UTICAJ KARAKTERISTIKA PUTEVA NA PERCEPCIJU RIZIKA I ...
Transcript of UTICAJ KARAKTERISTIKA PUTEVA NA PERCEPCIJU RIZIKA I ...
UNIVERZITETUBEOGRADU
SAOBRAĆAJNIFAKULTET
mrMarjanaV.Čubranić‐Dobrodolac
UTICAJKARAKTERISTIKAPUTEVANAPERCEPCIJURIZIKAIPONAŠANJEVOZAČA
Doktorskadisertacija
Beograd,2017.
II
UNIVERSITYOFBELGRADE
FACULTYOFTRANSPORTANDTRAFFICENGINEERING
MSc.MarjanaV.Čubranić‐Dobrodolac
THEIMPACTOFROADCHARACTERISTICSONDRIVERSRISKPERCEPTIONAND
BEHAVIOR
DoctoralDissertation
Belgrade,2017.
III
MENTOR:
Prof.drSvetlanaČičević,dipl.psih.,
redovniprofesorUniverzitetauBeogradu–Saobraćajnifakultet
ČLANOVIKOMISIJEZAOCENUIODBRANU
DOKTORSKEDISERTACIJE:
Prof.drSvetlanaČičević,dipl.psih.,redovniprofesorUniverzitetauBeogradu–
Saobraćajnifakultet
Prof.drBorisAntić,dipl.inž.saobr.,vanredniprofesorUniverzitetauBeogradu–
SaobraćajnifakultetProf.drMilankoČabarkapa,dip.psih.,
redovniprofesorUniverzitetauBeogradu–Filozofskifakultet,Odeljenjezapsihologiju
Mestoidatumodbrane:Beograd,_________________
IV
UTICAJKARAKTERISTIKAPUTEVA
NAPERCEPCIJURIZIKAIPONAŠANJEVOZAČA
REZIME:
Istraživanje vozačevog opažanja opasnosti u saobraćajnim situacijama, u
najširem smislu, podrazumeva analizu načina kako vozači doživljavaju, tumače i
reaguju na potencijalne opasnosti na putu, kao i kako to utiče na rizične odluke
vezanezaupravljanjevozilomkadasuupitanjuvreme,brzinaiprostor.
Iako direktna kontrola ponašanja vozača nije moguća, projektne i
funkcionalnekarakteristikeputevamorajubitiusklađenesanačinimanakojevozači
opažajusaobraćajnusituacijuidonoseodlukekakobipreduzeliodređenemanevre.
Postavljasepitanjekakovozač,pripermanentnojpercepcijiputamožedaprepozna
mestaopasnosti,dalimožedaihuoči,blagovremenoshvati,donesepravilnuodluku
iadekvatnoreaguje.Jedanodosnovnihproblemaprilikomprojektovanjaputevaje
taj što je ponašanje vozača podložno promenama, u zavisnosti od brojnih
unutrašnjihilispoljašnjih,trenutnihilitrajnihfaktora.Kadarazmatramouticajputa
kao faktora na ponašanje vozača, u najvećem delu determinišu ga putne
karakteristike i saobraćajni uslovi. Sa druge strane, vozači imaju sopstvenu
percepciju imotivaciju zavožnju, iprilagođavajuponašanjekakobioptimizovali
svojučinakpremasvojimčesto subjektivnimkriterijumima.Percepcija iprocena
rizikavažansudeoovogprocesa.
Pregledom stručne litarature, postalo je očigledno da percepcija rizika
funkcioniše na različitim nivoima. Dosadašnja istraživanja koja su se bavila
proučavanjemnačinanakojevozačidoživljavajuopasnostnaputupokazujuveliki
broj metodoloških problema i ograničenja. Relativno mali broj istraživanja je
sprovedenuvezisapercipiranjemrizika,naspramvelikogbrojastudijakojesuse
bavilepreuzimanjemrizika.Opažanjerizika jeposebno interesantno jersenjime
može potencijalno upravljati prilikom projektovanja puteva, dok je teže odrediti
faktoremotivacijeililičnostikojidoprinosepreuzimanjurizika.Problemkojimse
nebaveniteorijanipraksajekakopredvidetiikvantifikovatikoristiilištetekoje
nastajukaoposledicamalihpromenauponašanjuvozača.
V
Nedovoljno pažnje posvećeno je međusobnoj interakciji između faktora
putevaičinilacakojiseodnosenavozačevupercepcijupotencijalnihopasnostina
putu. Uticaj faktora puta je jedan od najkompleksnijih, jer se često pojavljuje u
različitimoblicimaitosamoponekadkaouzročniknastankasaobraćajnenezgode.
Sadrugestrane,putnainfrastrukturatrebadabudetakvadasmanjitehničkirizik
odsaobraćajnihnezgoda.Iakopostojeizolovanipodaci,nepostojijedinstvenskup
rezultatakojibiukazivaokakorazličitielementiputnogisaobraćajnoginženjerstva
utiču na opažanje rizika i na krajnje posledice ponašanja, a samim tim i na
bezbednost u saobraćaju. Veoma često, karakteristike puta mogu da omoguće
ispravljanjegreškevozačailiublažavanjeposledicanastalegreške,aštoseupraksi
veomaretkoanalizirakaouticajputa.
Identifikacija opasnih mesta na putevima predstavlja značajan aspekt
upravljanja opasnim mestima (menadžment crnih tačaka i menadžment
bezbednosti mreža). Metodologija identifikacije opasnihmesta na putevima nije
usaglašena što dodatno usložnjava aktivnosti usmerene ka upravljanju i sanaciji
opasnihmesta.Najčešćesekaopokazateljizaidentifikacijuopasnihmestakoriste
kolektivniiindividualnirizicinezgodaistradanjausaobraćajunaodređenojdeonici
putailiputnompravcu.Oviriziciproračunavajusenaosnovuobjektivnihpodataka
obroju,raspodeli,vrstamaiposledicamasaobraćajnihnezgoda.
PobrojunajopasnijihkilometarskihdeonicaputM‐22povećinirangiranih
parametara zauzima prvo mesto po veličini rizika, naročito kada se posmatra
veličina individualnog rizika. Zato je ona odabrana za analizu u ovoj doktorskoj
disertaciji.
Kako i pored rada na sanaciji i napora da se poboljšaju tehničko‐
eksploatacionekarakteristikaputabrojsaobraćajnihnezgodanaovojdeoniciputa
ostajerelativnokonstantantokomvremena,postajejasnodaobjektivniparametri
rizikanisudovoljnidaobjasnedogađanjesaobraćajnihnezgoda.Otudajeverovatno
pretpostavitidaseodgovorinaovopitanjemorajupotražitidodatnimidetaljnijim
proučavanjem uloge ljudskog faktora. Iz tih razloga, subjektivna percepcija
opasnostinaputuiprocenarazličitihelemenataikarakteristikaovedeoniceputa
odstranevozačasuvarijablekojesuodabranekaofaktoriumodelukojiimazacilj
dapredvidisklonostkadoživljavanjusaobraćajnihnezgoda.
VI
Istraživanjemjeobuhvaćeno305vozača,odčegajeuposmatranomuzorku
bilo 100 vozača autobusa, 102 vozača kamiona, kao i 103 vozača amatera. Kao
kriterijum selekcije za učešće u uzorku uzet je podatak o učestalosti upravljanja
vozilom duž pomenute deonice, tj. uzorkom su obuhvaćeni vozači različitih
kategorija koji često voze duž ove deonice puta. U istraživanju je korišćeno više
psihološkihinstrumenatazaprocenuponašanjauvožnji,kaoispecijalnodizajnirani
instrumentizaprocenurizikanaopasnimmestima,tzv.crnimtačkama.
Uradujedatprikazpostojećihteorijaimodelaukojimaserazmatraodnos
između karakteristika elemenata puteva i percepcije vozača. Takođe, detaljno su
razmatrani i najznačajniji aspekti ljudskog ponašanja koji utiču na oblikovanje
percepcijeprilikomprocenerizičnihdeonicaputa.
Ciljistraživanjajebioformiranjeoptimalnogmodelazapredikcijusklonosti
ka nezgodama vozača, odnosno najbolje kombinacije prediktorskih varijabli iz
domenapsihološkihkarakteristikavozačakaoinjihovepercepcijeopasnihmesta
naputu.Naosnovuopsežnestatističkeanalize,udisertacijijepredloženonekoliko
originalnihmodelaponašanjavozača.Upredloženimmodelimaimplementiranisu
najznačajniji aspekti sklonosti vozača prema riziku, koji se na posredan način,
negativnoodražavajunaukupnubezbednosnuslikuusaobraćaju,vodećisepritom
idejom o mogućnostima praktične primenjljivosti i upotrebne vrednosti
predloženihmodela.
Udisertacijiseizdvajanekolikocelina.Jednacelinaseodnosinautvrđivanje
opasnih mesta na posmatranoj deonici puta. Implementiran je metod „Provera
bezbednosti saobraćaja“ (engl. RSI – Road Safety Inspections). Ovaj metod je
podrazumevao da istraživač obiđe posmatranu deonicu dužine 65 km i detaljno
analiziraelementekojimogubitioduticajanabezbednostsaobraćaja,kaoštosu
funkcijaputa,poprečniprofil,pružanjetrase,ukrštanja,javniiprivatniservisi,javni
objekti i prostori za odmor, javni transport, ranjivi učesnici u saobraćaju,
saobraćajniznaci,oznakenakolovozuiosvetlјenje,okolinaporedputaielementi
pasivnebezbednostiputa.
Druga celina se odnosi naprimenuodgovarajućih instrumenatau funkciji
istraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa,na
procenebazičnihkarakteristikaličnostivozača,kaoiponašanjakojasuspecifična
VII
za situaciju vožnje. Pored demografskog upitnika, korišćeni su i Upitnik istorije
učešćausaobraćajnimnezgodama,UpitnikoponašanjuvozačanadeoniciputaIB
reda broj 22, Upitnik u vezi sa procenom elemenata posmatrane deonice puta,
Upitnikpercepcijerizikaopasnihmestanaposmatranojdeoniciputa,BIS‐11upitnik
zaprocenuimpulsivnosti,ADBQupitnikzaprocenuagresivnogponašanjauvožnji,
Manchester DAQ upitnik za procenu stavova u vožnji i Upitnik samopercepcije
vozačkihsposobnosti.
Poreddeskriptivnestatistike,korišćenesurazličitemetodezaizračunavanje
povezanosti između različitih pojava koje su od interesa za ovo istraživanje.
Posebno se izdvajajuprimenahijerarhijske regresioneanalize,binarne logističke
regresijeifazilogike.Analiziranasu442fazilogičkasistema,svakinauzorkuod305
ispitanika. Predstavljeni su najvažniji simulacioni rezultati i predložen optimalni
modelkojiomogućujepreciznopredviđanjeindividualnesklonostikadoživljavanju
saobraćajnihnezgodavozača.
KLJUČNEREČI:
Percepcijarizika,ponašanjevozača,saobraćajnenezgode,karakteristikeputeva,
bezbednostsaobraćaja
Naučnaoblast:Tehničko‐tehnološkenauke,Saobraćajnoinženjerstvo
Užanaučnaoblast:Saobraćajnapsihologija
UDKbroj:656.8:519.8(043.3)
VIII
THEIMPACTOFROADCHARACTERISTICS
ONRISKPERCEPTIONANDDRIVERBEHAVIOUR
ABSTRACT:
Theresearchofdrivers'apprehensionofdangeroustrafficsituations,inthe
broadestsense,impliesananalysisofhowdriversperceive,interpretandreactto
potentialhazardsintheroad,aswellas,howitaffectstheriskydecisionsrelatedto
thecontrolofthevehicleintermsoftime,speedandspace.
Althoughthedirectcontrolofdriverbehaviorisnotpossible,thedesignand
functional characteristics of roadsmust comply with the ways in which drivers
perceive trafficsituationandmakedecisions inorder to takecertainmaneuvers.
Thequestionis,howadrivercan,inthepermanentperceptionoftheroad,recognize
thehazardoussites,whetherhecanseethem,understandtheminatimelymanner,
maketherightdecision,andreactappropriately.Oneofthemainproblemswithin
theroadplanninganddesignprocess,isthatdriverbehaviorisnotstrictlysettled,
butissubjecttochangesduetoindividualdifferences,dependingonthenumberof
internal or external, as well as, actual or current factors.When considering the
influenceoftheroadasafactorondriverbehavior,itislargelydeterminedbyits
roadcharacteristicsandtrafficconditions.Ontheotherhand,thedrivershavetheir
own perception andmotivation for driving so as to adjust behavior in order to
optimize their performance according to their own criteria. Perception and risk
assessmentsareimportantpartsofthisprocess.
Throughtheextensiveliteraturereviewundertaken,itbecameapparentthat
theperceptionofriskoperatesatdifferentlevels.Previousstudiesthatdealtwith
the ways in which drivers perceive danger on the road have shown numerous
methodologicalproblemsandconstraints.However,onlyarelativelysmallnumber
ofstudieshavebeencarriedouttoassesstheperceptionofrisk,asopposedtothe
large number of studies dealing with risk‐taking. Risk perception is especially
interestingbecause it potentially canbemanipulatedby optimizing roaddesign,
through its elements, while it is more difficult to determine the motivation or
personality factors thatcontribute torisk‐taking.Problemthatneitheraddresses
the issue from the theoretical point of viewnor from the standpoint of practical
IX
applicationishowtopredictandquantifythebenefitsasopposedtodamagesthat
occurasaresultofsmallchangesindriverbehavior.
Toolittleattentionhasbeendevotedtothemutualinteractionbetweenthe
factorsofroadsandfactorsrelatingtoabilitytoperceivepotentialroadhazardsthat
couldaffectsafety.Theimpactoftheroadfactorisoneofthemostcomplex,because
itoftenappearsindifferentforms,andjustoccasionallyasacauseoftheoccurrence
ofatrafficaccident.Ontheotherhand,aroadinfrastructureshouldbesuchasto
reducethetechnicalriskoftrafficaccidents.Althoughthereareisolateddata,there
isnoauniquesetofresultswhichwouldindicatetheimpactofvariouselementsof
roadandtrafficengineeringonriskperceptionandtheultimateconsequenceson
behaviorandroadsafety. Veryoften,theroadfeaturesmightleadtothecorrection
of driver error or to amitigation of the consequences of a fault,which is rarely
analyzedinpracticeasaroadfactor.
Theidentificationofdangerousplacesontheroadsrepresentsasignificant
aspect of managing hazardous sites (management of black spots and network
securitymanagement).Themethodologyforidentifyingdangerousplacesonroads
isnotharmonized,whichadditionallycomplicatesactivitiesdirectedtowardsthe
management and rehabilitation of dangerous places. Most often, collective and
individualrisksofaccidentsandcasualties inaparticularsectionof theroadare
usedasindicatorsforidentifyingdangerousplaces.Theserisksarecalculatedonthe
basisofobjectivedataonthenumber,distribution,typesandconsequencesoftraffic
accidents.
Bythenumberofthemostdangerousmilesections,theM‐22routebymost
oftherankingparameterstakesthefirstplaceinthesizeoftherisk,especiallywhen
consideringthesizeofindividualrisk.Thisiswhyitwasselectedforanalysisinthis
doctoraldissertation.
As in spite of the work on the rehabilitation and efforts to improve the
technicalandoperationalcharacteristicsoftheroad,thenumberoftrafficaccidents
on this road section remains relatively constant over time, it becomes clear that
objective risk parameters are not sufficient to explain the occurrence of traffic
accidents.Hence, it is likely toassumethat theanswers to thisquestionmustbe
soughtbyadditionalandmoredetailedstudyontheroleofthehumanfactor.For
thesereasons,thesubjectiveperceptionofroadhazardandtheassessmentofthe
X
various elements and characteristics of this section of the road by drivers are
variables chosen as factors in a model that aims to predict the tendency to
experiencetrafficaccidents.
Onehundredforty‐onedriverscomprisedthetotalnumberofparticipants
whofilledoutthesurvey.Participantsincluded100busdrivers,102truckdrivers,
and103amateurdrivers.Themainsampleselectioncriterionwasthefrequencyof
theconsideredroadsectionusage, i.e. thesamplecovereddifferentcategoriesof
driverswhooftendrivealong this road.Severalpsychologicalquestionnaires for
evaluating driving behavior, as well as, specially designed instruments for risk
assessmentinhazardouslocations,orso‐calledblackspots,wereemployedinthe
study.
The thesis provides an overview of existing theories and models which
considertherelationshipbetweenthecharacteristicsofroadelementsanddriver
perception.Themostimportantfactorsthatcontributetodriverperceptionwhen
assessingtheriskoftrafficsituationwillalsobediscussedmorethoroughly.
Theaimoftheresearchwastoformanoptimalmodelforpredictionofthe
tendency towards accidents, that is, the best combination of predictor variables
from the domain of psychological characteristics of drivers, as well as their
perception of dangerous places on the road. Based on the extensive statistical
analysis,severaloriginalmodelsofdriverbehaviorareproposed.Guidedbytheidea
ofthepossibilitiesofpracticalapplicabilityandusefulnessofthemodelsproposed
in the thesis, the most important aspects of a drivers' risk preferences were
implemented,whichindirectlyexhibitadverseeffectsonmentalmodelsofsafetyin
roadtraffic.
Severalsegmentsaredistinguishedinthedissertation.Oneofthemrefersto
the identification of dangerous places on the observed section of the road. The
"RoadSafetyInspections"methodhasbeenimplemented.Thismethodimpliesthat
theresearcherhasvisitedtheconsidered65kmlongroadsectionandhasanalyzed
indetail thepotential elements that affect the traffic safety.Theaforementioned
elementsrelatetotheroadfunction,cross‐sections,routeshape,crossings,public
andprivate services, public facilities and rest areas, public transport, vulnerable
roadusers,trafficsigns,roadwaymarkingsandlighting,roadsideenvironmentand
elementsofpassiveroadsafety.
XI
Theothersegmentreferstotheapplicationofappropriateinstrumentsinthe
functionofexploringtheattitudeofthedriverinrelationtotheperceptionofrisks
androadcharacteristics,totheassessmentofthebasiccharacteristicsofthedriver's
personality,andtothebehaviorspecifictothedrivingsituation.Inadditiontothe
demographic questionnaire, the Questionnaire on the history of participation in
trafficaccidents,theQuestionnaireondriver'sbehaviorontheroadofIBrankroad
no.22,Questionnaireontheevaluationofelementsoftheconsideredroadsection,
Questionnaire on risk perception about danger spots on the considered road
section, BIS‐11 questionnaire for assessing the impulsiveness, the ADBQ
questionnaire forassessingtheaggressivedrivingbehavior, theManchesterDAQ
questionnaire for assessing driving attitudes and the Questionnaire for self‐
assessmentofdrivingability.
Inadditiontodescriptivestatistics,variousmethodswereusedtocalculate
the correlation between different phenomena of interest to this research. In
particular, thehierarchical regressionanalysis,binary logistic regressionand the
fuzzylogicmethodwerecarriedout.Therewere442fuzzylogicsystemsanalyzed,
and each of themwas tested on a sample of 305 subjects. Themost important
simulation results arepresented and theoptimalmodelwhich enables aprecise
assessment of the individual tendency towards experiencing traffic accidents is
proposed.
KEYWORDS:
Riskperception,driverbehavior,trafficaccidents,roadcharacteristics,trafficsafety
Scientificfield:Technicalandtechnologicalsciences,
TransportandTrafficEngineering
Fieldofacademicexpertise:TrafficPsychology
UDKnumber:656.8:519.8(043.3)
XII
SADRŽAJ
PREGLEDTABELA...............................................................................................................................XXIII
PREGLEDSLIKA.................................................................................................................................XXVIII
1. UVODNARAZMATRANJA...................................................................................................1
1.1Obrazloženjemotivazaizborteme.....................................................................1
1.2Predmeticiljistraživanja........................................................................................5
1.3Strukturarada................................................................................................................6
1.4Polaznehipotezeistraživanja................................................................................9
1.5.Ostvarennaučnidoprinos....................................................................................10
2. FAKTORIBEZBEDNOSTISAOBRAĆAJA…………………………………................12
2.1 Uticajkarakteristikaputevanabezbednostsaobraćaja.....................12
2.1.1 Vrstaputa...........................................................................................................13
2.1.2 Elementitraseputa........................................................................................14
2.1.3 Prosečanbrojpriključnihputeva(raskrsnica)...................................15
2.1.4 Ambijentalniuslovi.........................................................................................15
2.1.5 Preprekeporedputa......................................................................................16
2.1.6 Nepovoljnivremenskiuslovi......................................................................18
2.1.7 Osvetljenjeputa................................................................................................18
2.2 Uticajljudskogfaktoranabezbednostsaobraćaja.................................18
2.2.1 Agresivnostuvožnji.......................................................................................21
2.2.2 Razlikeizmeđuagresivnevožnjeiostalihsličnihpsiholoških
konstrukata........................................................................................................21
2.2.3 Teorijeagresije.................................................................................................24
2.2.3.1 Teorijafrustracije‐agresije................................................................24
2.2.3.2 Kognitivnoneoasocijalanmodel.....................................................26
2.2.4 Teorijesocijalnekognicije...........................................................................28
2.2.4.1 Socijalnoučenje......................................................................................28
2.2.4.2 Teorijauzbune........................................................................................30
XIII
2.2.4.3 Društvenainterakcija...........................................................................31
2.2.5 Mladivozačikaopopulacijapodrizikom..............................................32
2.3 Međusobniuticajputevailjudskogfaktora–savremene
perspektive....................................................................................................................36
2.3.1 Modeliponašanjavozača.............................................................................37
2.3.2 Procesiranjeinformacijaipercepcija.................................................... 40
2.3.3 Vizuelnapercepcija:okoikorisnopoljevida(UFOV).....................42
2.3.4 Motivacionimodeliponašanja...................................................................45
2.3.4.1 Modelrizika..............................................................................................45
2.3.4.2 Modeliradnogopterećenja................................................................46
2.3.4.3 Prilagođavanjeponašanja..................................................................48
2.3.5 Određeniusloviusaobraćajnomtokukojidoprinosesmanjenju
bezbednosti........................................................................................................51
3. PROVERABEZBEDNOSTISAOBRAĆAJANADEONICIDRŽAVNOGPUTA
IBREDABROJ22(ODNASELJAŽARKOVODOIZLASKAIZNASELJA
ĆELIJE).......................................................................................................................................53
3.1 Metodološkepostavkeproverebezbednostisaobraćaja(PBS).....55
3.2 Rezultatiistraživanjasadiskusijom...............................................................57
3.2.1 Funkcijaiokruženje.......................................................................................60
3.2.2 Poprečniprofil..................................................................................................60
3.2.3 Pružanjetraseputa.........................................................................................61
3.2.4 Ukrštanja,osvetljenje,prelaziprekoželezničkihpruga.................63
3.2.5 Sadržajiuputnompojasu............................................................................65
3.2.6 Ranjiviučesniciusaobraćaju.....................................................................66
3.2.7 Saobraćajniznakovi,oznakenakolovozu,svetlosniznakovi......68
3.2.8 Okolinaporedputaielementipasivnebezbednostiputa.............69
3.3 Zaključnaanaliza.......................................................................................................70
4. METODOLOGIJAISTRAŽIVANJASTAVOVAVOZAČAUVEZISA
PERCEPCIJOMRIZIKAIKARAKTERISTIKAMAPUTEVA………………..........73
4.1 Karakteristikeuzorkaistraživanjaiproceduraanketiranja............73
XIV
4.2 Merniinstrumenti.....................................................................................................75
4.2.1 Demografskiupitnik.......................................................................................75
4.2.2 Upitnikistorijeučešćausaobraćajnimnezgodama.........................75
4.2.3 Upitnik o ponašanju vozača na deonici puta IB reda broj
22............................................................................................................................76
4.2.4 UpitnikuvezisaprocenomelemenatadeoniceputaIBredabroj
22.............................................................................................................................76
4.2.5 Upitnikpercepcijerizikaopasnihmestanadeoniciputa IBreda
broj22…………………………………………………….........................................76
4.2.5.1 BIS‐11upitnikzaprocenuimpulsivnosti....................................78
4.2.5.2 ADBQupitnikzaprocenuagresivnogponašanjauvožnji....79
4.2.5.3 ManchesterDAQupitnikzaprocenustavovapremarizikuu
vožnji……………………………………………………………………............79
4.2.5.4 Upitniksamoprocenevozačkihsposobnosti.............................80
4.3 Statističkaanalizapodataka................................................................................81
5. DESKRIPTIVNASTATISTIKAINEPARAMETRIJSKITESTOVI
ZAANALIZUUZORKA…………………………………………………………………………………….82
5.1 Deskriptivnaanalizauzorka...............................................................................82
5.1.1 Polnastruktura.................................................................................................82
5.1.2 Kategorijevozača............................................................................................83
5.1.3 Starosnastruktura..........................................................................................84
5.1.4 Pređenakilometraža......................................................................................84
5.1.5 Kategorijavozila..............................................................................................85
5.2 Upitnikistorijeučešćausaobraćajnimnezgodama..............................86
5.2.1 Periodposedovanjavozačkedozvole.....................................................86
5.2.2 Frekvencijakorišćenjaposmatranedeonice.......................................86
5.2.3 Ukupanbrojsaobraćajnihnezgoda.........................................................87
5.2.4 UkupanbrojsaobraćajnihnezgodanadeoniciputaIBreda22...88
5.3 PonašanjevozačanadeoniciputaIBredabroj22.................................. 88
5.3.1 Uzrocinezgodanaposmatranojdeonicipomišljenju
ispitanika.............................................................................................................88
XV
5.3.2 Prosečanbrojkonfliktnihsituacijautokujednogputovanja.......89
5.3.3 Procenasopstvenemaksimalnebrzinekretanja...............................90
5.3.4 Procena maksimalnih brzina kretanja ostalih učesnika na
posmatranojdeonici......................................................................................91
5.4 Prikazdeskriptivnihstatističkihpokazateljamernihinstrumentata
zaprocenuličnostiiponašanjavozača........................................................92
5.5 Neparametarskitestovizaanalizuuzorka:ManVitnijeviKruskal‐
Volisovtest.....................................................................................................................96
5.6 Primena hijerarhijskih loglinearnih modela u proceni efekata
nezavisnihvarijabliinjihovogmeđusobnogodnosa............................99
6. KORELACIJEIMPULSIVNOSTI,AGRESIVNOSTI,STAVOVAPREMARIZIKU
ISAMOPROCENEVOZAČKIHSPOSOBNOSTI....................................................107
6.1 Relacijeizmeđuagresivnostiuvožnjiiimpulsivnosti.......................107
6.2 Relacijeizmeđustavovapremarizikuuvožnjii
impulsivnosti.............................................................................................................111
6.3 Relacijeizmeđusamoprocenevozačkihsposobnostii
impulsivnosti.............................................................................................................113
6.4 Relacijeprocenarizikauvožnjiisamoprocenevozačkih
sposobnosti.................................................................................................................115
6.5 Relacijeizmeđustavovapremarizikuuvožnjii
agresivnosti................................................................................................................117
6.6 Relacijeizmeđuagresivnostiuvožnjiisamoprocenevozačkih
sposobnosti..................................................................................................................119
6.7 Diskusijarezulatakorelacijaizmeđuupitnika......................................121
7. PRIMENA HIJERARHIJSKE REGRESIONE ANALIZE U FORMIRANJU
MODELAPERCEPCIJERIZIKAIPONAŠANJAVOZAČA..................................125
7.1 Opisstatističkemetode........................................................................................125
7.2 Primenahijerarhijskeregresioneanalizeupredikcijisaobraćajnih
nezgoda na osnovu rezultata na psihološkim mernim
instrumentima..........................................................................................................127
XVI
7.2.1 Primenahijerarhijskeregresioneanalizeupredikciji
saobraćajnihnezgodanaosnovuimpulsivnostivozača
(RegresionimodelI)....................................................................................128
7.2.2 Primenahijerarhijskeregresioneanalizeupredikcijisaobraćajnih
nezgoda na osnovu agresivnosti vozača (Regresioni model
II)..........................................................................................................................132
7.2.3 Primenahijerarhijskeregresioneanalizeupredikciji
saobraćajnihnezgodanaosnovusklonostikarizikuuvožnji
(RegresionimodelIII).................................................................................134
7.2.4 Primenahijerarhijskeregresioneanalizeupredikciji
saobraćajnihnezgodanaosnovusamoprocenevozačkih
sposobnosti(RegresionimodelIV).......................................................137
7.2.5 Regresionimodelzasveinstrumenteprocene................................139
7.2.6 Strukturalnimodeljednačina(strukturalno
modelovanje)..................................................................................................142
7.3 Diskusija rezultata primene hijerarhijske regresione analize u
predikciji saobraćajnih nezgoda na osnovu psiholoških mernih
instrumenata.............................................................................................................143
8. PRIMENAREGRESIONEANALIZEUFORMIRANJUMODELAPERCEPCIJE
RIZIKANAPUTUIPONAŠANJAVOZAČA.............................................................148
8.1 Opisstatističkemetode........................................................................................148
8.2 Primenaregresioneanalizeupredikcijisaobraćajnihnezgodana
osnovuprocenakarakteristikadeoniceputa.........................................149
8.2.1 Procenarizikaopasnihmestakaoprediktorsaobraćajnih
nezgoda(RegresionimodelV)………….................................................150
8.2.2 Subjektivnaprocenaelemenataputaposmatranedeonicekao
prediktorsaobraćajnihnezgoda(RegresionimodelVI)............. 155
8.3 Diskusijarezultata..................................................................................................159
9. BINARNALOGISTIČKAREGRESIJA.........................................................................164
XVII
9.1 Primenalogističkebinarneregresijeupredikcijiuticaja
psihološkihkaraktersitikananastanaksaobraćajnihnezgoda..165
9.2 Primenalogističkebinarneregresijeupredikcijiuticaja
percepcijeopasnihmestaikarakteristikaputananastanak
saobraćajnihnezgoda...........................................................................................168
9.3 Diskusija.......................................................................................................................171
10. MODELI ZA PROCENU SKLONOSTIKA SAOBRAĆAJNIMNEZGODAMA
BAZIRANI NA KORIŠĆENJU INSTRUMENATA ZA PROCENU
KARAKTERISTIKALIČNOSTIIPRIMENIFAZILOGIKE.............................173
10.1 Osnoveteorijefaziskupovaifazilogike.................................................174
10.1.1 Fazilogičkisistemi.......................................................................................175
10.1.2 WangMendelovmetodzagenerisanjefazipravila.......................177
10.2 Pregledliteratureizoblastifazilogikeirešavanjasaobraćajnih
problema...................................................................................................................178
10.3 Modelizaprocenusklonostikasaobraćajnimnezgodama.........180
10.3.1 Modelizaprocenusklonostikasaobraćajnimnezgodamau
kojimasudomenifunkcijapripadnostidefinisaninaosnovu
podatakaizempirijskogistraživanjauokvirudoktorske
disertacije.........................................................................................................182
10.3.1.1Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaskornaADBQ
upitnikuzaprocenuagresivnogponašanjauvožnji.............................182
10.3.1.2Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaskornaBIS‐11
upitnikuzaprocenuimpulsivnosti...............................................................193
10.3.1.3Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaskorna
ManchesterDAQupitnikuzaprocenurizikauvožnji..........................200
10.3.1.4Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaskornaUpitnikuza
samoprocenusopstvenihvozačkihsposobnosti....................................208
XVIII
10.3.1.5Modelizaprocenusklonostikasaobraćajnimnezgodamasa
dveulaznepromenljivekojeseodnosenaskornaADBQupitnikuza
procenuagresivnogponašanjauvožnjiiskornaBIS‐11upitnikuza
procenuimpulsivnosti........................................................................................216
10.3.1.6Modelizaprocenusklonostikasaobraćajnimnezgodamasa
dveulaznepromenljivekojeseodnosenaskornaADBQupitnikuza
procenuagresivnogponašanjauvožnjiiskornaManchesterDAQ
upitnikuzaprocenurizikauvožnji..............................................................219
10.3.1.7Modelizaprocenusklonostikasaobraćajnimnezgodamasa
dveulaznepromenljivekojeseodnosenaskornaADBQupitnikuza
procenuagresivnogponašanjauvožnjiiskornaupitnikuza
samoprocenusopstvenihvozačkihsposobnosti....................................222
10.3.1.8Modelizaprocenusklonostikasaobraćajnimnezgodamasa
dveulaznepromenljivekojeseodnosenaskornaBIS‐11upitnikuza
procenuimpulsivnostiiskornaManchesterDAQupitnikuza
procenurizikauvožnji.......................................................................................225
10.3.1.9Modelizaprocenusklonostikasaobraćajnimnezgodamasa
dveulaznepromenljivekojeseodnosenaskornaBIS‐11upitnikuza
procenuimpulsivnostiiskornaupitnikuzasamoprocenusopstvenih
vozačkihsposobnosti..........................................................................................228
10.3.1.10Modelizaprocenusklonostikasaobraćajnimnezgodama
sadveulaznepromenljivekojeseodnosenaskornaManchester
DAQupitnikuzaprocenurizikauvožnjiiskornaupitnikuza
samoprocenusopstvenihvozačkihsposobnosti....................................231
10.3.1.11Modelizaprocenusklonostikasaobraćajnimnezgodama
satriulaznepromenljivekojeseodnosenaskornaADBQupitnikuza
procenuagresivnogponašanjauvožnji,skornaBIS‐11upitnikuza
procenuimpulsivnostiiskornaManchesterDAQupitnikuza
procenurizikauvožnji.......................................................................................234
XIX
10.3.1.12Modelizaprocenusklonostikasaobraćajnimnezgodama
satriulaznepromenljivekojeseodnosenaskornaADBQupitnikuza
procenuagresivnogponašanjauvožnji,skornaBIS‐11upitnikuza
procenuimpulsivnostiiskornaupitnikuzasamoprocenusopstvenih
vozačkihsposobnosti..........................................................................................237
10.3.1.13Modelizaprocenusklonostikasaobraćajnimnezgodama
satriulaznepromenljivekojeseodnosenaskornaADBQupitnikuza
procenuagresivnogponašanjauvožnji,skornaManchesterDAQ
upitnikuzaprocenurizikauvožnjiiskornaupitnikuza
samoprocenusopstvenihvozačkihsposobnosti....................................240
10.3.1.14Modelizaprocenusklonostikasaobraćajnimnezgodama
satriulaznepromenljivekojeseodnosenaskornaBIS‐11upitniku
zaprocenuimpulsivnosti,skornaManchesterDAQupitnikuza
procenurizikauvožnjiiskornaupitnikuzasamoprocenu
sopstvenihvozačkihsposobnosti..................................................................244
10.3.1.15Modelizaprocenusklonostikasaobraćajnimnezgodama
sačetiriulaznepromenljivekojeseodnosenaskornaADBQ
upitnikuzaprocenuagresivnogponašanjauvožnji,skornaBIS‐11
upitnikuzaprocenuimpulsivnosti,skornaManchesterDAQupitniku
zaprocenurizikauvožnjiiskornaupitnikuzasamoprocenu
sopstvenihvozačkihsposobnosti..................................................................247
10.3.2 Diskusija–Izboroptimalnogmodelazaprocenusklonostika
saobraćajnimnezgodamaukojimasudomenifunkcija
pripadnostidefinisaninaosnovupodatakaizempirijskog
istraživanja......................................................................................................250
10.3.3 Modelizaprocenusklonostikasaobraćajnimnezgodamau
kojimasudomenifunkcijapripadnostidefinisaninaosnovu
podatakaizliterature..................................................................................258
10.3.4 Diskusija–Izboroptimalnogmodelazaprocenusklonostika
saobraćajnimnezgodamaukojimasudomenifunkcija
pripadnostidefinisaninaosnovupodatakaiz
literature...........................................................................................................272
XX
10.4 Finopodešavanjenajboljegfazilogičkogsistema.............................282
10.4.1 Finopodešavanjeoptimalnogfazilogičkogsistemamenjanjem
metodedefazifikacije..................................................................................282
10.4.2 Finopodešavanjeoptimalnogfazilogičkogsistemamenjanjem
domenafunkcijapripadnosti...................................................................284
10.4.2.1Podeševanjedomenafunkcijapripadnostipromenljive
Agresivnost..............................................................................................................284
10.4.2.2Podeševanjedomenafunkcijapripadnostipromenljive
Impulsivnost...........................................................................................................285
10.4.2.3Podeševanjedomenafunkcijapripadnostipromenljive
Rizik............................................................................................................................287
10.4.2.4Podeševanjedomenafunkcijapripadnostipromenljive
Samoprocena..........................................................................................................288
10.4.2.5Podeševanjedomenafunkcijapripadnostipromenljive
Nezgode....................................................................................................................289
10.5 Opisfinalnogfazilogičkogsistema............................................................290
10.6 Poređenjerezultatahijerarhijskeregresioneanalizeiprimene
fazilogičkihsistema............................................................................................295
11. MODEL ZA PROCENU SKLONOSTI KA SAOBRAĆAJNIM NEZGODAMA
BAZIRANNAANALIZIKARAKTERISTIKAIZABRANEDEONICEPUTA I
PRIMENIFAZILOGIKE................................................................................................297
11.1 Promenljiveurazmatranimfazilogičkimmodelima......................297
11.2 Modelizaprocenusklonostikasaobraćajnimnezgodama
baziraninaanaliziizabranedeoniceputa...............................................301
11.2.1 Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaOpasna
mesta..................................................................................................................301
11.2.2 Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaKarakteristike
puta.....................................................................................................................305
XXI
11.2.3 Modelizaprocenusklonostikasaobraćajnimnezgodamasa
jednomulaznompromenljivomkojaseodnosinaUčestalost
vožnje.................................................................................................................308
11.2.4 Modelizaprocenusklonostikasaobraćajnimnezgodamasadve
ulaznepromenljivekojeseodnosenaOpasnamestai
Karakteristikeputa......................................................................................312
11.2.5 Modelizaprocenusklonostikasaobraćajnimnezgodamasadve
ulaznepromenljivekojeseodnosenaOpasnamestaiUčestalost
vožnje.................................................................................................................314
11.2.6 Modelizaprocenusklonostikasaobraćajnimnezgodamasadve
ulaznepromenljivekojeseodnosenaKarakteristikeputai
Učestalostvožnje..........................................................................................316
11.2.7 Modelizaprocenusklonostikasaobraćajnimnezgodamasatri
ulaznepromenljivekojeseodnosenaOpasnamesta,
KarakteristikeputaiUčestalostvožnje..............................................318
11.3 Diskusija....................................................................................................................321
