресе, након чега се обрасци попуњавају од стране испитаника и враћају
назад. Анкетни образац на веб страницама је пропраћен свим динамичким и интерактивним
карактеристикама и визуелним ефектима. Процедура подразумеа смештање обрасца на веб
сервер и подстицање испитаника да посећују предвиђену страницу. Постоје посебне веб
странице у склопу који нуде истраживачима могућност да у задатим оквирима формирају
анкетни образац у складу са темом коју истражују. Испитаници електоронски пупуњавају
такве обрасце. Предност ових образаца је што не захтевају додатни унос података, јер се
база података аутоматски формира и пуни подацима. Најједноставнији пример веб странице
путем која нуди алате за формирање електронског анкетног обрасца је ''Google Forms''.
Комбинација претходно поменутих могућности подазумева дистрибуцију веб страница
путем мејла.
Избор метода прикупљања података је условљен различитим факторима, као што су:
природа истраживања, репрезентативност узорака, временска и финансијска ограничења,
важност стопе одзива и типови питања. Један од најчешћих критеријума избора метода
прикупљања података је стопа одзива, која се треба постићи. Истраживање методом лицем у
лице је традиционално метод са највећом ефиктивношћу у погледу стопе одзива. Међутим,
то не мора да буде увек случај. Постоје ситуације где добро осмишљена истраживања путем
поште или интернета могу да дају бољу стопу одзива него истраживања заснована на личној
или телефонској методи. То указује на чињеницу да је веома важно идентификовати
ситуације у којима је поједина метода погоднија. Већа стопа одзива код истраживања која се
спроводе личном методом или телефонски је идентификована када се врши избор узорка из
генералне популације, тј. из хетерогеног скупа. Међутим, када су у питању специфичне или
хомогене групе (чланови неке организације, институције и сл.) истраживање путем поште је
ефикасно подједнако добро као и друге технике, поготову ако је тема која се истражује, од
значаја за ту групу. Истраживање путем интернета је погодно када се испитују групе које су
умрежене у склопу појединих организација или када је због осетљивости проблема који се
изучава важна анонимност. Пошто постоји тенденција да се испитаници који се не одазову
(стара лица, људи нижег нивоа образовања и сл.) анкетном истраживању разликују од оних
који се одазову, ниска стопа одзива може утицати на то да узорак буде пристрасан (тј. под
утицајем појединих фактора). Истраживања спроведена путем поште и интернета су у већој
мери склона оваквом виду проблема, а крајња последица је узорак који не може бити
репрезентативан. Приликом формирања случајног узорка, веома је важно имати контролу
над особама које треба да попуне упитник. Личном и телефонском методом могуће је
затражити особу која треба да попуни упитник, док ово није случај са упитницима који су
дистрибуирани путем поште или интернета. Приликом избора личног метода,
приступачност особе коју треба анкетирати може представљати проблем. Метод спровођења
прикупљања података често диктира величину анкетног обрасца. Сматра се да анкетни
обрасци дистрибуирани путем поште или интернета треба да буду кратки, док лични метод
омогућава већи обим питања које може да обухвати анкетни образац. Због личног контакта
метод лицем у лице може да траје дуже него друге методе. Међутим, то може да буде
недостатак, јер може произвести умор и нестрпљење који у крајњој инстанци могу утицати
на квалитет одговора. У погледу квалитета одговора, прикупљање података путем поште
или интернета може да буде бољи избор, када се говори ''осетљивим'' или контраверзним
темама. Са друге стране, када се врше комплекснија истраживања. квалитет одговора може
да буде квалитетнији када се примењује метод лицем у лице или телефонски метод, јер
интервјуист може да отклони нејасноће са којим се суочава испитаник.
3. ПОСМАТРАЊЕ
Посматрање као метод прикупљања података се у области безбедности саобраћаја

12
најчешће примењује у испитивању понашања учесника у саобраћају. Овакав приступ

подразумева посматрање људског понашања у потпуно природном окружењу, тј. у реалним
условима. Посматрање се спроводи на два начина: од стране посебно обучених лица или
кориштењем рачунарских технологија и камера. У првом случају, лица пролазе посебне
курсеве у оквиру којих се обучавају да на одговарајући начин врше процену и прате
одређене обрасце понашања на терену. Након што прођу обуку, врше посматрање на терену
и бележе задата обележја на унапред припремљеним обрасцима. Пошто је саобраћајни
систем веома комплексан и динамичан и поред добре обуке и способности посматрача,
постоји могућност да се у одређеним тренуцима не забележе подаци који могу бити важни за
истраживање. Такође, проблем може да буде и утицај посматрача на испитанике ради
њиховог присуства. Овакав вид истраживања је био веома често кориштен до појаве камера
и рачунарских технологија. Постављање камера омогућава већу објективност истраживања,
јер могу да се поставе тако да буду неприметне. Материјал који се сними могуће је
употребом одговарајућег софтвера прегледати више путе. Постоје софтверски пакети који су
специјализовани за овакав вид обраде видео записа. Поступак посматрања путем камера
подразумева неколико корака. У складу са истраживачким циљевима и задацима неопходно
је прво изабрати одговарајућу локацију. Затим се врши постављање камера на места која
омогућавају добар преглед зоне посматрања. Након тога аналитичар, преузима видео записе
и врши његову обраду. Обрада података се може вршити ручно или аутоматски, што још
увек није поуздан и у довољној мери развијен систем. У унапред припремљену базу
података уносе се подаци, који представљају основу за даљу анализу (види слику 2.1).
Слика 2.1. Фазе спровођења посматрања кориштењем камера
4. ЕКСПЕРИМЕНТ
Експеримент представља један од најчешће кориштених приступа који се користи у

истраживањима. Сам појам експеримент, означава контролу, односно експериментатор
контролише све аспекте окружења у коме се спроводи истраживање (колико год је то
13
могуће). Експеримент у области безбедности саобраћаја се најчешће примењује код
утврђивања утицаја појединих фактора (својства моторних возила, понашање учесника у
саобраћају, елемената пута и путног окружења) на настанак саобраћајних незгода и њихових
последица. Процес настанка саобраћајних незгода и њихових последица је веома
комплексан, пре свега због веома испреплетаних веза које постоје између доприносећих
фактора. Због тога истраживачи желе да анализирају тако комплексне процесе у
контролисаним лабораторијским условима, јер им то омогућава да ограниче многе изворе
варијабилности.
Када се говори о возилу као фактору безбедности саобраћаја, добар пример спровођења
истраживања у екперименталним условима су креш тестови. Ови тестови се углавном
односе на тестирање пасивних елемената безбедности возила. Истраживање се спроводи у
лабораторијама које располажи високо софистицираном опремом, која подразумева, посебне
мерне инструменте, камере, вештачке лутке, сензоре, софтверска решења, итд (слика 2.2.).
Слика 2.2. Истраживачки центар за возила у оквиру ''The Insurance Institute for Highway
Safety (IIHS)''
14
3. БАЗЕ ПОДАТАКА
База података у области безбедности саобраћаја представља скуп међусобно повезаних

података о саобраћајним незгодама или неких других саобраћајних података и скуп
програма опште намене или посебно прилагођених, који су потребни за приступ тим
подацима. База података је уствари један систем састављен од елемената и релација које
постоје између њих. Када се говори о базама података у области безбедности саобраћаја,
онда се обично мисли на базе података о саобраћајним незгодама, међутим ту постоје и
подаци који су важни за област безбедности саобраћаја, а који нису у директној вези са
саобраћајним незгодама. Базе података представљају највиши домет у области информатике,
односно аутоматског чувања, претраживања и обраде података, што је данас искључиво
засновано на рачунарској технологији. Пре појаве рачунара такве евиденције су се водиле у
папирној форми, где су обрасци са подацима ради лакшег манипулисања били сортирани на
одређен начин. Сви поступци коришћења и одржавања тих евиденција били су ручни. На
основу таквих евиденција, под условом да су се редовно одржавале могао је да се обезбеди
нормалан рад. Одсуство таквих евиденција би довео до несагледивих тешкоћа у раду.
Примена рачунара у вођењу евиденција уноси аутоматизам у коришћењу и одржавању, чиме
се олакшава целокупан процес, а смањује се могућност грешке или губитка података.
Првобитно је било предвиђено да се компјутеризоване базе података користе на локалном
нивоу, како би локални инжењери утврдили главне проблеме на саобраћајној мрежи.
Међутим, тај значај се пренео и на остале нивое, са веома значајном улогом приликом
доношења одговарајућих одлука у политици безбедности саобраћаја.
У проблематици безбедности друмског саобраћаја, базе података имају значајну улогу.
Основна намена база података је вођење евиденције о саобраћајним незгодама и свим
њиховим елементима. Ефикасна анализа саобраћајних незгода захтева високо квалитетне
улазне податке, а ти подаци су обезбеђени кроз, формирање, вођење и одржавање ефикасне
базе података.
Базе података о саобраћајним незгодама представљају секундарни извор података за
истраживача. Истраживачке потребе са друге стране захтевају много шири спекатар
података који је најчешће обезбеђен кроз примарне изворе података. Због тога је након
спроведене процедуре прикупљања података, неопходно у зависности од методе
прикупљања припремити базу података, која треба да представља основу за будућу анализу.
3.1. СОФТВЕР ЗА ОБРАДУ ПОДАТАКА
Базе података које задовољавају циљеве основне истраживачке делатности могу бити
формиране употребом различитих статистичко аналитичких софтверских решења. Базе
података могу бити процесуиране у програмским пакетима ''Microsoft Excel, Microsoft
Access, SAS, Statistica, SPSS'', итд. Пошто ће у склопу практикума процес обраде података
бити спроведен употребом статистичког пакета СПСС (енг. Statistical Package for Social
Sciences), онда ће и поступак образовања базе података и даље анализе бити обрађен
кориштењем поменутог пакета.
СПСС представља један је од данас најчешће кориштених програма за обраду података.
И поред тога што у преводу са енглеског значи “статистички пакет за друштвене науке”,
осликавајући примарно и оригинално тржиште којем је био намењен, данас се користи и у
другим наукама и областима, попут медицине, економије, инжењерских наука и других
области. Програм од 2009. године производи америчка компанија ''IBM'' (енг. International
Business Machines Corporation) и данас представља само део фамилије софтверских
производа ове компаније намењених прикупљању, чувању и обради података.
1
Пре него што се отпочне са радом у СПСС-у неопходно је располагати са одређеним
знањима о различитим прозорима у оквиру којих ће се спроводити одређене активности.
СПСС углавном користи два прозора: уређивач података (енг. data editor), који
подразумева простор у који се уносе или дефинишу подаци и спроводе одређене статистичке
процедуре и прегледник (енг. viewer) у оквиру кога се појављују резултати спроведених
анализа. Поред ова два прозора, постоје и други прозори, који омогућавају ручни унос
СПСС команди, затим анализу у оквиру графикона, табела итд.
Након покретања СПСС-а (верзија 22), појављује се почетни прозор (слика 3.1), који
нуди различите могућности. Уколико истраживач већ располаже подацима (фајловима) на
хард диску постоји могућност отварања тих фајлова из подменија ''Recent Files''. Извођење
такве радње је могуће једноставним кликом на понуђене фајлове који су претходно
кориштени или кликом на иконицу која означава фолдер ''Open another file...'', који
омогућава отварање фајла са тачне локације на диску на којој је снимљен. Уколико се
програм користи први пут или се жели отворити нови фајл, то је могуће означавањем опције
''New Dataset'' из подменија ''New Files'' или једноставно не треба ништа означавати већ
кликнути на дугме , које се налази у доњем десном углу. Уколико неко жели да му се
приликом наредних покретања програма не појављује овај прозор, онда у доњем левом углу
треба да означи опцију ''Don’t show this dialog in the future'' (види слику 3.1).
Слика 3.1. Приказ почетног прозора
Поред овога, важно је напоменути да су фајлови који су снимљени из СПСС-а,