11.4 Finopodešavanjenajboljegfazilogičkogsistema.............................327
11.4.1 Finopodešavanjenajboljegfazilogičkogsistemamenjanjem
metodedefazifikacije..................................................................................328
11.4.2 Finopodešavanjenajboljegfazilogičkogsistemamenjanjem
domenafunkcijapripadnosti...................................................................329
11.4.2.1Podeševanjedomenafunkcijapripadnostipromenljive
Opasnamesta.........................................................................................................330
11.4.2.2Podeševanjedomenafunkcijapripadnostipromenljive
Karakteristikeputa..............................................................................................331
11.4.2.3Podeševanjedomenafunkcijapripadnostipromenljive
Nezgode....................................................................................................................332
11.5 Opisfinalnogfazilogičkogsistemazaprocenuskonostika
saobraćajnimnezgodamanaosnovuprocenakarakteristika
puta..................................................................................................................................333
12. ZAKLJUČNARAZMATRANJA,DISKUSIJAIPRAVCIBUDUĆIHISTRAŽIVANJA.................................................................................................................339
XXII
LITERATURA.........................................................................................................................................350
PRILOGA:Loglinearnimodeli…........................................................................................381
PRILOGB:Fazipravila….......................................................................................................407
PRILOGC:Varijableufazilogičkimsistemima...........................................................452
BIOGRAFIJAAUTORA…………………………………………………………………………….467
PRILOG1.Izjavaoautorstvu..............................................................................................468
PRILOG2.Izjavaoistovetnostištampaneielektronskeverzijedoktorskograda.................................................................................................469
PRILOG3.Izjavaokorišćenju......................................................................................................470
XXIII
PREGLEDTABELA
Tabela3.1.Prosečangodišnjidnevnisaobraćaju2016.godini…...................................59
Tabela5.1.Deskriptivnastatistikazaprocenurizikaikarakteristikaponašanjavozača.................................................................................................................................93
Tabela5.2.DeskriptivnastatistikazaBIS‐11upitnikzarazličitekategorijevozača..……….................................................................................................................. 93
Tabela5.3.DeskriptivnastatistikazaADBQupitnikzarazličitekategorijevozača…………………………………................................................................................................94
Tabela5.4.UkupniprosečniskorovizaDAQupitnikzarazličitekategorijevozača………....................................................................................................................95
Tabela5.5.Ukupniprosečniskorovisamoprocenevozačkihsposobnostizarazličitekategorijevozača........................................................................................95
Tabela5.6.StatistikaMan‐VitnijevogUtesta.........................................................................97
Tabela5.7.Rezultatihi‐kvadrattestazaocenuopasnihmesta.......................................97
Tabela5.8.Srednjirangoviocenaopasnihmestauodnosunakategorijevozača..98
Tabela5.9.Rezultatihi‐kvadrattestazaocenukarakteristikaputa.............................98
Tabela 5.10. Srednji rangovi ocena karakteristika puteva u odnosu na kategorije
vozača...........................................................................................................................98
Tabela5.11.Rezultatihi‐kvadrattestazaBIS‐11instrument.........................................99
Tabela5.12.SrednjirangovizaBIS‐11instrumentuodnosunakategorije
vozača.............................................................................................................................99
Tabela5.13.PodacizamodelI(višihijerarhijskimodel)................................................101
Tabela5.14.PodacizamodelI(nižihijerarhijskimodel)...............................................101
Tabela5.15.PodacizamodelII(višihijerarhijskimodel)..............................................102
Tabela5.16.PodacizamodelII(nižihijerarhijskimodel)..............................................102
Tabela5.17.PodacizamodelIII(nižihijerarhijskimodel).............................................103
Tabela5.18.PodacizamodelIII(višihijerarhijskimodel).............................................103
Tabela5.19.PodacizamodelIV(višihijerarhijskimodel).............................................104
Tabela5.20.PodacizamodelIV(nižihijerarhijskimodel)............................................104
XXIV
Tabela5.21.PodacizamodelV(višihijerarhijskimodel)..............................................104
Tabela5.22.PodacizamodelVI(višihijerarhijskimodel).............................................105
Tabela5.23.Efekattrostrukeasocijacije(procenakaraktersitikaputa)..................106
Tabela5.24.PodacizamodelVI(nižihijerarhijskimodel)............................................106
Tabela6.1.KorelacijeskalaupitnikaADBQiskalaupitnikaBIS‐11...........……….....109
Tabela6.2.KorelacijeskalaupitnikaDAQiskalaupitnikaBIS‐11………...................112
Tabela6.3.KoeficijentkorelacijeizmeđuUpitnikasamoproceneiBIS‐11upitnika………………...……............................................................................................................114
Tabela6.4.KoeficijentkorelacijeizmeđuDAQupitnikaiUpitnikasamoprocene……………….………..........................................................................................................116
Tabela6.5.KoeficijentkorelacijeizmeđuDAQupitnikaiADBQupitnika................118
Tabela6.6.KoeficijentkorelacijeizmeđuADBQupitnikaiUpitnikazasamoprocenuvozačkihsposobnosti...............................................................................................120
Tabela7.1.OdređivanjePirsonovogkoeficijentakorelacijeizmeđustarosti,vozačkogiskustva,skorovanainstrumentimaiuključenostiusaobraćajnenezgode……………...............................................................................129
Tabela7.2.PrikazregresionogmodelaI……………………………………………..................130
Tabela7.3.ProveraznačajnostimodelaIkaocelineprimenomANOVAtesta......130
Tabela7.4KoeficijentimodelaI..................................................................................................131
Tabela7.5.PrikazregresionogmodelaII...............................................................................132
Tabela7.6.ProveraznačajnostimodelaIIkaocelineprimenomANOVAtesta.....133
Tabela7.7.KoeficijentimodelaII...............................................................................................133
Tabela7.8.PrikazregresionogmodelaIII..............................................................................135
Tabela7.9.ProveraznačajnostimodelaIIIkaocelineprimenomANOVAtesta...135
Tabela7.10.KoeficijentimodelaIII...........................................................................................136
Tabela7.11.PrikazregresionogmodelaIV...........................................................................137
Tabela7.12.ProveraznačajnostimodelaIVkaocelineprimenomANOVAtesta.138
Tabela7.13.KoeficijentimodelaIV...........................................................................................138
Tabela7.14.Prikazvišestrukogregresionogmodela........................................................140
Tabela7.15.ProveraznačajnostivišestrukogregresionogmodelakaocelineprimenomANOVAtesta.......................................................................................141
XXV
Tabela7.16.Koeficijentivišestrukogregresionogmodela.............................................141
Tabela9.1.OmnibustestmodelaI.............................................................................................165
Tabela9.2CoxiSnellRSquareModelI...................................................................................166
Tabela9.3HosmeriLemeshowTestI.....................................................................................166
Tabela9.4KlasifikacijaI.................................................................................................................166
Tabela9.5DoprinosisvakevarijableI.....................................................................................167
Tabela9.6.OmnibustestmodelaII...........................................................................................169
Tabela9.7.CoxiSnellRKvadratModelII..............................................................................169
Tabela9.8HosmeriLemeshowTestII....................................................................................170
Tabela9.9DoprinosisvakevarijableII...................................................................................170
Tabela9.10DoprinosisvakevarijableII.................................................................................171
Tabela10.1Bazaulaznihiizlaznihpodataka.......................................................................181
Tabela10.2.ZbirapsolutnihgrešakazaslučajfazilogičkogsistemaI......................187
Tabela10.3.ZbirapsolutnihgrešakafazilogičkihsistemaodIdoXV………………189
Tabela10.4.ZbirapsolutnihgrešakafazilogičkihsistemaodXVIdoXXX………...197
Tabela10.5.ZbirapsolutnihgrešakafazilogičkihsistemaodXXXIdoXLV...........205
Tabela10.6.ZbirapsolutnihgrešakafazilogičkihsistemaodXLVIdoLX…………212
Tabela10.7.ZbirapsolutnihgrešakafazilogičkihsistemaodLXIdoLXXVII…….218
Tabela10.8.ZbirapsolutnihgrešakafazilogičkihsistemaodLXXVIIIdoXCIII…221
Tabela10.9.ZbirapsolutnihgrešakafazilogičkihsistemaodXCIVdoCIX……….224
Tabela10.10.ZbirapsolutnihgrešakafazilogičkihsistemaodXCIVdoCIX……..227
Tabela10.11.ZbirapsolutnihgrešakafazilogičkihsistemaodCXXVIIdoCXLIII………………………………………………………………………………………230
Tabela10.12.ZbirapsolutnihgrešakafazilogičkihsistemaodCXLIVdoCLVIII……………………………………………………………………………………….233
Tabela10.13.ZbirapsolutnihgrešakafazilogičkihsistemaodCLIXdoCLXXV…236
Tabela10.14.ZbirapsolutnihgrešakafazilogičkihsistemaodCLXXVIdoCXCII………………………………………………………………………………………..239
Tabela10.15.ZbirapsolutnihgrešakafazilogičkihsistemaodCXCIIIdoCCVIII………………………………………………………………………………………242
XXVI
Tabela10.16.ZbirapsolutnihgrešakafazilogičkihsistemaodCCIXdoCCXXV...245
Tabela10.17.ZbirapsolutnihgrešakafazilogičkihsistemaodCCXXVIdoCCXLII……………………………………………………………………………………...249
Tabela10.18.OdnosrazličitihkoncepatafazilogičkihsistemaodIdoCCXLII….251
Tabela10.19.Oblicifunkcijapripadnostikojisuzastupljeniunajboljimfazilogičkimsistemimausvakomodkoncepata………………….................. 253
Tabela10.20.Odnosstandardnihdevijacijarezultatafazilogičkihsistemapremaizborufunkcijapripadnostiipremaizborukoncepta..........................257
Tabela10.21.VrednostinaADBQupitnikudostupneuliteraturi...............................258
Tabela10.22.VrednostinaBIS‐11upitnikudostupneuliteraturi.............................260
Tabela10.23.VrednostinaDAQupitnikudostupneuliteraturi..................................264
Tabela10.24.Vrednostinaupitnikuzasamoprocenuvozačkihsposobnostidostupneuliteraturi...........................................................................................265
Tabela10.25.OdnosrazličitihkoncepatafazilogičkihsistemaodCCXLIIIdoCCLVII........................................................................................................................273
Tabela10.26.ZbirapsolutnihgrešakafazilogičkihsistemaodCCLVIIIdoCCLXXI……………………………………………………………………………………..275
Tabela10.27.Uporednaanalizarazličitihmetodadefazifikacije.................................283
Tabela10.28.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuAgresivnost...................................................................................285
Tabela10.29.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuImpulsivnost................................................................................ 286
Tabela10.30.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuRizik................................................................................................. 287
Tabela10.31.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuSamoprocena...............................................................................288
Tabela10.32.TestiranjepromenedomenafunkcijapripadnostizaizlaznupromenljivuNezgode..........................................................................................289
Tabela10.33.Prosečnevrednostiskorovaposmatranopokategorijamaufunkcijibrojanezgoda.........................................................................................................293
Tabela11.1.Bazaulaznihiizlaznihpodataka………………………………………………….300
Tabela11.2.ZbirapsolutnihgrešakafazilogičkihsistemaodIadoXVa…………...304
Tabela11.3.ZbirapsolutnihgrešakafazilogičkihsistemaodXVIadoXXXa…..…308
XXVII
Tabela11.4.ZbirapsolutnihgrešakafazilogičkihsistemaodXXXIadoXLVa…...311
Tabela11.5.ZbirapsolutnihgrešakafazilogičkihsistemaodXLVIadoLXIa…….313
Tabela11.6.ZbirapsolutnihgrešakafazilogičkihsistemaodLXIIadoLXXVIIIa……………………………………………………………………………………..315
Tabela11.7.ZbirapsolutnihgrešakafazilogičkihsistemaodLXXIXadoXCIIIa…………………………………………………………………………………………318
Tabela11.8.ZbirapsolutnihgrešakafazilogičkihsistemaodXCIVadoCXa……..320
Tabela11.9.OdnosrazličitihkoncepatafazilogičkihsistemaodIadoCXa……….322
Tabela11.10.Oblicifunkcijapripadnostikojisuzastupljeniunajboljimfazilogičkimsistemimausvakomodkoncepata………………………………323
Tabela11.11.Uporednaanalizarazličitihmetodadefazifikacije.................................328
Tabela11.12.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuOpasnamesta...............................................................................330
Tabela11.13.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuKarakteristikeputa...................................................................331
Tabela11.14.TestiranjepromenedomenafunkcijapripadnostizaizlaznupromenljivuNezgode..........................................................................................332
Tabela11.15.Prosečnevrednostiocenaposmatranopokategorijamaufunkcijibrojanezgoda.........................................................................................................336
XXVIII
PREGLEDSLIKA
Slika2.1.Faktorikojiutičunaponašanjevozača....................................................................20
Slika2.2.Odnosizmeđurizičneiagresivnevožnje...............................................................22
Slika2.3.Frustracija‐agresijamodelagresivnevožnje....................................................... 26
Slika2.4Vožnjapoddejstvomalkoholakodmladihvozača.............................................34
Slika2.5Učestalostvožnjepoddejstvomalkoholakodmladihvozača........................34
Slika2.6.Korišćenjemobilnogtelefonaiučestvovanjeunezgodama…………...........35
Slika2.7Uticajupotrebamobilnihtelefonauvožnjimeđumladimvozačimauodnosunadoživljavanjesaobraćajnihnezgoda…..............................................36
Slika2.8.Pregledrazličitihmodelaponašanjavozača.........................................................38
Slika2.9KombinacijanivoaučinkapremaRasmussenuihijerarhijskimodelpremaMichonu...............................................................................................................................39
Slika2.10GeneričkisistemmodeliranjakojipredlažeReason.......................................40
Slika2.11.Metodiproceneradnogopterećenjainjihovodnossaopštomprocenombezbednosti.....................................................................................................................47
Slika2.12.Prilagođavanjeponašanja:konačnirezultati.....................................................48
Slika2.13.Modelprocesaprilagođavanjaponašanja………………………….....................49
Slika3.1.ProcessprovođenjaProverebezbednostisaobraćaja......................................56
Slika3.2.NajrizičnijetačkeusaobraćajunaputnojmrežiRepublikeSrbije..............58
Slika3.3.Prilazstanicizasnabdevanjegorivom....................................................................60
Slika3.4.Izgledsaobraćajnihtraka............................………………………………………...........61
Slika3.5.Izgledsaobraćajnihtraka..............................................................................................61
Slika3.6.Pružanjetraseputa..........................................................................................................62
Slika3.7.Primersemaforizovaneraskrsnice...........................................................................63
Slika3.8.Primerlevogskretanja...................................................................................................64
Slika3.9.SkretanjezaBarajevoizpravcaBeograda–nepostojanjeposebnetrakezaskretanje.........................................................................................................................64
Slika3.10.UkrštanjekodVelikihCrljena...................................................................................64
Slika3.11.UkrštanjesaprugomBeograd–Bar......................................................................65
XXIX
Slika3.12.Trgovačkiobjektiporedputa...................................................................................65
Slika3.13.Ugostiteljskiobjekatporedputa.............................................................................66
Slika3.14.Kretanjepešakakolovozom......................................................................................66
Slika3.15.Kretanjepešakakolovozom......................................................................................67
Slika3.16.Pretrčavanjekolovozaodstranepešaka.............................................................67
Slika3.17.Kretanjetraktoranaposmatranojdeonici.........................................................67
Slika3.18.Izgledvertikalnesignalizacije..................................................................................68
Slika3.19.Izgledhorizontalnesignalizacije.............................................................................68
Slika3.20.NepravilanpriključaknaIbarskojmagistrali....................................................69
Slika3.21.Stajalištejavnogprevoza............................................................................................70
Slika3.22.Primerstajalištaulošemstanju..............................................................................70
Slika4.1PrikazopasnihmestanadeoniciputaIBredabroj22...….................................77
Slika5.1.Polnastrukturaispitanika............................................................................................83
Slika5.2.Procentualnadistribucijavozačapokategorijama……....................................83
Slika5.3.Starosnastrukturavozača………………………..........................................................84
Slika5.4.Pređenakilometražavozačauuzorku.................................................................... 85
Slika5.5.Zastupljenostrazličitihkategorijavozilauuzorku............................................85
Slika5.6.Periodposedovanjavozačkedozvolevozačaizuzorka...................................86
Slika5.7.Frekvencijakorišćenjaposmatranedeonicevozačaizuzorka.....................87
Slika5.8.Strukturaanketiranihvozačapremabrojunezgodaukojimasuučestvovali...........................................................................................................................87
Slika5.9.Strukturaanketiranihvozačapremabrojunezgodaukojimasuučestvovalinaposmatranojdeonici………............................................................88
Slika5.10.Uzrocinezgodanadeonicipomišljenjuispitanika.....……………................ 89
Slika5.11.Prosečanbrojkonfliktnihsituacijautokujednogputovanja………..........90
Slika5.12.Samopercepiranamaksimalnihbrzinakretanjanaposmatranoj
deonici.…………................................................................................................................90
Slika5.13.Percepiranamaksimalnabrzinakretanjaostalihučesnikanaposmatranojdeonici………........................................................................................91
XXX
Slika7.1.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnostisaobraćajnihnezgodaiimpulsivnosti..................................................................131
Slika7.2.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnostisaobraćajnihnezgodaiagresivnosti....................................................................134
Slika7.3.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnosti
saobraćajnihnezgodaistavovapremariziku........................................................................136
Slika7.4.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnostisaobraćajnihnezgodaisamoprocenevozačkihsposobnosti…………......139
Slika7.5.DijagramodnosaADBQ,BIS‐11,DAQ,SamoproceneiBrojanezgoda...143
Slika8.1.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnogbrojasaobraćajnihnezgoda(Ukupanuzorakvozača)………………............151
Slika8.2.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnogbrojasaobraćajnihnezgoda(Uzorakvozačaputničkihvozila).................151
Slika8.3.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnogbrojasaobraćajnihnezgoda(Uzorakvozačaautobusa)...............................152
Slika8.4.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnogbrojasaobraćajnihnezgoda(Uzorakvozačakamiona)………………….......152
Slika8.5.Grafikregresionepravezamodelodnosaprocenecrnihtačakaisaobraćajnihnezgodanaposmatranojdeonici(Ukupanzorak)………...153
Slika8.6.Grafikregresionepravezamodelodnosaprocenecrnihtačakaisaobraćajnihnezgodanaposmatranojdeonici(Uzorakvozačaputničkihvozila).................................................................................................................................154
Slika8.7.Grafikregresionepravezamodelodnosaprocenecrnihtačakaisaobraćajnihnezgodanaposmatranojdeonici(Uzorakvozačaautobusa)……………………………...................................................................................154
Slika8.8.Grafikregresionepravezamodelodnosaprocenecrnihtačakaisaobraćajnihnezgodanaposmatranojdeonici(Uzorakvozačakamiona)………………………….......................................................................................155
Slika8.9.Grafikregresionepravezamodelodnosaproceneelemenataputaiukupnogbrojasaobraćajnihnezgoda(Ukupanuzorak)..............................157
Slika8.10.Grafikregresionepravezamodelodnosaproceneelemenataputaiukupnogbrojasaobraćajnihnezgoda(vozačiputničkihautomobila)157
Slika8.11.Grafikregresionepravezamodelodnosaproceneelemenataputaiukupnogbrojasaobraćajnihnezgoda(Vozačiautobusa)………..............158
XXXI
Slika8.12.Grafikregresionepravezamodelodnosaproceneelemenataputaiukupnogbrojasaobraćajnihnezgoda(Vozačikamiona)..........................159
Slika10.1.Funkcijapripadnostifazibroja„otprilike5“...................................................175
Slika10.2.Osnovnielementifazilogičkogsistema............................................................176
Slika10.3.KonceptfazilogičkihsistemaodIdoXV..........................................................182
Slika10.4.Podeladomenaulaznepromenljive„Agresivnost“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuI…..........................................183
Slika10.5.Podeladomenaizlaznepromenljive„Nezgode“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuI...............................................................184
Slika10.6.InterfejszaizračunavanjeizlaznepromenljivenaosnovuzadateulaznepromenljiveufazilogičkomsistemuI..............................................................185
Slika10.7.UkupnegreškefazilogičkihsistemakodkojihjeulaznavarijablaskornaADBQupitnikuzaprocenuagresivnogponašanjauvožnji(odIdoXV)....................................................................................................................................192
Slika10.8.KonceptfazilogičkihsistemaodXVIdoXXX..................................................193
Slika10.9.Podeladomenaulaznepromenljive„Impulsivnost“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuXVI........................................194
Slika10.10.UkupnegreškefazilogičkihsistemaukojimajeulaznavarijablaskornaBIS‐11upitnikuzaprocenuimpulsivnosti(odXVIdoXXX)............. 200
Slika10.11.KonceptfazilogičkihsistemaodXXXIdoXLV............................................ 201
Slika10.12.Podeladomenaulaznepromenljive„Rizik“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuXXXI………………………………………202
Slika10.13.UkupnegreškefazilogičkihsistemakodkojihjeulaznavarijablaskornaManchesterDAQupitnikuzaprocenurizikauvožnji(odXXXIdoXLV)..................................................................................................................................208
Slika10.14.KonceptfazilogičkihsistemaodXLVIdoLX................................................209
Slika10.15.Podeladomenaulaznepromenljive„Samoprocena“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuXLVI………………………….210
Slika10.16.UkupnegreškefazilogičkihsistemakodkojihjeulaznavarijablaskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odXLVIdoLX)..............................................................................................................................215
Slika10.17.KonceptfazilogičkihsistemaodLXIdoLXXVII..........................................216
XXXII
Slika10.18.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaskornaADBQupitnikuiskornaBIS‐11upitniku(odLXIdoLXXVII)............................................................................................................................219
Slika10.19.KonceptfazilogičkihsistemaodLXXVIIIdoXCIII………………………....220
Slika10.20.UkupnegreškefazilogičkihsistemaodLXXVIIIdoXCIII.......................222
Slika10.21.KonceptfazilogičkihsistemaodXCIVdoCIX……………………………….223
Slika10.22.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaskornaADBQupitnikuiskornaManchesterDAQupitniku(odLXXVIIIdoXCIII)................................................................................................225
Slika10.23.KonceptfazilogičkihsistemaodCXdoCXXVI……………………………… 226
Slika10.24.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaskornaBIS‐11upitnikuiskornaManchesterDAQupitniku(odCXdoCXXVI)........................................................................................................228
Slika10.25.KonceptfazilogičkihsistemaodCXXVIIdoCXLIII………………………..229
Slika10.26.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaskornaBIS‐11upitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCXXVIIdoCXLIII)..........................231
Slika10.27.KonceptfazilogičkihsistemaodCXLIVdoCLVIII………………………....232
Slika10.28.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaskornaManchesterDAQupitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCXLIVdoCLVIII)..............................................................................................................................234
Slika10.29.KonceptfazilogičkihsistemaodCLIXdoCLXXV…………………………...235
Slika10.30.UkupnegreškefazilogičkihsistemasatriulaznepromenljivekojeseodnosenaskornaADBQupitniku,skornaBIS‐11upitnikuiskornaManchesterDAQupitniku(odCLIXdoCLXXV)............................................237
Slika10.31.KonceptfazilogičkihsistemaodCLXXVIdoCXCII………………………...238
Slika10.32.UkupnegreškefazilogičkihsistemasatriulaznepromenljivekojeseodnosenaskornaADBQupitniku,skornaBIS‐11upitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCLXXVIdoCXCII)........................................................................................................................240
Slika10.33.KonceptfazilogičkihsistemaodCXCIIIdoCCVIII…………………………241
XXXIII
Slika10.34.UkupnegreškefazilogičkihsistemasatriulaznepromenljivekojeseodnosenaskornaADBQupitniku,skornaManchesterDAQupitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCXCIIIdoCCVIII).........................................................................................................243
Slika10.35.KonceptfazilogičkihsistemaodCCIXdoCCXXV…………………………..244
Slika10.36.UkupnegreškefazilogičkihsistemasatriulaznepromenljivekojeseodnosenaskornaBIS‐11upitniku,skornaManchesterDAQupitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCCIXdoCCXXV)...........................................................................................................246
Slika10.37.KonceptfazilogičkihsistemaodCCXXVIdoCCXLII…………………........247
Slika10.38.UkupnegreškefazilogičkihsistemasačetiriulaznepromenljivekojeseodnosenaskornaADBQupitniku,skornaBIS‐11upitniku,skornaManchesterDAQupitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCCXXVIdoCCXLII).......................250
Slika10.39.Odnosnajboljihfazilogičkihsistemausvakomodkoncepata‐rangirano.......................................................................................................................252
Slika10.40.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveAgresivnost………………………………………...254
Slika10.41.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveImpulsivnost.......................................................254
Slika10.42.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveRizik…....................................................................255
Slika10.43.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveSamoprocena…..................................................255
Slika10.44.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimaodIdoCCXLIIkodpromenljiveNezgode…..............................256
Slika10.45.Podeladomenaulaznepromenljive„Agresivnost“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLIII……………………..259
Slika10.46.Podeladomenaulaznepromenljive„Impulsivnost“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLIV……………………..263
Slika10.47.Podeladomenaulaznepromenljive„Rizik“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLV……………………………………264
Slika10.48.Podeladomenaulaznepromenljive„Samoprocena“iodgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLVI……………………...266
Slika10.49.Odnosnajboljihfazilogičkihsistemausvakomodkoncepatagdesudomenidefinisaninaosnovupodatakaizliterature‐rangirano............273
XXXIV
Slika10.50.Odnosnajboljihfazilogičkihsistemausvakomodkoncepatagdesudomenidefinisaninaosnovupodatakaizistraživanja,odnosnoizliterature........................................................................................................................274
Slika10.51.UkupnegreškefazilogičkogsistemaCCXLIIIifazilogičkihsistemaodCCLVIIIdoCCLXXI......................................................................................................274
Slika10.52.„RuleViewer“zasistemCCXLIIzakonkretnevrednostiulaznihpromenljivih.................................................................................................................278
Slika10.53.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihAgresivnostiImpulsivnost..............279
Slika10.54.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihAgresivnostiRizik..............................280
Slika10.55.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihAgresivnostiSamoprocena.............280
Slika10.56.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihImpulsivnostiRizik...........................281
Slika10.57.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihImpulsivnostiSamoprocena..........281
Slika10.58.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihImpulsivnostiSamoprocena.........282
Slika10.59.Uporednaanalizagrešakakoječinefazilogičkisistemiuzavisnostiodrazličitihmetodadefazifikacije............................................................................284
Slika10.60.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuAgresivnost.........................................................................................285
Slika10.61.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuImpulsivnost......................................................................................286
Slika10.62.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuRizik.......................................................................................................287
Slika10.63.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuSamoprocena.....................................................................................288
Slika10.64.TestiranjepromenedomenafunkcijapripadnostizaizlaznupromenljivuNezgode...............................................................................................289
Slika10.65.FunkcijepripadnostizaulaznepromenljiveufazilogičkomsistemuCCCVIII............................................................................................................................290
Slika10.66.FunkcijepripadnostizaizlaznupromenljivuufazilogičkomsistemuCCCVIII............................................................................................................................291
XXXV
Slika10.67.„SurfaceViewer“zasistemCCCVIIIzasvepotencijalnevrednostiulaznihpromenljivih.................................................................................................292
Slika10.68.OdnosempirijskihpodatakaobrojunezgodairešenjafazilogičkogsistemaCCCVIII...........................................................................................................293
Slika10.69.OdnosizmeđupromenljiveAgresivnostuempirijskomistraživanjuifazilogičkomsistemuCCCVIII..............................................................................294
Slika10.70.OdnosizmeđupromenljiveImpulsivnostuempirijskomistraživanjuifazilogičkomsistemuCCCVIII..............................................................................294
Slika10.71.OdnosizmeđupromenljiveImpulsivnostuempirijskomistraživanjuifazilogičkomsistemuCCCVIII..............................................................................294
Slika10.72.OdnosizmeđupromenljiveImpulsivnostuempirijskomistraživanjuifazilogičkomsistemuCCCVIII..............................................................................295
Slika11.1.Konceptulaznevarijable1fazilogičkogsistema…………………………….298
Slika11.2.Konceptulaznevarijable2fazilogičkogsistema..........................................299
Slika11.3.KonceptfazilogičkihsistemaodIadoXVa......................................................301
Slika11.4.PodeladomenaulaznepromenljiveOpasnamestaiodgovarajućefunkcijepripadnosti..................................................................................................302
Slika11.5.UkupnegreškefazilogičkihsistemasajednomulaznompromenljivomOpasnamesta(odIadoXVa)................................................................................305
Slika11.6.KonceptfazilogičkihsistemaodXVIadoXXXa.............................................306
Slika11.7.PodeladomenaulaznepromenljiveKarakteristikeputaiodgovarajućefunkcijepripadnosti..................................................................................................306
Slika11.8.UkupnegreškefazilogičkihsistemasajednomulaznompromenljivomKarakteristikeputa(odXVIadoXXXa).............................................................307
Slika11.9.KonceptfazilogičkihsistemaodXXXIadoXLVa……………………………..309
Slika11.10.PodeladomenaulaznepromenljiveUčestalostiodgovarajućefunkcijepripadnosti....................................................................................................................310
Slika11.11.UkupnegreškefazilogičkihsistemasajednomulaznompromenljivomUčestalost(odXXXIadoXLVa).............................................................................311
Slika11.12.KonceptfazilogičkihsistemaodXLVIadoLXIa.........................................312
Slika11.13.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaOpasnamestaiKarakteristikeputa(odXLVIadoLXa)..................................................................................................................................314
Slika11.14.KonceptfazilogičkihsistemaodLXIIadoLXXVIIIa..................................315
XXXVI
Slika11.15.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaOpasnamestaiUčestalost(odLXIIadoLXXVIIIa)................316
Slika11.16.KonceptfazilogičkihsistemaodLXXIXadoXCIIIa...................................317
Slika11.17.UkupnegreškefazilogičkihsistemasadveulaznepromenljivekojeseodnosenaKarakteristikeputaiUčestalost(odLXXIXadoXCIIIa)...... 317
Slika11.18.KonceptfazilogičkihsistemaodXCIVadoCXa……………………………..319
Slika11.19.UkupnegreškefazilogičkihsistemasatriulaznepromenljivekojeseodnosenaOpasnamesta,KarakteristikeputaiUčestalost(odXCIVadoCXa)..................................................................................................................................321
Slika11.20.Odnosnajboljihfazilogičkihsistemausvakomodkoncepata‐rangirano.........................................................................................................................322
Slika11.21.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveOpasnamesta……………………………………..324
Slika11.22.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveKarakteristikeputa……………………………..324
Slika11.23.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimakodpromenljiveUčestalost…………………………………………..325
Slika11.24.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimaodIadoCXakodpromenljiveNezgode………………………….325
Slika11.25.ZastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkimsistemimaodIdoCCLXXIIiodIadoCXakodpromenljiveNezgode……………………………………………………………………326
Slika11.26.„SurfaceViewer“zasistemLXIazapredikcijusaobraćajnihnezgodanaosnovuvrednostipromenljivihOpasnamestaiKarakteristikeputa...................................................................................................................................327
Slika11.27.Uporednaanalizagrešakakoječinefazilogičkisistemiuzavisnostiodrazličitihmetodadefazifikacije............................................................................329
Slika11.28.TestiranjepromenedomenafunkcijapripadnostizaulaznupromenljivuOpasnamesta....................................................................................332
Slika11.29.TestiranjepromenedomenafunkcijapripadnostizaizlaznupromenljivuNezgode...............................................................................................333
Slika11.30.FunkcijepripadnostizaulaznepromenljiveufazilogičkomsistemuCXXXIa.............................................................................................................................333
Slika11.31.FunkcijepripadnostizaizlaznupromenljivuufazilogičkomsistemuCXXXIa.............................................................................................................................334
XXXVII
Slika11.32.„SurfaceViewer“zasistemCXXXIazasvepotencijalnevrednostiulaznihpromenljivih.................................................................................................334
Slika11.33.OdnosempirijskihpodatakaobrojunezgodairešenjafazilogičkogsistemaCXXXIa............................................................................................................335
Slika11.34.OdnosizmeđupromenljiveOpasnamestauempirijskomistraživanjuifazilogičkomsistemuCXXXIa...............................................................................336
Slika11.35.OdnosizmeđupromenljiveKarakteristikeputauempirijskomistraživanjuifazilogičkomsistemuCXXXIa...................................................337
Nigdebolje ibrženemožeteupoznatičoveka,njegovupravunarav,karakter ićud,
njegovu "dušu", nego kad ga posmatrate dok sedi za volanom automobila i vozi.
Sedećiporednjegajedansat,vićetebezrečiirazgovorasaznationjemuvišenegoza
mesecdanastalnogdruženja.
IvoAndrić,Znakoviporedputa
PosvećenomojojdragojmajciMileni.Bilajeijošuvekjenajjačivetarumojaleđa,na
kojugodstranudakrenem.
HvalaTiMama.
1.Uvodnarazmatranja
1
1.UVODNARAZMATRANJA
1.1Obrazloženjemotivazaizborteme
Ugroženost ljudi u saobraćajnim nezgodama predstavlja jedan od najvećih
problema današnjice. Prema podacima Svetske zdravstvene organizacije (SZO,
2015) svakog dana, na putevima širom sveta, pogine u proseku 3.242 ljudi (oko
1,24milionanagodišnjemnivou).Kakobiuskorojbudućnostibrojpoginulihna
godišnjem nivou mogao dostići dva miliona, Ujedinjene nacije su 2010. godine
doneleRezoluciju64/255–Unapređenjebezbednostisaobraćajanaputevima(UN,
2010) koja je inicirala pokretanje ''Decenije akcije za bezbednost saobraćaja na
putevima2011 ‐2020.'' tokomkojebi trebalodabudusačuvani životi5miliona
poginulih i oko 50 miliona povređenih u saobraćaju. Pored humanih gubitaka,
saobraćajne nezgode izazivaju i značajne ekonomske troškove. Saobraćajne
nezgodeodnoseoko1%brutonacionalnogdohotka(BND)uzemljamasaniskim
prihodima,oko1,5%BNDuzemljamautranziciji(sasrednjimprihodima)ivišeod
2%BNDurazvijenimzemljama(SlužbeniglasnikRS,br.64/2015).
U Srbiji se u toku 2016. godine dogodila 551 saobraćajna nezgoda, u kojima je
poginuloukupno607lica;evidentiranoje13.850nezgodasapovređenimlicima,u
kojima su 3.363 lica zadobila teške telesne povrede, a 17.278 lica lakše telesne
povrede(ABS,2017).Uodnosunaostatakputnemreže,najugroženijesudeonice
državnihputevakojeprolazekroznaselja.
Prema metodologiji jedinstvenog informacionog sistema MUP‐a, na našim
putevimanajčešćeokolnostikojedovodedonastankanezgodasu:neprilagođena
brzina kretanja vozila, pogrešna procena saobraćajne situacije i izvođenje
nepropisnih radnji vozilom u saobraćaju, kao i psihofizičko stanje vozača (na
primer, vožnja pod dejstvom alkohola). Navedeni podaci ukazuju na važnost
proučavanjapriroderizičnogponašanjavozačakakobisepreduzeleodgovarajuće
mere za povećanje bezbednosti saobraćaja. Važno je napomenuti da se u Srbiji
faktoruput,kaouzrokunezgodanepridajedovoljanznačaj,većsevećinauzroka
1.Uvodnarazmatranja
2
pripisujeljudskomfaktoru.Iztihrazlogajevažnosagledatimeđusobnuinterakciju
faktoravozač–put.
Savremene studije u okviru saobraćajne psihologije i bezbednosti saobraćaja
pokušavaju da približe važnost međusobnog proučavanja odnosa svih faktora
(čovek‐put‐vozilo‐okolina) koji doprinose razumevanju nastanka nezgoda u
saobraćaju.Poslednjihgodinaistraživačisvevišeističusloženostponašanjavozača
i pokušavaju da otkriju zakonitosti koje doprinose nebezbednom ponašanju u
saobraćaju.
Fenomen rizika je prisutan u svakoj čovekovoj aktivnosti. U okviru saobraćajne
psihologijerazvilesusebrojneteorijeukojimakonceptrizikaimaključnuulogu.
Naponašanjeusaobraćajuutičuprocenerizikazaustavljanja,kontrole,otkrivanja
prekršaja i kažnjavanja za prekršaj, kao i rizici koji imaju za posledicu: učešćeu
saobraćajnojnezgodi,rizikpovređivanja,riziksmrtnogstradanjaitd.Uliteraturise
razmatrajuopštiispecifični,teobjektivniisubjektivnirizik(Lipovac,2008).Opšti
rizik se odnosi na sve učesnike u saobraćaju i ima važnu preventivnu ulogu
odvraćanja od činjenja prekršaja. Sa druge strane, specifični rizik se odnosi na
određenukategorijuučesnikausaobraćaju,npr.naprekršioce.Objektivnirizikse
određuje (izračunava) na osnovu objektivnih podataka, kao količnik povoljnih
realizacija i ukupnog broja realizacija. Subjektivni rizik se odnosi na percepciju
rizikaodstranečoveka,učesnikausaobraćaju,nanjegovstavokonkretnojpojavi,
odnosno situaciji (Lipovac, 2008). Pojam subjektivnog rizika podrazumeva da
vozač ili drugi učesnik u saobraćaju, poseduje sposobnost da dosledno i tačno
predvidi rezultat raznih bihejvioralnih alternative. McKenna i Horswill (2006)
smatrajudasesubjektivnirizikodnosinapsihološkedimenzijekojesuuvezisa
percepcijomrizika.Percepcijarizika jesloženafunkcijauzrasta i iskustvavozača.
Tosepodjednakoodnosinaprihvatanjerizika,aliinanjegovopogrešnoopažanje.
NaataneniSummala(1976)sumeđuprvimaistraživaliovajfenomeniustanovili
model rizičnog ponašanja u kome je jedan od najvažnijih elemenata subjektivni
rizik. Njihov model podrazumeva da subjektivni rizik, definisan kao uočavanje
1.Uvodnarazmatranja
3
opasnosti, predstavlja značajan motivacioni faktor (tj. regulator) u obrascu
ponašanja vozača. Prema ovoj teoriji, vozači u toku vožnje izbegavaju „osećaj
straha“ (iskustvo „nultog rizika“), predosećajući ili očekujući, neki nivo rizika
tokomizvršavanjavozačkogzadatka.Tekkadasubjektivnirizikdostignenivokoji
nije bio očekivan, vozači menjaju svoje ponašanje u smislu poboljšanja
bezbednosti, na primer povećavajući rastojanje između vozila. Prema ovom
modelunezgode sedešavajukada je subjektivni rizik znatnonižiodobjektivnog
rizika, što može biti rezultat precenjivanja sopstvenih mogućnosti od strane
vozača. Ova teorija predstavlja jednu od najcelovitijih teorija rizika, u kojoj
dominiraju bogatstvo ideja i obilje eksperimentalnih činjenica, dobijenih iz
saobraćajneieksperimentalnepsihologije.
Botticher i Van Der Molen (1985) razvili su hijerarhijski strukturiran model na
osnovustrategijskih,taktičkihioperativnihnivoazadataka.Modeluključuječetiri
vrstenajvažnijihpsihološkihkomponenataprocesaobrade informacija, aodnose
se na pažnju, percepciju, odlučivanje i motoriku. Teorija pokušava da objasni
individualno ponašanje vozača zasnovano na pojedinačnim procesima, a ne na
uopštenim manevrima vozača. Autori smatraju da u sličnim situacijama, na tri
različitanivoa,vozačnećeizabratirizičnijualternativu,uodnosunaonukojanosi
manje rizika. Prednost ovog teorijskog modela u odnosu na prethodne je
razlikovanjeracionalnogifunkcionalnogobjašnjenjarazličitihhijerarhijskihnivoa.
Teorijahomeostazerizika,čiji jetvoracWilde(2002), ima istaknutomestomeđu
različitim teorijama nezgoda zasnovanim na ponašanju. Na početku poznata kao
teorijahomeostazerizika(RHT‐Riskhomeostasistheory,Wilde,1988),zatimkao
teorija kompenzacije rizika, i konačno kao teorija ciljnog rizika (Target Risk).
Prema teoriji ciljnog rizika, stope saobraćajnih nezgoda ostaju jednake, uprkos
objektivnim poboljšanjima, jer vozači prilagođavaju svoje ponašanje, tako da
održavajunjihov subjektivni rizikna istomnivou ‐nanivou ciljnog (optimalnog,
prihvatljivog) rizika. Prema Wildeovim zaključcima, znanje o riziku zavisi od
mogućnosti opažanja rizika. Doživljaj objektivnog rizika se ocenjuje i poredi sa
prihvatljivimrizikom.Rezultat jeoptimalanstepenpažnjekoji sezahteva.Model
1.Uvodnarazmatranja
4
zagovara stav da, ukoliko se preduzmu mere smanjenja objektivnog rizika,
bezbednost će se povećavati. Međutim, ukoliko smanjivanje objektivnog rizika
dovede do povećavanja prihvatljivog rizika, to može umanjiti ili, čak, potpuno
eliminisati pozitivne efekte i umanjiti bezbednost.Wilde smatra da se ravnoteža
između procenjenog i prihvatljivog rizika održava kroz homeostazu rizika i da
bezbednostrasteilisesmanjujetokomovogprocesa.Stopanezgoda,kojasemeri
kaofunkcijavremenaizloženostirizikujekonstantna.Wildepredviđadauvođenje
savremene opreme u vozila i drugih protivmera neće značajno doprineti
povećavanju nivoa bezbednosti saobraćaja. U prilog ove teorije idu statistički
podacionezgodamapreiposleprimenepreventivnihmera.Naime,pozitivniefekti
protivmera nestaju u dužem vremenskom periodu posle primene protivmere
(Milošević,2008).
Teorijakompenzacije rizika zagovara stavda ljudi imaju tendencijudaprilagode
svojeponašanjepromeniopaženog(subjektivnog)rizika.Ljudisumanjeoprezni,u
uslovima kada se osećaju više zaštićeni, odnosno oprezniji su kada osećaju veći
stepenrizika.Teorijajenastalaubezbednostisaobraćaja,alisedanasprimenjujei
udrugimoblastima(Milošević,2008).
Analiza rizika i razumevanje ponašanja u saobraćaju može se vršiti na osnovu
anketnogistraživanjastavovaučesnikausaobraćaju.Naime,poznavanjestavovaje
preduslovza razumevanjeponašanjavozačau saobraćaju,kakobi seprepoznale
mereiaktivnostikojimajetakvoponašanjemogućeunaprediti.UAustraliji,SADi
drugimrazvijenimzemljamasprovodeserazličitaperiodičnaiadhocistraživanja
stavova učesnika u saobraćaju. U Evropi se tradicionalno sprovodi istraživanje
društvenih stavova o rizicima u saobraćaju u okviru projekta SARTRE (Social
AttitudestoRoadTrafficRisk inEurope).Uprva triprojekta istraživanisusamo
stavovi vozača (SARTRE 1, 1992; SARTRE 2, 1997; SARTRE 3, 2003), dok su u
četvrtom projektu (SARTRE 4, 2012) istraživani stavovi vozača putničkih
automobila, stavovi vozača motocikla i stavovi nemotorizovanih korisnika puta.
SARTRE4jeobuhvatio26država,odčega24članiceEvropskeunije,SrbijuiIzrael.
Cilj je bio da se utvrdi kako kulturni i društveni činioci utiču na bezbednost
1.Uvodnarazmatranja
5
saobraćaja,štavozačimisleopojedinimsaobraćajnimpropisima,kao ikojebise
mere u pogledu bezbednostimogle preduzeti kako bi se unapredila bezbednost
saobraćajanaevropskimputevima.Periodičnoponavljanjeistraživanjaomogućuje
i sagledavanje promena u stavovima učesnika u saobraćaju pojedinih država.
Koristeseistegrupepitanjatakodasemoževršitiupoređivanjeizmeđupojedinih
zemalja.Iskustvaevropskihzemaljakojesuobuhvaćeneovimistraživanjemmogu
bitiodvelikogznačajadabiseiunašojzemljiprimenilasličnapraksa.
Koncept rizika je posebno značajanu situacijamagde sepredvozačapostavljaju
izuzetno složeni zahtevi u smislu prilagođavanja ponašanja. Ovakve situacije se
redovno pojavljuju na opasnim mestima na putevima (opasne zone, opasne
deonice i tzv. ''crne tačke''), na kojima se dešava povećan broj saobraćajnih
nezgoda.Najznačajnijifaktorikojisetičusamogputakaofaktoranezgodauovim
slučajevimapretežnoseodnosenausloveusaobraćajnomtoku,dokseumanjoj
meritičuputnihkarakteristika.
Obrada predložene teme trebalo bi da doprinese boljem razumevanju rizika u
saobraćaju,međuzavisnostirizika iponašanja ikoncipiranjunovog,unapređenog
teorijskogmodelaupravljanjarizikomvozača,putemuticajanastavoveipromenu
svesti vozača. Praktična primena novog modela, prilagođenog specifičnostima
saobraćajne situacije, imala bi za cilj redukovanje visoke stope saobraćajnih
nezgodanaopasnimmestimanaputevima.
1.2Predmeticiljistraživanja
Čovek je najznačajniji, ali i najsloženiji činilac bezbednosti saobraćaja.
Mnogobrojna istraživanja dokazala su da bezbedno funkcionisanje saobraćaja
velikim delom zavisi od ljudskog faktora, unutrašnjih izvora ponašanja i
individualne reakcije na situacije sa kojima se vozač susreće na putu. Učešće u
saobraćajuzahtevaodvozačasposobnosti, znanje,veštine ibezbednoponašanje.
Ovo zavisi od saobraćajne kulture, motivisanosti za vožnju, ali i od nekih
1.Uvodnarazmatranja
6
karakteristika vezanih za konkretnu saobraćajnu situaciju na putu (zastoji,
karakteristikekolovoza,brojometanja–prilkjučakaisl.).
Nedostatak nekog od ovih elemenata može dovesti do nastanka greške, koja za
posledicumožeimatipojavusaobraćajnenezgode.Kadasegovoriodominantnim
karakteristikamavozača,mnoga istraživanjasupokazala jakupovezanost izmeću
percepcije rizika i uključenosti u nezgode (Lipovac, 2008). Razumevanje faktora
saobraćajnihnezgodakojisetičuvozačeveprocenerizika,povećavasposobnostda
se definišu odgovarajuće mere i usmere akcije, kako bi se umanjile negativne
poslediceneadekvatnogponašanja.
Iako je jasno da nijedna teorija ne može u celini povezati sve aspekte rizičnog
ponašanja sa saobraćajnimnezgodama, teorije imodeli su važni za razumevanje
kakorazličitifaktoriusaobraćajuutičunaponašanjevozača.
Predmet ove doktorske disertacije je istraživanje i analiza percepcije rizika i
ponašanjavozačausaobraćaju,naopasnimmestimaufunkcijinepovoljnihputnih
karaktertistika, na osnovu rezultata anketnog istraživanja, kao i na osnovu
terenskihistraživanja(videoifotosnimanja).
Osnovni cilj istraživanja u okviru ove doktorske disertacije jeste razumevanje i
modelovanjeuticajakarakteristikaputevanapercepcijurizikaiponašanjevozača.
Krajnji cilj je unapređenje nivoa bezbednosti saobraćaja izmenom negativnih
stavovairazvijanjemvozačkesvesti,kakonaproučavanimopasnimmestima,tako
inacelojputnojmreži.
1.3Strukturarada
Osnovni korpus disertacije, sastavljen od 12 poglavlja i relevantne literature,
omogućavakontinuitetuupoznavanju sadoktorskim radom i rezultatima,dok3
priloga daju kompletnu informaciju o rezultatima istraživanja i predloženim
modelima. Imajućiuvidumotive za izbor teme,kao ipredmet inaučni cilj rada,
1.Uvodnarazmatranja
7
doktorskadisertacijaporedopštihdelova(rezimenasrpskomiengleskomjeziku,
ključne reči, spisak skraćenica, slika i tabela, literatura i prilozi) sadrži i sledeće
strukturnecelineopisaneudaljemtekstu.
Udrugompoglavlju, nakonuvodagde suprikazani istraživački ciljevi i definisan
predmet rada, detaljno je predstavljen pregled literature iz oblasti ponašanja
vozača,kao imodelikarakterističnizakorisnikeputeva.Sadrugestrane,uovom
poglavljudatjeiprikazuticajafaktoraputuincidencijisaobraćajnihnezgoda,kaoi
prikazmeđusobnoguticajasvihfaktorakojidoprinosesmanjenjubezbednosti.
U trećem poglavlju predstavljeni su rezultati provere bezbednosti saobraćaja na
odabranojdeonici puta IB redabroj 22 (odnaseljaŽarkovodo izlaska iznaselja
Ćelije). U okviru izvršene provere sprovedena su foto snimanja terena, te ovo
poglavljesadržifotografijekojedokumentujustanjenaposmatranojdeoniciputa.
Takođe, razmatran je iodnosuočenihnedostatakanadeoniciputanapercepciju
rizikaiponašanjevožača.
Četvrto poglavlje prikazuje definisanje niza metoda za procenu parametara
ponašanja vozača koji su obuhvaćeni predmetom istraživanja. U okviru ovog
poglavlja dat je detaljan opis uzorka istraživanja, objašnjenje procedure
sprovođenjaanketnogistraživanja,opisanisuinstrumentizaprocenuponašanjai
percepciju opasnih mesta i elemenata posmatrane deonice puta, kao i opis
statističkemetodekojesukorišćenjeusvrheanalizeovihparametaraponašanja.
Sadržajpetogpoglavljaobuhvataprikazosnovnihdeskriptivnihparametarazasve
merne instrumente. Takođe, ovo poglavlje sadrži i rezultate primene
parametrijskih i neparametrijskih statističkih metoda za procenu rezultata
merenja.Razmatranisuiloglinearnimodeli zaproveruasocijacijaizmeđuvarijabli
koje su relevantne za modele koji će biti predstavljeni u narednim poglavljima
disertacije.
1.Uvodnarazmatranja
8
U okviru šestog poglavlja predočene su dobijene relacije između ponašanja
merenogpomoćučetiri instrumentazaprocenukarakteristika ličnosti.Korelacije
izmeđuupitnika,kakozadimenzijeponašanjaobuhvaćenegrupamapitanja,takoi
ukupne skorove ostvarene na upitnicima realizovane su kroz Pearsonove
koeficijente korelacije, što je ovom poglavlju detaljno predstavljeno kroz tabele
povezanosti,aliidiskutovanoupratećemtekstu.
Usedmompoglavljusurazmatranirealizacijaievaluacijanovonastalihmodelaza
procenu ponašanja u saobraćaju. Poglavljem su obuhvaćene hijerarhijske
regresione analize u cilju formiranja modela ponašanja posmatranog uzorka u
odnosunaoblikeponašanjakojimogudaobjasneprirodunebezbednogponašanja
u saobraćaju. Na kraju ovog poglavlja data je diskusija i interpretacija opisanih
modelazapredikcijusaobraćajnihnezgoda.
Osmo poglavlje disertacije predstavlja primenu standardne linearne regresije u
formiranjumodela percepcije opasnihmesta, kao i elemenata puteva na deonici
koja jepredmet istraživanja.Uokvirupoglavljapredstavljeno jevišemodelakoji
su formirani u odnosu na različite zavisne i nezavisne varijable koje su bile
relevantnezaovusvrhu.Nakonprezentovanjamodeladatajediskusijaitumačenje
dobijenihrezultataprocene.
Devetimpoglavljemdisertacijeobuhvaćenajebinarnalogističkaregresionaanaliza
kao veoma koristan alat koji omogućuje jasniji uvid po pitanju uticaja
prediktorskihvarijabli,ovogputazajednorazmatranih,uodnosunadoživljavanje
saobraćajnihnezgoda,kaozavisnuvarijablu.
U desetom poglavlju koristi se fazi logika kako bi se predložiomodel koji bi na
osnovu rezultata na primenjenim i prethodno opisanim psihološkim
instrumentima kao rešenje dao stepen sklonosti vozača ka saobraćajnim
nezgodama.Kakobisedošlodonajboljegmodela,uovompoglavljujepredloženoi
testirano 308 fazi logičkih sistema, od kojih se svaki testira na uzorku od 305
ispitanika. Pri tome, postoje dve posebne celine, u prvoj su domeni funkcija
1.Uvodnarazmatranja
9
pripadnosti definisani na osnovu podataka iz istraživanja, a u drugoj na osnovu
podataka iz literature. Takođe, u ovom poglavlju se porede rezultati primene
hijerarhijskeregresioneanalizeifazilogike.
U jedanestom poglavlju predlažu se i testiraju fazi logički sistemi gde su ulazne
varijablezasnovanenarezultatimaproceneopasnihmestanaposmatranojdeonici
puta, karakteristika puta, kao i na učestalosti korišćenja posmatrane deonice. U
ovom poglavlju testira se 134 fazi logička sistema, svaki na uzorku od 305
ispitanika.
Udvanaestompoglavljurazmotrenesumogućnostiprimeneipotencijalnekoristi
odpredloženihmodela.Očekujusekoristiusmisluunapređenjateorijskihmodela
ipraktičneprimenenovogmodela,štobimoglodapodržiprihvatanjebezbednijih
stilova vožnje. To se može ostvariti unapređenjem procesa obuke kandidata za
vozačku dozvolu, sprovođenjem različitih programa edukacije vozača,
usavršavanjem profesionalne selekcije vozača, redukovanjem procenjenog rizika
među vozačima kojima je oduzeta vozačka dozvola, projektovanjem bezbednijih
puteva, boljim održavanjem puteva, itd. Konačno, to će doprineti smanjenju
ukupnihdruštveno‐ekonomskihposledicasaobraćajnihnezgoda.
1.4Polaznehipotezeistraživanja
Naosnovupredmetaipostavljenogciljaistraživanjadefinisanesusledećepolazne
hipoteze:
Psihološke karakteristike vozača imaju značajan uticaj u objašnjenju
nastankasaobraćajnihnezgoda,
Promena stavova i ponašanja vozača predstavlja najveći potencijal za
unapređenjenivoabezbednostisaobraćaja;
Percepcija rizika vozačana opasnimmestimapredstavlja jedanod važnih
faktorakojiutičenaponašanjevozačainabezbednostsaobraćaja;
1.Uvodnarazmatranja
10
Određenekarakteristikeputa,značajnoutičunapercepcijurizikaodstrane
vozača, a time i na ponašanje vozača i objektivni rizik nastanka
saobraćajnihnezgoda;
Veze između psiholoških karakteristika i nezgoda, kao i veze između
karakteristika puta i nezgoda, semogumodelirati uz pomoć statističkih i
matematičkihmetoda,kaoštosuhijerarhijskaregresionaanaliza,binomna
logističkaregresijaifazilogika.
Na osnovu predloženih modela, moguće je dati izvesne predloge za
unapređenje procesa selekcije profesionalnih vozača, kao i za razvoj
različitih programa prevencije u saobraćaju što može rezultovati
smanjenem broja nezgoda i smanjenjem težine nezgoda na tretiranim
delovimaputnemreže.
1.5.Ostvarennaučnidoprinos
Ostvaren naučni doprinos doktorske disertacije predstavlja razvijanje novih
modela percepcije rizika i modela za procenu sklonosti vozača ka saobraćajnim
nezgodama. Novi pristupi i originalni modeli su zasnovani na analizi postojećih
modelainasagledavanju,analiziiintegracijirelevantnihparametarakojiutičuna
ponašanjevozačaiprihvatanjerizičnihstilovavožnje.
Doprinosdisertacijeseodnosiinadavanjesmernicazaeliminacijuopasnihmesta
na putevima i unapređenje edukacije vozača. Ovo bi doprinelo smanjenju stope
saobraćajnihnezgodanaputnojmreži.
Međupojedinačnimrezultatimaidoprinosimaistraživanjamoguseizdvojiti:
Sveobuhvatan pregled najsavremenije literature iz oblasti ponašanja
vozača, sa osvrtom na najznačajnije faktore postojećihmodela ponašanja
vozača;
Prikaz i analiza trenutnog stanja i tendencija u oblasti teorije rizika u
saobraćaju;
1.Uvodnarazmatranja
11
Identifikacija karakteristika puta na posmatranoj deonici koje dovode do
percipiranjapojedinihtačakakaoopasnihmesta;
Unapređenjemetoda zaprocenupercepcije rizika vozača i prilagođavanja
ponašanja vozača na opasnim mestima na putu, sa ciljem smanjivanja
objektivnogrizikaiunapređenjabezbednostisaobraćajanaputevima;
Predlog originalnih modela za procenu sklonosti ka saobraćajnim
nezgodama zasnovanih na korišćenju hijerarhijske regresione analize,
binarnelogističkeregresijeifazilogike;
Prikazmogućnostiimplementacijepredloženihmodela;
Analizaočekivanihkoristiodprimenepredloženihmodela;
Utvrđivanjepravacaitrendovabudućegrazvojarazmatraneproblematikeu
okviru saobraćajne psihologije, bezbednosti saobraćaja i unapredjenje
eksploatacionihkarakteristikaputa.
2.Faktoribezbednostisaobraćaja
12
2.FAKTORIBEZBEDNOSTISAOBRAĆAJA
Bezbrojrazličitihuticajadoprinosinastankusaobraćajnihnezgodainjihovojtežini
(veličini posledica). Brojni su pokušaji da se ovi uticaji nekako sistematizuju.
AmeričkinaučnikWilliamHaddonjepokušaodasistematizujeoveuticajeumatrici
kojajeponjemuinazvanaHedonovamatrica(Haddon,1970).OsnovnaHedonova
matrica sistematizuje uticaje tri faktora bezbednosti saobraćaja (čovek–vozilo–
okružuje)pre,zavremeiposlesaobraćajnihnezgoda.
Mada je osnovna postavka Hedonove matrice dobra, vrlo brzo se pokazalo
praktičnimdaseizfaktoraokruženjeizdvojiputkaoposebanfaktor.Takojenastala
proširenaHedonovamatrica koja sistematizujeuticaje četiri faktorabezbednosti
saobraćaja (čovek, vozilo, put, okruženje) pre, za vreme i posle saobraćajnih
nezgoda(Tojagić,2015).
Budućidastručnaliteraturaukazujenačinjenicudajeudeofaktoravozilonajmanji,
zahvaljujućirazvojuipromenimodernihtehnologija,kaoidapomenutifaktornije
predmetinteresovanjaovogistraživanja,uovompoglavljudetaljnijeseanaliziraju
faktoričovek,put iokolina,kao injihovmeđusobniodnos iuticajnabezbednost
saobraćajaštopredstavljaokosnicuovedoktorskedisertacije.
2.1Uticajkarakteristikaputevanabezbednostsaobraćaja
Uticajfaktoraputajejedanodnajkompleksnijih,jersečestopojavljujeurazličitim
oblicimaitosamoponekadkaouzročniknastankasaobraćajnenezgode.Sadruge
strane, putna infrastruktura treba da bude takva da smanji tehnički rizik od
saobraćajnih nezgoda. Veoma često, karakteristike puta mogu da omoguće
ispravljanjegreškevozačailiublažavanjeposledicanastalegreške,aštoseupraksi
veomaretkoanalizirakaouticajputa.
Najvažniji načini uticaja puta na nastanak saobraćajnih nezgoda ogledaju se u
činjenicidapututičenavozača,navozilo,stvarauslovezadejstvodrugihfaktora,
2.Faktoribezbednostisaobraćaja
13
utičena težinuposledice saobraćajnihnezgoda i istovremenoodređujeokolnosti
funkcionisanjasaobraćajnogtoka.Brojnaistraživanjapokazujudapostojijakaveza
izmeđustopasaobraćajnihnezgodaitipaputa,geometrijskihkarakteristikaputa,
stanjakolovoznogzastoraalisvetoukorelacijisatipom‐uslovimausaobraćajnom
toku(slobodan,normalan,zasićen,forsiran).RezultatiistraživanjauSrbijipokazuju
dajefaktorputauzroku3%nezgoda,dokjeurazvijenimzemljamakojeupravljaju
bezbednošćusaobraćaja,kaoštojeŠvedska,putuzroku36%nezgoda(Pešićisar.,
2012). Ovakav nesklad u rezultatima različitih istraživača nije retka pojava
pogotovokadaseporedepodacizarazvijeneinerazvijenezemlje(Gichaga,2017).
Pojedini istraživačikoji suu svojimradovimanavodiliprimere izsudskeprakse,
ukazuju na činjenicu da postoji izvesna doza neusaglašenosti između podataka
dobijenihod straneuviđajneekipe saobraćajnepolicijeukojima jekaoprimarni
uzrok nastanka saobraćajne nezgode identifikovano ponašanje vozača (faktor
čovek), i naknadnih stručnih analiza, u kojima je utvrđeno da je stvarni uzrok
nastankanezgodebilostanjekolovoza(Vujanićisar.,2014.).
Putkaoobjekatnakomeserealizujesaobraćaj,bivaneposredanizazivačnezgodau
slučajevima kada postoji nagla i iznenadna promena karakteriste puta usled
postojanjaveomaoštrekrivine,itokadajetakvakrivinaskrivena,nedostupnaoku
vozača do poslednjeg momenta, pa vozač nema dovoljno vremena da na nju
pravovremeno reaguje. U nastojanju da projektovanje i dizajn puteva omoguće
optimalnu bezbednost i protočnost u saobraćaju, došlo je do razvijanja nauke
saobraćajnog inženjeringa.Dobrodizajniraniputevipružajusigurnost i smanjuju
učestalost nezgoda. Kvalitet i bezbednost puteva zavisi skoro u potpunosti od
dostupnih finansijskih resursa (Lipovac, 2008). U daljem tekstu analizirane su
karakteristikeputaodznačajazabezbednostsaobraćaja.
2.1.1Vrstaputa
Sa gledišta bezbednosti saobraćaja, putevi se mogu klasifikovati u tri kategorije
(Lipovac,2008):
–brziputevi(autoputeviiputevirezervisanizasaobraćajmotornihvozila),
2.Faktoribezbednostisaobraćaja
14
–ostaliotvoreni(ruralniputevi)i
–gradskeulice.
Ovekategorijeputevamoguserazlikovatiporežimusaobraćaja,strukturiučesnika
u saobraćaju, brzini kretanja, tehničko‐tehnološkim karakteristikama, strukturi i
učestalosti konflikata u saobraćaju itd. Na osnovu istraživanja u najrazvijenim
zemljamaodređenisuriziciučešćaunezgodamanarazličitimputevima.Istraživanja
pokazujudabrojnezgodausaobraćajuvarirauodnosunavrsteputeva,aliinjihovo
stanje(Chanisar.,2008).
2.1.2Elementitraseputa
Trasom puta određuje se smer i visinski položaj puta. Trasa puta sastoji se od
pravca,krivinaiprelaznihkrivina,atielementitrebajubititakvidaomogućavaju
sigurno kretanje vozila pri određenoj računskoj brzini. Trasa puta treba biti
homogenatj.omogućavatijednoličnubrzinukretanjavozila.Dužinepravcaikrivina
trebameđusobnouskladiti.Geometrija ilielementi trase imajuznačajanuticajna
bezbednostsaobraćaja,aposebanuticajimajupromeneradijusakrivinainagiba.Na
primer,ukrivinamasaradijusomod400mrizikodnezgodejedvaputavećinego
napravoj deonici, a na krivinama sa100–200m, ovaj rizik je 4do8puta veći
(Lipovac,2008).Napojavurizikaodnezgodejošznačajnijeutičupromeneradijusa
krivinainagibakolovoza.Naputevimanakojimasesmenjujudugepravedeonicei
deonicesaoštrimkrivinama ili sesmenjujuravnedeonicesastrmimdeonicama,
prosečanbrojnezgodaraste,uodnosunaputevesaujednačenimuslovimavožnje.