препознатљиви по ''.sav'' формату.
3.2. УРЕЂИВАЧ ПОДАТАКА (THE DATA EDITOR)
Већина активности у СПСС радном окружењу подразумева рад у уређивачу података. У

оквиру овог прозора могуће је спроводити отварање, снимање и затварање постојеће
датотеке, формирање нове базе података, мењање постојећих података, трансформисање
2
података и спровођење различитих статистичких процедура. У горњем делу екрана приказан

је хоризонтални мени (тј. мени бар) сличан ономе који се среће у другим софтверским
пакетима. Постоји више опција које се могу одабрати у оквиру овог менија, при чему ће неке
од њих у практикуму бити детаљније разматране. На слици 3.2. је приказан уоквирен мени
бар, са опцијама које могу бити активиране позиционирањем курсора миша на жељену
ставку и једним кликом левим тастером миша. Уређивач података има два подпрозора:
преглед података (енг. Data view) и преглед варијабли (енг. Variable view) који се могу
уочити на левој доњој страни уређивача података ( ). Преглед података
подразумева прозор у оквиру кога се уносе подаци, а преглед варијабли служи за
дефинисање различитих карактеристика варијабли које су дефинисане истраживањем.
Једноставним кликом на једну од ове две опције прелази се из једног прозора у други.
Опција која је обележена жутом бојом представља прозор који је активан (види слику 3.2).
Мени бар
Преглед Преглед
података варијабли
Слика 3.2. Приказ радног окружења уређивача података
3.3. ФОРМИРАЊЕ БАЗЕ ПОДАТАКА
Свака база података се састоји од јединица посматрања (елеменaта) које представљају

редове у склопу једне матрице (тј. табеле) и варијабли, које представљају колоне те матрице.
Поље матрице које чини пресек варијабле и јединице посматрања назива се податак. На
слици 3.3. испрекиданом хоризонталном стрелицом је уоквирена јединица посматрања или
елеменaт, а вертикалном испрекиданом стрелицом је уоквирена варијабла. Поље које је
3
означено шрафуром представља ћелију у који се смешта податак. Јединице посматрања могу
да буду људи, предмети, догађаји, итд. Пошто је појам варијабле дефинисан у претходном
поглављу, неопходно је навести неколико практичних примера. Варијабла, може да означава
''пол'', старост'', ''време'', ''простор'', ''питања предвиђена анкетним обрасцем'' итд. Податак
или опсервација подразумева својство јединице посматрања у вези са посматраном
варијаблом. Нпр, ако је јединица посматрања испитаник (тј. човек), а посматрана варијабла
''пол'', онда податак може да означава ''мушки'' или ''женски'' пол. Обично се у процесу
кодирања података, они представљају бројевима, а не словима, па би тако мушки пол могао
бити означен бројем ''0'', а женски бројем '1''. Процес кодирања омогућава лакше спровођење
статистичко аналитичких процедура.
Уређивач података је сачињен од мноштва ћелија, које представљају само простор у који
вредности података могу бити смештени. Када је ћелија активна и спремна за унос податка
она је осенчена жутом бојом. Могуће је кретати се из ћелије у ћелију користећи типке
''←↑↓→'' (смештене у десном доњем делу тастатуре) или једноставним кликом миша на
жељену ћелију. Како би се извршио унос жељеног податка у одговарајућу ћелију, неопходно
је након означавања те ћелије унети бројчану ознаку.
Јединица посматрања (елеменат)

Варијабла
Податак
Слика 3.3. Приказ елемената базе података
Први корак у поступку формирања базе података представља креирање варијабли

користећи подпрозор ''преглед варијабли (енг. Variable View)'' у уређивачу података. Након
дефинисања жељених варијабли, прелази се у подпрозор ''преглед података (енг. Data view)''
и врши се унос података за сваку варијаблу и јединицу посматрања.
3.3.1. ДЕФИНИСАЊЕ ВАРИЈАБЛИ
Пре него што се изврши унос било којег податка у уређивачу података, неопходно је
креирати варијабле. Како би се успешно реализовао тај корак, неопходно је приступити
4
подпрозору преглед варијабли, кликом на опцију која је на енглеском језику ''Variable View''
исписана у дољем левом делу уређивача података. Кликом на ову опцију
( ) садржај прозора уређивача података ће се аутоматски изменити (види
слику 3.4).
Слика 3.4. Приказ садржаја подпрозора ''преглед варијабли (енг. Variable View)''
Сваки ред у оквиру преглада варијабли представља варијаблу, а скуп карактеристика које
су у вези са одређеном варијаблом су описане колонама. Ове карактеристике се могу мењати
у зависности од својства на које се односи варијабла. Како би истраживач био способан да
дефинише варијаблу на прави начин потребно је да зна шта свака од наведених
карактеристика представља.
Карактеристика која је прва у низу и која је на енглеском језику означена називом
означава назив одређене варијабле. У оквиру ове колоне могуће је дефинисати
називе за сваку од посматраних варијабли. Једноставним уносом текста одређеног назива
варијабле она је у погледу ове карактеристике дефинисана. Приликом дефинисања назива
варијабле, неопходно је следити поједине смернице:
 називи варијабли не треба да буду дуги, тј да садрже велики број карактера;
 не могу се користити размаци између речи;
 не могу се користити симболи, као што су нпр. +, -, $, &;
 уколико постоји више речи у називу, уместо размака користити доњу цртицу (''_'');
 користити латинични фонт и енглески алфабет.
Уколико неко жели да у празној бази података дефинише варијаблу која се назива
''године старости'' онда је то могуће спровести тако што се поменути текст (следећи наведене
смернице дате у тексту изнад) унесе у ћелију која означава први ред и прву колону у
подпрозору преглед варијабли (Variable View) (види слику 3.5а). Када се зада назив
одређеној варијабли, он ће бити аутоматски приказан у заглављу прве колоне у подпрозору
преглед података (Data View) (види слику 3.5б).
Слика 3.5а. Назив варијабле у ''Variable View'' Слика 3.5б. Назив варијабле у ''Data View ''
5
Углавном, истраживачи користе нумеричке варијабле, тј. приликом спровођења анализе
они означавају податке бројевима. Друга опција у оквиру прегледа варијабли
подразумева начин означавања варијабле. СПСС подразумева да је у ћелију унешен број,
иако тај број нема увек исто значење и може означавати и квантитативну непрекидну
варијаблу и квалитативну номиналну варијаблу, која може бити дефинисана и текстом или
словом. Такође, могуће је дефинисати и друге типове означавања варијабли, као што су
текстуалне варијабле (енг. string variables), које омогућавају запис варијабли словима, датум
варијабле (енг. date variables), које подразумевају датуме, итд. Процес означавања типа
варијабле започиње кликом на поље у другој колони и ред који се односи на дату варијаблу
(1). Затим се кликне на квадратић у коме се налазе три тачкице (2), након чега се појави
мени са одређеним типовима варијабли (3). Након тога се одабере тип варијабле (4). Ако би
неко хтео да дафинише тип варијабле у погледу ''година старости'', онда би то урадио тако
што би означио нумерички тип варијабле у датом менију (види слику 3.6).
(1) Кликне се на поље
(2) Килкне на
квадратић
(3) Појави се (4) Одабере се тип

мени варијабле
Слика 3.6. Поступак означавања типа варијабле
По аутоматизму, када се нова варијабла креира, СПСС означи варијаблу као нумеричку
са могућим уносом осам цифри. Опсег од осам цифри може бити промењен уносом
одговарајућег броја у простор који је дефинисан трећом колоном у оквиру прегледа
варијабли, тј. . Генерално, опсег броја од осам цифри је одговарајући, али уколико
потребе истраживања то захтевају, онда може бити промењен.
Четврта колона у прегледу варијабли односи се на број децималних места који
требају да буду приказани иза бројева за ту варијаблу. По аутоматизму, постављена су два
децимална места, која могу бити промењена уносом жељеног броја или помоћу клизача за
повећање или смањење ове вредности. За пример година рођења, број децималних места је
нула.
Пошто приликом давања назива варијабли не треба да буде кориштен већи број
карактера, ово ограничење је отклоњено могућношћу описа посматране варијабле у пољу
пете колоне . На тај начин могуће је написати дужи опис варијабле и не треба
6
водити рачуна о размацима између речи, затим о кориштеним симболима итд. Новије
верзије СПСС-а (нпр. верзија 22 и 23) дозвољавају опис варијабле кориштењем карактера
честих у српском језику (ч, ћ, ђ, ш, љ, њ, џ, ж) и писање ћириличним фонтом. Ово може да
олакша будуће кориштење резултата анализе. Пример описа варијабле за године старости је
дат на слици 3.7.
Слика 3.7. Приказ описа варијабле
Један од најважнијих корака у процесу формирања базе података представља кодирање