Nezgodesekoncentrišunadeonicamasaznatnooštrijimkrivinamauodnosuna
prethodni pravac ili blagu krivinu, kao i na deonicama sa usponom posle dužih
ravnih deonica. Negativan uticaj nagiba i oštrih radijusa utiče na bezbednost
saobraćajainaostalim(pravimiravnim)deonicama.Naime,nepovoljniradijusii
nagibi dodatno zamaraju vozače, mogu da uslove napetost, netoleranciju i
agresivnosti, štodolazido izražaja i posleovihdeonica.Određenevrstenezgoda
(npr.nezgodepripreticanju)sekoncentrišunapravcimanakonserijeoštrihkrivina,
kaoinaravnimdeonicamaposledužihuspona(Lipovac,2008).Elementitraseputa,
2.Faktoribezbednostisaobraćaja
15
osimtehničkesigurnosti,potrebnojedaosigurajuipsihološkusigurnost,kojazavisi
odtogakakonavozačadelujeokolniteren.
2.1.3Prosečanbrojpriključnihputeva(raskrsnica)
Porastnezgodauslovljenjebrojemraskrsnicapokilometruputa.Uzevšiuobzirda
svaka raskrsnicapredstavlja većibroj konflikata i opasnih situacijakoji semogu
realizovatiunezgodu,predhodnoiznesenazakonitostpotpunojerazumljiva.Podaci
onezgodamaizMelburna(Australija),tokomperiodaod2000.do2013.Ukazujuna
podatakdase33.850težihnezgodausaobraćaju(uključujućismrtnostiiozbiljne
povrede)dogodiloupravonaraskrsnicama.Odukupnogbrojanezgoda,njih16%
dogodilo se na signalisanim raskrsnicama (Canppada i sar., 2007). Posebno su
opasnepromenestanjakolovoza.Riziknezgodejevećiuraskrsnicmasavišeprilaza,
saintenzivnijimsaobraćajem(aposebnosaviševozilaizsporednihputeva)ivećim
brzinamaispredraskrsnica.BrudeiLarsson(2000)suutvrdilidajeriziknezgode
naraskrsnicamasačetiriprilazadvaputaveći,negonasličnimraskrsnicamasatri
prilaza.Sdrugestrane,raskrsnicezamarajuvozače,stvarajuuslovezaagresivnosti
drugenegativnepojavekojepovećavajuriziknezgode(Lipovac,2008).
Brojsaobraćajnihnezgodanaraskrsnicamaugraduiznosiod40–50%ukupnog
brojanezgoda. Studijenovijegdatumaukazujuna trendrastabroja saobraćajnih
nezgodanaraskrsnicama(Shesterovisar.,2017).Iznavedenihrazloga,potrebnoje
rešavatiraskrsniceudvailivišenivoa.Akotonijemoguće,trebaosiguratidobru
preglednostiposebnupažnjuposvetitiregulacijisaobraćaja.Posebnaopasnostna
raskrsnicama su vozila koja skreću ulevo, te ih pri regulisanju treba svakako
posebnoodvojiti.Broj,rasporedinačinuređenjaraskrsnicaodvelikogjeznačajaza
ukupnubezbednostsaobraćaja.
2.1.4Ambijentalniuslovi
Kadajerečoambijentalnimuslovima,namokromiprljavomkolovozuotežanoje
upravljanje i kočenje vozilom. Istraživanja realizovana u velikom broju zemalja
2.Faktoribezbednostisaobraćaja
16
ukazujunanesrazmernovelikibrojsaobraćajnihnezgodanakolovozimakojiimaju
maluotpornostinaklizanjeinizaknivopovršinskehrapavosti(Trpčevski,2014).
Prianjanje(adhezija)predstavljasposobnostprenošenjapogonskihikočionihsila
napovršinukolovoza.Osnovnamerazaprianjanjejekoeficijentprianjanjakojise
javljaizmeđupneumatikaikolovoza.Najvišenezgodasedogađauvremeprvihkiša
posle dužeg suvog perioda. Posle dužeg perioda sa lošom podlogom, vozači
prilagođavajusvojeponašanjeiriziknezgodeopada.Zatoseuzimskimmesecima
događamanjibrojnezgoda.Sadrugestrane,vozačivozesporije,pajeitežinaovih
nezgodamanja (Lipovac, 2008). Chan i saradnici su potvrdili da se najveći broj
nezgoda, oko 90%, javlja u dobrim ambijentalnim okolnostima u kojima postoji
zadovoljavajući nivo osvetljenosti puta, kao i u uslovima povoljnih vremenskih
prilika.Autoriiznoseipreciznepodatakepremakojimaseoko77%nezgodadogađa
u uslovima bez padavina, dok se 20% nezgoda javlja u periodima intenzivnih
padavina(Chanisar.,2008).
Svakako da održavanje puta ima veliki uticaj na bezbednost saobraćaja. Pri
redovnom održavanju, koje počinje u proleće, izvode se sve potrebne popravke
zastora,čišćenjeodvodnihkanala,zamenadotrajalesignalizacijeiuređujusekosine
zemljanogtrupa.Investicijskimodržavanjemuređujuseopasnamesta,obnavljase
zastor,rekonstruišutehničkielementiputaisl.
2.1.5Preprekeporedputa
Poredputasečestonalazerazličiteprepreke(stabladrveća,betonskiidrugistubovi,
čvrstiobjekti,vegetacijaisl.)kojiutičunaaktivnuipasivnubezbednostsaobraćaja.
Stalne ili povremene prepreke u blizini ivice kolovoza nepovoljno utiču na
bezbednost saobraćaja. Ukoliko ugrožavaju preglednost vozačima, ove prepreke
mogu doprineti nastanku nezgode. Pojava učestalih prepreka na putu dovodi do
zamoravozača,kaoidopoteškoćauvezisapažnjom,tesenatajnačinpovećava
rizik nastanka nezgode. Prema našim propisima, udaljenost unutrašnje ivice
zaštitneogradezavisiodširinesaobraćajnetrakeirazlikujesezarazličitekategorije
puteva.
2.Faktoribezbednostisaobraćaja
17
Preprekenaputumoguimatiuticajinapasivnubezbednostsaobraćaja.Ukolikoje
rečočvrstimpreprekama(stabladrveća,stubovi,zidaniobjektiisl.),prisilaskusa
puta,mogućejedadođedoudarcavozilauoveprepreke.Naovajnačinsenezgode
usložnjavajuipostajuteže.Podaciizrazvijenihzemaljapokazujudasvakačetvrta
nezgodauŠvedskojpredstavljaudaruprepreku,a50%ovihudarasuudariudrvo
poredputa.Oko43%smrtonosnihnezgodanastalihuNemačkoj,saučešćemjednog
vozila(sletanjesaputa),događasepriudaruvozilaudrvo(OECD,1990).
Sadrugestrane,preprekenaputumoguimatiipozitivanuticajnatežinunezgoda.
Uposlednjevremesesvečešće,kaomerazasmanjivanjebrzinanaraskrsnicamai
drugim opasnim mestima, razmatra postavljanje prepreka koje smanjuju
preglednost. Ove mere primoravaju vozače da smanje brzine kada se nađu u
opasnim zonama. Iako se ovakvom merom može povećati broj lakših nezgoda,
mogućejeuticatinasmanjenjenezgodasanajtežimposledicama.
Dakle, prepreke imaju dvojak uticaj na bezbednost saobraćaja; negativno se
odražavaju na aktivnu bezbednost saobraćaja (raste ukupan broj nezgoda), ali
pozitivno na pasivnu bezbednost (smanjuju se posledice nezgoda). Izgradnja
preprekakojesmanjujupreglednost,morabitiveomadetaljnoistručnoanalizirana.
Ukolikosuočekivanedobitivećeodšteta,izgradnjapreprekanaputuimasmisla.
Ogden(1997)jepokazaodaasfaltiranjebankinaporedotvorenihputeva,smanjuje
brojnezgodaido41%.Bankine,odnosnoudaljenostnepokretnihbočnihsmetnjije
jedna od bitnih geometrijskih karakteristika puta. Njoj se u projektovanju i
eksploatacijiposvećujevelikapažnja, jerpojedina istraživanjapokazujudavozila
zaustavljena na bankinama predstavljaju značajnu opasnost za funkcionisanje
saobraćaja(Baharisar.,2009).Istraživanjemjeustanovljenodajevišeod10%svih
nezgoda sa fatalnim ishodom povezano sa nezgodama u vezi sa zaustavljem u
prostorubankine.Napojačanirizikodpojavesaobraćajnihnezgodanaotvorenim
putevimanajvećiuticajimajugeometrijskidizajnputaistanjepovršinazapešake
(pešačkestazeitrotoari). Izgrađenost iodržavanjetrotoaranajvišeutičunarizik
stradanjaunaseljima(Lipovac,2008).
2.Faktoribezbednostisaobraćaja
18
2.1.6Nepovoljnivremenskiuslovi
U vreme padavina (grad, kiša ili sneg) raste rizik od nezgode. Skandinavska
istraživanja(Fridstrømisar,1995)supokazaladaneočekivanesnežnepadavine,
prvijesenjisnegipadavineposledužihperiodabezpadavinaznačajnopovećavaju
riziknezgoda,aposebnonezgodasanastradalim.Vremenom,učesniciusaobraćaju
seprivikavajunaloševremenskeusloveiovajnegativanuticajslabi.Posebnoopada
rizikodnezgodasapovređenimipoginulim(Lipovac,2008).
2.1.7Osvetljenjeputa
Osvetljenje puta je neophodan uslov za bezbedan saobraćaj jer se veliki deo
saobraćajaodvijanoću.Dobrimosvetljenjemnadužimdelovimaputasmanjujese
broj saobraćajnih nezgoda 30 – 35% u poređenju sa saobraćajnicama koje nisu
osvetljeneilisuslaboosvetljene.Takodje,dobroosvetljenipešačkiprelazi,trotoari,
raskrsnice,tuneliidrugielementiputa,uznatnojmerimogudoprinetismanjenju
umoravozačaiimajuuticajnapovećanjenivoabezbednostiusaobraćaju.Dabise
povećala bezbednost saobraćaja na opasnim delovima puta i noću, potrebno je
namestitištoboljuvidljivost,štovećujednoličnostkoličinesvetlosti,izvorsvetlosti
morabitiizvanvidnogpoljavozača,trebapriguštisveizvoresvetlostikojeblještei
ometajuvozače,aistotakosvetiljketrebapostavitištovišeiznadkolovoza.Takodje,
trebaotklonitisvesvetlosnedistraktorekojiometajuvozače.Svakakotrebapažnju
usmeriti i na uštedu električne energije i kvalitetu osvetljenja puta i naći
zadovoljavajućerešenje(Chenaniisar.,2016.;Morettiisar.,2017).
2.2Uticajljudskogfaktoranabezbednostsaobraćaja
Uticajosobinaličnostinaponašanjevozačajeproblemkojijevećprivukaopažnju
brojnih istraživača, naročito zbog toga što se ljudski faktor pojavljuje kao
najznačajniji uzrok saobraćajnih nezgoda. Naime, podaci govore da ponašanje
čovekauzrokujenezgodeupreko90%slučajeva.Ponašanjevozačausaobraćajuje
vrlo složeno jer uključuje reakcije na veći broj istovremenih informacija u
2.Faktoribezbednostisaobraćaja
19
situacijama koje se stalno menjaju (Vukobrat, 2008). S obzirom na to da su
saobraćajne nezgode retki događaji, veoma je teško ustanoviti prediktivnu moć
osobinaličnostikadasuupitanjutakviincidenti.Međutim,relacijeosobinaličnosti
sarazličitimoblicimaponašanjauvožnjikojisemoguokarakterisatikaomanjeili
višerizičn,indirektnomogudatinekepodatkekorisnezaprevencijusaobraćajnih
nezgoda. Velikibrojstudijarealizovanjesaciljemdaseutvrdipovezanostizmeđu
osobinaličnostiinastankanezgodausaobraćaju(Elanderisar.,1993;Furnhami
Saipe1993;UllebergiRundmo,2003;Clarkeisar.,2006;KoushkiiBustan,2006;
Waylen iMcKenna,2008;Kanaan i sar.,2009;Eiksund,2009;Scott‐Parker i sar.,
2009;deOñaisar.,2013.,Sârbescuisar.,2014,itd.).
Saobraćajni psiholozi sastavili su opsežne liste faktora koji utiču na ponašanje u
vožnji uopšte, što je prikazano na slici 2.1. (Lonero i Clinton, 2008.). Ova slika
ilustrujemnogostrukostikompleksnostfaktorakojidoprinoseponašanjuvozačana
putu.Dabiseshvatiloponašanjeuvožnji,neophodnojeproblematikusagledatiu
širemkontekstuidetaljnoanaliziratisvemogućefaktorekojiupravljajuljudskom
percepcijomiponašanjem.
Kako supodaci oulozi sklonosti ka riziku vozača čestonedostupniupolicijskim
izveštajimaonezgodama,poslednjihgodinaposebnointeresovanjeusmerenojena
uticajstavovanaponašanjekorisnikaputauoblastibezbednostisaobraćaja,tese
naovajnačin,posrednodonosegeneralizovanizaključcioosobinamaličnostikoje
mogudaimajuprediktivniznačajunastankunezgodausaobraćaju.Stavovisujedna
odbitnihkomponentikojiutičunaponašanjeusaobraćajuimožeserećidaimaju
značajnijuuloguuoblikovanjuponašanjavozačauodnosunastečenaznanja.Većina
učesnikau saobraćaju znada je odeđenoponašanjeu saobraćaju nebezbedno ili
zakonskinedozvoljeno,aliimapogrešanstavismatradanećedovestiuopasnost
sebe i druge učesnike u saobraćaju ako se ponaša nebezbedno. Između svih
istraživanjaovogtipa,posvojojmasovnosti,najvišeseističeistraživanjeSARTRE
(Social Attitudes to RoadTraffic Risk in Europe), akronim za ‘’Društveni stavovi
premarizicimaudrumskomsaobraćajuuEvropi’’,ipredstavljaistraživačkiprojekat
osmišljen sa ciljem da analizira stavove i prijavljene oblike ponašanja korisnika
2.Faktoribezbednostisaobraćaja
20
puteva širom Evrope. U periodu od 1991. do 2012. godine realizovana su četiri
SARTRE istraživanja. Ova istraživanja planirana su sa ciljem da, između ostalog,
procene rizične oblike ponašanja u saobraćaju koji se dovode u vezu sa
karakteristikamaličnosti.Utekstukojislediopisanisuključniaspektiličnostikoji
utičunanebezbedneoblikeponašanjausaobraćaju.
Slika2.1.Faktorikojiutičunaponašanjevozača(LoneroiClinton,2008.).
Trenutno
ponašanje
u vožnji
Odvraćanje
pretnjom
Prinuda Zakonodavstvo
Frustraciona
agresivnost
Saobraćajno
zagušenje
Psihopatologija
Znanje
Obrazovanje
Mediji
Potrebni
stimulusi
Dosada
Uzbuđenje
Posmatrani
modeli
Pritisak
porodice Pritisak časti
Neformalne
društvene normeVrednost
budućnosti
Navike
Iskustvo
Obuka
Kultura vožnje
Društvena odgovornost
Mobilnost
Očuvanje
Mediji
Moto sport
Promocija
Marketing
Vremenski
pritisak
Vrednost sadašnjosti
Ekonomski ciklus
Svrha putovanja
Veštine
Odgovor
okruženja
Opreznost /
pažnja
Upravljanje vozilom
Ljudska
ograničenjaObrada
informacija
Ostali vozači
Konflikti Umor
Distrakcija
Ometanje
Konflikti
zadataka
2.Faktoribezbednostisaobraćaja
21
2.2.1 Agresivnostuvožnji
Podacianalizanezgodauvisokorazvijenimzemaljama,kaoštosuVelikaBritanija,
Amerika, Kanada i Izrael pokazuju da je agresivno ponašanje u vožnji u porastu
(AAMI, 2009, Deffenbacher i sar.1994; Lajunen i sar. 1998; Shinar, 1998). Neki
istraživačisusugerisalidaporastagresivnevožnjemožebitiuslovljensvevećim
brojemvozilakojasenanekinačintakmičezaograničenuputnuinfrastrukturu,što,
posledično, dovodi do povećanja zagušenja i takmičenja za putni prostor, kao i
osećajapritiskazbogdužegvremenaputovanjakojeutičenanivofrustracije.Manji
broj istraživača se fokusirao na kontekstualne/situacione faktore koji doprinose
agresivnomponašanjuusaobraćaju(Shinar,1998.),doksudrugibiliusmerenina
individualnekarakteristikevozačakojesuzabeleženeuokruženjuvansaobraćaja
(Deffenbacherisar.,1994;Lajunenisar.2001;Shinar,1998).
2.2.2 Razlike između agresivne vožnje i ostalih sličnih psiholoških
konstrukata
Za bolje razumevanje agresivnosti u vožnji, neophodno je sagledati širu sliku, u
smislufaktorakojiutičunaovakavoblikponašanjauvožnji.Dakle,neophodnoje
analizirativrednosti,uverenja, stavovi inamere(Parker i sar.,1998;Fernandes i
sar.,2007,Geisar.,2016),demografskekarakteristike(KrahéiFenske,2002;Miles
iJohnson,2003)iosobineličnosti(Deffenbacherisar.,2003;Dahlenisar.,2005;
BoneiMowen,2006;Benfieldisar.,2007;Jovanovićisar.,2011;Dahlen,2012).
Kadajerečonamerikaodimenzijičinjenjaagresivnihdela,pojediniistraživačitvrde
dajeagresivnavožnjabližepovezanasaizražavanjemponašanjabezobziranatoda
lijenamernopočinjenoiline(Deffenbacher,isar.,2007).Izgledadaseovinalazi
zasnivaju na činjenici da se određeni rizični oblici ponašanja generalo od strane
organaredaisprovođenjazakonaposmatrajukaoinherentnoagresivnibezobzira
nanamereiliželjevozača.Ovaponašanjauključujubrzevožnje,malaodstojanja,ili
prestrojavanje.Međutim,drugiistraživačisutvrdilidaponašanjenapututrebada
seklasifikujekaoagresivno samoako jepočinjeno sa "namerom"da se fizički ili
2.Faktoribezbednostisaobraćaja
22
psihološkioštetidrugivozač(Mizell,1997;Tasca,2001;DulaiBallard,2003).Utom
smislu,ponašanjekaoštojenpr.nadekvatnoodržavanjeodstojanjaizmeđuvozila
bićekategorisanokaoagresivnosamoakojeciljdaizazovenekuvrstunelagodnosti
ili problem drugog vozača. Ovakvo ponašanje, prema pomenutim autorima, iz
drugihrazlogajeboljeposmatratikaoprimerbezobzirnevožnje.Ustvari,smatrase
danamerepočinioca,anepercepcijažrtvepouzdanoiobjektivnodefinišuagresivnu
vožnju. Prema tome, uključivanje "namere" u okviru definicije agresivne vožnje
pružamogućnostdase jasnijediferencirakojevrsterizikapredstavljajuprimere
ponašanjaagresivnevožnje(Tasca,2001;DulaiGeler,2004).
Kadajecentralnauloganamereagresivnevožnjerazjašnjena,postajejasnodajei
preuzimanjerizikaverovatnouključenoukonceptkaoštojeprikazanonaslici2.2.
Dok se neka agresivna ponašanja (kao što je ablendovanje‐blinkanje svetla i
upotrebasirene)neklasifikujugeneralnokaorizična,druga,kaoštosuneadekvatna
rastojanja sleđenja povećavaju rizik od nastajanja nezgoda. Međutim, ovi rizični
oblici ponašanja koji neće ugroziti druge vozače, kao što je korišćenje telefona,
premapomenutimautorimanebitrebalodaseklasifikujukaoagresivnoponašanje.
Sličnotome,pomenutiautoripredlažudamalaodstojanjazbognemarainepažnje
predstavljajuprimerrizičnogponašanja,alineiagresivnoponašanjeuvožnji.
Slika2.2.Odnosizmeđurizičneiagresivnevožnje(DulaiGeler,2004).
2.Faktoribezbednostisaobraćaja
23
Istraživanjeagresivnevožnjejekompleksnopitanjekojesadržimnogenejasnoće.
Nejasnoćesunajočiglednijeuterminologijikojasekoristizaopisivanjefenomena.
„Besnaputu“jeizrazkojisekoristeumedijimaodstraneopštepopulacijedaopiše
širok spektar incidenata na putu koji uključuju dela agresije i nasilja. Međutim,
medijisečestovišefokusirajunaekstremneslučajevenasiljanaputu,odkojihneki
verovatno predstavljaju slučajeve napada koji se dogode na putu (Elliott i sar.,
1995).Kaotakviizrazi„besnaputu“iagresivnavožnjasečestokoristekaosinonimi
od stranemedija, a samim tim i u opštoj populaciji, te se termin „bes na putu“
generalnopovezujesaekstremnimdelimanasiljanaputu.Bezobziranato,izrazi
„besnaputu“ iagresivnavožnjaseponekadkoristekaosinonimizanebezbedne
manevre na putevima. Na primer, nedavna meta‐analiza istraživanja agresivne
vožnjeukazujenatodasumnogaponašanjanaputukojasurelevantnazaagresivnu
vožnjuobeleženauliteraturikao„rizična,agresivna,ilibesnaputu“(Tasca,2001;
DulaiGeler,2004).
Rezultatipojedinihautoratakođesuotkrilidajevisokaimpulsivnostpovezanasa
budućim lošim socijalnim ponašanjem, uključujući i agresiju (Paton i sar., 1995;
Luengo‐Fernandezisar.,2009).VisokirezultatinaBISskaliimpulsivnosti,kaoina
BDHIskali (BussDurkeeHostility Inventory)razdražljivostipokazalisuznačajne
korelacijesanaglimizlivimaagresivnogponašanja(Stanfordisar.,1996).
Najnovija verzija BIS – 11 (Barrat Impulsivness Scale) instrumenta za procenu
impulsivnosti sastavljena od 28 pitanja pokazala je značajan odnos između
impulsivnostiiagresivnosti.Ustudijiukojojjeučestvovalo592studenata(prosečne
starosti 22 god.), oni koji su posedovali izraženiji skor na BIS‐11 skali, češće su
pokazali sklonost ka rizičnim ponašanjima uključujući upotrebu pića/droge i
manifestnihoblikaagresije(Stanford,isar.,1996).
Prilikomispitivanjaimpulsivnostiinjenogodnosapremaagresiji,nekiistraživačisu
sefokusiralinarazlikeizmeđureaktivneiproaktivneagresije(Connorisar.,2003).
U takvim istraživanjima, reaktivna agresija se smatra besom ili defanzivnim
ponašanjemkaoodgovoromnauočeneprovokacije ili frustracije.Sdrugestrane,
2.Faktoribezbednostisaobraćaja
24
proaktivnaagresijasenamernokontrolišekakobisepostigaoželjeniefekat.Osim
ove razlike, naučnici su otkrili da je hiperaktivnost/impulsivnost u korelaciji sa
reaktivnomagresijom,posebnokodmuškaraca.
Uistraživanjimaukojimajepronađenapovezanostagresijesatraženjemsenzacije,
ova osobina je pokazala veliki prediktivni značaj u predviđanju prekršaja u
saobraćaju,pačakinezgoda(Joireman,isar.,2003).Ovaistraživanjaukazujudasu
traženje senzacije i agresivnost povezani kao dva konstrukta koji se odnose na
trenutnazadovoljstvabez razmatranjabudućihposledica.Najpoznatijiupitnikza
procenu ove dimenzije ponašanja konstruisao je Zukermana (Zukerman, i sar.,
2000).
2.2.3 Teorijeagresije
Širok spektar psiholoških teorija u liiteraturi nastoji da objasni opštu ljudsku
agresiju, uključujući teorije socijalne kognicije, teorije frustracione agresije,
kognitivne teorije i teorije opservacijskog učenja itd. (Bandura, 1977; Zillmann,
1988; Berkowitz i Heimer, 1989). Od navedenih psiholoških teorija, teorija
opservacijskog učenja i teorija frustracione‐agresije najčešće se koriste za
ispitivanjeagresivnogponašanjeuvožnji(Shinar,1998;Yagil,2001).
2.2.3.1Teorijafrustracije‐agresije
Hipoteza koja se odnosi na frustraciju‐agresiju (Dollard, i sar., 1939) tvrdi da je
"agresija uvek posledica frustracije" i obratno da postojanje frustracije ili više
frustracijauvekdovodidoagresijeunekomobliku,bezobzirada li sepotiskuje,
maskirailiodlaže.Frustracijasesmatraspoljnimuslovomilifaktoromkojisprečava
osobudaostvaricilj(BerkowitziHeimer,1989).
U središtuove teorije je konceptpraga frustracija‐agresije (Dollard i sar., 1939).
Ovaj koncept podrazumeva da povećanje frustracije smanjuje "prag agresije" i
povećava verovatnoću agresivnog ponašanja. Dollard je opisao da se frustracija
2.Faktoribezbednostisaobraćaja
25
gradikumulativnoizvišeizvora.Izražavanjefrustracijeibesaslužikatarzičnojsvrsi,
tevraćapragfrustracija‐agresijanasvoj„normalannivo.“Pragfrustracije‐agresije
nemožedapomogneurazumevanjupotencijalazaagresivnaponašanja,alimože
dapomogneuobjašnjenjupredloženeakumulacijefrustracijeikasnijegispoljavanja
kaoagresije.
Mnogo istraživanja je sprovedeno o agresiji od pojave teorije frustracija‐agresija
(Dollard i sar, 1939.;Marcus‐Nevhall i sar., 2000;Pedersen i sar., 2000).Analiza
ovogfenomenailustrujerobustnupriroduagresije(Marcus‐Nevhallisar.,2000).
Ujednomtakvomistraživanju,učesnicisubiliizloženinekomdogađajukakobise
videlodalisekodnjihjavljabes,uslučajupojavebeznačajnihokidača.Zaonekoji
su bili ispovocirani, okidač je bio trivijalan, a pokazali su visok nivo agresija
(Pedersenisar.,2000).
Teorijafrustracija‐agresijatvrdidaćevisoknivofrustracije,neizbežno,dovestido
agresije.Upreformulisanojverziji teorije frustracije‐agresije,Berkowitz iHeimer
(1989), međutim, tvrdi se da će se agresija pojaviti samo ako je frustracija ili
neprijatandogađaj„dovoljnoneprijatan“daproizvedejaknegativanuticaj,kaošto
je"bes".
Kada je reč o skorijim verzijama ove teorije, poput one koju je ponudio Shinar
(1998), navodi se da frustrirajuće situacije na putu, kao što su zagušenja ili
kašnjenja,uzposredovanjeosobinapojedinca,predispozicijezaagresiju,doprinose
agresivnomponašanjuvozača.Uskladusafrustracija‐agresijateorijom,zagušenja
ilikašnjenjasublokatoriponašanjaodnosnoometačinapretkavozača.Uodgovoru
na blokatore, vozači doživljavaju povećanje frustracije koja zauzvrat smanjuje
njihovpragagresije,asamimtim,povećavaiverovatnoćuagresivnogreagovanja.
Dalićeagresivnavožnjabitizastupljenanaputuiline,zavisiodtumačenjasituacije,
a tumačisepoduticajemtakvih faktorakaoštosu„kulturnenorme“.Uodsustvu
agresivnog ishoda tokomvožnje, veruje seda je ekspresijaagresijepomerenaza
kasnijitrenutak.ModelagresijekojijeponudioShinarprikazanjenaSlici2.3.
2.Faktoribezbednostisaobraćaja
26
Slika2.3.Frustracija‐agresijamodelagresivnevožnje(Shinar,1998.)
2.2.3.2Kognitivnoneoasocijalanmodel
Kaoštojeprethodnonapomenuto,BerkowitziHeimer(1989)jedaodoprinosza
dalji razvoj teorije frustracije‐agresije (Dollard i sar., 1939). Polazeći od načela
teorije frustracija‐agresija, Berkowitz je formulisao "kognitivno neoasocijalni
Frustrirajućesituacije- Zagušenje- Kašnjenje
Ličnost(Otežavajućifaktor)
- Neprijateljstvo- Ekstraverzija- TipA/B
Okruženje(Olakšavajućifaktor)
- Anonimnost- Legitimitet- Lošakomunikacija
Raspodelaagresivnosti
Mogućnost agresije? - Kulturne norme - Prisila
Izmeštenaagresija
Blokiranputdocilja?Da Ne
Neprijateljskaagresija- Verbalnozlostavljanje- Fizičkinapad- Pokretiruku- Glasnotrubiti
Instrumentalnaagresija- Trkanje- Prolazaknacrveno- Nedovoljnoodstojanje- Glasnotrubiti
Da
Ne
2.Faktoribezbednostisaobraćaja
27
model“agresije,kojinaglašavakogitivnoiskustvointenzivnihemocijainjihovuticaj
naverovatnoćuagresivnogponašanja.Premaovojteoriji,kadasuuočenineprijatni
događaji ili fizičke nelagodnosti kao što su visoke temperature ili buka, osnovni
nagonirezultirajuosećanjem"besa"ipripremajuorganizamzastrahiborbu.
Berkowitz,tvrdidaovepočetne,praktičnoautomatskeosećajeilimisli,prateizraziti
motorni odgovori ili reakcije. Izražene emocije su posledica prerade kognitivne
procene, mogućih posledica, pravila ponašanja i prethodno naučenih mentalnih
odgovorautvrđenihživotnimiskustvimatj.”čvorovima”.
Ovaj model sugeriše da su odgovori i afektivne misli/telesne reakcije mreže
mentalnihšemakojesenalazeupsihološkomkonstruktu,"pamćenja."Premaovoj
teoriji,memorijasetretirakaonizmrežakojesesastojeod"čvorova".Svakičvor
može uključivati niz misli i srodnih emocija povezanih asocijativnim nervnim
putevima. Kada se aktiviramisao, vrši se spoljna aktivacija duž puteva i tako se
aktivirajuidrugičvorovisećanjai/ilisrodnihemocijaštomožedovestidopovećanja
verovatnoće agresivnog ponašanja zbog "pripremanja". Koncept "pripremanja"
možebitivažankadaserazmatradoprinosstresaiagresivnogponašanjauvožnji
(Parkinson,2001).
Ukratko, ovo je prilično složen proces koji vodi do diferencijacije, suzbijanja ili
menjanja osećanja, uznemiravanja, iritacije, besa ili straha što dovodi do
instrumentalnih, ili neprijateljskih reakcija. Stoga, Berkowitzeva reformulacija
originalne teorije frustracije‐agresije nudi okvir za potencijalan doprinos
kognitivnihprocesatokomvožnje(Lajunenisar.,2001).
U poslednjoj studiji, koristeći scenario u kojem je automobila parkiran ispred
semafora,zbogovakvogponašanjavozača,pojaviosevelikibrojverbalnognasilja
od strane druhih učesnika u saobraćaju, a takođe je utvrđeno da viši nivoi
samokontrole besa nisu uvek povezani sa agresivnim odgovorom (Berkowitz i
Heimer, 1989). Pored toga, istraživanje agresije naglašava relativni značaj i
potencijalni uticaj procesa internalizacije u agresivnom ponašanju u vožnji. Ovi
2.Faktoribezbednostisaobraćaja
28
procesi uključuju podsvest pojedinca i/ili svesne kognitivne procene situacije, i
sukcesivno aktiviranje povezanih emocionalnih čvorova, odnosno socijalne
spoznaje.
2.2.4Teorijesocijalnekognicije
Načinnakoji ljudskabićaprimaju informacijeu raznimdruštvenimkontekstima
dugo je bio fokus socijalnih i kognitivnih psihologa. Oslanjajući se na principe
računarske logike, istraživačisuse fokusiralinapsihološkomodeliranjerazličitih
socijalnihponašanjaipsihološkihkonstrukataunjihovojosnovikaoštosu"sećanja"
(Bushman iAnderson,2001.).Ovajpristupproučavanjuponašanja jepozantkao
"društvenaspoznaja",aponekadpreciznije„društvenaobradainformacija.“
2.2.4.1Socijalnoučenje
Glavna tema u razmatranju socijalne spoznaje je naučeno ponašanje ili princip
socijalnogučenja(Bandura,1977;BushmaniAnderson,2001).Socijalnoučenjeu
bilo kojoj situaciji se ostvaruje direktno kroz lična iskustva i posredno kroz
posmatranjedrugihilimodeliranjeponašanjadrugih(Bandura,1977).Verujeseda
seovočuvaumemoriji,kaoskupmentalnihpredstavapodnazivomšeme/skripte,
koje se ne razlikuju od "čvorova" kod Berkowitz i Heimer‐a (1989). Ove skripte
sadrže slike prošlih događaja i ponašanja koji mogu biti asocirana sa drugim
šemama/skriptama (Bandura, 1977; Huesmann, 1998). Aktivacija ovih skripti u
okvirusocijalnogokruženjajepoznatakao"socijalnakognicija".Socijalnaspoznaja
jeprocesposredovanjaizmeđusituacionihfaktorairezultantesocijalnogponašanja.
Veliki broj socijalno‐kognitivnih istraživača je proučavao procese u kojima je
procenapravljenauzavisnostiodsituacije(BerkowitziHeimer,1989;Huesmann,
1998;Yagil,2001).
Kada se suoče sadruštvenimdilemamapojedinciprocenjuju i tumače situacione
karakteristike, svesno ili nesvesno, pretraživanjem dostupnih memorijskih
šema/skripti koje su ranije naučili (Huesmann, 1998). Kada se šeme/skripe
2.Faktoribezbednostisaobraćaja
29
procenjuju,istovremenoseprocenjujuipotencijalneposlediceiponašanja,rezultati
ishoda(Huesmann,1998;BushmaniAndersen,2001).
Do danas objavljene teorije socijalne kognicije naglašavaju društveni uticaj na
agresivno ponašanje, odnosno situacione faktore koji povećavaju ili inhibiraju
mogućnost agresivnog ponašanja (Huesmann, 1998; Yagil, 2001). U istraživanju
agresivne vožnje takvi faktori podrazumevaju prisustvo/odsustvo putnika,
anonimnostiitipvozilakaoidruštvenenorme.Međutim,ovimteorijama,generalno,
izgleda da nedostaje naglasak na individualnim razlikama, vezanim za ličnost,
trenutnomentalnostanjeivarijacijeuponašanju.
Značajnojedaistraživanjeagresijeuključujesocijalnukognicijupriobjašnjavanju
uticaja stresa, raspoloženja i emotivnog uzbuđenja na obradu informacija.
Uzbuđenje zbog stresa i neraspoloženje negativno utiču na proces kognitivne
evaluacije (Zillmann, 1988). Na primer, pronađeni su visoki nivoi hostilnosti u
slučajevimasmanjenekoličinepažnjeievaluacijeaktuelnesituacije(CrickiDodge,
1994).Poredtoga,visoknivouzbuđenjasužavapretragumemorijeiaktivirasamo
one šeme/skripte koje su blisko povezane sa tim signalom, što rezultira užim
opsegommogućihishodaponašanja.
Specifično za istraživanja agresivnog ponašanja u vožnji, Parkinson (2001) je
utvrdiodasuvozačikojisuprijavilinegativanuticajemocijaprevožnjeimalimanju
šansudadoživebesuvožnji.Nažalost,veličinauzorkaovestudijejebilarelativno
nereprezentativna(n=64)(BoyceiGeler,2001).
Dalje,ustudijikognitivnihpreduslovaagresivnogponašanjauvožnji,Yagil(2001)
jeobrazložiodaatribucijeutičunaagresivnereakcijenaprovokativnaponašanjaod
strane drugog vozača. Yagil je na uzorku od 150muškaraca utvrdio da kada se
negativna atribucija primjenjuje na drugim vozačima, ona verovatno povećava
količinu frustracije ilibes savećomstopom izraženostikodmuškaracanegokod
žena. Dalje, takva negativna očekivanja od drugih vozača, dovode do procene
njihovog ponašanja kao nepromišljenog i agresivnog. Ovaj nalaz je u skladu sa
2.Faktoribezbednostisaobraćaja
30
rezultatitmaprikazanimuizveštajuVCCAV(VictoryanCommunityCouncilAgainst
Violence)iz1999.premakojimajeustanovljenodasumlađimuškarci(uzrasta18‐
24godina)triputačešćepočioniociprekšajanegožene.Stogasečinidamladimuški
vozačimogudaprivukuvišenegativnihatribucijauodnosunastarijevozače.Ovi
nalaziukazujunapotrebudasesprovedudaljaistraživanjakognitivnihprocesakoji
suuključeniuagresivnoponašanjeuvožnji.
2.2.4.2Teorijauzbune
Još jednateorijakojamožedaobjasniefektenivoaemocijauzbuđenjauvožnji je
teorijauzbune(Zillmannisar.,1972).Premaovojteoriji,uzbuđenjenastajenesamo
kao posledica negativnih emocionalnih iskustava, većmože poticati iz pozitivnih
iskustavapovećevajućinatajnačinfiziološkouzbuđenje(Geen,2001.).
U svojoj teoriji, Zillmann i sar. (1972) tvrde da povišen nivo uzbuđenja, u
kombinaciji sa dovoljnim novoom provokacija, deluje kao prethodnica agresije
(Geen,2001).Usvojojstudiji,Zillmannprikazujeeksperimengdesustudentiimali
zadatakdasedeilivoze(fizičkinapor)sobnibicikl.Neštokasnije,učesnicisutrebali
daizrazesvojenezadovoljstvo.Onikojisubiliuključeniunaporanzadatakbilisu
agresivniji,štoideuprilogovojteoriji(Zillmannisar.,1972).Iakojeovajrezulat
pokazujevezuizmeđuuzbuđenjaiagresivnosti,negovoriouloziemocijainjihovom
doprinosunastankaagresije.
Razmatranja vremena između izazivanja događaja i incidenata besa se smatraju
kritičnim.Akopreviševremenaprotekneizmeđudvadogađaja,uzbuđenjeserasipa,
čime su transferi i identifikacijauzbuđenjamanje verovatni (Feindler iGuttman,
1994). Priroda i intenzitet uzbuđenja utiču na uspostavljanje ove veze (Baron i
Richardson,1994).
Ova teorija ima potencijalno značajne implikacije kada je u pitanju objašnjenje
aktivnostikojeprethodevožnjikaouzrokuizlaganjadodatnomstresuusaobraćaju.
Akojevozačintenzivnobioizloženkontinuiranomstresupre"ulaska"uvozilo,onda
2.Faktoribezbednostisaobraćaja
31
jepodvećimrizikomdaispoljiagresivnostuvožnji.Osimtoga,pozitivnauzbuđenja
spadajuuredponašanjakojamogubitiodposebnogznačajazamladevozače.Na
primer,vožnjaneprimerenovelikombrzinomiliprisustvovršnjaka,možepovećati
fiziološkoiemotivnouzbuđenje.Usvetluoveteorije,moždanijenerazumnorećida
su visoki nivoi impulsivnosti kao osobine ličnosti (Karli, 1991) i osećaj traženja
senzacije(Jonah,1997)čestopovezanisarizičnimponašanjemuvožnjikodmladih
vozača.
2.2.4.3Društvenainterakcija
Teorijasocijalneinterakcijesebaziranapretpostavcidausocijalniminterakcijama,
kada je to interes koji uključene strane razdvaja, agresija se javlja kako bi se
popravila situacija (Tedeschi i Felson, 1994). Svaka agresija se temelji na obliku
ponašanja prinude koje imaju za cilj da ispravi razliku; upotreba agresije se
posmatrakaojednaodstrategijazapostizanjecilja.Zarazlikuodgorepomenutih
teorija,ovostanovištejekritičnopremaobjašnjenjudaagresijapotičeodosećanja
frustracije i/ili kao manifestacija negativnih fizioloških uzbuđenja (Tedeschi i
Felson,1994).
Uprkos tome, istraživačipoputAndersona iBushmana (2002)uključili su teoriju
socijalneinterakcijeusvojmodelsaciljemdautvrdekakobiovajmodelmogaoda
se uklopi u agresivno ponašanje u vožnji. Pre svega, akcenat je na socijalnim
interakcijamakakobisedonelaodluka,pričemuseodlukasastojiu tomekako i
kadadaseagresijapokrećeikojisualterantivniodgovori(TedeschiiFelson,1994).
Anderson i Bushman (2002) ukazuju na to da ova teorija nudi dobar okvir za
razumevanjeagresijekoja jevođenaciljevimakaoštosupretnjesamopouzdanju
(Baumeister, i sar., 1996). U nastojanju da se bolje razume ponašanje u vožnji,
aspektioveteorijemogupomoćidaseobjasniagresija.Činisedanekivozačikoriste
ponašanje,kojesetakođemožesmatratikaoagresivno,kakobiuticalinaponašanje
drugihvozača.
2.Faktoribezbednostisaobraćaja
32
2.2.5Mladivozačikaopopulacijapodrizikom
Mladivozačipredstavljajujednuodnajranjivijihkategorijaučesnikausaobraćaju.
Statistikepokazujudasusaobraćajnenezgodejedanodvodećihfaktorapovredai
smrtnostimeđumladimauzrastaod18‐24godina(ABS,2017).Stopasaobraćajnih
nezgoda u ovoj populaciji je najviša tokom prvih meseci od sticanja dozvole za
upravljanjemvozilom;zatim,rapidnoopadauperiodukojiprosečnotrajeokošest
meseci,dabisedostigaoperiodslabijegpadastopenezgodauperioduodnajmanje
dvegodine,uskladusatipičnomkrivuljomučenja.Brojnaistraživanjaidentifikovala
sumladevozačekaospecifičnerizičnegrupezaispoljavanjeagresivnogponašanja
uvožnji.Naprimer,Shinar(1998)jeutvrdiodakakosestarostvozačapovećava,
agresivnostsetokomvožnjesmanjuje.Lajunenisar.(1998)sutakođeizvestilidaje
agresivnavožnjačešćakodmladihvozačaitočešćemuškaraca,negokodžena,što
jenaročitokarakterističnozatežemanifestacijeagresijetokomvožnje.
MlađeosobemuškogpolasutakođevišezastupljeneustudijiNewSouthValesu
policijskim evidencijama prijavljenih za agresivnu vožnju (Morgan, i sar. 1994).
Nasuprottome,pojedinaistraživanjaukazujunatodasvevećibrojmladihženskih
vozačaaktivnopokazujuelementeagresivnevožnje(Lajunenisar.,2001;Lawtoni
Nutter, 2002). Naime, žene izgleda imaju veće šanse da usvoje latentne oblike
agresije,dokjekodmuškaracautvrđenoprisustvovišihnivoatrenutnemanifestno
izraženeagresije(LawtoniNutter,2002).
Ovoistraživanjejetakođepokazalodaverovatnoćaagresivnogponašanjeuvožnji
rasteakojevozačpoddejstvomalkoholailidroge.Naosnovunavedenihnalaza,rana
faza ovog istraživanja će se fokusirati na uključivanjemladih vozača, kao grupu
visokogrizikazaispoljavanjeagresivnogponašanjauvožnji.
Za razumevanje ponašanja mladih vozača, neophodno je najpre sagledati
neurofiziološke osnove. Ovo se pre svega odnosi na funkcije frontalnog režnja
korteksa, a naročito prefrontalnog korteksa i njihovih veza sa drugim delovima
mozga.Prefrontalnikorteksjeregijamozgakojojjepotrebnonajduževremenada
2.Faktoribezbednostisaobraćaja
33
bi seupotpunosti razvila. Smatra seda senjen razvoj završavau trećojdeceniji
života.Ovajdeomozgaupravljaveštinamakaoštosuprocenarizika,uspostavljanje
prioriteta,organizacijaplanovaistrategija,pokretiočiju,kontrolaimpulsaiemocija,
empatija i sl. Kako su veštine neophodne za adekvatno sagledavanje rizika u
saobraćaju kod mladih vozača još uvek u razvoju, često nedostaje neophodna
percepcijaopasnostinaputu.
Nekolikoključnih faktoradoprinosepovećanojstopinezgodakodmladihvozača.
Najpre,kodmladihvozačaprocesučenjakontrolevozilajejošuveknedovršen,što
dovodi do smanjenog kapaciteta pažnje prilikom neočekivanih zahteva na putu.
Zatim,mladivozačiimajulošusposobnostpredviđanjaiidentifikovanjaopasnosti.
Takođe, kodmladihvozačapostoji pojačana sklonostkaučestvovanjuu rizičnim
situacijama,kaoštosuvelikebrzineismanjeniintervalisleđenjauvožnji,štočesto
predstavljaposledicunjihoveprijemčivostizausvajanjeneprihvatljivihnormikoje
propagiranjihovavršnjačakagrupa.Mladivozači,znatnočešćenegostarijivozači
pokazuju sklonosti ka vožnji poddejstvomometanja što ih dovodi neadekvatnih
percepcijasaobraćajnihsituacijaiizlaganjapoćanomriziku(Čubranić‐Dobrodolaci
sar.,2013).
UstudijikojususproveliČubranić‐Dobrodolacisar.(2013),analiziranisurizični
oblici ponašanja koji se dovode u vezu sa saobraćajnim nezgodama na uzorku
mladihvozačasakraćimvozačkimiskustvom.Najznačajnijielementirizičnihoblika
ponašanja odnosili su se na vožnju pod dejstvom alkohola i korišćenjemobilnih
telefonatokomvožnje.Kadajerečoalkoholukaopokazateljusklonostikarizikuu
vožnji,rezultatipokazujudajevelikiprocenatmladihbarjednomiličešćeupravljao
vozilompoddejstvomalkohola(Slike2.4i2.5).
2.Faktoribezbednostisaobraćaja
34
Slika2.4.Vožnjapoddejstvomalkoholakodmladihvozača
(Čubranić‐Dobrodolacisar,2013)
Slika2.5.Učestalostvožnjepoddejstvomalkoholakodmladihvozača
(Čubranić‐Dobrodolacisar,2013)
Podaci dobijeni upitnikom za procenu rizičnih oblika ponašanja tokom vožnje
pokazujudaznatanbroj ispitanikauovomuzorkukoristimobilni telefonu toku
vožnje.Ono što je najkarakterističnije kaodobijeni podataku ovom istraživanju,
odnosisenarasprostranjenostupotrebemobilnihtelefonauvožnjimeđumladim
vozačima koji su u svom kratkom vozačkom iskustvu doživeli nezgode. Naime,
izražena jetendencijadavozačikojisudoživeli tri ilivišenezgoda,prijavljujuda
koristemobilnitelefonuvožnjigotovosvakodnevno(Slika2.6).
Ne43%
Da57%
Upotrebaalkohola
Ne
Da
Jednom37%
Višeputa63%
Učestalostkorišćenjaalkohola
Jednom
Višeputa
2.Faktoribezbednostisaobraćaja
35
Slika2.6.Korišćenjemobilnogtelefonaiučestvovanjeunezgodama
(Čubranić‐Dobrodolacisar,2013)Sadrugestrane,većpomenutifaktorkombinacijerizičneiagresivnevožnje,alkohol,
pokazaoseindikativnimugrupivozačakojikoristemobilni telefonusaobraćaju.
Naime,kaoštojemogućeuočitinaSlici2.7,međuukupnimbrojemispitanikakoji
su prijavili da voze pod dejstvom alkohola, njih 77% prijavilo je da gotovo
svakodnevno koristi mobilni telefon dok upravlja vozilom. Ovakvi podaci
nesumnjivo ukazuju na povezanost između agresivnog ponašanja i sklonosti ka
rizikuuvožnjiipredstavljajuokosnicuimotivzaistraživanjakojasurealizovanau
okviruovedisertacije.
Kada je reč o mladim vozačima, pokazalo se da su najefikasnije strategije u
prevenciji nezgoda, programi podsticanja i nagrada, pod uslovomda se unapred
temeljnoplanirajuisprovode.Svakako,trebalobiuzetiuobzirdapostojeiizvesna
ograničenja u opštoj primeni takvih mera, u odnosu na različite socijalne,
ekonomske,političkeiadministrativnerazlikeizmeđurazličitihnacijaizemalja.
35 37
65 63
100
0
20
40
60
80
100
120
Jedna Dve Tri
Korišćenjemobilnogtelefona[%
]
Brojnezgoda
Da
Ne
2.Faktoribezbednostisaobraćaja
36
Slika2.7.Upotrebamobilnihtelefonauvožnjimeđumladim
vozačimauodnosunadoživljavanjesaobraćajnihnezgoda
(Čubranić‐Dobrodolacisar,2013)
2.3Međusobniuticajputevailjudskogfaktora–savremeneperspektive
Moderne tendencije u istraživanjima prevazilaze koncept ''3E'', prema kome je
dovoljnouvestidobruedukaciju,projektovanjeputevaikaoiprinudu‐sprovođenje
propisa, što bi dovelo do unapređenja bezbednosti saobraćaja. Izgleda je je ova
problematikaznatnokompleksnijaiodnosisenasledeće:kakouskladitiodnoseu
sistemu faktora bezbednosti saobraćaja „Čovek – Vozilo – Put – Okolina“, sa
posebnimosvrtomnaodnosizmeđukarakteristikaputaiponašanjavozača.Naime,
faktor čovek, u sadejstvu sa ostalim faktorima, odgovoran je za nastanak
saobraćajnenezgodeunajvećembrojuslučajeva,tesuupravoizovograzlogabrojna
istraživanja usmerena ka unapređenju ovog faktora. Shvatajući značaj ovakvih
istraživanja, zakoni o bezbednosti saobraćaja razvijenijih zemalja, kao i Zakon o
bezbednostisaobraćajanaputevimaRepublikeSrbije(učl.156,ZoBS),uvrstilisu
ovemetodekaozakonskuobavezuupogleduunapređenjabezbednostisaobraćaja.
Uzimajućiprethodnouobzir,iakostatističkipodaciukazujunadominacijuljudskog
faktoraunastankusaobraćajnihnezgoda,usavremenimistraživanjimapomerase
fokus na uzajamno dejstvo karakteristika puteva i ljudskog faktora. Istraživanja
77
55
23
45
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
DA NE
Korišćenjemobilnogtelefona[%
]
Alkohol
Ne
Da
2.Faktoribezbednostisaobraćaja
37
pokazuju da je uzajamno dejstvo ljudskog faktora i puta odgovorno za značajan
procenatnezgodanaputevima(Pešićisar.,2012).
Analiza lokacija nezgoda pokazuje da se ljudske greške dešavaju na određenim
lokacijamavišenegonadrugim.Tonaročitovažizaruralneputeve:iakonanjima
gineubedljivonajvećibrojljudi,opasnostkoja“leži”nanjimajejasnopotcenjenaod
stranevozača.Tosuuglavnomtumačivisokomproporcijomuzrokanezgodakroz
interakcijuizmeđuputaivozača.Unastavkućebitipredočeninačininakojeokolina
putautičenaljudskeosobine,sajednestrane,kaoinakojinačinobafaktoramoraju
daseuzmuuobzirdabiseprojektovalibezbednijiputevi,sadrugestrane.
2.3.1Modeliponašanjavozača
Kako bi se sveobuhvatno sagledali uticaji na ponašanje vozača, od suštinskog je
značajapregledrazličitihmodelavožnjeiponašanjavozača,aštoseodražavaina
sagledavanjenajbitnijihterminaizoveoblasti.
Hijerarhijskimodeli imodeli kontrolnogkruga služekaookvir zaostalemodele.
Najobuhvatnijihijerarhijskimodelkoji je razvioMichon(1989)sagledavavožnju
kaohijerarhijskiproblemkojirešavazadatakkojifunkcionišenatrirazličitanivoa.
Nivoisemogupodelitipremaposebnimzahtevimanasvakomnivou,vremenskom
okviru koji je potreban i kognitivnim procesima. Hijerarhijski model Michona
pronalazisvojekvivalenturazliciizmeđuučinkailinivoaponašanjakojipredlaže
Rasmussen (1987), koji pravi razliku između nivoa koji se zasnivaju na znanju,
pravilima i veštini u zadatku. Obamodela semogu kombinovati kako i predlaže
Donges(1999).Prikaznajčešćerazmatranihmodelaponašanjauvožnjikojisemogu
naćiustručnojliteraturidatjenaslici2.8.
2.Faktoribezbednostisaobraćaja
38
Slika2.8.Pregledrazličitihmodelaponašanja(Donges,1999)
Nasledećemdijagramu2.9mogućejeuočitikombinovanorazličitenivoezadataka
kojepredlažuRasmusseniMichon.Strateškiilinavigacioninivosadržisveprocese
kojisetičuodlukeoputovanju,kaoštojeonagdebitrebalodaseputuje,kada,kojim
putem ikojimmodalitetomsaobraćaja.Odlukenaovomnivousuretke iprocess
odlučivanjatrajeduženegouostalimnivoima.Zbogsvojeprirode,procesiranesu
manje više svesno, ali postaju navike ukoliko se često ponavljaju. Na nivou
manevrisanja,odlukesedonoseusekundi.Tipičnimanevrisupreticanje,skretanje
ili prihvatanje prostornih i vremenskih intervala sleđenja. Na ponašanje na tom
nivou utiču i motivacija i situacija. Ostali termini koji se koriste za opisivanje
manevarasutaktikainavođenje.Konačno,odlukenakontrolnomnivousedonose
automatizovanimprocesima.Tipičnizadacikojeobuhvatajusuodržavanjepravcau
traci ilipromenabrzine, i sprovodesebezsvesnogprocesuiranja informacija.Za
ovajnivosekoristeterministabilizacijaioperacija.
HijerarhijskimodeliModelikontrolnogkruga
Čineokvirvozačkogzadatkaukojisemoguintegrisatiostaleteorije
TaksonomskimodeliNaglasakna
pojedinačnimrazlikama,statični
FunkcionalnimodeliUzimajuuobzir
komplikovaneinterakcijeuvožnji
Modeliprocesuiranjainformacija
Motivacionimodeli
Kognitivnimodeli
Teorijadirektnepercepcije
Modelirizika
Modeliradnogopterećenja
2.Faktoribezbednostisaobraćaja
39
Slika2.9.KombinacijanivoaučinkapremaRasmussenui
hijerarhijskimodelpremaMichonu,modifikovaoDonges(1999.)
Dalisezadataknalazinanivouznanja,pravilailiveštinezavisiuvelikojmeriod
informacijakojepostojeuvezisazadatkomiokolinom.Procesivišegnivoakojise
nalazenanivouznanjazahtevajuvišekognitivnihizvoraodnižihnivoa.Višiiniži
nivoi procesuiranja su često nazivani kontrolisani ili automatski procesi prema
SchneideruiShiffrinu(1977).
Znanjeotomedaliseponašanjekojeseposmatrasvrstavauautomatskiilikontrolni
nivo je veoma značajno za strategije o promeni ponašanja. Samo kontrolisani
procesi mogu biti modifikovani. Slika 2.10. pokazuje na koji način odlučivanje i
rešavanjeproblemaostvarujusvojporedakuvožnji.Procesivišegredasekoriste
samokadanižiprocesinevodeželjenomrezultatu.
Ponašanjezasnovanonaznanju
Identifikacija
Odluka
Planiranje
Ponašanjezasnovanonapravilima
Prepoznavanje
Asocijacija
Pravila
Ponašanjezasnovanonaveštini
Formacijaosobina
Stimulus,reakcija,automatizam
Senzori Akcija
Strateškinivo
Nivomanevrisanja
Kontrolninivo
Pravac,kriterijumbrzine
Kriterijumpovratnihpodataka
2.Faktoribezbednostisaobraćaja
40
Slika2.10.GeneričkisistemmodeliranjakojipredlažeReasonisar.(1990)
2.3.2Procesiranjeinformacijaipercepcija
Ljudskapercepcijaiobradainformacijasupoduticajemdvakonkurentnasistema,
stazeodgorenadoleioddolenagore.Ukratko,procesodgorenadoleznačidaje
vozačformiraonekuvrstuhipotezeotomeštadaočekujeudatojsituaciji.Procesod
NivoveštineRutinskeakcijeupoznatojokolini
OK? OK?
Proverapažnjeuvezisaakcijom
Cilj
Problem
Uzimanjeu obzirlokalnihilidržavnihinformacija
Daliješemapoznata?
Dalijeproblemrešen?
Primeninaučenopravilo
Nivopravila
Nivoznanja Analogijavišegnivoa?
Okretanjementalnomnivouproblemaprostora,analizaapstraktnijihodnosaizmeđu
struktureifunkcije
Kasnijipokušaji
Unutrašnjadijagnozaiformulisanje
korektivnihpostupaka.Primenaakcije
Da
DaNe
Ne
Da
Nijepronađena
2.Faktoribezbednostisaobraćaja
41
dolenagoreznačida jepažnjavođenastimulusimaokoline,bezvišihkognitivnih
funkcija.
Procesi koji su uključeni u strategiju pretrage gore‐dole su pažnja, iskustvo,
motivacijaiočekivanja.Očekivanjasestvarajuzasnovanonaprošlimiskustvima.Što
je situacija sličnija prethodnoj, to su jača očekivanja u sadašnjoj situaciji. Takva
očekivanja,sadrugestrane,pomažuvozačudausmerisvojupažnjunalokacijegde
pretpostavljadaćepronaćirelevantneinformacije.Ukupnibrojočekivanjauodnosu
naposebnusituaciju formiramentalnimodel iliunutrašnju reprezentaciju čitave
situacije. Ostali termini u odnosu na mentalni model su šeme ili skripte. Sve
predstavljajuimplicitnoilieksplicitnoznanjesituacijeilipostupka.
Zbog svoje prirode, procesuiranje sa vrha na dno zahteva više vremena od
procesuiranjaoddnakavrhu.Ipak,onopovećavaefikasnostiefektivnostljudskog
ponašanja zbog pojednostavljenja u poređenju sa prirodom. Drugo, upotreba
mentalnihmodelajeautomatskaprenegosvesnaizatojojjepotrebnomanjeizvora
u radnoj memoriji. Procesuiranje sa vrha na dno vodi pažnju ka relevantnim
stimulusimaiprematomeomogućavaefikasnualokacijuresursapažnje.Konačno,
naovajnačinjeomogućenodavozačaktivnotražiinformacijekojenedostaju.
Ovaprednostvrlolakomožepostatinedostatakkadasetrenutnasituacijapogrešno
protumači, na osnovu neodgovarajućih očekivanja i deficita pažnje. Prema tome,
unutrašnjaprezentacijamožebitiosnovniuzrokneodgovarajućihakcija ilisamih
pogrešnih pretpostavki. Dalje, stabilna priroda unutrašnje reprezentacije čini je
težomzapromenuujednomkoraku.
Uodnosunaprocesesavrhanadnotrebalobivoditiračunadasukarakteristike
putauskladusaočekivanjemvozača.Dabisepromeniopogrešanmentalnimodel,
potrebnojeomogućitipovratneinformacijeuslučajuneodgovarajućegponašanja.
Obratan proces pretrage informacija sa dna do vrha, znači da, između ostalog,
stimulansiokolineusmeravajupažnju.Dalićestimuluszaokupitipažnjuiline,zavisi
od fizičkih karakteristika stimulansa. Periferna pažnja se pre aktivira ukoliko se
2.Faktoribezbednostisaobraćaja
42
objektikreću.Stacionarniobjektisaslabimodavanjemsvetlostiseteškodetektuju
ljudskimokom.
Prema tome, trebalo bi voditi računa da informacije koje nisu relevantne ne
zaokupljajupažnjunalokacijamakojesuopasnedokbisadrugestranerelevantne
informacijetrebalodabudunaglašenetakodaprivlačepažnju.
2.3.3Vizuelnapercepcija:okoikorisnopoljevida(UFOV)
Najvišeinformacijakojesuneophodnezaupravljanjevozilomsedobijaprekočula
vida. Poznavanje karakteristika ovog čula, prema tome, omugućava bolje
razumevanjeiobjašnjenebezbednogilirizičnogponašanjanaputevima.
Mrežnjača je jedinstven sloj koji čine fotosenzitivne ćelije, čepići i štapići.
Neravnomernadistribucijaovihćelijanamrežnjači jerazlog linearnedegradacije
mnogih vizuelnih funkcija. U vizuelnom polju uobičajeno se razlikuju tri zone:
fovealna,parafovealnaiperiferna.
Identifikacijaobjekatajemogućajedinoufovealnojzoniiuveomauskompojasu
izmeđutačkefiksacijeiudaljenostiod1°vizuelnogugla.Zarazlikuodfovealnogvida
oštrina vida u parafovealnoj zoni je znatno niža u poređenju sa foveom. Iz tog
razlogaidentifikacijaobjekatauparafoveijeotežana,premdaovazonaigravažnu
uloguumnogimvrstamaopažanja.
Možesepredstavitikaoupozoravajućinizsekvencibrzihpomeranjaočijukojebi
trebalodadovedupredmetpažnjeufovealnivid.Perifernazonaprotežeseotprilike
od 5° udaljenosti od tačke fiksacije ka periferiji vizuelnog polja. Precizna
identifikacijamalihobjekatauperiferijinijemoguća.Međutim,promenestimulacije
naperiferiji ipakbivajudetektovaneodstranevizuelnogsistema.Naosnovunjih
može se usmeriti pogled ka lokaciji na kojoj se promena odigrala i na taj način
omogućiti da objekat bude identifikovan. Ove oblasti vizuelnog polja mogu biti
2.Faktoribezbednostisaobraćaja
43
različitepooblikuiveličiniusledindividualnihrazlika,aliimenjatisepoduticajem
različitihfaktora,kaoštojenaprimer,uzrast.
Dabiseopisaleovepromene,koristeserazličititermini:
funkcionalnopoljevida(FFOV),
korisnopoljevida(UFOV),
vizuelnopolje,
tunelskoviđenje.
UFOV predstavlja vizuelnu oblast u kojoj se mogu detektovati informacije bez
pokretanjaočiju iliglave.Njegovaveličinaopadasauzrastom.Pokazujerazvojne
promene, ali i varijacije usled povećanja kognitivnih zahteva zadataka koji se
obavlja, na primer, uvođenjem sekundarnog zadatka tokom detekcije signala.
Tunelsko viđenje predstavlja jedan od dva modela kojima se može objasniti
degradacija funkcionalnogpoljavida.Značajperifernogvidazapercepcijubrzine
pokazanjeustudijikojususproveliCavalloiCohen(2001).Onisupokazalidaje
ispravnaprocenabrzineznačajnosmanjenakadasesmanjiveličinavizuelnogpolja,
a samim tim i periferni vid. Tako su Recarte i sar. (2000) koristili prostornu
distribucijufiksiranihobjekatadabiopisaliovepromene.Ipak,kadasediskutuju
efektinaperifernividznačajnojenapomenutidasuterminikojisuuvedeniiznadu
upotrebikodvećineautora.
Određeneznačajnekarakteristikepercepcijesemorajuseuzetiuobzirkadajereč
okonsturisanjubezbednihputeva:
Ljudskookosemoraprilagoditirazličitimuslovimasvetlosti.Vremekojeje
potrebnodaseokoprilagodiodsvetlostinatamudužejenegouobrnutom
slučajuimožetrajatiido30min.Tojerecimorelevantnokadakadasedanju
ulaziutunele,
Ljudskomoku je potrebno da se prilagodi u odnosu na blizinu, tj. daljinu
posmatranja.Takvoprilagođavanje jebitnokadavozačiusmeravaju svoju
2.Faktoribezbednostisaobraćaja
44
pažnjuodunutrašnjostivozilapremaspoljašnjosti.Prilagođavanjejebržeod
blizinekadaljini,negoobrnuto.
Ljudskesposobnostiprocesiranjainformacijapokazujuizvesnoograničenje
u smislu kapaciteta. Kada je količina informacija prevelika, relevantne
informacijenećebitiprimećene.
Opseg vidljive svetlosti se ni po čemu suštinski ne razlikuje od ostalih
područja spektra elektromagnetnog zračenja i ograničavaju ga samo
fiziološkeosobineoka.Takođe,istedražimožemodaopažamokaorazličite
zavisnoodkarakteristikacelokupnogopažajnogpolja.Kontrastseodnosina
razlikuizmeđusvetlostiisenkeipredstavljatendencijukapovećanjurazlika
u intenzitetu draži između figure i pozadine. S obzirom na osetljivost
kontrasta,moraseosiguratidavizuelneinformacijemogubitipercipiraneu
okoliniipozadinigdesuiprezentovane
Fovealnoviđenjeje veomaograničeno,aidentifikacijaobjekatamogućaje
samoukolikosufiksirani
Ljudskapercepcijazavisiodkontekstaukomeseposmatranjaodvija,kako
supokazalibrojnipsiholozi.
Teoriju koja naglašava shvatanje vizuelne percepcije kao jedinstvenog procesa
razviojeGibson(1986).Teorijadirektnepercepcijenaglašavaznačajkarakteristika
kojesuprisutneuokoliniiuticajekološkihpromenljivihipredstavljapsihosomatski
aktvezanzaaktivnogposmatrača.Onpostuliradasupercepcijaiakcijaneodvojive
jerkretanje jedinkeobezbeđujeviše informacija.Vremedosudara(TTC)iliTaui
vreme do prelaženja linije su primeri takvih promenljivih. Dalje, Gibson
pretpostavlja da se informacije direktno dobijaju od osobina samog predmeta.
Sadržeznačenjeusmerenonaposmatračausmislunjegovihsposobnostiislužekao
pokušajdasepodstakneželjenoponašanje.
Za razliku od Rumarsovog modela, Gibson koristi jednostavan pristup od dna
nagore.Obojicaseslažudajepercepcijaaktivanproces.DokRumarsnavodiznačaj
kognitivnihfaktora,Gibsonvidikretanjekaoključniaspektudobijanjuinformacija.
Kretanje oka i tela pomažu u percepciji osobina objekata i okoline. Prema tome,
2.Faktoribezbednostisaobraćaja
45
ljudskotelokaocelinapostajeorganpercepcije.Krozkretanje,informacijeodubini,
distanciilibrziniseprenosevozaču,ainformacijesedobijajudirektnokrozstopu
promeneuteksturitakozvanog”optičkogtoka”.Optičkitoksemožezamislitikao
skup vektora koji stvaraju promene u svetlosti usled kretanja. Gibson govori o
lokalnimporemećajimaoptičkogtokakojinastajupripromenipoložajaposmatrača
iliposmatranihobjekata.
Čakibezkretanja,predmetiprenoseinformacijekrozsvojuteksturuikonture.Dok
ljudskapercepcijapostajeefikasnakorišćenjemovihinformacija,možebitiiizvor
grešakakaoštojeslučajkodoptičkihiluzija.Kakojepercepcijaosnovaakcije,dizajn
okolineradipodrškeželjenomponašanjujeključanzabezbednost saobraćaja.
2.3.4Motivacionimodeliponašanja
Dokmodeliulogepercepcijeuvožnjinaglašavajukarakteristikeprosečnepopulacije
vozača,motivacionimodeliuzimajuuobzirinterakcijuizmeđuopštihmehanizama
ipojedinačnihrazlika.
Jedinstvena pretpostavka motivacionih modela je da naglašavaju samostalnu
priroduzadatkavožnje.Dvakonceptaseprematomemogunazvati”motivacionim,”
atosurizikiradnoopterećenje.Veomajeblizakikonceptadaptacijeponašanja.
2.3.4.1Modelrizika
Centralniaspektmodelarizikajerazlikaizmeđusubjektivnogiobjektivnogrizika.