варијабли, које подразумева кориштење нумеричких вредности за представљање различитих
група података које означавају квалитативне варијабле. Нпр. уколико неко посматра године
старости које су груписане у пет категорија (0-17; 18-24; 25-44; 45-64; 65+) онда једностано
прва група може да буде представљена бројем ''1''; друга група бројем ''2'', итд. Слично овоме
варијабла пол, која има две категорије може да буде кодирана као мушки=0 и женски=1.
Поступак кодирања у СПСС-у започиње кликом на поље колоне у оквиру
подпрозора преглед варијабли за посматрану варијаблу (1). Након тога се појављује
квадратић са три тачке (2), а клик на њега омогућава да се отвори подмени (3), који
представља радно окружење у коме се спроводи поступак кодирања. Прво се упоље ''Value''
унесе бројчана вредност одређене категорије у склопу варијабле, а затим у поље ''Label'' опис
те категорије, односно њено значење (4). Након тога се кликне на поље које
омогућава додавање те категорије (5). Након што је категорија успешно додата, појављује се
у правоугаоном оквиру у коме се може извшити преглед додатих категорија. Уколико се
приликом уноса направи нека грешка, која се жели исправити, у квадратном оквиру се
пронађе жељена категорија, кликне се на њу, вредности и опис се појављују у стандардним
оквирима, а након што се изврши исправка кликне се на дугме . Уколико се жели
уклонити одређена категорија, изабере се са списка у стандардном оквиру и након тога се
кликне на дугме . За излазак из подменија једноставно се кликне на дугме , након
чега је извршено успешно кодирање података Поступак кодирања варијабле године рођења
је приказан у корацима на слици 3.8. Уколико се догоди да две варијабле имају исте
категорије, да би се уштедело на времено и олакшало, могуће је исту кодну листу копирати
са једне варијабле на другу.
Приликом спровођења истраживања, веома је честа појава података који недостају за
поједине јединице посматрања. По аутоматизму, СПСС сваку празну ћелију тумачи као
непостојање података. Међутим, понекад истраживачи користе одређене бројчане вредности
како би показали да податак недостаје.
7
(1) Клик на поље
(4) Унесе се вредност

и опис категорије
(2) Клик на
квадратић
(5) Кликне се на
додавање
(3) Појави се
мени
Слика 3.8. Поступак кодирања варијабли
Да би недостајање податка кодирали одређеним бројем (нпр. 9999=нема вредност),

неопходно је користити опцију ''Missing Values'' која се налази у оквиру седме колоне колоне
прегледа варијабли. Поступак дефинисања недостајућих података у СПСС-у почиње кликом
на простор дефинисан за жељену варијаблу у колони (1). Затим се кликне на
квадратић, у коме се нелазе три тачкице (2), што за последицу има отварање ''Missing Values''
подменија (3). У оквиру овог подменија неопходно је означити понуђену опцију ''Discrete
missing values'' и унети број '''9999'' који означава непостојање вредности (4) (види слику
3.9). Ова опција нуди три простора за дефинисање три различите вредности. Уколико се
користи овакви посебни бројеви (шифре), онда је неопходно у претходној колони
извршити кодирање ове категорије.
Следећа колона у оквиру прегледа варијабли подразумева опцију . У оквиру ње
се налази унапред дефинисан број осам, који означава што означава ширину поља варијабле
приказане у подменију преглед података. Требало би повећати дефинисани број једино
уколико се очекују огромне вредности или дугачка имена променљивих.
Колона која ке означена као представља поравнање података који се налазе у
оквиру неке варијабле у прегледу података. Ово поравнање може бити улево ,
удесно или центирано .
8
(1) Клик на поље
(2) Клик на
квадратић
(4) Унесе се број
(3) Појави се
мени
Слика 3.9. Поступак означавања недостајућих података
У поглављу 1.4. дефинисани су различити типови података. Заглавље колоне

односи се на начин мерења сваке променљиве појединачно. Кликом на поље које се односи
на дату варијаблу појављују се три мерне скале на падајућој листи. Прва подразумева ознаку
, која се односи на интервалну скалу мерења и погодна је за квантитативе
прекидне и непрекидне променљиве. Друге две скале мерења односе се на номиналне скале
, које су погодне за квалитативне бинарне и номиналне варијабле и ординалне
скале које су погодне за квалитативне варијабле редоследног типа (види слику
3.10).
Слика 3.10. Поступак одабира начина мерења варијабле
Последња колона означава улогу варијабле у даљој анализи. Новије верзије

СПСС-а имају ову опцију, док старије немају.Ова опција нуди могућност дефинисања улоге
варијабле у погледу да ли је она независна , зависна или и једно и
друго .
9
5. СТАЊЕ И ТЕНДЕНЦИЈЕ У ОБЛАСТИ БЕЗБЕДНОСТИ САОБРАЋАЈЕ
5.1. ТРАДИЦИОНАЛНИ ПРИТУП МЕРЕЊА СТАЊА БЕЗБЕДНОСТИ САОБРАЋАЈА
Традиционални приступ мерења стања безбедности саобраћаја базиран је на анализи

релативних показатеља као што су јавни ризик, саобраћајни ризик и динамички ризик.
Обрасци за израчунавање ових показатеља дати су у формулама испод:
P 105  погинулих 
ЈR    (5.1)
S 100.000 становника 
SR  
RMV 10.000 регистрованих моторних возила 
(5.2)
DR    (5.3)
L 1 милијарду возило  километара 
RMV 103  регистрованих моторних возила 
SM    (5.4)
S  1.000 становника 
JR - јавни ризик
SR - саобраћајни ризик
DR - динамички ризик
SM - степен моторизације
P - број погинулих
S - број становника
RMV - број регистрованих моторних возила
L - број остварених возило - километара
Пример 5.1. Извршити компаративну анализу стања безбедности саобраћаја у 2013. години
између Аустралије, Малезије и Белгије на основу јавног ризика и динамичког ризика. У
табели 5.1. дат је преглед основних показатеља. Укратко прокоментарисати добијене
резултате.
Табела 5.1. Преглед основних показатеља

Аустралија Малезија Белгија
Саобраћајни ризик (СР) 0,7 2,9 1
Саобраћајне незгоде са повређенима 120.267 142.985 41.279
Регистрована моторна возила (хиљаде) 17.181 23.706 6.994
Пређени возило–километри (милиони) 239.657 597.291 102.423
Број становника 23.274.510 29.935.065 11.138.462
РЕШЕЊЕ:
Аустралија:
1
P 104 P 104 17181103  0,7
SR   0,7   P  10 4
 17181  10 3
 0,7  P 
RMV 17181103 104
P  1202
P 105 1202 105 120200000  погинулих 
ЈR     5,1 100.000 становника 
S 23274510 23274510  
P 109 1202 109 1202 103  погинулих 

DR    5 1 милијарду возило  километара 
L 239657 106 239657  
Малезија:
P 104 P 104 23706 103  2,9

SR   2,9   P  10 4
 23706  10 3
 2,9  P 
RMV 23706 103 104
P  6875
P 105 6875 105 687500000  погинулих 

ЈR     22,9  
S 29935065 29935065 100.000 становника 
P 109 6875 109 6875 103  погинулих 

DR     11,5 1 милијарду возило  километара 
L 597291106 597291  
Белгија:
P 104 P 104 6994 103 1

SR  1   P 10  6994 10 1  P 
4 3
RMV 6994 103 104
P  699
P 105 699 105 69900000  погинулих 

ЈR     6,3  
S 11138462 11138462 100.000 становника 
P 109 699 109 699 103  погинулих 

DR     6,8  
L 102423 10 6
102423 1 милијарду возило  километара 
Уважавајући јавни ризик као показатељ стања безбедности саобраћаја, Аустралија

представља земљу са најповољнијим стањем (JR=5,1), а Малезија са најнижим нивоом
безбедности саобраћаја (JR=22,9). И на основу остала два показатеља, динамичког и
саобраћајног ризика Аустралија представља земљу са највећим нивоом безбедности
2
саобраћаја, насупрот Малезији која има најнеповољније стање. Ови резултати указују да
Аустралија има најбољу праксу рада у области безбедности саобраћаја, коју земље са
неповољнијим стањем безбедности саобраћаја треба да размотре и имплементирају у оквиру
својих програма рада.
између локалних самопурава Лесковца, Смедерева и Шабца на основу јавног ризика и
саобраћајног ризика. У табели 5.2. дат је преглед основних показатеља. Укратко
прокоментарисати добијене резултате.
Табела 5.2. Преглед основних показатеља

Лесковац Смедерево Шабац
Настрадали 297 288 403
Саобраћајне незгоде са повређенима 204 208 295
Тешко повређени 64 49 88
Лако повређени 221 229 296
Саобраћајне незгоде са погинулима 11 8 18
Регистрована моторна возила 18.424 30.845 31.155
Број становника 143.962 107.528 115.347
РЕШЕЊЕ:
Лесковац:
P  N  (TP  LP)  297  (64  221)  12
P 105 12 105 1200000  погинулих 

ЈR     8,3  
S 143962 143962 100.000 становника 
P 104 12 104 120000  погинулих 
SR     6,5  
RMV 18424 18424 10.000 регистрованих моторних возила 
Смедерево:
P  N  (TP  LP)  288  (49  229)  10
P  10 5 10  10 5 1000000  погинулих 
ЈR     9,3  
S 107528 107528 100.000 становника 
P 104 10 104 100000  погинулих 

SR     3,2  
Шабац:
3
P  N  (TP  LP)  403  (88  296)  19
P 105 19 105 1900000  погинулих 

ЈR     16,5  
S 115347 115347 100.000 становника 
P 104 19 104 190000  погинулих 

SR     6,1  
Компаративна анализа која узима у обзир јавни ризик као показатељ стања безбедности
саобраћаја указује да Лесковац представља најбезбеднију локалну самоуправу, а Шабац као
најмање безбедну локалну заједницу. Ако се као показатељ безбедности саобраћаја узме
саобраћајни ризик, онда је ситуација другачија. Наиме, вредности саобраћајног ризика
сугеришу да Смедерево има најповољније, а Лесковац има најнеповољније стање
безбедности саобраћаја.
5.2. КОМПОЗИТНИ ИНДЕКС БЕЗБЕДНОСТИ САОБРАЋАЈА
5.2.1. НОРМАЛИЗАЦИЈА ПОДАТАКА
Индикатори перформанси безбедности саобраћаја на неком подручју мере се