Ustručnojliteraturiobjektivniriziksedefinišekaomerljivaverovatnoćadešavanja
nezgodeilikonkretneposledice,dokjesubjektivnirizikprocenjenirizikodstrane
vozačakrozpercepcijuokolineputa(Lipovac,2008).Prematakvimtumačenjima,
situacijesuopasneondakadajesubjektivniriziknižiodobjektivnog.Tojezbogtoga
što vozači prilagođavaju svoje ponašanje prema subjektivnom, a ne prema
objektivnomriziku.
2.Faktoribezbednostisaobraćaja
46
Konceptsubjektivnogrizikakaorelevantnogmehanizmazavozačkoponašanjeje
najvišerazvijanodstraneWilde‐a(2002).Originalnonazvanateorijahomeostaze
rizikakasnije jenazvana teorijomciljnog rizika.Ukratko, teorijanavodida stope
nezgodapo jedinici vremenaostaju jednake, uprkosobjektivnimunapređenjima,
kakovozačiprilagođavajusvojeponašanjetakodasubjektivnirizikpostajejednak
više ili manje stalnom ciljnom riziku. Elvik i Vaa (2004) u svojoj studiji navode
izvesne nedostatke ove teorije, ali se takođe slaže sa ostalim istraživačimada je
teorija identifikovala bitne mehanizme, koje bi trebalo uzeti u obzir kada se
objašnjavajuuzrocinezgoda.
2.3.4.2Modeliradnogopterećenja
Usled kritika na račun nedostataka teorija rizika, Fuller (2005) je razvio teoriju
zasnovanunapoređenjuizmeđuzahtevazadatkailjudskihkarakteristika.Rezultat
ovog poređenja je količina radnog opterećenja koji iskusi vozač. Generalno
posmatrano,radnoopterećenjejenajniže,aučinakjenajboljinasrednjimnivoima
zahteva.Zaključujesedaprevišeipremalozahtevalošeutičunaradniučinak,iako
jemogućakompenzacijazbogdodatnograda.
PremaFulleruvožnjajebezbednadoklegodsposobnostipremašujupotrebe.Pored
togaštojeupitanjufunkcijaobjektivnihkarakteristikaokoline,zahtevuodnosuna
vozački zadatak na datom vremenu ili lokaciji, zavisi od brzine koju vozač bira.
Zahtev u teškoj situaciji semože redukovati smanjenjem brzine. Da bi se radno
opterećenje svelo na optimalni nivo, vozač mora unapred imati neophodne
informacijeosaobraćajnojsituaciji.
Zaprocenuradnogopterećenjakoristeserazličitetehnike.Uliteraturisenajčešće
razlikujesledećihpettehnika:
meresamo‐izveštavanja,
mereprimarnogzadatka,
meresekundarnogzadatka,
psihološkemere,
2.Faktoribezbednostisaobraćaja
47
vizuelnoizuzimanje.
Procena potražnje i radnog opterećenja zajedno sa pet tehnika merenja radnog
opterećenja,kakojeobjašnjenouFullerovojstudiji,prikazanisunaslici2.11.kao
deo opšte procene bezbednosti na putevima. Na Slici 2.11. sumirane sumetode
radnogopterećenjainjihovodnossabezbednošću.
Slika2.11.Metodimerenjaradnogopterećenjainjihovodnossaopštomprocenombezbednosti(Richterisar.,1998).
Zbogsamostalneprirodevozačkogzadatkaiinterakcijeizmeđuparametara,tačna
količina opterećenja je veoma teško odrediva. Ipak, neki pristupi pokazali su u
praksidobrerezultate.Richterisar.(1998)predlažuprocedurekojesezasnivajuna
videoproceni.Kombinovali sunekolikokriterijumakao relevantnihpomišljenju
psihologa i saobraćajnih inženjera. Kriterijumi koji su izabrani su podeljeni u tri
grupe:
Procenaobjektivnihzahtevazadatka:
(horizontalnoivertikalnoporavnanje,krivineistalnost,okolina,itd.)
Procenaradnogopterećenja
Procenastanja
Procenadugoročnihposledicaradnogopterećenja
Odnossaobjektivnimposledicama(nezgode)
Mereprimarnogzadatka
Meresekundarnogzadatka
Meresamo‐izveštavanja
Psiho‐fiziološkemere
Izuzimanje(akojemoguće)
2.Faktoribezbednostisaobraćaja
48
Dobijanje informacija: količina,promenljivost, kontrast,prostorna i
vremenskagustina,vizuelnousmeravanje
Kvalitetputa:površina,mogućnosti orijentacije i kompatibilnost sa
očekivanjima,ranapercepcijaopasnosti
Senzorski i motorni aspekti vožnje automobila: ruke, koordinacija
stopalaiautomatskoprocesuiranjeodgovoramotora
2.3.4.3Prilagođavanjeponašanja
Prilagođavanje ponašanja odnosi se na karakteristiku ljudi da menjaju svoje
ponašanje shodno različitim situacijama. Pregled studija koje se bave
prilagođavanjemponašanjasemogupronaćiuOECDizveštaju1990.NaSlici2.12.
prikazanisufaktoriprilagođavanjaponašanja.
Slika2.12.Prilagođavanjeponašanja:konačnirezultat(OECD,1990)
Rezultati istraživanja ponašanja ukazali su na to da samo inženjerske mere ne
dovode do smanjenja u broju nezgoda. Brojni istraživači podržavaju ovu
pretpostavku. Kada se porede podaci iz poslednje dekade u SAD nailazi se na
činjenicu da je trend opadanja nastao zbog demografskih faktora, kao što su
unapređenje medicinske tehnologije i pojačanje pasivne bezbednosti. Može se
zaključitidasuunapređenjau infrastrukturi,ponekad imala inegativanuticajna
prilagođavanjeponašanja. Infrastruktura jepodrazumevalaukupnudužinuputne
mreže,prosečanbrojtraka,širinutrakaiprocenatsvakeklaseputeva.Krivine,širina
Ciljnifaktoririzika
Merebezbednostinaputu
Netokonačnirezultat
Ostalifaktoririzika
2.Faktoribezbednostisaobraćaja
49
ivičnjaka,odvajanjetrakaiprisustvoopasnostiporedputanisuobuhvaćeni,alise
pretpostavljadasunovijiputevibezbedniji (OECD,1990).
Rothengatter(2002)navodidaseprilagođavanjezaistadešava,alidaefektinisu
dovoljno jaki da potiru pozitivne efekte bezbednosnih mera. Donekle drugačije
rezultate navodi Dulisse (1997) prema kojima su efekti adaptacije ponašanja
ponekad potcenjeni zbog metodoloških nedostataka. Različiti nalazi u vezi sa
opsegomprilagođavanjaponašanjamoguseobjasnitidelovanjemvišefaktorakoji
utiču na proces adaptacije. Ovi faktori predstavljeni su u modelu koji su razvili
Weller i sar. (2006), a što je i prikazano na Slici 2.13. Slične faktore u svojim
istraživanjimanaveojeiBjørnskau(1994).
Slika2.13.Modelprocesaprilagođavanjaponašanja(Wellerisar.,2006.)
Prema ovommodelu, primenjenemere bi prvo trebalo da obezbedemogućnosti
promene ponašanja. Drugo, vozač bi trebalo da opazi ovu mogućnost. Da li će
Potencijalnepromeneu:
Poverenju,
Svesnosti
situacije,
Svesti,
Pažnji,
Radnom
opterećenju,
Kontroli.
Oglašavanje,informacije,
itd.
Podaci vozaču
Ličnostvozača
Motivivožnje
Promenenavoziluiliuokolini
Objektivnopovećanjebezbednosnihmargina?
Subjektivnopovećanjebezbednosnihmargina?
Subjektivnopovećanjeprilagođavanja?
BEZADAPTACIJE
Adaptacija
Da
Da
Da
Ne
Ne
Ne
2.Faktoribezbednostisaobraćaja
50
promene biti zavisi od predstavljanja mera kroz medijske informacije ili
oglašavanje,sajednestrane,idirektnogobaveštavanjavozačasadrugestrane.Da
bi došlo do prilagođavanja, promena u ponašanju mora da bude shvaćena kao
pozitivnazavozača.Ovafunkcijajerazličitazarazličitegrupevozača,kaoiuistoj
grupi vozača. Nezavisno od ovog lanca postupaka postoji drugi put koji vodi
prilagođavanju,atojepromenapsihološkihvarijabli.Takvepromenesudirektan
rezultatpromenaokolineisledenakonpromenauprirodivozačkogzadatka.Kada
vozački zadatak postane lakši, radno opterećenje se može smanjiti, a brzina
povećati. Tačnije, radno opterećenje se smatra jednako značajnim kao i rizik u
objašnjenjuponašanjavozača.
Principi su, između ostalog, razvijeni kao posledica istraživanja ljudske greške u
vožnji.Najznačajnijizaključci,kojisuizvedeniizoveklaseistraživanja,objavljenisu
odstraneHaleisar.(1990).Ovizaključciukratkoseodnosenasledećesugestije:
putevibitrebalodasesastojeodjedinstvenihelemenata,
naputevimaodređenekategorijetrebalobidazahtevanoponašanje
budejedinstveno,
jedinstveno ponašanje na putu bi trebalo da bude povezano sa
jedinstvenimelementimaputa,
raspored prelaza, deonica puta, i krivina bi trebalo da bude
jedinstvenopovezansaodređenomkategorijomputa,
trebalo bi birati kategorije puta koje su relevantne u odnosu na
ponašanje,
nebitrebalodapostojebrziprelazisajednekategorijeputanadrugu,
gde postoji promena kategorije puta, ona bi trebalo da bude jasno
prikazana,
priučenjuorazličitimkategorijamaputanebitrebalonaučitisamo
ime,većiponašanjekojejepotrebnozatukategoriju,ilitipputa,
osobine koje definišu kategoriju bi trebalo da budu vidljive noću i
danju,
projektovanjemputabitrebalosmanjiti disperziju brzine,
2.Faktoribezbednostisaobraćaja
51
elementiputa,saobraćajnasignalizacijaiopremabitrebalodaispune
standardekriterijumavidljivosti.
2.3.5 Određeni uslovi u saobraćajnom toku koji doprinose smanjenju
bezbednosti
Određeniusloviusaobraćajnomtokuuslovljavajuponašanjavozačakojasemogu
okarakterisatikaoagresivna,štopocećavaverovatnoćudadođedonezgoda.Rizično
ponašanjeuvožnjijavljasenagotovosvimtipovimaputeva.Uprkostome,pojavljuje
sevećibrojnezgodanaautoputevimailiglavnimputevima(VCCAV,1999)nakojima
nastaju najteže posledice. Treba napomenuti, međutim, da je većina istraživanja
rizičnogponašanjauvožnjifokusiranonanaseljenapodručjimakojaimajuvišinivo
saobraćajnih zahteva (Elliott, 1995; VCCAV, 1999), što potencijalno povećava
mogućnostirizičnogponašanjauvožnji.
"Zagušenja"injihovuticajnaponašanjeuvožnjisutakođeprimerkakosituacioni
faktorimoguuticatinarizičnoponašanjeuvožnji.Zagušenjasečestodefinišukao
brzo, stresno okruženje današnjih puteva (Lajunen, Parker i Summala, 1999). U
studijiuzročnih faktorakojeseodnosenabesu tokuvožnje,pokazanao jedasu
vozači koji pokazuju ovakve tendencije u periodu od dve nedelje bilu blizu
saobraćajnih nezgoda (Underwood i sar., 1999). Vozači u ovoj studiji su vodili
dnevnikgdesumoralidazabeležesvakiosjećajljutnjekojisuiskusiliutomperiodu.
Vozači koji su bili izloženi besu patili su od frustracija, ali nije bilo dokaza koji
ukazuju da vozači koji iskuse viši nivo zagušenja pokazuju veće tendencije
ispoljavanjabesa(Underwoodisar.,1999).Udrugojstudijikojajetakođebazirana
nasamoizveštajima,utrizemlje,VelikojBritaniji,FinskojiHolandiji,utvrđenojeda
ima malo povezanosti između izloženosti vozača različitim nivoima gužve i
agresivnogponašanjauvožnji(Lajunenisar.,1999).Lajunenisar.(1999)suizložili
hipotezudabi„čestoizlaganje"saobraćajnimgužvama(izvorfrustracije)trebaloda
dovededopovećanjaagresivnogponašanjanaputevima.Rezultatinjihovestudije
supokazalida jeodnos izmeđuučestalostigužvi iagresivnogponašanjauvožnji
neznatnog intenziteta. Međutim, u samoizveštajima vozači su priznavali da u
2.Faktoribezbednostisaobraćaja
52
periodimapovećanesaobraćajnegužveimajupojačanosečajstrahadaćezakasniti
zbogsaobraćajnihgužvi,temogudadoživevišinivofrustracijeibesa.
Gordhamerisar.(1999)suzaključilidaonikojiprijavljujuvisokstepenbesavozača
(skorovi viši od 53 na skali agresije vozača‐DAS) ispoljavaju i viši nivo besa u
saobraćajnimgužvama,dokonikojiprijavljujunižistepenbesa(kojiimajuskorove
ispod42natestuosobinaagresivnihvozačaDAS)funkcionišunormalnouuslovima
gužve.Analizajepokazalavisokstepenbesakodvozačakojisuučestvovaliunekom
viduagresijeuprethodnadvaslučaja(Gordhamerisar.,1999).Obestudijesugerišu
dapostojisloženodnosizmeđuosećanjafrustracije,nivoazagušenjaiizrazaagresije
naputu.
Niz studija koje su sprovedene od strane Hennessi i Viesenthal (1997, 1999)
izučavalesuodnosstresainjegovuticajnaponašanjevozačaprivožnjiuuslovima
zagušenjaislabeprohodnosti.Bezobziranaličneosobine,svivozačisusklonistresu
kada su prisutne velike saobraćajne gužve (Hennessi i Viesenthal, 1997).Najviši
nivostresasuprijavilipojedincikoji su inačeskloni stresu.Osimtoga,agresivno
ponašanje u vožnji povećava se od niskih do visokih saobraćajnih zagušenja,
posebnozaonekojiimajunizagpragreagovanjanastres.
Ovirezultatiukazujunačinjenicudasaobraćajnegužveimajupotencijaldautičuna
agresivnoponašanjeuvožnji,presvegazbogličnihosobina,kaoštosunivoiličnog
stresa ili besa. U uslovima visokih saobraćajnih zagušenja javlja se širi spektar
ponašanjakojiuključujeiagresivnoponašanjeuvožnji.
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
53
3. PROVERA BEZBEDNOSTI SAOBRAĆAJA NADEONICIDRŽAVNOG PUTA IB
REDABROJ22(ODNASELJAŽARKOVODOIZLASKAIZNASELJAĆELIJE)
Put, kao jedan od četiri faktora bezbednosti saobraćaja, svojim karakteristikama
utiče na broj i posledice saobraćajnih nezgoda. U razvijenim zemlјama koje
upravlјajubezbednošćusaobraćajaprepoznatjedoprinosputanastanku,odnosno
posledicama saobraćajnih nezgoda. Procenjuje se da put zajedno sa drugim
faktorima(okolina),predstavlјauzroku31%nezgoda(PIARC,2007).
Identifikacija opasnih mesta na putevima, pored definisanja postojećeg stanja i
primeneupravlјačkihmera,predstavlјaosnovzaupravlјanjestanjembezbednosti
saobraćaja.Načininakojemoguidentifikovatiopasnamestanadeoniciputamogu
biti objektivni i subjektivni. Objektivni pokazatelјi su broj saobraćajnih nezgoda,
broj povređenih lica (lica sa lakim i teškim telesnimpovredama), broj poginulih
lica i sl. koji identifikuju opasna mesta po nastanku štetnih posledica. Za
preventivno delovanje u cilju unapređenja bezbednosti saobraćaja koriste se
subjektivnipokazatelјikojisezasnivaju,presveganaterenskomistraživanju.
Provera bezbednosti saobraćaja (RSI ‐ Road Safety Inspection) predstavlјa
preventivni alat čijom se primenom deluje na smanjenje broja i posledica
saobraćajnihnezgodakrozidentifikacijunedostatakaputaiokoline.PremaElvik‐u
provera bezbednosti saobraćaja predstavlјa sistematsku inspekciju postojećih
putevaucilјuidentifikovanjaopasnihmestaipromovišemerezaotklanjanjeovih
problema (Elvik, 2004). „Provera bezbednosti saobraćaja“ je sistematska ocena
bezbednostipostojećihputeva,štoznačidasesprovodipremaunapredutvrđenoj
metodologiji. Sprovodi je nezavisna osoba ili tim koji ima iskustvo u oblastima
bezbednosti saobraćaja, saobraćajnom inženjerstvu, analiziponašanjaučesnikau
saobraćaju,projektovanjuputevaikojisunezavisniodupravljačaputa.Proverase
odnosisamonapostojećeputeve,predstavlјaproaktivanalatipreventivnodeluje
nasmanjenjebrojanezgodakrozidentifikacijunedostatakaputaiokoline.
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
54
U Srbiji je Zakonom o bezbednosti saobraćaja na putevima definisana zakonska
obavezarealizacijesavremenihprocedurazaunapređenjebezbednostisaobraćaja
na putevima. Prema Zakonu „upravlјač javnog puta mora obezbediti nezavisne
projekte provere bezbednosti saobraćaja na putu i to: periodične provere u
periodu od pet godina za sve deonice državnih puteva, cilјane provere za
najugroženije deonice državnih puteva i cilјane provere za ostale puteve prema
mogućnostima,odnosnopotrebama(ZOBS,član156,stav4).“
Metodzautvrđivanjeopasnihmestanadeoniciputakojijeimplementiranuovoj
doktorskojdisertacijije„Proverabezbednostisaobraćaja“(engl.RSI–RoadSafety
Inspections) koja se sprovodi na postojećim putevima. Prvi put se ovaj metod
primenjivao u Velikoj Britaniji 1991. godine. Nakon toga su i ostale razvijene
zemlјe počele da primenjuju „Proveru bezbednosti saobraćaja“za svoje potrebe
prepoznavšiprednostiikoristikojepruža.NakonVelikeBritanije,Australija,Novi
Zeland i Danska su zemlјe koje su među prvima uvele „Proveru bezbednosti
saobraćaja“ u svoju praksu. SAD su, posmatrajući iskustva u Australiji i Novom
Zelandu,uočileprednosti„Proverebezbednostisaobraćaja“inakonnekolikopilot
projekatauveleovajalatusvojupraksu.Nakonovih,velikibrojdrugihzemalјaje
prepoznaokoristiod „Proverebezbednosti saobraćaja“ ipočelesusauvođenjem
iste kao preventivnogmetoda za pobolјšanju bezbednosti saobraćaja postojećeh
puteva.
Utekstukojisledizapotrebedaljegistraživanja,analiziranjedržavniputIBreda
broj 22, poznatiji pod nazivom “Ibarska magistrala” i prikazani su dobijeni
rezultati provere bezbednosti saobraćaja. Potez Beograd ‐ Čačak, prostire se
trasomevropskogputaE763, aČačak ‐Kralјevo – trasomevropskogputaE761.
Ibarska magistrala povezuje Beograd sa zapadnom Srbijom, severom Kosova i
MetohijeiCrnomGorom.Putprolazikrozsledećavećamesta:Beograd,Ljig,Gornji
Milanovac,Čačak,Kralјevo,Raška,NoviPazar,KosovskaMitrovica,Rožaje.
AMSS (Auto‐moto savez Srbije) i Agencija za bezbednost saobraćaja Republike
Srbije,usaradnjisaUpravomsaobraćajnepolicijeMUPRS,JP„PuteviSrbije“iiRAP
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
55
(The International Road Assessment Programme) timom iz Velike Britanije
realizovali su pilot projekat ocenjivanja bezbednosnih karakteristika puta i
mapiranjarizikanaIbarskojmagistrali.OcenjenjepotezodBeogradadoČačka,u
dužini od 131,1 kilometra. Mapiranjem rizika utvrđene su neke od najrizičnijih
deonica: Županjac‐Dudovica, Ljig‐Dići, Ugrinovci‐Bućin grob, Žarkovo‐Kružni put
(iRAP,2009;2014).
Proces snimanja i kodiranja puta AMSS je realizovao uz pomoć posebno
opremlјenog vozila, softvera i AMSS stručnog tima. Tokom snimanja beleženi su
izgled raskrsnica, saobraćajni znakovi i oznake na kolovozu, opasni objekti i
sadržaji u rubnom pojasu puta, oprema puta za najranjivije kategorije korisnika
puta ‐ pešake, bicikliste, vozačemopeda imotocikla. Posle kodiranja snimlјenog
materijala, izrađen je detalјan izveštaj i ocenjivanje u vidu zvezdica od 1 do
maksimalnih5idatesupreporukezaprimenuinženjerskihmeranadeonicamana
kojimapostoji rizik odnastajanja saobraćajnihnezgoda i njihovihposledica. Čak
58%ispitivanedeoniceIbarskemagistraleocenjenojeprosečnosadvezvezdiceu
odnosu na različite kategorije učesnika u saobraćaju – putnici u vozilu, pešaci,
biciklistiimotociklisti(iRAP,2009).
Primenompreporučenihmera,kojesupraksauzemlјamakojeprednjačeuoblasti
bezbednosti saobraćaja, kao što su postavlјanje zaštitnih ograda, sa leve i desne
strane,dodatnasaobraćajnatraka(2+1),postavlјanjezvučno‐vibracionihtrakana
bankinama i proširenje bankine (više od 1 m) na snimlјenom delu Ibarske
magistrale u periodu od 20 godina sačuvan bio veliki broj lјudskih života, a
prosečnaocenabezbednostipodiglabisenatriivišezvezdica(iRAP,2009).
3.1 Metodološkepostavkeproverebezbednostisaobraćaja(PBS)
Provera bezbednosti saobraćaja (PBS) je proaktivna metoda, koja se sprovodi
ukoliko je deonica puta definisana kao visokorizična (npr. prema podacima o
saobraćajnim nezgodama), ukoliko postoje podaci o ozbiljnim bezbednosnim
problemima (koji su dobijeni od policije, jedinice za održavanje puteva itd.),
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
56
ukolikojeubliskojbudućnostiplaniranprojekatrekonstrukcijeiliobnovedeonice
iutomslučajubiPBStrebaladaidentifikujespecifičneproblemekojiseodnosena
bezbednostputailikaoperiodičnizadatak,poplanuirasporedusprovođenjaPBS
(PIARC,2007).
Slika3.1.Processprovođenja„Proverebezbednostisaobraćaja“(Elvik,2004).
Proverom bezbednosti saobraćaja identifikuju se sledeći elementi na postojećoj
deoniciputa:
1. funkcijaputa,
2. poprečniprofil,
3. pružanjetrase,
4. ukrštanja,
5. javniiprivatniservisi,javniobjektiiprostorizaodmor,javnitransport,
6. ranjiviučesniciusaobraćaju,
Izborputa–naručivanjePBS
IzbortimazaPBS
Početnisastanak
Dostavljanjepotrebnedokumentacije
Terenskoistraživanje
DetaljnaanalizaipisanjeIzveštajaoPBS
IzjašnjenjeklijenataoIzveštajuoPBS
ImplementacijaIzveštaja–unapređenjebezbednostiputa
NARUČIVANJE
SPROVOĐENJE
ZAVRŠAVANJE
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
57
7. saobraćajniznakovi,oznakenakolovozuiosvetlјenje,
8. okolinaporedputaielementipasivnebezbednostiputa.
Processprovođenja„Proverebezbednostisaobraćaja“sesastojiiztrikoraka:
1. naručivanje„Proverebezbednostisaobraćaja“,
2. sprovođenje„Proverebezbednostisaobraćaja“,
3. završavanje„Proverebezbednostisaobraćaja“(RSI,2009).
Navedene komponente mogu se podeliti i na podceline. Struktura PBS sa
podcelinamaprikazanajenaslici3.1.
3.2Rezultatiistraživanjasadiskusijom
MotivzaodabirdeonicedržavnogputaIBredabroj22radiproverebezbednosti
saobraćajaležiuinformacijamakojeseskorosvakodnevnomogunaćiumedijima
o brojnim nezgodama, povređenim, ali i smrtno nastradalim učesnicima na ovoj
deonici. Tokom godina ne beleže se značajnija poboljšanja bezbednosti, a među
vozačimapostoji i izraz „Crna Ibarskamagistrala“, kako seunarodunazivaovaj
put usled velikog broja opasnihmesta duž čitave deonice (Lipovac i sar., 2015).
Iakosupreduzetebrojnemerekojebiunapredilekarakteristikeputevaiposredno
uticale na povećanje bezbednosti na ovom delu putne mreže Srbije, statistike i
dalje ukazuju na činjenicu da je reč o izuzetno kompleksnom problemu koga bi
trebalo posmatrati iz različitih perspektiva. U prilog tome koliko su učesnici u
saobraćajuizloženirizikukrećućiseovimpravcem,svedočiislika3.2,preuzetasa
sajta JP “PutevaSrbije” (2015).Naprikazu jemogućeuočitiukojojmeri sucrne
tačkenaovojdeonicizastupljenijeuodnosunacelokupnuputnumrežuSrbije.
U ovoj doktorskoj disertaciji, detaljnije je analiziran deo državnog puta IB reda,
broj22,poznatijipodnazivomIbarskamagistralaitodeokojipočinjeodBeograda
(naselje Žarkovo), a završava se na izlasku iz naselja Ćelije. Dužina posmatrane
deonice iznosi 65 km, dok ograničenje brzine ima raspon od 30 km/h do 100
km/h.
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
58
Slika3.2.NajrizičnijetačkeusaobraćajunaputnojmrežiRepublikeSrbije
(JP“PuteviSrbije,2015)
U tabeli 3.1. prikazani su rezultati brojanja saobraćaja za 2016. godinu, koje je
ukazalo na intenzitet i strukturu saobraćajnih tokovanaposmatranoj deonici. Iz
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
59
Tabele 3.1. može se videti da je posmatrana deonica vrlo frekventna u smislu
dnevnog broja vozila koja je koriste, što je i za očekivati budući da se radi o
državnom putu IB reda. Kao što je moguće uočiti, na prvih 5 deonica, ako i na
poslednjojdeoniciutabeli,premaprikazanimpodacimasaobraćajnizahtevisuna
granicikapaciteta.
Tabela 3.1. Prosečan godišnji dnevni saobraćaj u 2016. godini (preliminarni
rezultati,premaJP“PuteviSrbije,2017)
Oznakadeonice
Dužinadeonice(km)
PA BUS LT ST TT AV Ukupno
02201 7,5 23734 766 357 393 299 1219 2676902202 2,2 18914 507 317 397 176 1209 2152002203 2,7 17004 451 276 386 164 1204 1948502204 3,1 15094 395 235 376 151 1199 1745002205 0,6 12628 364 216 364 138 1206 1491602206 12,7 12380 361 214 360 137 1194 1464602207 1,0 Nemapodataka–gradskadeonica02208 13,8 11281 243 210 327 162 1129 1335202209 4,5 14955 363 245 404 201 1263 17431Legenda:Deonica02201:PetljaOrlovača–RipanjDeonica02202:Ripanj–Lipovačkašuma(Barajevo)Deonica02203:Lipovačkašuma(Barajevo)–Lipovačkašuma(V.Moštanica)Deonica02204:Lipovačkašuma(V.Moštanica)–Meljak(Barajevo)Deonica02205:Meljak(Barajevo)–Meljak(Vranić)Deonica02206:Meljak(Vranić)–Stepojevac(Draževac)Deonica02207:Stepojevac(Draževac)–Stepojevac(VelikiCrljeni)Deonica02208: Stepojevac(VelikiCrljeni)–Lazarevac(Ibarskiput)Deonica02209:Lazarevac(Ibarskiput)–ĆelijePA–putničkiautomobilBUS–autobusLT–lakoteretnovoziloST–srednjeteretnovoziloTT–teškoteretnovoziloAV–autovoziteretnovozilosaprikolicomU daljem tekstu prikazana je analiza kroz osam tačaka–elemenata predviđenih
metodom„Proverebezbednostisaobraćaja.“
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
60
3.2.1Funkcijaiokruženje
Postoje različiti objekti pored puta kao što su pumpne stanice, ugostiteljski ili
trgovačiobjektiisl.(slika3.3).Unajvećembrojuslučajevanisuispoštovaninikakvi
zakonskiistručnipropisizapristupeovimobjektima.
Slika3.3.Prilazstanicizasnabdevanjegorivom
3.2.2Poprečniprofil
Ova deonica puta je osim prvog dela oko petlje Orlovača dvotračni put za
dvosmernisaobraćaj.Dodatnetrakenausponimasusamonajednompotezuoko
Rušnja izgrađene zbog efikasnosti i bezbednosti, dok je broj traka u zonama
raskrsnicazalevaidesnaskretanjauobičajen(slike3.4i3.5).
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
61
Slika3.4.Izgledsaobraćajnihtraka
Slika3.5.Izgledsaobraćajnihtraka
3.2.3Pružanjetraseputa
Uzimajući u obzir dužinu posmatrane magistrale, kao i geografski i prostorni
položaj pružanja trase,mogu se uočiti veliki problemi (slika 3.6). Naime, postoji
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
62
veliki broj segmenata puta koji se pružaju u podužnomusponu ili padu, te zbog
heterogenostivozilausaobraćajnomtoku,aposebnoučešćakomercijalnihvozilau
tokudolazidoometanjasaobraćajnogtoka,kaoiproblemapripreticanju.Takođe,
postoji veliki broj krivina. Problem nastaje najčešće u krivinama posle dugih
pravaca. Problem pružanja trase obuhvata i pružanje Magistrale kroz centar
naseljenihmesta,kaoiporedosnovnihisrednjihškola.NaovomdržavnomputuI
redapostoječakisemaforizovaneraskrsnice(slika3.7).
Slika3.6.Pružanjetraseputa
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
63
Slika3.7.Primersemaforizovaneraskrsnice
3.2.4Ukrštanja,osvetljenje,prelaziprekoželezničkihpruga
Deonicajenapojedinimmestimaosvetljena,najčešćekroznaseljenamesta,aređe
naraskrsnicamaiukrštanjima.Postojivelikibrojlevihskretanjaštodovodivozače
u opasne situacije, pre svega u slučajevima kada dugo čekaju da izvrše levo
skretanje(slika3.8).Ovajproblemsemultiplicirakadazalevoskretanjenepostoji
posebnakolovozna traka za skretanje, već vozila koja čekajuna skretanjeu tom
trenutkublokirajusaobraćajnitokiuzrukujuzagušenja(slika3.9).Kaoštojeveć
pomenuto, na posmatranoj Magistrali postoji i određen broj semaforizovanih
raskrsnica.Međutim,postojiukrštanjekojejevrlospecifično,sprovedenouformi
nekevrstekružnogtoka.RadiseoukrštanjukodVelikihCrljena(slika3.10). Na
posmatranoj deonici postoji jedan primer ukrštanja sa prugom Beograd – Bar.
Ukrštanje jeurađenonapropisannačinkojidoprinosibezbednosti jersupruga i
samadeonicaputaurazličitimnivoima(slika3.11).
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
64
Slika3.8.Primerlevogskretanja
Slika3.9.SkretanjezaBarajevoizpravcaBeograda–nepostojanjeposebnetrakeza
skretanje
Slika3.10.UkrštanjekodVelikihCrljena
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
65
Slika3.11.UkrštanjesaprugomBeograd–Bar
3.2.5Sadržajiuputnompojasu
Postoji veliki broj servisa, auto‐perionica, parkinga za odmor, stanica za
snabdevanjegorivom,ugostiteljskih(slika3.12) i turističkihobjekata(slika3.13)
dužposmatranedeonice.
Slika3.12.Trgovačkiobjektiporedputa
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
66
Slika3.13.Ugostiteljskiobjekatporedputa
3.2.6Ranjiviučesniciusaobraćaju
Uzimajući u obzir pružanje trase posmatrane magistrale, a posebno prolaz
magistralekrozcentarnaseljenihmesta,očekivanojedasenaIbarskojmagistrali
mogunaćiranjiviučesniciusaobraćaju.GotovočitavimdelomIbarskemagistrale
možesenaićinabicikliste,kaoinapešakekojisekrećukolovozomilitrotoarom
(slike3.14 i3.15).Kretanjepešaka jeponekad inepredviđeno, te jenaslici3.16
zabeležen i slučaj pretrčavanja kolovoza od strane pešaka. Takođe, ono što je
neubičajeno za magistralne puteve je i pojava traktora, kao i ostalih
poljoprivrednihvozilausaobraćaju(slika3.17).
Slika3.14.Kretanjepešakakolovozom
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
67
Slika3.15.Kretanjepešakakolovozom
Slika3.16.Pretrčavanjekolovozaodstranepešaka
Slika3.17.Kretanjetraktoranaposmatranojdeonici
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
68
3.2.7Saobraćajniznakovi,oznakenakolovozu,svetlosniznakovi
Veliki broj elemenata vertikalne signalizacije, odnosno saobraćajnih znakova je
oštećen ili nepravilnopostavljen (slika 3.18) ili imaju slabu retrorefleksiju, te se
dovodi u pitanje pravno dejstvo takvih saobraćajnih znakova. Stoga bi trebalo
saobraćajne znakoveurediti u skladu saPravilnikomo saobraćajnoj signalizaciji,
čimebisepodigaonivobezbednostisaobraćaja.
Potrebnojeobnovitihorizontalnusignalizaciju,kakopopitanjupoprečnihoznaka
(pešačkiprelazi),takoipopitanjuuzdužnihoznaka(razdelneiivičnelinije),kaoi
ostalihoznaka(strelicezadefinisanjenamenesaobraćajnihtraka)(slika3.19).