кориштењем различитих скала. Нпр. мерење степена употребе сигурносног појаса се
изражава процентом возача који користе појас, док се старост возног парка процењује
аритметичком средином. Стога, је веома важно свести све индикаторе на исту меру, како би
они били компарабилни. Један од начина свођења индикатора на исту меру је процес
нормализације података. Овај процес омогућава добијање индекса који су стандардизовани и
крећу се у распону од 0 до 1.
Образац за стандардизацију је следећи:
xi  min x 
zi 
maxx   min x 
(5.5)
где су x=(x1, x2,...,xn) нестандардизовани подаци, а z=(z1, z2,...,zn) стандардизовани подаци.
између полицијских управа Нови Сад, Ниш и Пријепоље на основу стандардизованог
композитног индекса безбедности саобраћаја. У табели 5.3. дат је преглед индикатора
безбедности саобраћаја по полицијским управама. Укратко прокоментарисати добијене
резултате.
Табела 5.3. Вредности индикатора безбедности саобраћаја у 2017. години (АБС, 2018)
Сиг. појас Сиг. појас Заштитно Поштовање Кацига - Алкохол -
Полицијска
- напред - назад седиште ограничења мотоциклисти поштовање
управа
(%) (%) (%) брзине (%) (%) (%)
Београд 74,00 8,80 64,30 27,90 96,70 99,34
Бор 74,00 3,80 45,00 85,80 80,60 99,53
Ваљево 68,00 1,80 50,00 19,80 82,40 99,51
Врање 69,90 9,00 35,00 92,70 90,00 99,42
4
Зајечар 72,80 12,00 27,80 91,60 83,30 99,50

Зрењанин 83,70 13,60 50,00 44,30 93,30 99,38
Јагодина 60,20 3,70 40,00 77,60 70,60 99,65
Кикинда 86,60 10,90 43,30 38,60 63,30 99,73
Крагујевац 74,60 10,50 28,10 27,10 80,00 99,54
Краљево 68,00 16,70 70,00 32,00 93,30 99,38
Крушевац 75,40 7,50 36,70 46,60 80,00 99,54
Лесковац 62,20 2,90 30,30 82,20 93,30 99,38
Ниш 71,80 4,20 43,80 51,90 80,00 99,54
Н. Пазар 58,40 4,20 14,30 70,10 40,00 100,00
Нови Сад 92,40 16,10 54,00 39,70 90,00 99,42
Панчево 61,50 15,50 33,30 40,70 96,80 99,34
Пирот 84,90 6,00 54,80 89,70 93,30 99,38
Пожаревац 61,50 20,00 56,70 36,00 93,50 99,38
Пријепоље 54,90 4,90 13,30 47,80 90,90 99,41
Прокупље 84,90 17,00 47,40 88,00 93,30 99,38
Смедерево 53,70 12,70 40,00 32,60 93,80 99,38
Сомбор 84,00 12,80 58,00 36,20 76,70 99,57
С. Митр. 83,70 7,40 40,00 32,10 93,30 99,38
Суботица 86,30 13,10 70,00 36,90 80,00 99,54
Ужице 85,00 7,30 52,40 31,70 87,10 99,45
Чачак 67,70 17,80 33,30 56,30 75,00 99,59
Шабац 63,00 10,80 33,30 10,20 83,30 99,50
РЕШЕЊЕ:
Полицијска управа Нови Сад
Индекс за кориштење сигурносног појаса у возилу на предњој клупи:
x NS  min( x SRB ) 92,4  53,7 38,7

z NS 1    1
max( x SRB )  min( x SRB ) 92,4  53,7 38,7
Индекс за кориштење сигурносног појаса у возилу на задњој клупи:
x NS  min( x SRB ) 16,1  1,8 14,3

z NS 2     0,79
max( x SRB )  min( x SRB ) 20,0  1,8 18,2
Индекс за кориштење заштитног седишта за децу до 3 године:
x NS  min( x SRB ) 54,0  13,3 40,7

z NS 3     0,72
max( x SRB )  min( x SRB ) 70,0  13,3 56,7
Индекс за поштовање ограничења брзине:
x NS  min( x SRB ) 39,7  10,2 29,5

z NS 4     0,36
max( x SRB )  min( x SRB ) 92,7  10,2 82,5
5
Индекс за кориштење заштитне кациге за мотоциклисте:
x NS  min( x SRB ) 90,0  40,0 50,0

z NS 5     0,88
max( x SRB )  min( x SRB ) 96,8  40,0 56,8
Индекс за степен вожње испод дозвољене границе количине алкохола у крви:
x NS  min( x SRB ) 99,42  99,34 0,08

z NS 6     0,12
max( x SRB )  min( x SRB ) 100,00  99,34 0,66
Укупуни композитни индекс:
z NS 1  z NS 2  z NS 3  z NS 4  z NS 5  z NS 6 1  0,79  0,72  0,36  0,88  0,12

CI NS    0,65
6 6
Полицијска управа Ниш
x N  min( x SRB ) 71,8  53,7 18,1

z N1     0,47
max( x SRB )  min( x SRB ) 92,4  53,7 38,7
x N  min( x SRB ) 4,2  1,8 2,4

zN2     0,13
max( x SRB )  min( x SRB ) 20,0  1,8 18,2
x N  min( x SRB ) 43,8  13,3 30,5

zN3     0,54
max( x SRB )  min( x SRB ) 70,0  13,3 56,7
x N  min( x SRB ) 51,9  10,2 41,7

zN4     0,51
max( x SRB )  min( x SRB ) 92,7  10,2 82,5
x N  min( x SRB ) 80,0  40,0 40,0

zN5     0,70
max( x SRB )  min( x SRB ) 96,8  40,0 56,8

6
x N  min( x SRB ) 99,54  99,34 0,2

zN6     0,30
max( x SRB )  min( x SRB ) 100,00  99,34 0,66
z N 1  z N 2  z N 3  z N 4  z N 5  z N 6 0,47  0,13  0,54  0,51  0,70  0,30

CI N    0,44
6 6
Полицијска управа Пријепоље
x P  min( x SRB ) 54,9  53,7 1,2

z P1     0,03
max( x SRB )  min( x SRB ) 92,4  53,7 38,7
x P  min( x SRB ) 4,9  1,8 3,1

z P2     0,17
max( x SRB )  min( x SRB ) 20,0  1,8 18,2
x P  min( x SRB ) 13,3  13,3 0

z P3    0
max( x SRB )  min( x SRB ) 70,0  13,3 56,7
x P  min( xSRB ) 47,8  10,2 37,6

zP4     0,46
max( xSRB )  min( xSRB ) 92,7  10,2 82,5
x P  min( xSRB ) 90,9  40,0 50,9

z P5     0,90
max( xSRB )  min( xSRB ) 96,8  40,0 56,8
xP  min( xSRB ) 99,41  99,34 0,07

zP6     0,11
max( xSRB )  min( xSRB ) 100,00  99,34 0,66
7
z P1  z P 2  z P 3  z P 4  z P 5  z P 6 0,03  0,17  0  0,46  0,90  0,11
CI P    0,28
6 6
Пример 5.4. Извршити компаративну анализу стања безбедности саобраћаја између Финске,
Мађарске и Словеније на основу стандардизованог композитног индекса безбедности
саобраћаја. У табели 5.4. дат је преглед индикатора безбедности саобраћаја по полицијским
управама. Укратко прокоментарисати добијене резултате.
Табела 5.4. Вредности индикатора безбедности саобраћаја у појединим земљама ЕУ

% % возила
% поштовања
поштовања старости % СП % СП
Држава ограничења
дозвољене од 3 до 5 напред назад
брзине
границе година
Аустрија 77,0 98,4 19,0 93,0 78,0
Кипар 25,0 93,0 14,0 86,0 13,0
Естонија 96,0 99,1 8,0 97,0 90,0
Финска 63,0 99,0 13,0 94,0 88,0
Француска 81,8 97,1 21,0 97,0 84,0
Мађарска 68,0 98,5 8,0 81,0 39,0
Ирска 79,0 95,9 25,0 94,0 81,0
Литванија 81,0 98,2 4,0 96,0 33,0
Норвешка 49,0 99,8 13,0 95,0 88,0
Пољска 42,9 99,3 6,0 90,0 71,0
Португал 55,0 96,2 13,0 96,0 77,0
Словенија 74,0 96,4 17,0 94,0 66,0
Шпанија 62,0 98,3 15,0 90,0 81,0
Шведска 46,0 99,0 18,0 98,0 93,0
УК 53,0 89,0 22,0 97,0 87,0
РЕШЕЊЕ:
Финска
xF  min( xSRB ) 63,0  25,0 38,0

z F1     0,54
max( xSRB )  min( xSRB ) 96,0  25,0 71,0
xF  min( xSRB ) 99,0  89,0 10,0

zF 2     0,93
max( xSRB )  min( xSRB ) 99,8  89,0 10,8
Индекс за квалитет возног парка:

8
xF  min( xSRB ) 13,0  4,0 9,0

zF 3     0,43
max( xSRB )  min( xSRB ) 25,0  4,0 21,0
xF  min( xSRB ) 94,0  81,0 13,0

zF 4     0,76
max( xSRB )  min( xSRB ) 98,0  81,0 17,0
xF  min( xSRB ) 88,0  13,0 75,0

zF 5     0,94
max( xSRB )  min( xSRB ) 93,0  13,0 80,0
z F 1  z F 2  z F 3  z F 4  z F 5 0,54  0,93  0,43  0,76  0,94

CI F    0,72
5 5
Мађарска
xM  min( xSRB ) 68,0  25,0 43,0

zM 1     0,61
max( xSRB )  min( xSRB ) 96,0  25,0 71,0
xM  min( xSRB ) 98,5  89,0 9,5

zM 2     0,88
max( xSRB )  min( xSRB ) 99,8  89,0 10,8
xM  min( xSRB ) 8,0  4,0 4,0

zM 3     0,19
max( xSRB )  min( xSRB ) 25,0  4,0 21,0
xM  min( xSRB ) 81,0  81,0 0,0

zM 4    0
max( xSRB )  min( xSRB ) 98,0  81,0 17,0
9
xM  min( xSRB ) 39,0  13,0 26,0
zM 5     0,33
max(xSRB )  min( xSRB ) 93,0  13,0 80,0
z M 1  z M 2  z M 3  z M 4  z M 5 0,61  0,88  0,19  0  0,33

CI F    0,40
5 5
Словенија
xM  min( xSRB ) 74,0  25,0 49,0

zM 1     0,69
max( xSRB )  min( xSRB ) 96,0  25,0 71,0
xM  min( xSRB ) 96,4  89,0 7,4

zM 2     0,69
max( xSRB )  min( xSRB ) 99,8  89,0 10,8
xM  min( xSRB ) 17,0  4,0 13,0

zM 3     0,62
max( xSRB )  min( xSRB ) 25,0  4,0 21,0
xM  min( xSRB ) 94,0  81,0 13,0

zM 4     0,76
max( xSRB )  min( xSRB ) 98,0  81,0 17,0
xM  min( xSRB ) 66,0  13,0 26,0

zM 5     0,66
max( xSRB )  min( xSRB ) 93,0  13,0 80,0
z M 1  z M 2  z M 3  z M 4  z M 5 0,69  0,69  0,62  0,76  0,66

CI F    0,68
5 5
10
5.3. ТЕНДЕНЦИЈЕ У ОБЛАСТИ БЕЗБЕДНОСТИ САОБРАЋАЈА
Индекси су релативни бројеви уз помоћ којих се упоређују нивои две или више истородних
појава. Временски индекси изражавају релативни однос између нивоа две или више
истородних појава у различитим временским периодима. Разликују се базни и ланчани
индекси. Базн
и индекси изражавају релативни однос између нивоа једне појаве у више временских
периода у односу на ниво те исте појаве у једном (базном) периоду. Ланчани индекси
изражавају релативни однос између нивоа појаве у текућем временском периоду у односу на
претходни временски период. Базни индекс се рачуна као однос нивоа серије из текуће
године Xt у односу на ниво серије из базне године X0 (види формулу 5.5), док се ланчани
индекс рачуна као ниво серије из текуће године Xt у односу на ниво серије из претходне
године Xt-1 (види формулу 5.6).
Xt
IB  100 (5.5.)
X0
X
I L  t 100 (5.6.)
X t 1
Пример 5.5. У табели 5.5. дата је фреквенција броја погинулих лица у саобраћајним
незгодама по двогодишњим временским интервалима за подручја САД, Холандије и Данске.
Извршити анализу базног индекса кретања броја погинулих. Као базну годину узети 2000.
Табела 5.5. Приказ броја погинулих лица у саобраћајним незгодама за дате државе
Погинула лица
2000 2002 2004 2006 2008 2010
САД 41945 43005 42836 42708 37261 32999
Холандија 1166 1069 881 811 677 537
Шведска 498 463 369 306 406 255
РЕШЕЊЕ:
Прорачун базног индекса кретања броја погинулих за САД:
X 2002 43005
I B 2002  100  100  102,5%
X 2000 41945
X 2004 42836
I B 2004  100  100  102,1%
X 2000 41945
X 2006 42708
I B 2006  100  100  101,8%
X 2000 41945
1
X 2008 37261
I B 2008  100  100  88,8%
X 2000 41945
X 2010 32999
I B 2010  100  100  78,7%
X 2000 41945
Прорачун базног индекса кретања броја погинулих за Холандију:
X 2002 1069
I B 2002  100  100  91,7%
X 2000 1166
X 881
I B 2004  2004 100  100  75,6%
X 2000 1166
X 2006 811
I B 2006  100  100  69,5%
X 2000 1166
X 2008 677
I B 2008  100  100  58,1%
X 2000 1166
X 537
I B 2010  2010 100  100  46,1%
X 2000 1166
Прорачун базног индекса кретања броја погинулих за Шведску:
X 2002 463
I B 2002  100  100  92,9%
X 2000 498
X 2004 369
I B 2004  100  100  74,1%
X 2000 498
X 2006 306
I B 2006  100  100  61,4%
X 2000 498
X 2008 406
I B 2008  100  100  81,5%
X 2000 498
X 2010 255
I B 2010  100  100  51,2%
X 2000 498
Табела 5.6. Приказ броја погинулих лица и базног индекса кретања броја погинулих
2
2000 2002 2004 2006 2008 2010
САД 41945 43005 42836 42708 37261 32999
Холандија 1166 1069 881 811 677 537
Шведска 498 463 369 306 406 255
IBСАД 100 102,5 102,1 101,8 88,8 78,7
%↑↓ 0 2,5 2,1 1,8 -11,2 -21,3
IBХоландија 100 91,7 75,6 69,5 58,1 46,1
%↑↓ 0 -8,3 -24,4 -30,5 -41,9 -53,9
IBШведска 100 92,9 74,1 61,4 81,5 51,2
%↑↓ 0 -7,1 -25,9 -38,6 -18,5 -48,8
Слика 5.1. Приказ процентуалног повећања и смањења броја погинулих
Резултати кретања базног индекса по двогодишњим временским интервалима за САД,

Холандију и Шведску, указују да је су све земље забележиле значајан пад броја погинулих у
односу на 2000. годину која је узета као базна. До 2006. године у САД је бележен благи раст
броја погинулих, након чега је тај број почео да опада. У Холандији је број погинулих
константно опадао. Такође у Шведској је број погинулих у односу на 2000. годину опадао, а
уочава се специфичност у 2008. години, када је смањење броја погинулих било знатно мање
него у осталим периодима. Резултати указују да су посматране земље развиле ефикасан
систем стратешког управљања и успеле да остваре позитивне помаке у безбедности
саобраћаја.
3
Пример 5.6. У табели 5.7. дата је фреквенција броја погинулих лица у саобраћајним
незгодама по двогодишњим временским интервалима за подручја Грчке, Норвешке и
Португала. Извршити анализу ланчаног индекса кретања броја погинулих.
Табела 5.7. Приказ броја погинулих лица у саобраћајним незгодама за дате државе
1985 1990 1995 2000 2005 2010
Грчка 1704 1737 2043 2037 1658 1258
Норвешка 402 332 305 341 224 208
Португал 1875 2321 2085 1897 1247 967
РЕШЕЊЕ:
Прорачун ланчаног индекса кретања броја погинулих за Грчку:
X 1990 1737
I L1990  100  100  101,9%
X 1985 1704
X 1995 2043
I L1995  100  100  117,6%
X 1990 1737
X 2000 2037
I L 2000  100  100  99,7%
X 1995 2043
X 2005 1658
I L 2005  100  100  81,4%
X 2000 2037
X 2010 1258
I L 2010  100  100  75,9%
X 2005 1658
Прорачун ланчаног индекса кретања броја погинулих за Норвешку:
X 1990 332
I L1990  100  100  82,6%
X 1985 402
X 1995 305
I L1995  100  100  91,9%
X 1990 332
X 2000 341
I L 2000  100  100  111,8%
X 1995 305
4
X 2005 224
I L 2005  100  100  65,7%
X 2000 341
X 2010 208
I L 2010  100  100  92,9%
X 2005 224
Прорачун ланчаног индекса кретања броја погинулих за Португал:
X 1990 2321
I L1990  100  100  123,8%
X 1985 1875
X 1995 2085
I L1995  100  100  89,8%
X 1990 2321
X 2000 1897
I L 2000  100  100  90,1%
X 1995 2085
X 2005 1247
I L 2005  100  100  65,7%
X 2000 1897
X 2010 967
I L 2010  100  100  77,5%
X 2005 1247
Табела 5.8. Приказ броја погинулих лица и ланчаног индекса кретања броја погинулих
1985 1990 1995 2000 2005 2010
Грчка 1704 1737 2043 2037 1658 1258
Норвешка 402 332 305 341 224 208
Португал 1875 2321 2085 1897 1247 967
ILГрчка 100 101,9 117,6 99,7 81,4 75,9
%↑↓ 0 1,9 17,6 -0,3 -18,6 -24,1
ILНорвешка 100 82,6 91,9 111,8 65,7 92,9
%↑↓ 0 -17,4 -8,1 11,8 -34,3 -7,1
ILПортугал 100 123,8 89,8 90,1 65,7 77,5
%↑↓ 0 23,8 -10,2 -9,9 -34,3 -22,5
5
Слика 5.2. Приказ ланчаног индекса кретања броја погинулих
Када се посматра ланчани индекс кретања броја погинулих у саобраћајним незгодама

постоје одређене различитости између посматраних земаља. Наиме, Грчка након прве
деценије пораста броја погинулих бележи пад броја погинулих у наредна три периода након
сваког петогодишњег интервала. Норвешка бележи пад броја погинулих из године у годину,
осим 2000. године, када је број погинулих био већу у односу на 1995. годину. У Португалу
број погинулих се креће у оба смера. Ако се посматра ефикасност система стратешког
управљања, модел Норвешке је најприхватљивији, јер даје најбоље изгледе да у будућности
буде стабилан. Генерално, ниједан од система није у потпуности стабилан, па би требало
извршити процес бенчмаркинга над системима управљања процесом безбедности саобраћаја
у другим земљама. Могуће је да су поједине земље, као што је Норвешка дотакле лимит у
погледу ефикасности система заштите, док земље као што су Грчка и Португал следећи
добру праксу рада у области безбедности саобраћаја са закашњењем остварују позитивне
резултате. Због тога је неопходно сагледати дужи временски опсег и краће временске
интервале.
6
5.4. ПРОФИЛ ПОНАШАЊА ВОЗАЧА У ЗАТВОРЕНИМ СИСТЕМИМА
У затвореним системима у оквиру процеса управљања возним парком постоји посебна

потреба и користи који би могли бити остварени, ако би се могла спровести идентификација
возача који учествују у ризичним понашањима, излажући саобраћајним незгодама себе и
друге учеснике у саобраћају. Досадашња пракса идентификовања ризичних група или
појединца, била је заснована на различитим методама, укључујући креирање социо-
демографских профила (Wundersitz and Hutchinson, 2008), као и профила заснованих на
техници самопријављивања (Brown and Cotton, 2003; Musselwhite, 2006). Ови приступи су
ограничени јер узимају у разматрање мали број опсервација које су снимљене у одређеном
временском и просторном пресеку. Развој нових технологија, омогућио је и развој система
праћења рада возача, кориштењем посебних уређаја заснованих на ГПС технологији. Ови
уређаји омогућавају прикупљање натуралистичких података, тј. података који континуирано
из секунде у секунду прате процес понашања возача током вожње, генеришући на такав
начин милионе опсервација за сваког возача (слика 5.3). Анализа ових понашања и нивоа
ризика који их прати даје могућност да се на објективан начин дефинише профил понашања
за сваког возача појединачно. Профил понашања возача (ППВ) представља композитну
стандардизовану меру/скор која одражава ниво ризичности понашања возача. Ова мера је
заснована на емпиријским подацима о понашању возача као што су брза вожња, агресивно
убрзње и успорење. Дозвољава да понашање возача буде посматрано појединачно кроз
време и простор, као и да се врши компаративна анализа између њих.
Слика 5.3. Принцип рада система за праћење понашања возача