Slika3.18.Izgledvertikalnesignalizacije
Slika3.19.Izgledhorizontalnesignalizacije
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
69
3.2.8Okolinaporedputaielementipasivnebezbednostiputa
Na pojedinim delovima Ibarske magistrale postoji zaštitna ograda. Međutim,
zaštitna ograda je na mnogo mesta oštećena i nije popravljena ili zamenjena
novom.Takođe, postoji i veliki brojmesta na kojima je potrebno staviti zaštitnu
ogradu,adaonautrenutkuistraživanjanijepostojala.Zaštitnaogradajenajčešće
prilično izdignuta od donje ivice kolovoza, što ima za posledicu da pri
proklizavanjumotociklistanemožedaizvršisvojunamenu.Takođe,postojiveliki
brojdivljihpriključaka,kojinisuzaštićeni (slika3.20). Ovakvipriključci izazivaju
poremećajeusaobraćajnomtoku,čestepromeneunačinuvožnje,utičunazamor
vozača izazvančestimaktivnostimanaupravljanjuvozilomzbog tihpriključaka i
sl.Ovojejedanodnajvažnijihproblemakojibitrebalododatnorazmatrati.
Slika3.20.NepravilanpriključaknaIbarskojmagistrali
Dužposmatranetrasepostojivelikibrojstajalištazaputnikekojičekajuprigradski
imeđugradskiprevoz(slika3.21).Nekaodtihstajalištasuuvrlološemstanju,bez
natkrivanja, sa vrlo lošim kolovozom, rupama koje su često ispunjene vodom
nakonatmosferskihpadavina,isl.(slika3.22).
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
70
Slika3.21.Stajalištejavnogprevoza
Slika3.22.Primerstajalištaulošemstanju
3.3Zaključnaanaliza
Kakobi seuspostavioefikasniji sistemuunapređenjubezbednosti saobraćajana
putevima, neophodno je integrisanje svih subjekata koji se bave evidentiranjem
saobraćajnihnezgodainjihovihposledicasaistraživanjimanaterenu.Natajnačin
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
71
bi se pouzdanijemogla utvrditi opasnamesta, a predloženemere bi u najvećem
brojubileprimenjene,jerbiuočeniproblemibilidetalјnoanalizirani.
Sadrugestrane,različitimetodiirazneneusaglašenostinaglobalnomnivoukazuju
na potrebu dalјeg razvoja novih i unapređenje postojećeih metoda. Primenom
metode „Proverabezbednosti saobraćaja,“može sepostići značajnounapređenje
deonice puta sa svih saobraćajnih aspekata, a posebno sa aspekta bezbednosti
saobraćaja.
Pomenuti alat za analizu bezbednosti saobraćaja je primenjen na jednu od
najnebezbednijih deonica u Republici Srbiji. Pažnja je usmerena na pojedine
opasnosti koje su prilikom analize ove deonice uočene. Primena ove vrste
preventivnihmerapredstavljanajjeftinije inajefikasnijesredstvozaunapređenje
bezbednosti saobraćaja koje bi trebalo sprovoditi na početku svake ozbiljnije
analizerizičnihdeonicausaobraćaju.Zaproučavanutemuodizuzetnogjeznačaja
ova ilustracija odabrane deonice, kako bi se stekao što bolji uvid u postojeće
probleme.
Postoji nekoliko suštinskih problema na proučavanoj deonici puta kojimogu da
utičunapercepcijuvozača i sklonostkapreuzimanjurizičnihmanevarauvožnji.
Najpre, veliki broj priključaka, najčešće neregulisanih, negativno utiče na
percepciju vozača u smislu opterećenja perfernog vinog polja. Posledično, ovo
dovodi do deficita u pažnji, naročito među mladim vozačima, koji mogu imati
problemeuvezisaredukovanimperifernimviđenjem,štojeuglavnomuzrokovano
slabijimvozačkimiskustvom.Sličanproblemmoguimatiistarijivozači,kojiusled
slabljenjapsihomotornih funkcija, takođepripadajukategoriji ranjivihučesnikau
saobraćaju.
Sadrugestraneovakvipriključciusaobraćajnomtokunapojedinimmestima(koja
suujednočestoicrnetačkedeonice)dovodedozagušenja,štomožedaprovocira
bazične tendencije ličnosti i uslovipojavuponašanjakoje semožeokarakterisati
kaoimpulsivnoiliagresivno.Važnojeistaćidadozagušenjamožedoćiipopitanju
3.ProverabezbednostisaobraćajanadeonicidržavnogputaIBredabroj22
72
drugihuslovausaobraćajnomtoku,kaoštojenaprimerfrekventnostsaobraćaja
(tabela 3.1). Često je ovaj problem udružen sa otežanim uslovima za preticanje,
budući da je u pitanju dvotračni put za dvosmerni saobraćaj. Sa druge strane,
relativno je velika frekvencija dugih vozila na ovom delu puta, što zahteva
adekvatnijeuslovezapreticanjeutoku.Svenabrojanousložnjavazahtevekojise
stavljajupredvozačausmisluotežanepercepcijesaobraćajnesituacije.
Takođe, problem koji može da uslovi greške u percepciji odnosi se na kretanje
ranjivih učesnika u saobraćaju kao što su pešaci, biciklisti ili pak vozači
poljoprivrednih vozila. Ovo je naročito izražen problem u slučajevima gde se
deonica prostire kroz naseljena mesta, što zahteva pojačano angažovanje
psihomotornihsposobnostivozačaiprovociraurođeneimpusivnemanevre.Pored
ovihproblemakoji zahtevaju specifičnevozačke sposobnosti, pojava životinjana
putumožetakođepredstavljatiprevelikiizazovzavozačekojiupravljajuvozilomu
većdovoljnosloženojsaobraćajnojsituaciji.
Navedeniproblemiu sadejstvu sakarakterističnimosobinama ličnosti i oblicima
ponašanja koji će biti detaljnije ispitivani u okviru narednih poglavlja mogu da
ugrozebezbednostkrozporastbrojakonfliktnihsituacijausaobraćaju.
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
73
4.METODOLOGIJAISTRAŽIVANJASTAVOVAVOZAČAUVEZISAPERCEPCIJOM
RIZIKAIKARAKTERISTIKAMAPUTA
U tekstu koji sledi biće dat prikaz uzorka istraživanja, procedure realizovanja
istraživanja, instrumenata koji su korišćeni, kao i statističkih mera koje
primenjene.
4.1Karakteristikeuzorkaistraživanjaiproceduraanketiranja
Kako je primarni cilj ove doktorske disertacije istraživanje percepcije rizika na
deonici državnog puta IB reda broj 22, uzorak je formiran od vozača različitih
kategorija, tj. istraživanjem su obuhvaćeni profesionalni, kao i vozači amateri
kojima jezajedničkodaupravljajuvozilomnapomenutojdeoniciputa.Uzorak je
činilo 305vozača obapola, različitog obrazovanja i starosti od18do69 godina.
Uzorak je heterogen po pitanju dužine vozačkog staža i učestalosti vožnje.
Kriterijumodabira ispitanikazaovajuzorakodnosiosenaučestalostupravljanja
posmatranom deonicom Ibarskemagistrale. Većina vozača ovom deonicom vozi
barem jednom sedmično, a mnogi i znatno češće. Uzorkom je obuhvaćeno 102
vozačakamiona,odčega51vozačtransportnogpreduzećaMilšped,25vozača JP
“PoštaSrbija”, i24vozačatransportnogpreduzećaProteam.Zatim,uistraživanju
jeučestvovaloi60vozačaautobusaAuto‐prevozaČačak,kaoi40vozačaautobusa
auto‐prevoznika Lasta, koji svakodnevno upravljaju autobusom na linijama
Beograd‐Lazarevac, Lazarevac‐Beograd, odnosno Beograd‐Čačak, Čačak‐Beograd.
Anketiranjem je obuhvaćeno i 103 vozača putnučkih vozila iz uzorka prigodnog
tipa za koje je postojala informacija da često upravljaju vozilomna posmatranoj
deoniciputa.
Istraživački postupak je realizovanu toku aprila imajameseca2015. godine. Za
anketiranjeprofesionalnihvozačaobaprevoznika,korišćeni suanketniobrasciu
štampanoj formi (olovka‐papir testiranje). Istraživanje je vršeno pre početka
vožnjenaposmatranojtrasiuprostorijamazaodmoripripremuvozača.Određen
brojvozača jena lični zahtevanketneobrasce ispitivačudostavljaonaknadno, tj.
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
74
imali su mogućnost za popunjavanje upitnika i van radnog mesta. Ovakve
mogućnosti obezbeđene su ispitanicima kako bi se što kvalitetnije fokusirali na
davanje odgovora u upitnicima. Kada je reč o vozačima putničkih vozila, oni su
svoje anketne obrasce popunjavali elektronskim putem, uz pomoć Google Drive
aplikacijeputemlinkakojisudobijalinasvojee‐mailadrese.Upitnicisusadržali
pitanjasavišestrukimizboromodgovora,kaoipitanjaotvorenogtipa.
Napočetkutestiranjaprofesionalnivozačisudobijaliiscrpneinstrukcijeodstrane
ispitivača koji je pratio popunjavanje upitnika. U instrukcijama ispitanici su
zamoljenidadobrovoljnoiiskrenopristupeanketiranju.Ispitivačimjesugerisaoi
na anoniman karakter istraživanja, kao i na činjenicu da će prikupljeni odgovori
služiti isključivo u naučne svrhe izrade disertacije. Ovo je od posebne važnosti
istaćinapočetku testiranjaprofesionalnihvozača,kakobibiliuverenidanjihovi
odgovorininakojinačinnećeuticatinanjihovprofesionalnistatus.Ispitivačjebio
prisutantokompopunjavanjaupitnikadabirazjasnioeventualnenedoumicekoje
bi mogle da se jave prilikom davanja odgovora. Za popunjavenje štampanog
upitnika,vozačimajebilopotrebnoizmeđu20‐35minuta.
Kada je reč o vozačima amaterima iz posmatranog prigodnog uzorka, oni su na
raspolaganju imali isteupitnikeuelektronskoj formi. Instrukcijakoja jebiladata
na samom početku elektronske ankete bila je identčna onoj za profesionalne
vozače (izuzev naglašavanja da neće biti zloupotrebe odgovora u smislu
profesionalnog statusa). Odgovore na pitanja sa višestrukim izborom odgovora,
ispitanici su označavali štikliranjem jedne od ponuđenih tačaka ispod svakog
odgovora.Napitanjaotvorenogtipa,ispitanicisuodgovaralipopunjavanjemteksta
na liniji zaodgovore, isto kao i u slučaju štampanogupitnika.Kakobi se izbegle
eventualneomaškeilipropustiusmisluizostavljanjaodgovorauaplikaciji jebila
uključena opcija obaveznog davanja jednog odgovora pre prelaska na drugo
pitanje. Procenjuje se da je ispitanicima koji su anketene obrasce popunjavali
elektronskibilopotrebnodo20minutazaovajzadatak.
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
75
4.2Merniinstrumenti
Set anketnih obrazaca koji su ispitanici popunjavali sastojao se od 9 upitnika.
Poreddemografskogupitnika,upitnikaistorijeučešćausaobraćajnimnezgodama,
upitnika o ponašanja na deonici puta IB reda broj 22, upitnika u vezi sa
percepcijomopasnihmestaiupitnikauvezisaprocenomelemenatadeoniceputa,
ispitanicisupopunjavaliičetiriupitnikazaprocenuosobinaličnostiiponašanjau
vožnji.BIS‐11upitnikzaprocenuimpulsivnosti(Pattonisar.1995),ADBQupitnik
zaprocenuagresivnogponašanjauvožnji (Moulua i sar.2007),ManchesterDAQ
upitnik za procenu stavova koji se odnose na rizične oblike ponašanja u vožnji
(Parker i sar., 1996), kao i upitnik za samoprocenu sopstvenih vozačkih
sposobnosti(Tronsmoen,2008).Udaljemtekstubićepredstavljenisviupitnicikoji
sukorišćeniuistraživanju.
4.2.1Demografskiupitnik
Demografski upitnik sačinjen je od najrelevantnijih pitanja o demografskim
obeležjimaispitanika.Pitanjaseodnosenapol,starost,vozačkoiskustvo,godišnju
pređenu kilometražu, kao i na kategoriju vozila kojom ispitanik upravlja
(relevantno za profesionalne vozače). Pitanja u demografskom upitniku su
zatvorenogtipasaponuđenimvišestrukimizboromodgovoraidovoljnoiscrpnim
ponuđenimkategorijama.
4.2.2Upitnikistorijeučešćausaobraćajnimnezgodama
Ovaj upitnik sadrži pitanja u vezi sa ukupnim brojem doživljenih saobraćajnih
nezgoda u vozačkom iskustvu, pitanja u vezi sa brojem nezgoda koje su vozači
doživeli na samoj deonici Ibarske magistrale, kao i pitanja o vrsti nezgoda,
posledicamaiučesnicimausaobraćajnojnezgodi(kategorijavozila).Svapitanjasu
imalaformuvišestrukogizboraodgovora.
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
76
4.2.3UpitnikoponašanjuvozačanadeoniciputaIBredabroj22
Kako bi se od ispitanika dobilo što više relevantnih informacija o sopstvenim
vozačkimnavikamanaposmatranojdeoniciputa, kao io stavovimaoponašanju
drugih učesnika u saobraćaju, formiran je ovaj kratki upitnik. Pitanja koja ovaj
upitniksadržiodnosesena:učestalostupravljanjavozilomnadeoniciputaIBreda
broj 22, samopercepiranu maksimalnu brzinu kretanja, procenjenu maksimalnu
brzinu kretanja ostalih učesnika u saobraćaju, osnovne uzroke povećanog broja
nezgoda na datoj deonici i prosečan broj konfliktnih situacija u toku jednog
putovanja.
4.2.4UpitnikuvezisaprocenomelemenatadeoniceputaIBredabroj22
U cilju dobijanja što preciznije slike o tome kako vozači opažaju karakteristike
posmatranedeoniceputa,sačinjenjeupitnikopercepcijinajznačajnijihelemenata
puta. Upitnik sadrži 7 pitanja, a odgovori su dati u formi skale procene sa
podeocima od 1‐10 (pri čemu je ispitanicima naglašeno da veća ocena ujedno
označava i bolju procenu posmatranih elemenata). Pitanja obuhvaćena ovim
upitnikomodnosesenasledećeelementeputa:
izgledtraseilipružanjetrase,
stanjekolovoza,
stanjehorizontalnesignalizacije,
stanjevertikalnesignalizacije,
stanjezaštitneograde,
putnipojas(bankine,kanalezaodvodvode,pasreleisl.),
bezbednostsaobraćajanapriključnimputevima.
4.2.5UpitnikpercepcijerizikaopasnihmestanadeoniciputaIBredabroj22
Upitnik koji se odnosi na percepciju rizičnih mesta na posmatranoj deonici,
predstavljaključniinstrumentnakomepočivaistraživanjeuokviruovedoktorske
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
77
disertacije. Ispitanicima je ponuđena slika mape opasnih mesta u okviru
proučavanedeoniceputa (slika4.1).Naovoj slicipredočenesunajrizičnije tačke
deoniceputaIBredabroj22,dugačke65km,kojaseprostireodizlazaiznaselja
Žarkovo (Beograd), do izlaza iz naselja Ćelije. Mapa deonice sa crnim tačkama
preuzeta je od JP „Putevi Srbije.“ Opasnamesta definisana su u odnosu na broj
nezgodanaovim lokacijama.Od ispitanika je traženodana linijamazaodgovore
ispod slike pored imenovanih lokacija na kojima se nalaze ova opasna mesta
označestepenrizika.Zasvakuodpercipiranihcrnih tačakauprodužetkupitanja
bilajeponuđenaskalasaocenamaod1‐10.
Slika4.1PrikazopasnihmestanadeoniciputIBredabroj22
(izvor:JPPuteviSrbije,2015.)
4
123
5
6
7
8
9
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
78
Zadatak ispitanika bio je da procene stepen opasnosti svake od navedenih
označenih tačaka (ukupno 9) na osnovu sopstvenog vozačkog iskustva. U
instrukcijiimjenaglašenodanižaocenaoznačavanižipercipiraninivoopasnosti.
Poredsvaketačkekojusuocenjivali, ispitanicisu imali islobodanprostoruvidu
pitanjaotvorenogtipadaopišuzbogčegasmatrajudasudefinisanetačkeopasna
mesta. Ovamogućnost je bila opcione prirode, jer se smatralo da bi obaveznost
davanjaodgovoranaovopitanjemoglanegativnodautičenaprocesanketiranja
(vremenska ograničenost, mogući osećaj pritiska usled preciznog definisanja,
davanjenasumičnihodgovoraisl.).
4.2.5.1BIS‐11upitnikzaprocenuimpulsivnosti
BIS‐11(Barratt ImpulsivenessScale) je instrumentzaprocenu impulsivnostikao
crte ličnosti. Prvobitna verzija ovog upitnika‐BIS koja je brojala 50 pitanja,
konstriusana još davne 1959. godine od strane Barrat‐a (Barrat, 1959), imala je
svojebrojne revizijeodstranemnogihautora.Ovaj instrumentpredstavlja jedan
odnajčešćekorišćenih alata zaprocenu impulsivnogponašanja, kakounaučnim
istraživanjima, tako i u kliničkoj praksi. Barrat‐ov instrument za procenu opšte
impulsivnosti u upotrebi je više od 50 godina, kako u kliničkoj praksi, tako i u
okvirubrojnihistraživanjaizrazličitihoblasti(Pattonisar.,1995;Doughertyisar.,
1999.;Greve i sar., 2002;Moeller i sar., 2004; Swann i sar.,2004.;Noblett i sar.,
2005;Surisisar.,2005.;Warrenisar.,2006;Rodriguez‐Jimenezisar.,2006;Rubio
isar.,2007;Laneisar.,2007;Kirkpatrickisar.,2007Voonisar.,2007;Kjomeisar.,
2010Stoltenbergisar.,2010).
U ovom istraživanju korišćena je forma BIS‐11 koju je konstruisao Paton sa
saradnicima (Patton et al. 1995). Upitnik čini 30 pitanja baziranih na opisu
uobičajenihimpulsivnihineimpulsivnihponašanjaipreferencija.Odispitanikase
traži da, na 4‐stepenoj Likertovoj skali odgovora, procene koliko često
upražnjavajuopisanaponašanja.RadiseopetostepenojskaliLikertovogtipa,gde
skor1predstavljaopcijuRetko/Nikada,askor4opcijuSkorouvek/Uvek.
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
79
Prilikom kodiranja odgovora određen broj tvrdnji koje su izražene kao negacija
skorovanjepremauputstvuautora(vršena je inverzijaskale).Visokirezultatina
BISskali impulsivnostipovezanisusabrojemagresivnih i impulsivnihreakcijau
prethodnom mesecu (Stanford et al., 1995). Nadalje, visoka impulsivnost je u
negativnoj korelaciji sa rešavanjem problema na društveno prihvatljiv način
(D'Zurillaisar.,2002;McMurran,isar.,2002).Dvofaktorskomstrukturom,pitanja
su ekstrahovana u tri dimenzije: Pažnju, Motoriku i Odnos prema planiranju.
Jednofaktorskom strukturom, izdvojeno je šest dimenzija: Pažnja, Motorika,
Samokontrola,Kognitivnakompleksnost,IstrajnostiKognitivnanestabilnost.
4.2.5.2ADBQupitnikzaprocenuagresivnogponašanjauvožnji
ADBQ (Aggressive Driving Behavior Questionnaire) je upitnik konstruisan od
straneMoulua et al. 2007).Ovaj upitnik predstavlja relativno nov instrument za
procenu agresivnog ponašanja u vožnji, te stručna literatura ne poseduje puno
podataka o njegovoj upotrebi u svrhe istraživanja. Namera istraživača prilikom
konstrukcijeovogupitnika jebilada sačine instrument sadobromprediktivnom
moći kada je reč o agresivnim situacijama koje su tipične u vožnji i kreću se u
rasponuodgestikuliranjausmerenogkadrugimvozačima,kaizlivimaeksplicitne
agresijekaoštosuprolazakkrozcrvenosvetlonasemaforu.Instrumentsadrži20
pitanja, a od ispitanika se traži da na 5‐stepenoj skali procene verovatnoću za
ispoljavanjeagresivnihmanifestacijatokomvožnje.Odgovorisudatiurasponuod
1=Nikada do 5=Skoro uvek. Prema analizi koju je radio Gurda (2012.),
dvofaktorskom analizom izdvojeno je pet dimenzija u upitniku, i to:
Bes/Agresivnost,Prekoračenjebrzine,UzbuđenostiStavpremadrugimvozačima.
Višiukupniskornaupitnikuodgovaravećemstepenuagresivnostiprilkomvožnje.
4.2.5.3ManchesterDAQupitnikzaprocenustavovapremarizikuuvožnji
Ovaj upitnik za procenu rizika u vožnji konstruisao je Parker sa saradnicima
(1996). Upitnik se sastoji od 20 pitanja sa skalom odgovora od 1=Uopšte se ne
slažem do 5=Potpuno se slažem. Pitanja su sačinjena tako da obuhvate stavove
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
80
vozačaotipičnimsituacijamausaobraćajukojesemoguokarakterisatikaorizične.
Pitanja su u upitniku grupisana u celine, po pet pitanja u svakoj, obzirom na
različite kategorije ponašanja koja obuhvataju. Na taj način se pitanja grupišu u
sledećedimenzije:Preticanje,Vožnjapoddejstvomalkohola,Prekoračenjebrzinei
Nedovoljanintervalsleđenja.Skorovanjesevršijednostavnimsabiranjembodova
zasvakiododgovora.Skoroviispitanikamogusekretatiod20do100poena.
Ustručnoj literaturiovaj instrumentkorišćen jeurazličitesvrhe,kao:deoobuke
vozača (Burgess i sar., 2000), u okviru programa namenjenim biciklistima
(Andersonisar.,2004),uprogramuobukeosvesnostibrzine(Meadows,2002)iu
programuzatestiranjeprofesionalnihvozača(Daveyetal.,2006).Burgessisar.su
primenjujući DAQ instrument na opsežnom uzorku od 1.439 ispitanika došli do
zaključaka da kandidati za vozačku dozvolu pokazuju najveći nivo sklonosti ka
grupi rizičnih ponašanja koja se odnose na prekoračenje brzine. Meadows je u
svojojstudijiuočiodajeDAQinstrumentdobarprediktorrizikauprogramuobuke
o svesnosti brzine. Najsveobuhvatnija primena ovog upitnika zabeležena je u
studiji koju je sproveo Davey sa saradnicima, kombinujući ovaj instrument sa
drugim instrumentima koji se baziraju na samoprijavljenom ponašanju vozača
(pre svega sa često upotrebljivanim DBQ upitnikom), na uzorku od 4.195
motociklista.Kaoinjegoviprethodnici,potvrdiojedajeodsvihoblikaponašanja,
prekoračenje brzine najčešće rizično ponašanje koje vozači manifestuju u
saobraćaju.
4.2.5.4Upitniksamoprocenevozačkihsposobnosti
Upitnik za samoprocenu vozačkih sposobnosti, razvijen u Norveškoj od strane
Tronsmoen‐a (2008) predstavlja inventar izjava u vezi sa tim kako se vozači
postavljajuuodređenimsaobraćajnimsituacijama.Naosnovuodgovora,mogućeje
utvrditi kakvu sliku o sebi kao vozačima ispitanici projektuju kroz 22 pitanja i
odgovoreuvidu4‐orostepeneskaleLikertovogtipa.Odgovoriispitanikakrećuseu
rasponu od 1=Nikada, pa sve do 4=Uvek/Skoro uvek. Autor ovog inventara na
osnovu faktorske strukture pitanja kategoriše u četiri dimenzije. Prva dimenzija
4.Metodologijaistraživanjastavovavozačauvezisapercepcijomrizikaikarakteristikamaputa
81
obuhvataOpštuvozačkusposobnostukojojdolazedoizražajaveštinepotrebneza
brzu vožnju, predviđanje u saobraćaju, vožnju po klizavom kolovozu, vožnju u
uslovima smanjene vidljivosti i sl. Druga dimenzija upitnika odnosi se na
Bezbednosnu orijentaciju. Ova dimenzija predviđa zastupljenost veština koje se
tiču vozačeve sposobnosti identifikovanja rizika i potencijalnih opasnosti u
saobraćaju.Treća,Telesnadimenzijausmerenajekaprocenimogućnostikontrole
vozila i osećaju jedinstva sa vozilom. Veštine za specifične zadatke, kao četvrta
dimenzija,podrazumevarasuđivanjeneophodnoradipreciznogparkiranjavozila,
ulazakugaražuunazadigledanjeuretrovizor.
4.3Statističkaanalizapodataka
Statistička obrada podataka vršena je pomoću programskog paketa IBM SPSS
Statistics v.22. Pored deskriptivne statistike, u obradi podataka analizirana je i
međusobna povezanost posmatranih varijabli kao i jačina korelacije
(određivanjem Pearsonov‐ovog koeficijenata korelacije). Vrednosti p manje od
0,05 biće smatrane statistički značajnim, a vrednosti p manje od 0,01 visoko
statistički značajnim. Za proveru značajnosti razlikameđu različitim varijablama
korišćen jeKruskal‐Volisov test,dok jeu svrhe ispitivanja razlikeuokviru jedne
varijableprimenjivanHi‐kvadrattest.Uciljukonstrukcijemodelapercepcijerizika
sprovedenesu linearnaregresionaanaliza,kao ihijerarhijskaregresionaanaliza.
Kaopotvrdarezultatadobijenihhijerarhijskomregresionomanalizom,primenjeno
jedizajniranjeSEM(StructuralEquationalModel)modela.Takođejeupotrebljena
binarna logistička regresija, testirani su hijerarhijski loglinearni modeli, kao i
modelidobijeniprimenomfazi logike. Uciljudefinisanje i testiranjapredloženih
fazilogičkihmodelakorišćenjeprogramMATLAB.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
82
5. DESKRIPTIVNASTATISTIKAINEPARAMETARSKITESTOVIZAANALIZU
UZORKA
Analizauzorkakojijekorišćenuokviruistraživanja,itokakousmisludemografskih
karakteristika,takoiusmisluprimenjenihinstrumenata,veomajeznačajnakadaje
rečopercepcijirizikaodstranevozača.Sobziromnato,opisanesukarakteristike
ispitanika, a zatim je sprovedeno utvrđivanje značajnosti razlika između grupa
ispitanikaprimenomneparametarskihtestova:Men‐VitniiKruskal‐Volis.Prenego
što se pristupilo analizi prikupljenih podataka, izvršena je provera normalnosti
distribucijezasveposmatraneparametre,kao injihovomeđusobnousklađivanje
premaovomposmatranomkriterijumu.Takođe,uovompoglavljuanaliziranisui
hijerarhijskiloglinearnimodeliusvrheproceneefektanezavisnihvarijabliianalize
njihovogmeđusobnogodnosa.
5.1 Deskriptivnastatistikauzorka
Kaoštojevećnapomenutouprethodnompoglavlju,uzoraknadkojimjesprovedeno
istraživanjeuokviruovedoktorskedisertacijeobuhvatavozačekoječestokoriste
posmatranudeonicuputaIBbroj22.Usvrhuistraživanjakontaktiranojeoko350
potencijalnih ispitanika,ali jeukonačnuanalizuuvršćenonjih305.Ovajpodatak
ukazujenaznačajanodzivispitanika.Postojestudijekojesuproučavaleprosečan
odzivuistraživanjimaovogtipaionse,premarazličitimautorima,kretaood52,7%
do55,6%(Dobrodolacisar,2014).Glavnirazlogzanepotpunodzivmožesenaćiu
činjenici da je kriterijum za odabir ispitanika bio relativno strog, tj. ispitanik je
trebalodobrodapoznajeposmatranudeonicuputaidajerelativnočestokoristi.
5.1.1Polnastruktura
Uistraživanjujeučestvovaoukupno305vozača,pričemujemuškaracabilo267,a
žena 38. Polna struktura ispitanika prikazana je na slici 5.1. Ovaj odnos je u
izvesnomsmisluočekivanbudućidajenajvećibrojprofesionalnihvozačamuškog
pola.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
83
Slika5.1.Polnastrukturaispitanika
5.1.2Kategorijevozača
U istraživanju se mogu izdvojiti tri osnovne kategorije vozača. To su: vozači
putničkih vozila, vozači autobusa i vozači teretnih vozila (kamiona). U ovom
istraživanjuvozačiautobusasuizpreduzećakojaorganizujujavnitransportputnika
naposmatranojdeonici.Vozačikamionasuzaposleniutritransportnekompanije.
Ukonačnomuzorkukoji jeproučavannalazise103vozačaputničkihvozila,102
vozačakamiona,kaoi100vozačaautobusa,štojeiprikazanonaslici5.2.
Slika5.2.Procentualnadistribucijavozačapokategorijama
33,7
32,7
33,4
32,2
32,4
32,6
32,8
33,0
33,2
33,4
33,6
33,8
Vozači putničkih vozila Vozači autobusa Vozači kamiona
[%]
Kategorije vozača
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
84
5.1.3Starosnastruktura
Starosnastruktura jeposmatranakrozšestkategorija.Tosuvozači:od18do25
godina,od26do35,od36do45,od46do55,od56do65ipreko65.Starosna
distribucijauzorkajeprikazananaslici5.3.
Slika5.3.Starosnastrukturavozača
5.1.4Pređenakilometraža
Raspon vrednosti godišnje kilometraže koju prelaze anketirani vozači može se
svrstatiučetirikategorije.Uprvugrupuspadajuvozačikojiprelazemanjeod50000
km,zatim,onikojiprelazeod50000–100000km,od100000–200000kmioni
koji prelaze više od 200 000 km. Procentualna distribucija pređene kilometraže
vozačauuzorkuprikazanajenaslici5.4.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
85
Slika5.4.Pređenakilometražavozačauuzorku
5.1.5Kategorijavozila
Tipovivozilasusvrstaniušestkategorija:gradskiautobus,međugradskiautobus,
turistički autobus, teretno vizilo, kamion sa prikolicom, automobil. Procentualna
distribucijakategorijavozilazastupljenihuuzorkuprikazanajenaslici5.5.
Slika5.5.Zastupljenostrazličitihkategorijavozilauuzorku
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
86
5.2 Upitnikistorijeučešćausaobraćajnimnezgodama
U upitniku vozačke istorije analiziran je period posedovanja vozačke dozvole,
frekvencijakorišćenjaposmatranedeonice,ukupanbrojdoživljenih saobraćajnih
nezgoda u vozačkom iskustvu i broj nezgoda koje su vozači doživeli na samoj
posmatranojdeonici.
5.2.1 Periodposedovanjavozačkedozvole
Prianaliziperiodaposedovanjavozačkedozvole,formiranojepetkategorija.Tosu
periodi:do5godina,od6do15,od16do25,od26do35iod36do40godina.
Procentualniprikazzastupljenostikategorijaodgovoradatjenaslici5.6.
Slika5.6.Periodposedovanjavozačkedozvolevozačaizuzorka
5.2.2 Frekvencijakorišćenjaposmatranedeonice
Napitanjekolikočestokoristeposmatranudeonicuputa,ispitanicisuimalipriliku
dasesvrstajuujednuodsledećihkategorija:svakogdana,3‐5putasedmično,2puta
sedmično, jednomsedmično,2‐3putamesečno, jednommesečno i jednomupar
meseci.Procentualnadistribucijaodogovoraprikazanajenaslici5.7.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
87
Slika5.7.Frekvencijakorišćenjaposmatranedeonicevozačaizuzorka
5.2.3 Ukupanbrojsaobraćajnihnezgoda
Anketiranivozačimoglisudaizaberujednuodsledećihkategorijakadaseradio
brojusaobraćajnihnezgodakojesudoživeliusvomvozačkomiskustvu:nijedna,1‐
3,4‐7,8‐11.Zastupljenostsvakogododgovorauukupnomuzorkuprikazanajena
slici5.8.
Slika5.8.Strukturaanketiranihvozačapremabrojunezgodaukojimasuučestvovali
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
88
5.2.4 UkupanbrojsaobraćajnihnezgodanadeoniciputaIBbroj22
Kada je reč o saobraćajnim nezgodama koje su ispitanici doživeli na samoj
posmatranojdeoniciputaIBbroj22,izdvajajusedvekategorije:nijednanezgodai
od1do3nezgode.Procentualniodnosmožesevidetinaslici5.9.
Slika5.9.Strukturaanketiranihvozačapremabrojunezgodaukojimasuučestvovali
naposmatranojdeonici
5.3 PonašanjevozačanadeoniciputaIBbroj22
Da bi se dobile bliže informacije o ponašanju vozačanadeonici puta IB broj 22,
postavljenasupitanjakojaseodnosenaosnovneuzrokepovećanogbrojanezgoda
na deonici, prosečan broj konfliktnih situacija u toku jednog putovanja,
samopercepiranubrzinukretanja iprocenjenubrzinukretanjaostalihučesnikau
saobraćaju.
5.3.1Uzrocinezgodanaposmatranojdeonicipomišljenjuispitanika
Ispitanici su birali sledeće ponuđene odgovore na postavljeno pitanje o uzroku
nastankasaobraćajnihnezgodanaposmatranojdeonici:čovek,vozilo,put,okolina,
nešto drugo. Procentualni odnos učešća različitih uzroka saobraćajnih nezgoda
86,56%
13,44%
nijedna 1‐3
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
89
prikazanjenaslici5.10.
Slika5.10.Uzrocinezgodanadeonicipomišljenjuispitanika
Kaoštosemožeuočitinajvećibrojispitanika,njih66,2%kaoosnovnifaktorkoji
doprinosinastankunezgodaidentifikuje ljudski faktor.Slediznatnonižiprocenat
ispitanikakojismatrajuputosnovnimuzrokomnezgoda(27,2%),dokseuostale
ponuđene kategorije odgovora distribuira neznatan broj ispitanika. Ovakve
percepcije koje imaju ispitanici potkrepljuju već iznete činjenice iz uvodnih
poglavljaukojimaserazmatraoudeosvakogodfaktora(čovek‐vozilo‐put‐okolina),
kojeukazujunaznačajnuuloguljudskegreškeuincidencijinezgodausaobraćaju.
5.3.2Prosečanbrojkonfliktnihsituacijautokujednogputovanja
Na pitanje o prosečnom broju konfliktnih situacija u toku jednog putovanja na
posmatranoj deonici, ispitanici sumogli da izaberu jedan od sledećih odgovora:
nijedna, od 1 do 3, od 4 do 8, od 9 do 15, više od 15. Slika 5.11. predstavlja
procentualniprikaz prosečnogbrojakonflikatanaposmatranojdeoniciputa.