(адаптирано према: Shichrur, Sarid & Ratzon, 2014)
У претходном периоду су учињени значајни напори у циљу разумевања и побољшања

понашања возача. У складу са тим у великом броју истраживања су искориштена
унапређења у технологији у погледу прикупљања детаљнијих и много комплекснијих
натуралистичких података. То је утицало на развој нових потреба за успостављање
методологије неопходне за анализу података у погледу дефинисања профила понашања
возача. Једно од најзначајнијих истраживања подразумева рад Toledo et al. (2008) у коме је
индекс ризика био креиран за возаче који су управљали комерцијалним возилима, користећи
податке прикупљене уређајима који су инсталирани у возилима, а који су засновани на ГПС
1
технологији (eng. in-vehicle data recorders – IVDR). Индекс ризика је узимао у обзир
различита понашања, као што су промена саобраћајне траке, брза вожња и агресивно
успорење. Сваки евидентирани догађај је разматран са аспекта његове учесталости,
величине и тежине и кориштен је у процесу рачунања индекса ризика, који је нормализован
користећи време проведено у вожњи. Након тога подаци су трансформисани, и кретали су се
у опсегу од 0 до 1. Овај концепт је кориштен за профил дефинисања понашања возача у
оквиру практикума.
Концептуални оквир дефинисања стварног понашања возача спроведен је применом
индивидуалног композитног индекса брзе вожње. Индивидуални композитни индекс
понашања возача представља емпиријску стандардизовану меру/скор која одражава ниво
ризичности понашања возача. Овај показатељ је израчунат као линеарна функција
учесталости, величине и величине ризика настанка саобраћајне незгоде због брзе вожње.
Концептуални оквир рачунања композитног индекса брзе вожње приказан је на слици 5.4.
КОМПОЗИТНИ
ФРЕКВЕНЦИЈА ВЕЛИЧИНА ТЕЖИНА ИНДЕКС
БРЗИНЕ
Слика 5.4. Концептуални оквир профила понашања возача

(Ellison, Greaves & Bliemer, 2015).
Време проведено у вожњи у посматраном периоду је кориштено у циљу нормализације броја

прекорачења. Фреквенција прекорачења брзине указује на то колико често се реализовао
маневар одређене величине (нпр. фреквенција прекорачења брзине у распону прекорачења
од 15 до 20 km/h) у посматраном периоду времена. Величина представља вредност
одређеног маневра. У анализу су узета у обзир максимална прекорачења брзине која су
трајала у континуитету од најмање 30 секунди. Тежина представља тежински коефицијент
или пондер, који има за циљ да придружи посматраном догађају (тј. маневру) вредност
нивоа ризика, на основу тежине сваког маневра (нпр. прекорачење брзине у распону од 15 до
20 km/h). Тежински коефицијенти су приказани у табели 5.9 (Elvik, 2012). Производ ове три
компоненте даје вредност композитног индекса за брзу вожњу.
Табела 5.9. Релативне вредности ризика у

зависности од величине прекорачења брзине (Elvik, 2012)
Ниво прекорачења брзине (km/h) Релативни ризик
1-4 1,38
5-9 1,93
10-14 2,81
15-19 3,86
≥ 20 5,16
Интерпретација скорова захтева разумевање како су њихове вредности (од 0 до 1)

израчунате. Сви скорови су представљени на основу стандардизоване вредности која се
креће у опсегу од 0 до 1. Вредности блиске 0 одражавају низак ниво ризика учешћа у
саобраћајним незгодама због брзе вожње за појединог возача, док вредности блиске 1
одражавају високе вредности тог ризика. Образац за израчунавање индивидуалног
композитног индекса је дат у следећој формули (Toledo et al., 2008):
2
Rit 
 
j s  js Nijst
(5.7)
DTit
где Rit представља индекс ризика за појединца i током периода t. DTit је укупно време
проведено у вожњи током овог периода. Nijst је фреквенција маневара типа j и тежине s које
су возачи извршили. βjs су пондери за различите типове маневара. Фреквенција маневра типа
j и тежине s добија се дескриптивном статистичком анализом, на основу табеле
контигенције. Тежински коефицијент или пондери βjs добијени су на основу претходних
истраживања која су испитивала повезаност релативног ризика настанка саобраћајних
незгода и посматране брзе вожње (Elvik, 2012). Индекси ризика су стандардизовани, како би
добили вредност између 0 и 1 (видети образац 5.4).
Пример 5.7. У једној транспортној компанији запослена су 24 возача. Израчунати профил

понашања возача под идентификационим бројем 8, 15 и 23., ако су доступни подаци о нивоу
прекорачења брзине који су прикупљени применом ГПС технологије. Минимална остварена
вредност нестандардизованог композитног индекса у погледу брзе вожње међу овим
возачима је 1,43, а максимална вредност је 25,63. У табели 5.9., дате су карактеристике
возача у току вожње. Укратко прокоментарисати добијене резултате.
Табела 5.9. Карактеристике понашања возача

Време трајања
ID 1-4 5-9 10-14 15-19 >20
вожње
1 247 20 11 4 3 267.70
2 69 11 1 0 0 75.57
3 205 10 2 1 1 214.49
4 142 35 1 0 0 160.87
5 253 79 16 1 0 183.02
6 94 19 20 14 13 240.45
7 591 726 185 7 25 177.20
8 314 179 46 3 6 70.45
9 196 50 13 1 1 249.13
10 93 17 3 0 0 105.59
11 176 34 15 4 0 85.61
12 117 43 29 10 11 108.27
13 400 129 9 1 1 282.38
14 68 21 6 2 0 98.45
15 174 433 166 22 84 80.40
16 285 123 14 0 1 131.03
17 849 282 19 2 2 158.52
18 95 66 65 3 0 37.87
19 474 302 25 7 6 120.67
20 308 144 17 7 4 153.00
21 290 196 34 3 0 90.59
23 419 13 1 3 2 158.48
24 143 36 14 0 1 195.67
3
РЕШЕЊЕ:
Нестандардизовани композитни индекс у погледу брзе вожње се рачуна на следећи начин:
(314  1,38  179  1,93  46  2,81  3  3,86  6  5,16)

R8 јулдецембар   13,49
70,45
(174  1,38  433  1,93  166  2,81  22  3,86  84  5,16)

80,40
(419  1,38  13  1,93  1  2,81  3  3,86  2  5,16)

80,40
Стандардизовани композитни индекс у погледу брзе вожње се рачуна на следећи начин:
R8 јулдецембар  min( Ri јулдецембар ) 13,49  1,43

z R8 јулдецембар    0,50
max(Ri јулдецембар )  min( Ri јулдецембар ) 25,63  1,43

z R15 јул децембар   1

z R23 јул децембар    0,10
Резултати профила понашања возача на основу стандардизованог композитног индекса

указују да је међу три посматрана возача, возач са идентификационим број 15 најризичнији
возач, а возач са идентификационим бројем 23 најбезбеднији.
4
5.5. ФАКТОР РИЗИКА
Фактор ризика страдања појединих старосних група добија се тако што се проценат
настрадалих (или одвојено повређених и погинулих) те групе у структури укупно
настрадалих, подели са процентом који та старосна група чини у укупној структури
становништва (Инић и Јовановић, 2005). Уколико је фактор ризика већи од један, онда је
посматрана старосна група презаступљена у структури настрадалих у односу на структуру
становништва и за њу се каже да је повећано угрожена. Са друге стране, уколико је фактор
ризика мањи од један, онда је посматрана старосна група умањено угрожена.
N****
100
% у структури настрадалих
FR   N (5.7)
% у структури становништва S**** 100
S
N**-** - број настрадалих посматране старосне групе

N - број настрадалих
S**-** - број становника посматране старосне групе
S – укупан број становника
Пример 5.8. Број припадника старосне групе од 18 до 25 година на једном подручју је 2.600.
Број настрадалих ове старосне групе у СН је 550. На овом подручју живи укупно 30.000
становника, а укупно је настрадало 3.500 лица. Колика је вредност фактора ризика за ову
старосну групу?
РЕШЕЊЕ:
N1825 550
100 100
% у структури настрадалих N 3500 15,7%
FR1825      1,8
% у структури становништва S1524 100 2600
100 8,7%
S 30000
Посматрана старосна група од 18 до 25 година старости је повећано угрожена.
Пример 5.9. На основу података у табели 5.10. и табели 5.11. утврдити фактор ризика за
укупно настрадале старосне групе од 25-44 године и 65 година и више. Извршити
компаративну анализу.
Табела 5.10. Преглед настрадалих у саобраћајним незгодама

Категорија учесника у саобраћају
Године старости Укупно
Возач Пешак Путник Бициклиста
0-9 0 44 31 2 77
10-14 0 21 22 12 55
15-19 30 24 68 13 135
20-24 123 23 131 8 285
25-34 169 25 110 8 312
35-44 117 33 63 13 226
45-64 103 83 81 40 307
1
65 и више 13 58 16 20 107
Укупно 555 311 522 116 1504
Табела 5.11. Број становника по старосним групама

0-9 10-14 15-24 25-44 45-64 65 и више
27.005 17.264 32.724 63.013 46.183 9.307
РЕШЕЊЕ:
N2544  N 2534  N3544  312  226  538

N 2544 538
 100  100
% у структури настрадалих 35,8%
FR2544   N  1504   1,1
% у структури становништва S 2544 100 63013
 100 32, 2%
S 195496
Посматрана старосна група од 25 до 44 године старости је благо повећано угрожена.
N 65 107
100  100
% у структури настрадалих 7,1%
FR65   N  1504   1,5
% у структури становништва S 65  100 9307
 100 4,8%
S 195496
Посматрана старосна група од 65 година и више је повећано угрожена.
Резултати анализе фактора ризика указују да је старосна група 65 година и више

угроженија од старосне групе од 25 до 44 године.
Пример 5.10. а) У табели 5.12 дати су подаци о динамичком ризику и саобраћајни подаци за
подручје Аустрије. Извршити анализу ланчаног индекса кретања јавног ризика погинулих.
Покоментарисати добијене резултате.
Табела 5.12. Подаци за Аустрију

1990 2000 2010 2015
Динамички ризик (пог/милијарду воз. km) 32 15 7,3 5,8
Возило километри (милиони) 48687 65143 75894 82176
Број регистрованих моторних возила (хиљаде) 4186 5471 5981 6466
Степен моторизације (рег. мот. воз./1000 становника) 548 684 716 754
б) Израчунати вредност фактора ризика погинулих у Аустрији у 2015. години за старосну

групу 65≥, ако се зна да је број погинулих ове старосне групе 141. Проценат становника ове
старосне групе је 19,2%. Прокоментарисати добијене резултате.
РЕШЕЊЕ:
У задатку је неопходно израчунати јавни ризик погинулих за сваки временски пресек. За

рачунање јавног ризика примењује се формула 5.1., која захтева податке о броју погинулих и
2
броју становника у одређеном временском периоду на одређеном подручју. Пошто недостају

подаци о броју погинулих и броју становника у табели 1, до њих је могуће доћи индиректно.
Број погинулих се може добити на основу формуле за динамички ризик, а број становника
на основу формуле за степен моторизације,
На основу формуле 5.3. број погинулих се рачуна на следећи начин
DR1990  L1990 32  48687 106

P1990    1557,9 = 1558
109 109
DR2000  L2000 15  65143 106

P2000    977,1 = 997
109 109
DR2010  L2010 7,3  75894 106

P2010    554,02 = 554
109 109
DR2015  L2015 5,8  82176 106

P2015    476,6 = 477
109 109
На основу формуле 5.4. за степен моторизације рачуна се број становника се на следећи

начин:
RMV1990 103 4186 103 103

S1990    7.638.686,1  7.638.686
SM 1990 548
RMV2000 103 5471103 103

S 2000    7.998.538,01  7.998.538
SM 2000 684
RMV2010 103 5981103 103

S 2010    8.353.351,96  8.353.352
SM 2010 716
RMV2015 103 6466 103 103

S 2015    8.575.596,82  8.575.597
SM 2015 754
Даље се на основу претходних података рачуна јавни ризик по временским периодима:
P1990 105 1558 105  погинулих 

ЈR1990    20,39 100.000 становника 
S1990 7638686  
3
P2000 105 977 105  погинулих 
ЈR2000    12,21  
S 2000 7998538 100.000 становника 
P2010 105 554 105  погинулих 

ЈR2010    6,63  
S 2010 8353352 100.000 становника 
P2015 105 477 105  погинулих 
ЈR2015    5,56 100.000 становника 
S 2015 8575597  
Прорачун ланчаног индекса кретања јавног ризика погинулих за Аустрију:
X 2000 12,21
I L 2000   100   100  59,9%
X 1990 20,39
X 2010 6,63
I L 2010   100   100  54,3%
X 2000 12,21
X 2015 5,56
I L 2015  100  100  83,7%
X 2010 6,63
Табела 5.13. Приказ броја погинулих лица и ланчаног индекса кретања броја погинулих
Временски периоди
1990 2000 2010 2015
Јавни ризик 20,39 12,21 6,63 5,56
ILАустрија 100 59,9 54,3 83,7
%↑↓ 0 -40,1 -45,7 -16,2
Слика 5.5. Приказ ланчаног индекса кретања јавног погинулих
4
Резултати ланчаног индекса јаног ризика погинулих указују да Аустрија из периода у период
бележи позитивне резултате, као и да је систем безбедности саобраћаја добро успостављен и
стабилан.
б) У овом деу задатка неопходно је израчунати фактор ризика погинулих за старосну групу
65+ у 2015. години. Фактор ризика се рачуна на следећи начин:
N 65 141
100 100
% у структури погинулих65 29,6%
FR65   N  477   1,5
% у структури становништва65 S65
100 19,2% 19,2%
S
Старосна група 65+ је повећано угрожена.
5
6. ИДЕНТИФИКАЦИЈА ОПАСНИХ МЕСТА
6.1. ТРАДИЦИОНАЛНИ МОДЕЛИ
6.1.1. Традиционални модели на деоницама пута
N 106  саобраћајних незгода 

SN   
365  Q  L  1 милион возило km 
SN – стопа незгода
Q – просечни годишњи дневни саобраћај (воз/дан)
L – дужина деонице (km)
( N m  Pm  N lp  Plp  N tp  Ptp  N p  Pp ) 106  саобраћајних незгода 

SU   
365  Q  L  1 милион возило km 
SU – степен угрожености
Nm – број саобраћајних незгода са материјалном штетом
Nlp – број саобраћајних незгода са лако повређенима
Ntp – број саобраћајних незгода са тешко повређенима
Np – тежински коефицијент (пондер) за саобраћајне незгоде са погинулима
Pm – тежински коефицијент (пондер) за саобраћајне незгоде са материјалном штетом
Plp – тежински коефицијент (пондер) за саобраћајне незгоде са лако повређенима
Ptp – тежински коефицијент (пондер) за саобраћајне незгоде са тешко повређенима
Pp – тежински коефицијент (пондер) за саобраћајне незгоде са погинулима
Пример 6.1. Извршити анализу безбедности саобраћаја на три деонице државног пута IB-21
реда у 2011. години за дате податке:
Табела 6.1. Преглед показатеља потребних за анализу

Деоница 1 Деоница 2 Деоница 3
Дужина (km) 20,04 7,12 20,11
ПГДС 7.500 2.331 2.647
СН са настрадалима 23 7 4
Сн са погинулима 1 1 0
СН са тешко повређенима 8 3 2
Повређени 9 4 2
Укупан број СН 77 8 17
Pm=1 Plp=5 Ptp=70 Pp=130
1
РЕШЕЊЕ:
Прво, неопходно је израчунати стопу незгода на посматраним деоницама:
N d 1 106 77 106 77000000 саобраћајних незгода

SN d 1     1,404
365  Qd 1  Ld 1 365  7500  20,04 54859500 1 милион возило km
N d 2  106 8  106 8000000 саобраћајних незгода

SN d 2     1,321
365  Qd 2  Ld 2 365  2331 7,12 6057802,8 1 милион возило km
N d 3 106 17 106 17000000 саобраћајних незгода

SN d 3     0,875
365  Qd 3  Ld 3 365  2647  20,11 19429377,05 1 милион возило km
Ако се користи стопа незгода као показатељ стања безбедности саобраћаја на разматраним
деоницама, може се извести закључак да је деоница 1 најопаснија, а деоница 3 је повезана са
најмањим нивоом ризика.
Даље, потребно је израчунати степен угрожености на посматраним деоницама:
( N md 1  Pm  N lpd1  Plp  N tpd1  Ptp  N pd 1  Pp ) 106 (54 1  14  5  8  70  1  130) 106

SU d 1   
365  Qd 1  Ld 1 365  7500  20,04
814000000 саобраћајних незгода
  14,838
54859500 1 милион возило km
N md 1  N d 1  N nd 1  77  23  54
N lpd 1  N nd 1  N tpd 1  N pd 1  23  8  1  14
( N md 2  Pm  N lpd 2  Plp  N tpd 2  Ptp  N pd 2  Pp )  106 (1 1  3  5  3  70  1  130)  106

SU d 2   
365  Qd 2  Ld 2 365  2331 7,12
  58,767
6057802,8 1 милион возило km
N md 2  N d 2  N nd 2  8  7  1
N lpd 2  N nd 2  N tpd 2  N pd 2  7  3  1  3
( N md 3  Pm  N lpd 3  Plp  N tpd 3  Ptp  N pd 3  Pp ) 106 (13  1  2  5  2  70  0 130) 106

SU d 3   
365  Qd 3  Ld 3 365  2647  20,11
  8,389
19429377,05 1 милион возило km
N md 3  N d 3  N nd 3  17  4  13
N lpd 3  N nd 3  N tpd 3  N pd 3  4  2  0  2
2
Ако се користи степен угрожености као показатељ стања безбедности саобраћаја на

разматраним деоницама, може се извести закључак да је деоница 2 најопаснија, а деоница 3
је повезана са најмањим нивоом ризика
6.1.2. Традиционални модели на микролокацијама
N  10 6  саобраћајних незгода 
SN 
365  Q  1 милион возила 
SN – стопа незгода
( N m  Pm  N lp  Plp  N tp  Ptp  N p  Pp )  10 6  саобраћајних незгода 

SU   1 милион возила 
365  Q  
SU – степен угрожености
Nm – број саобраћајних незгода са материјалном штетом
Nlp – број саобраћајних незгода са лако повређенима
Ntp – број саобраћајних незгода са тешко повређенима
Np – тежински коефицијент (пондер) за саобраћајне незгоде са погинулима
Pm – тежински коефицијент (пондер) за саобраћајне незгоде са материјалном штетом
Plp – тежински коефицијент (пондер) за саобраћајне незгоде са лако повређенима
Ptp – тежински коефицијент (пондер) за саобраћајне незгоде са тешко повређенима
Pp – тежински коефицијент (пондер) за саобраћајне незгоде са погинулима
Пример 6.2. Извршити поређење нивоа безбедности саобраћаја (на годишњем нивоу) на
микролокацијама: А, Б и В за податке дате у табели 6.2.

A Б В
ПГДС – путнички аутомобили 3.613 7.344 3.552
ПГДС – остале катег. учешћа 236 1.504 479
СН са погинулима 7 5 2
СН са настрадалима 85 40 42
СН са тешко повређенима 18 14 12
Укупан број СН 254 286 195
Погинули 9 6 3
Дужина (m) 150 180 240
Ширина коловоза (m) 7,5 7,8 7,3
Попречни нагиб коловоза (%) 2,5 3 2,7
Pm=1 Plp=10 Ptp=30 Pp=100
3
РЕШЕЊЕ:
Прво, неопходно је израчунати стопу незгода на посматраним микролокацијама:
N А 106 254 106 254000000  саобраћајних незгода 

SN А     180,798 
365  Q А 365  3613  236 1404885  1 милион возила 
N Б 106 286 106 286000000  саобраћајних незгода 

SN Б     88,558 
365  QБ 365  7344  1504 3229520  1 милион возила 
N В 106 195 106 195000000  саобраћајних незгода 

SN В     132,535 
365  QВ 365  3552  479 1471315  1 милион возила 
Ако се користи стопа незгода као показатељ стања безбедности саобраћаја на разматраним
микролокацијама, може се извести закључак да је микролокација А најопаснија, а
микролокација Б је повезана са најмањим нивоом ризика.
( N mА  Pm  N lpА  Plp  N tpА  Ptp  N pА  Pp ) 106 (165 1  60 10  18  30  7 100) 106

SU А   
365  QА 365  3613  236
2005000000  саобраћајних незгода 
  1427,163 
1404885  1 милион возила 
N mA  N A  N nA  254  85  165
N lpA  N nA  N tpA  N pA  85  18  7  60
( N mБ  Pm  N lpБ  Plp  N tpБ  Ptp  N pБ  Pp ) 106 (246 1  2110  14  30  5 100) 106

SU Б   
365  QБ 365  7344  1504
  426,069 
N mБ  N Б  N nБ  286  40  246
N lpБ  N nБ  N tpБ  N pБ  40  14  5  21
( N mВ  Pm  N lpВ  Plp  N tpВ  Ptp  N pВ  Pp ) 10 6 (153 1  28 10  12  30  2 100) 10 6

SU В   
365  QВ 365  3552  479
  674,906 
N mВ  N В  N nВ  195  42  153
N lpВ  N nВ  N tpВ  N pВ  42  12  2  28
4
Ако се користи степен угрожености као показатељ стања безбедности саобраћаја на

разматраним микролокаицјама, може се извести закључак да је микролокаицја А
најопаснија, а микролокација Б је повезана са најмањим нивоом ризика
6.2. ПРЕДИКТИВНИ МОДЕЛИ ФРЕКВЕНЦИЈЕ САОБРАЋАЈНИХ НЕЗГОДА
6.2.1. Предиктивни модели на деоницама путева
i  e   L  PGDS   e   X ...  X 
0 1 2 2 n n
(6.5)
i - очекивани број саобраћајних незгода на деоници пута i
e- експоненцијална функција
 0 - регресиони коефицијент за константу
PGDS – просечни годишњи дневни саобраћај (воз/дан)
1 - регресиони коефицијент за PGDS
 2 ,....,  n - регресиони коефицијент за независне варијабле (факторе)
X 2 ,...., X n - вредности независних варијабли
Пример 6.1. Извршити процену фреквенције укупног броја саобраћајних незгода на

деоницама под редним бројевима 75, 79, 83 на државном путу IБ-21 и рангирати деонице
према нивоу опасности. Прокоментарисати добијене резултате.
Табела 6.2. Регресиони коефицијенти – НБ модел
5
РЕШЕЊЕ:
Очекивана вредност саобраћајних незгода на деоници број 75:
75  e   L  PGDS   e 5,894  0,4477  4140 0,754  0,00276  0,4477  533,60299  0,658
0 1
CMF75  e 1X1  e 2 X 2  e 3 X 3  e 4 X 4  e 5 X 5  e 6 X 6  e 7 X 7 
 e 0,1010  e 0,0911  e 0, 2391  e 0,1880  e 0,0088,934  e 0,0302, 234  e 0,0027,817 
1 1,09527  0,787411 1,07409 1,06932 1,01576  1,00615
75  CMF75  0,658  1,00615  0,663
79  e   L  PGDS   e 5,894  0,4059 11171 0,754  0,00276  0,4059 1127 ,876  1,262
0 1
 e 0,1011  e0,0910  e 0, 2390  e 0,1881  e 0,0087,392  e 0,0302, 464  e0,0029,855 
1,10627 1 1  0,828611,06092 1,07672 1,01991  1,008
79 CMF79  1,262 1,008  1,272
83  e   L  PGDS   e 5,894  0,4059 11171 0,754  0,00276  0,5259  20168 0,754  2,552
0 1
 e 0,1011  e0,0910  e 0, 2390  e 0,1881  e 0,00813,309  e 0,0301,901  e 0,0022,852 
1,10627 1 1  0,828611,11235 1,05869 1,00572  1,086
83  CMF83  2,552  1,086  2,771
6
Применом функције перформанси безбедности на деоницама 75, 79 и 83, може се извести

закључак да је очекивани број саобраћајних незгода највећи на деоници број 83. Ускладу са
тим, ова деоница је најризичнија међу посматраним деоницама и представља приоритет у
примени мера безбедности саобраћаја.
6.2.2. Предиктивни модели на раскрсницама
i  e   PGDS главни
0  1 
 PGDS споредни
2
 e X
3 3 ...  n X n 
(6.6)
i - очекивани број саобраћајних незгода на раскрсници i

e- експоненцијална функција
 0 - регресиони коефицијент за константу
PGDSглавни – просечни годишњи дневни саобраћај на главном путу (воз/дан)
PGDSспоредни – просечни годишњи дневни саобраћај на споредном путу (воз/дан)
1 - регресиони коефицијент за PGDS на главном путу
2 - регресиони коефицијент за PGDS на споредном путу
 3 ,....,  n - регресиони коефицијент за независне варијабле (факторе)
X 3 ,...., X n - вредности независних варијабли
Пример 6.2. Извршити процену фреквенције саобраћајних незгода на трокракој раскрсници

која се налази на државном путу IБ-21 ван насеља. Просечни годишњи дневни саобраћај на
главном путу је 10981 воз/дан, а на споредном 4261 воз/дан. Приказ раскрснице је дат на
слици 6.1, а вредности регресионих коефицијената негативног биномног модела дат је у
табели 6.3. Прокоментарисати добијене резултате.
Табела 6.3. Регресиони коефицијенти – НБ модел
Варијабла Регресиони коефицијент

Константа -6,337
ПГДС (главни пут) 0,479
ПГДС (споредни пут) 0,362
Присуство траке за скретање улево на главном путу -0,330
Присуство траке за скретање удесно на главном путу 0,507
7
Слика 6.1. Сателитски снимак раскрснице
РЕШЕЊЕ:
i  e   PGDS главни
0  1 
 PGDSспоредни
2
 e 6,337  109810, 479  42610,362 
 0,00177  86,19210  20,60076  3,143
CMF  e3 X 3  e 4 X 4  e0,3301  e0,5071  0,71892 1,66030  1,194
 CMF  3,1431,194  3,753
Применом функције перформанси безбедности на посматраној раскрсници, очекивани број

саобраћајних незгода је 3,753.
8
ЛИТЕРАТУРА
Coombs, C. H. (1964). A theory of data. New York, NY: Wiley.
АБС, Прегледни извештај, Тренд најважнијих индикатора безбедности саобраћаја (2013-

2017. година), 2018

BS Praktikum PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

BS Praktikum PDF

Uploaded by

Copyright:

Available Formats

Матовић, Б.

Истраживања имају практични циљ да омогуће истраживачима да схвате и разумеју

Статистика је научни метод који се користи за прикупљање, уређивање, анализу,

У области безбедности саобраћаја експерти су често у прилици да доносе важне одлуке и

1.2. ОБЛАСТИ СТАТИСТИКЕ

Дескриптивна статистика се састоји од метода прикупљања, сређивања, приказивања

Већи део статистике бави се закључивањем, доношењем одлука, предвиђањима и

Инференцијална статистика обухвата статистичке методе које се примењују да би се

1.3. СТАТИСТИЧКА ПОПУЛАЦИЈА

Основни скуп података или статистичка популација представља скуп истоврсних

У зависности од броја јединица (опсега) популација може бити коначна и бесконачна.

Ако би се у истраживању обухватиле све јединице основног скупа, до резултата се

Један од основних задатака узорка односи се на процењивање непознатих параметара.

Слика 1.1. Процес избора узорка из основног скупа

Основни критеријум за поделу узорка је заснован на теорији вероватноће, према којој

Доношење објективних нумеричких тврдњи у погледу прецизности резултата узорка је

Слика 1.2. Процес избора стратификованог узорка из основног скупа

Систематски узорак се формира тако да се по реду броје елементи у основном скупу и

Квотни узорак је најближи случајним узорцима, јер представља комбинацију

1.4. ВРСТЕ ПОДАТАКА

У процесу прикупљања података који чине обележја елемената статистичке популације

Променљива која се може бројчано изразити назива се квантитативном

Слика 1.3. Врсте променљивих

У оквиру квалитативних варијабли разликују се три врсте варијабли: бинарне варијабле,

Променљива чије вредности је могуће пребројати назива се прекидном (дискретном)

Процес прикупљања података је најчешће у функцији врсте и циља истраживања које

Истраживања се веома често обављају у форми интервјуа, који подразумева облик

2.2. АНКЕТНА ИСТРАЖИВАЊА

Анкетна истраживања се спроводе од стране истраживача путем анкетног обрасца.

2.2.1. Анкетни образац

Један од најзначајнијих задатака истраживача у њиховом истраживачком раду

Табела 2.1. Пример Ликертове петостепене скале за испитивање нивоа слагања и

унидимензионалности. У природним наукама то није велики проблем јер већина објеката

2.2.2. Начини прикупљања података путем анкете

Прикупљање података за анкетна истраживања спроводи се обично на четири начина:

Посматрање као метод прикупљања података се у области безбедности саобраћаја

најчешће примењује у испитивању понашања учесника у саобраћају. Овакав приступ

Слика 2.1. Фазе спровођења посматрања кориштењем камера

Експеримент представља један од најчешће кориштених приступа који се користи у

База података у области безбедности саобраћаја представља скуп међусобно повезаних

3.1. СОФТВЕР ЗА ОБРАДУ ПОДАТАКА

Слика 3.1. Приказ почетног прозора

Поред овога, важно је напоменути да су фајлови који су снимљени из СПСС-а,

3.2. УРЕЂИВАЧ ПОДАТАКА (THE DATA EDITOR)

Већина активности у СПСС радном окружењу подразумева рад у уређивачу података. У

података и спровођење различитих статистичких процедура. У горњем делу екрана приказан

Слика 3.2. Приказ радног окружења уређивача података

3.3. ФОРМИРАЊЕ БАЗЕ ПОДАТАКА

Свака база података се састоји од јединица посматрања (елеменaта) које представљају

Јединица посматрања (елеменат)

Слика 3.3. Приказ елемената базе података

Први корак у поступку формирања базе података представља креирање варијабли

3.3.1. ДЕФИНИСАЊЕ ВАРИЈАБЛИ

(1) Кликне се на поље

(3) Појави се (4) Одабере се тип

Слика 3.6. Поступак означавања типа варијабле

Слика 3.7. Приказ описа варијабле

Један од најважнијих корака у процесу формирања базе података представља кодирање

(4) Унесе се вредност

Слика 3.8. Поступак кодирања варијабли

Да би недостајање податка кодирали одређеним бројем (нпр. 9999=нема вредност),

(1) Клик на поље

Слика 3.9. Поступак означавања недостајућих података