Kaoštosemožeuočiti,saslikekojasledi,največibrojvozača(46,9%)procenjujeda
na ovoj deonici u toku jednog putovanja doživi u proseku od 4‐8 konfliktnih
situacija. Reč je, dakle, o prilično velikom broju potencijalnih rizičnih situacija
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
90
kojimasuvozačiizloženi.Ovakvipodacipotvrđujudajerečovisokorizičnojdeonici
putaimogubitiodinteresazadaljuanalizupercepijerizika.
Slika5.11.Prosečanbrojkonfliktnihsituacijautokujednogputovanja
5.3.3Procenasopstvenemaksimalnebrzinekretanja
Vozači su imali zadatak da procene maksimalnu brzinu sopstvenog kretanja na
posmatranoj deonici. Mogući odgovori su bili: 50, 60, 80, 100 i 120 km/h.
Distribucijaprocenamaksimalnebrzinesopstvenogkretanjaprikazana jenaslici
5.12.
Slika5.12.Samopercepiranamaksimalnihbrzinakretanjanaposmatranojdeonici
Kadajerečoprocenimaksimalnebrzinesopstvenogkretanja,najvećibrojispitanika
se svojim odgovorima distribuira u kategoriju brzina od 60 km/h (njih 35,7%).
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
91
Neznatnomanjibrojnjihsaopštavadasekrećemaksimalnombrzinomod80km/h
(32,5%),doksenjihoko16,4%opredeljujezabrzinuodoko100km/h.
5.3.4Procenamaksimalnihbrzinakretanjaostalihučesnikanaposmatranoj
deonici
Kada su ispitanici procenjivali brzinu kretanja ostalih učesnika na posmatranoj
deonici,mogućejebiloizabratisledećekategorije:50,60,80,100,120ipreko120
km/h.ProcentualniprikazodgovoradatjenaSlici5.13.
Slika5.13.Percepiranamaksimalnabrzinakretanjaostalihučesnikanaposmatranoj
deonici
Značajno drugačija slika zapaža se u slučaju procene brzina ostalih vozača u
saobraćaju.Naime,najvećiprocenatispitanikaprocenjujedaseostalivozačinaovoj
deonici krećumaksimalnombrzinomod oko 120 km/h (33,7%). Slede procene
brzinaodoko100km/h(20,3%)ipreko120km/h(21,6%).
Interesantno jeprodiskutovati odgovore ispitanikakoji se tičupercepcijebrzina,
naročitoakoseuzmuuobzirproceneiznetenaračunsopstvenebrzinekretanjakoju
suvozačiprijavljivali(Slika5.12).Upadljivojepostojanjevelikogneskladauproceni
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
92
sopstvenih maksimalnih brzina kretanja i brzina kretanja ostalih učesnika u
saobraćajnomtoku.
Sobziromnatodajejedanodnajčešćihuzrokanezgodananašimputevimauopšte,
aliinaovojdeoniciputaprekoračenjedozvoljenihbrzina,činisedajeovderečo
nedostatkusamokritičkogosvrtavozačapremabrzinamazakojeseopredeljujuu
vožnji, kao i o izraženom kritički opredeljenom stavu prema brzinama ostalih
vozačautoku.Čakikadaseuzmeuobzirdajeovdemoždarečioprisustvusocijalno
poželjnihodgovora,ovakvipodacisupriličnozabrinjavajućisastanovištapercepcije
rizika i ukazuju na potencijalne pravce delovanja u smislu kako kreiranja
bezbednosnihprotivmerausaobraćaju,takoiedukacijeipodizanjasvestivozačao
pravilnomopažanjusopstvenihponašanjaipostupaka.
5.4 Prikazdeskriptivnihstatističkihpokazateljamernihinstrumentataza
procenuličnostiiponašanja vozača
Utekstukojislediprikazanisuosnovniparametrideskriptivnestatistikezačetiri
osnovnainstrumentazaprocenukarakteristikaponašanjavozača.Prosečniukupni
skoroviizraženisuzarazličitekategorijevozača,saciljemdasestekneštoboljaslika
o raspodeli izraženosti posmatranih psiholoških obeležja između tri proučavane
kategorijevozača(vozačiautobusa,vozačikamionaivozačiputničkihautomobila).
U Tabeli 5.1. dat je prikaz osnovnih deskriptivnih statističkih pokazatelja
karakterističnih za opis posmatranih pojava. Za sve instrumente analizirani su:
minimumi,maksimumi, standardne devijacije, kao i prosečne vrednosti ukupnih
skorovanapsihološkiminstrumentima,tj.prosečneocenerizikaopasnihmestana
upitnikupercepcijekarakteristikaputa.
Da bi se stekao što bolji uvid u izraženost svakog od oblika ponašanja koji su u
narednimpoglavljimaimplementiraniunovonastalemodelezaprocenuponašanja,
u tabelama koje slede, osnovni parametri deskriptivne statistike prikazani su
posebnozasvakiodmernihinstrumenata.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
93
Tabela5.1.Deskriptivnastatistikazaprocenurizikaikarakteristikaponašanjavozača
Deskritivna statistika
Srednja vrednost
Broj ispitanika Maksimum Minimum
Stand. Devijac.
Prosečna ocena opasnih mesta 6,77 305 9,80 3,70 2,88
ADBQ 49,48 305 76,00 23,80 9,87
BIS-11 68,45 305 86,00 49,00 5,80 DAQ 62,55 305 83,00 24,00 6,68
Samoprocena 66,59 305 88,00 34,00 9,53
Takosunajpreutabeli5.2.prikazanipokazateljizaukupneipojedinačneskorove
impulsivnostivozača.Kakosezapaža,ukupniprosečni skorzacelokupanuzorak
pokazuje slične ili čakneštoviševrednostiuodnosunamodel idealnog zdravog
pojedincakorišćenogkaoreferentniokviruliteraturi.Podaciizliteraturepokazuju
daseovakvevrednostiskorovazapažajukodpojedinihvrstaprestupnika(Moeller
isar.,2001;Rubioisar.,2007).
Tabela5.2.DeskriptivnastatistikazaBIS‐11upitnikzarazličitekategorijevozača
BIS-11
Srednja vrednost
Ukupan broj Maksimum Minimum Medijana
Stand. Devijac.
Vozači Vozači kamiona 71,00 102 85,00 59,00 67,50 6,00
Vozači putn.vozila 67,50 103 86,00 49,00 68,00 5,24
Vozači autobusa 71,60 100 86,00 54,60 70,00 5,80
Sa druge strane, posmatrajući prosečne skorove zasebno prema odabranim
kategorijama, uočava se da je impulsivnost kao mera crta ličnosti u najvećem
stepenu prisutnameđu vozačima kamiona i vozačima autobusa. Ovakvi dobijeni
rezultatisuindikativniimoguseobjasnitiprirodomposlakojuovivozačiobavljaju.
Naime,upravosevozačiteretnihvozilaustatistikamapominjukaokategorijakoja
je prikazana kao najizloženija dejstvu umora i radnog opterećenja, usled često
monotone situacije vožnje ka dalekim destinacijama. Sa druge strane, izlovanost
ovih vozača u smislu nedostatka socijalnih kontaka samu vožnju čini još
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
94
monotonijomradnjom,štobisemoglodovestiuvezusaizraženijimlatentnimalii
manifestnim nivoima impulsivnog ponašanja. Kada je reč o vozačima autobusa,
pretpostavljasedajeovagrupavozačapodvelikimsvakodnevnimpritiscimausled
odgovornostizbogputnikakojeprevoze,tejemogućedaseradiokumulativnom
efektustresakojisereflektujekrozpojačanuimpulsivnost.Svakako,obekategorije
vozačasuzastupljenijeusaobraćajuuodnosunavozačeputničkihvozila,tesemože
smatratidajeuovomslučajumoždarečoprisustvuprofesionalnogstresanaradu.
Tabela5.3odnosisenaprikazzastupljenostiagresivnostiuvožnji,definisanekroz
skorove postignute na ADBQ instrumentu procene. U ovom slučaju zapažena je
situacija znatno drugačija nego u slučaju prisustva karakteristike impulsivnost,
odnosno, agresivnost u vožnji najzastupljenija je u populaciji vozača putničkih
automobila, dok vozači autobusa i kamiona pokazuju slične vrednosti prosečnih
skorova.
Tabela5.3.DeskriptivnastatistikazaADBQupitnikzarazličitekategorijevozača
ADBQ
Srednja vrednost
Ukupan broj Maksimum Minimum Medijana
Stand. Devijac.
Vozači Vozači kamiona 49,83 102 76,00 30,00 47,00 8,50
Vozači putn.vozila 52,57 103 73,00 29,50 48,00 10,70
Vozači autobusa 44,97 100 65,94 24,00 48,00 9,70
Ovakvirezultatiseusvetluteorije ličnostimogutumačitimanifestnomprirodom
stavki u upitniku, gde su težnje ka agresivnosti u vožnji jasnije izražene i
konkretizovane na nivou upravljanja vozilom, za razliku od upitnika za procenu
impulsivnostikojijenaimplicitnijinačintretiraoproučavanuproblematiku.Stimu
vezi, moguće je izvesti zaključak da su se vozači putničkih automobila osećali
komotnije u izražavanju stavova koji nisu socijalno poželjni sa stanovišta
bezbednosti, dok je profesionalni status ostalih posmatranih vozača diktirao
izvesnu suzdržanost u spontanom samoprijavljivanju agresivnih manifestacija u
vožnji.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
95
U tabeli 5.4. prikazani su ukupni prosečni skorovi na DAQ upitniku koji tretira
stavovevozačapremapreuzimanjurizikauvožnji.Najintenzivnijinivoiizraženosti
stavova zabeleženi su među vozačima putničkih automobila koji očito pokazuju
izraženiju spremnost ka preuzimanju rizičnijih oblika ponašanja u saobraćaju.
Interesantnojeuočitidavozačiautobusapokazujuznatnonižeskorovenatestuu
odnosunadrugedvekategorije vozača, te semože zaključiti da je ova grupacija
vozačakarakterističnapoistančanijojsenzitivnostizapercepcijirizikausaobraćaju.
Tabela5.4.DeskriptivnastatistikazaDAQupitnikzarazličitekategorijevozača
DAQ
Srednja vrednost
Ukupan broj Maksimum Minimum Medijana
Stand. Devijac.
Vozači Vozači kamiona 65,00 102 80,00 50,00 62,50 7,00
Vozači putn.vozila 68,51 103 83,00 47,00 62,00 6,70
Vozači autobusa 51,90 100 79,80 24,00 62,00 6,10
Kada se posmatraju rezultati u Tabeli 5.5. neophodno je napomenuti da usled
prirode pitanja koja su obuhvaćena ovim upitnikom, viši ukupni skor odgovara
boljojslicikojuvozačiiznoseoličnimvozačkimkarakteristikama.Vozačiautobusa
procenjuju svoje vozačke sposobnosti kao najbolje u poređenju sa drugim
kategorijamavozača.
Tabela5.5.DeskriptivnastatistikazaUpitniksamoprocenevozačkihsposobnostiza
različitekategorijevozača
Samoprocena
Srednja vrednost
Ukupan broj Maksimum Minimum Medijana
Stand. Devijac.
Vozači Vozači kamiona 64,90 102 81,00 48,00 71,00 9,60
Vozači putn.vozila 61,00 103 88,00 34,00 63,00 8,70
Vozači autobusa 67,50 100 87,00 48,00 68,00 10,20
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
96
Dobijenipodataksemožeinterpretiratiizvesnimsamopouzdanjemkojeovivozači
poseduju, a može se tumačiti svakodnevnim vozačkim iskustvom i učestalošću
upravljanja vozilom na posmatranoj deonici. Sa druge strane, veća socijana
odgovornostkojuovivozačimorajudaposeduju,usledčinjenicedaprevozeostale
učesnikeusaobraćaju,moždarezultiraukupnompovoljnijomslikomosebikadaje
rečovozačkimkompetencijama.
5.5 Neparametarskitestovizaanalizuuzorka:Man‐VitnijeviKruskal‐Volisov
test
Uokviruovogodeljkaprikazanisurezultatiprimenjenihneparametrijskihtestova:
Man‐VitnijevogtestaiKruskal‐Volisovogtesta.
Kadaserazmatrapolkaokategoričkavarijabla,sprovedenjeMan‐Vitnijevtestkako
bi se ustanovilo da li u okviru posmatranog uzorka postoje statistički značajne
razlikemeđu ispitanicimauodnosunaposmatraneoblikeponašanja ipercepcije
izraženekrozpostignućanaupitnicima.Uslučajupojedinačnihpitanjaizupitnika
koji se odnose na opšte informacije o vozačima, uočene su statistički značajne
razlikemeđupolovimauodnosunasledećevarijable:pređenagodišnjakilometraža,
vozačko iskustvo i ukupan broj doživljenih saobraćajnih nezgoda. Kada je reč o
psihološkim inventarimaprocene,primenaovestatističkemetodepokazala jeda
postoje značajne statistički značajne polne razlike u ukupnim skorovima na
Upitnikuzasamoprocenuvozačkihsposobnosti(tabela5.6).Rezultatiukazujunato
da vozači ženskog pola sopstvene vozačke performanse procenjuju kao slabije u
odnosunavozačemuškogpola.Ovojesvakakozanimljivrezultatkojiupućujena
veći stepen nesigurnosti, ili pak postojanje kritičkog osvrta prema sopstvenim
sposobnostimakodispitanikaženskogpola.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
97
Tabela5.6.StatistikaMan‐VitnijevogUtesta
Pređena godišnja
kilometraža
Koliko dugo posedujete
vozačku dozvolu
Ukupan broj saobraćajnih
nezgoda
Samoprocena total
Man-Vitni U 1532,000 1783,500 2331,000 1882,000
Vilkokson W 1785,000 2036,500 2584,000 2135,000
Z -4,253 -3,499 -2,165 -3,092
Stat. značajnost
,000 ,000 ,030 ,002
KruskalVolisovtestupotrebljenjesaciljemdasetestirapostojanjerazlikaizmeđu
različitihkategorijavozača(vozačiautobusa,kamionaivozačiputničkihvozila)u
pogleduispitivanihkarakteristikaponašanja.Dobijenipodaciukazujunapostojanje
statistički značajnih razlika između ovih posmatranih nezavisnih varijabli i to u
odnosu na prosečnu ocenu percepcije opasnosti deonice puta, prosečnu ocenu
elemenataposmatranogdelaputa,kao izaskorove impulsivnostimereneBIS‐11
instrumentom. Kada je reč o proceni rizika opasnih mesta, statistički značajne
razlikezabeleženesuizmeđuvozačaputničkihvozilaivozačaautobusa(tabela5.7
itabela5.8).
Tabela5.7.Rezultatihi‐kvadrattestazaocenuopasnihmesta
Ocena opasnih mesta
Hi-kvadrat 13,861
Stepeni slobode
2
Značajnost ,001
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
98
Tabela5.8.Srednjirangoviocenaopasnihmestauodnosunakategorijevozača
Kategorije vozača Ukupan
broj Srednji rangovi
Ocena opasnih mesta
Vozači put.vozila 103 129,59
Vozači autobusa 100 175,58
Vozači kamiona 102 154,50
Ukupno 305
Štose tičeproceneelemenataputa,uočenesustatističkiznačajnerazlike između
vozačakamionaivozačaautobusa(tabela5.9itabela5.10).
Tabela5.9.Rezultatihi‐kvadrattestazaocenukarakteristikaputa
Ocena
karakterist.puta
Hi-kvadrat 7,340
Stepeni slobode
2
Značajnost ,004
Tabela 5.10. Srednji rangovi ocena karakteristika puteva u odnosu na kategorije
vozača
Kategorije vozača Ukupan
broj Srednji rangovi
Ocena kar.puta
Vozači put.vozila 103 155,86
Vozači autobusa 100 140,41
Vozači kamiona 102 162,45
Ukupno 305
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
99
Kada razmatramo značajne razlike po pitanju odgovora na BIS‐11 instrumentu,
moguće jezaključitidapostojerazlike izmeđuvozačakamionaivozačaautobusa
(tabela5.11itabela5.12).
Tabela5.11.Rezultatihi‐kvadrattestazaBIS‐11instrument
BIS-11
Hi-kvadrat 10,781
Stepeni slobode
2
Značajnost ,000
Tabela5.12.SrednjirangovizaBIS‐11instrumentuodnosunakategorijevozača
Kategorije vozača Ukupan
broj Srednji rangovi
BIS-11 Vozači put.vozila 103 150,49
Vozači autobusa 100 134,90
Vozači kamiona 102 173,28
Ukupno 305
5.6 Primenahijerarhijskihloglinearnihmodelauproceniefekatanezavisnih
varijabliinjihovogmeđusobnogodnosa
Zaloglinearnemodelejekarakterističansledećioblik:
lnΦ , 1, … ,
U ovommodelu Φ predstavlja očekivanu frekvenciju u ćeliji p kontigencijske
tabele, seodnosinaefekatodređenogeksplanatornogčlanamodela,dokje
određenieksplanatorničlanmodela.Ekplanatorničlanovimodeladefinisanisuna
osnovu kategoričkih varijabli (Tenjović, 2015). Ovi modeli su koristan alat u
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
100
statističkim istraživanjima kako bi se frekvencije iz multidimenzionalne tabele
objasnile efektima određenih kategoričkih varijabli, kao i njihovimmeđusobnim
asocijacijama. Primena loglinearnih modela kao krajnji cilj ima pronalaženje
najjednostavnijeg modela koji je u skladu sa podacima istraživanja. Loglinearni
modeli se ređeupotrebljavajuu slučajevimakada se analiziradvodimenzionalna
tabelakontigencije,aznatnočešćesekoristezaanalizumultidimenzionalnihtabela.
U ovom odeljku loglinearni modeli biće korišćeni za proveru asocijacija između
varijablikojesurelevantnezamodelekojićebiti formirani iopisaniunarednim
poglavljimadisertacije.Takođe,pitanjeodinteresabilojedaseustanovimodelkoji
je najjednostavniji u adekvatnom objašnjavanju rasporeda frekvencija u
trodimenzionalnoj tabeli kontigencije. Razmatranenezavisne varijable odnose se
na: kategoriju vozila kojom vozači upravljaju (vozači autobusa, vozači teretnih
vozila i vozači putničkih vozila), broj prijavljenih nezgoda u vozačkoj istoriji i
varijable koje se odnose na instrumente za procenu psiholoških karakteristika i
ponašanjavozačausaobraćaju,kaoiinstrumentezaprocenuposmatranedeonice
puta(ADBQ,BIS‐11,DAQ,instrumentzasamoprocenuvozačkihsposobnosti,ocene
opasnih mesta na odabranoj deonici i ocene karakteristika samog puta). Sve
razmatranevarijablesukategorijskogtipa,savrednostimakojesekrećuurasponu
od 0 do 5 (u zavisnosti od konkretne varijable). Prve dve nabrojane nezavisne
varijable (kategorija vozila i saobraćajne nezgode) konstantne su za svih šest
analiziranihmodela,dokjekaotrećanezavisnavarijablakorišćenskornanekomod
nabrojanihupitnika,rangiranukategorijeodgovorakojesuispitanicidavali.
LoglinearnimodelI
U prvommodelu analizirane su asocijacije između sledećih nezavisnih varijabli:
kategorijavozila,saobraćajnenezgodeiagresivnostuvožnji.Utesvrhekonstruisan
jehijerarhijskimodelasocijacija,tj.najprezasićenimodel(najvišegnivoa).Uispisu
iz tabele kontigencije (Prilog A.1), moguće je identifikovati nekoliko važnih
informacija.Započetakuočavamodasuopaženefrekvencijejednakeočekivanim,
što je uvek slučaj prilikom primene zasićenog loglinearnog modela, a reziduali
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
101
(odstupanja) su,posledično,u tomslučajuuvek jednaki0.Usledećoj tabeli5.13,
prikazanisupodacizaHikvadrattestkaoipokazateljistatističkeznačajnosti.Kao
što je moguće uočiti zasićeni model u potpunosti odgovara podacima. Drugim
rečima, postoji asocijacija između triju razmatranih kategoričkih varijabli
(kategorijavozila,nezgodeiagresivnostuvožnji).
Tabela5.13.PodacizamodelI(višihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća ,000 0 .
Pirson ,000 0 .
Naosnovupostojanjaasocijacijemeđuposmatranimvarijablamadonosiseodluka
o konstruisanju jednostavnijeg modela za predviđanje frekvencija u tabeli
kontigencija.IzPrilogaA.2uočavasedaopaženeiočekivanefrekvencijenisuviše
identične,dokrezidualinisuviševrednosti0,većsuznatnoviši,doknekiprelazei
graničnu vrednost 1,96 (ili niže od ‐1,96). Iako se na osnovu podataka u vezi sa
značajnošćumodelamožezaključitidamodelnijestatističkiznačajaniutomsmislu
značidaodgovarapodacima(Tabela5.14),pojedinireziduali(kojiprelazegranične
vrednosti) pokazuju da bi model trebalo odbaciti (Prilog A.2). Na osnovu toga
možemo zaključiti da postoji asocijacija između svih razmatranih varijabli i da
najvišihijerarhijskimodel (zasićeni)unajboljojmeriopisujedobijenepodatkeu
trodimenzionalnojkontigencijskojtabeli.
Tabela5.14.PodacizamodelI(nižihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća 7,726 12 ,806
Pirson 7,165 12 ,847
LoglinearnimodelII
U drugom analiziranom loglinearnom modelu uzete su obzir sledeće nezavisne
varijable:kategorijavozila,saobraćajnenezgodeiimpulsivnost.Napočetkuje,kaoi
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
102
uprethodnomslučajuformiranzasićeniloglinearnimodel(Tabela5.15).IzPriloga
A.3, moguće je uočiti da opažene i očekivane frekvencije u ovommodelu imaju
identičnevrednosti,kaoidasurezidualijednaki0.Tabela5.15.pokazujedamodel
u celini odgovara podacima, te da postoje asocijacije između posmatranih
nezavisnih varijabli. Zatim, zaključuje se da bi trebalo pristupiti i testiranju
jednostavnijegmodelauhijerarhiji.
Tabela5.15.PodacizamodelII(višihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća ,000 0 .
Pirson ,000 0 .
Formiranjenižeghijerarhijskogmodelapodrazumevaodsustvoasocijacijeizmeđu
dvejunezavisnihvarijabli.Utabelikontigencijemogućejeuočitiznačajnopovećanje
reziduala, od kojih neki prelaze i graničnu vrednost od 1,96 (Prilog A.4). Iz
navedenograzloga,kaoiusledpodatakadobijenihuTabeli5.16.izkojihsemože
videtidamodelpokazujestatističkuznačajnost,zaključujesedanižihijerarhijski
modelnijeuskladusapodacima,tj.dabigatrebaloodbaciti.Modelkojisezadržava
jeiuovomslučajuzasićenimodelkojimsezapravoobjašnjavapostojanjeasocijacije
izmeđusvihnezavisnihvarijabli.
Tabela5.16.PodacizamodelII(nižihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća 26,323 12 ,010
Pirson 22,240 12 ,035
LoglinearnimodelIII
U analizi trećeg loglinearnogmodela razmatrane su sledeće nezavisne varijable:
kategorija vozila, saobraćajne nezgode i stavovi vozača prema rizičnim oblicima
ponašanja.Kao iuprethodnimslučajevima,uprvomkoraku formiran jezasićeni
hijerarhijski model. Iz tabele se uočava da je vrednost svih reziduala jednaka 0
(Prilog A.5). Ovi podaci podržani vrednostima u Tabeli 5.17. pokazuju da prvi
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
103
hijerarhijskimodeldobroodražavapodatkeurealnosti.
Tabela5.17.PodacizamodelIII(nižihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća ,000 0 .
Pirson ,000 0 .
Nakonpreliminarnogtestiranjamodela,prelazisenanižihijerarhijskimodelkoji
podrazumeva odsustvo asocijacija između dveju varijabli (Tabela 5.18). Kao i u
prethodnimslučajevima,ovajmodelukazujenapostojanjerezidualakojisuvišiod
granične vrednosti, na porast vrednosti za Hi‐kvadrat test, ali i na postojanje
statističke značajnosti modela, što implicira odbacivanje ovog modela i
proglašavanje zasićenogmodela kao najodgovarajućeg u slučaju ovih nezavisnih
varijabli(PrilogA.6).Drugimrečima,zaključujesedapostojeasocijacijeizmeđusvih
nezavisnihvarijabli.
Tabela5.18.PodacizamodelIII(višihijerarhijskimodel)
Hi-
kvadrat
Stepeni
slobode
Značajnost
Verovatnoća 30,084 12 ,003
Pirson 34,813 12 ,001
LoglinearnimodelIV
Za analizu četvrtog modela korišćeni su, pored podataka o kategoriji vozila i
saobraćajnimnezgodama,ipodacioskorovimaizUpitnikaosamoprocenivozačkih
sposobnosti. Za dobijeni zasićeni model, ispis iz statističke procedure u vidu
kontigencijske tabele prikazan je u tabeli 5.19. (Prilog A.7). Kao i u slučaju
prethodnihloglineranihmodela,opažajuserezidualikojiimajuvrednost0.Takođe,
i ostali podaci u Tabeli 5.19. ukazuju na to da prvi hijerarhijski model sasvim
odgovarapodacima.
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
104
Tabela5.19.PodacizamodelIV(višihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća ,000 0 .
Pirson ,000 0 .
Nakon primene jednostavnijegmodela bez asocijacija dveju nezavisnih varijabli,
zapažasedasuporedporastarezidualaiznadgraničnihvrednostiipokazateljiza
Hi‐kvadratteststatističkiznačajni,tesejednostavnijimodelodbacujeizaključuje
sedapostojipovezanostizmeđunezavisnihvarijabli,tebioptimalnimodelbioprvi,
zasićenimodel(Tabela5.20,PrilogA.8).
Tabela5.20.PodacizamodelIV(nižihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća 52,537 12 ,000
Pirson 45,636 12 ,000
LoglinearnimodelV
Uslučajuovogmodelaporedvarijablikategorijavozilaisaobraćajnihnezgoda,za
ove svrhe razmatrani su kategorisani odgovori dobijeni primenom Upitnika za
procenuopasnihmestanaposmatranojdeoniciputa(tj.dobijeniukupniskorovi).
Na osnovu svih relevantnih parametara moguće je zaključiti da ovaj model u
potpunostiodgovarapodacima(Tabela5.21,PrilogA.9).
Tabela5.21.PodacizamodelV(višihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća ,000 0 .
Pirson ,000 0 .
Kako bi se kreirao jednostavniji model, prešlo se na analizu modela nižeg
hijerarhijskogreda(bezasocijacijaizmeđudvejuvarijablizajednuasocijaciju).Iz
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
105
tabelesaprilozima(PrilogA.10)uočavaseznačajanporastreziduala,tepojedine
vrednostiprelazegraničnudefinisanu(1,96).Ovakvi rezultati impliciraju tezuda
samoprvizasićenimodelodgovarapodacima,tedanižihijerarhijskimodelinisuu
skladusapodacima.
LoglinearnimodelVI
Prilikom analize ovog modela, pored varijabli kategorija vozila i saobraćajnih
nezgoda, uzeti su u obzir i podaci dobijeni iz Upitnika o proceni karakteristika
posmatranedeoniceputa.Premapreliminarnimanalizama,modelidealnoodgovara
podacima(Tabela5.22,PrilogA.11).
Tabela5.22.PodacizamodelVI(višihijerarhijskimodel)
Hi-kvadrat Stepeni
slobode
Značajnost
Verovatnoća ,000 0 .
Pirson ,000 0 .
Medjutim,posmatrajućiK3(efekattrostrukeasocijacijeutabeliasocijacija–tabela
5.23.),uočavamodaasocijacijeizmeđusvihtrijukategoričkihvarijablinepokazuju
značajnostprilikomizračunavanjakoličnikaverodostojnosti,tj.pretpostavljaseda
ćemodel izkojegbude isključenatrostrukaasocijacijabitiuskladusapodacima.
Ovajpodataknamomogućavaformiranjehijerarhijskinižegmodela(bezjednogod
članovauprethodnommodeluitobezasocijacijesaobraćajnenezgode/ocenaputa).
Dobijenomanalizomdolazimodomodelakojijeuskladusapodacima,štomožemo
videtiutabeli5.24.Iakosuuovomslučajurezidualineštovišinegouprethodnom
slučaju(PrilogA.12),ipakneprelazekritičnuvrednost,tepokušavamodaizanalize
odstranimo još neku od dvostrukih veza, kako bismo pojednostavili model
(odstranjujemoasocijaciju ‐Kategorijavozila/ocenaputa), idobijamomodelkoji
nije statistički značajan, ali kako pojedini reziduali premašuju vrednost koja je
definisanakaogranična,moramoodbacitiovajmodel(PrilogA.13).
5.Deskriptivnastatistikaineparametarskitestovizaanalizuuzorka
106
Tabela5.23.–Efekattrostrukeasocijacije(procenakaraktersitikaputa)
K St.
slob.
Verovatnoća Pirson Broj
iteracija Hi-kvadrat Značajnost Hi-kvadrat Značajnost
K-tostruki i
efekti višeg
reda
1 53 611,238 ,000 722,416 ,000 0
2 44 62,079 ,037 84,641 ,000 2
3 20 9,122 ,981 7,523 ,995 3
K- tostruki
efekti
1 9 549,159 ,000 637,776 ,000 0
2 24 52,957 ,001 77,118 ,000 0
3 20 9,122 ,981 7,523 ,995 0
Tabela5.24.PodacizamodelVI(nižihijerarhijskimodel)
Hi- kvadrat Stepeni
slobode
Značajnost
Verovatnoća 5,698 24 1,000
Pirson 5,435 24 1,000
Stoga zaključujemodamodel sadvemadvostrukimasocijacijamabolje odgovara
podacima(kaoimodelsasvimdvostrukimasocijacijama).Ovonasdovodiudilemu
kako bismo odlučili koji model bolje opisuje podatke, kao oslonac koristimo
izračunatinormiraniindekspodesnostimodela.Dobijamovrednostkojaje0,78što
jeipakdonekleispodvrednosti0,80kojasesmatragranicomzaprihvatanjedaje
neki model podesniji. Prema tome, opredeljujemo se za odabir jednostavnijeg
modela koji podrazumeva da trodimenzionalnu tabelu tumačimo analizom
dvodimenzionalnihtabelazaasocijacijuovihtrijuvarijabli.
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
107
6. KORELACIJEIMPULSIVNOSTI,AGRESIVNOSTI,STAVOVAPREMARIZIKUI
SAMOPROCENEVOZAČKIHSPOSOBNOSTI
Iako utvrđivanje korelacije između faktora svih korišćenih psiholoških mernih
instrumenatanijeodsuštinskogznačajazaproblematikukojomseovadoktorska
disertacija bavi, za buduće implikacije je svakako korisno razmotriti značaj
uvtrđenihvezaizmeđufaktorarazličitihupitnika,naročitokadajerečoupitnicima
koji ispituju sličnekategorijeponašanja. Sa timuvezi, analizirane su iprikazane
korelacijeizmeđuskalaprimenjenihupitnikauodnosunafaktoreponašanja,alii
ukupne skorove na upitnicima. U slučajevima gde su utvrđene sporadične veze
izmeđuinstrumenata,prikazanisunajmarkantnijirezultatianalize.Zautvrđivanje
postojanjarelacijaipreciziranjenjihovogsmera,korišćenjePearson‐ovkoeficijent
korelacije.Pearson‐ovkoeficijentkorelacijeseizračunavapoformuli:
∗
6.1Relacijeizmeđuagresivnostiuvožnjiiimpulsivnosti
Kako je između skorovanadva instrumentadobijenanajviša statistički značajna
korelacija, takvi rezultati zaslužuju opsežniji prikaz. U tabeli 6.1 prikazane su
komponente ADBQ instrumenta eksrtahovane dvofaktorskom analizom, kao i
komponente BIS‐11 instrumenta ekstrahovane kroz dvofaktorsku, ali i
jednofaktorsku analizu. Kada je reč o BIS‐11 skali za merenje impulsivnosti,
prikazanesuvrednostikorelacija,kakotrifaktoradrugogreda(Pažnja,Motorikai
Odnos prema planiranju), tako i za šest faktora prvog reda (Pažnja, Kognitivna
nestabilnost,Motorika,Istrajnost,SamokontrolaiKognitivnakompleksnost),koje
odgovarajuoblicimaimpulsivnogponašanjaobuhvaćenihovimupitnikom.ZaADBQ
upitnik pokazane su korelacije četiri glavna faktora: Ljutnja/Agresivnost,
Prekoračenje brzine, Prenaglašena ekspresija i Odnos prema drugim vozačima.
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
108
Takođe, prikazani su i korelacije svakog od faktora sa ukupnim prosečnim
skorovimanaobaupitnika.
Kadaserazmatrajufaktoridrugogreda,faktorPažnjejepokazaoslabijupovezanost
safaktoromagresivnostiOdnospremadrugimvozačima(r=,249,p<,01)kaoisa
ukupnimskoromagresivnosti(r=,198,p<,05).
KadajerečofaktoruMotorika,dobijenojenekolikoniskih,alistatističkiznačajanih
korelacijasafaktorimaizADBQupitnika.Rezultatipokazujukorelacijusasledećim
faktorima:Ljutnja/Agresivnost(r=,202,p<,05),Prekoračenjebrzine(r=,239,p<
,01),Prenaglašenaekspresija(r=,202,p<,05),kaoisaukupnimADBQskorom(r=
,271,p<,01).
Interesantno je istaćidasuza faktorOdnospremaplaniranju,utvrđeneznačajne
korelacije sa svim formama agresivnosti. Najizraženija je relacija sa Ukupnim
skoromzaagresivnost(r=,380,p<,05),te,zatim,safaktoromPrekoračenjebrzine
(r= ,333, p < ,01), faktorom Ljutnja/Agresivnost (rs = ,338, p < ,01), sa
Prenaglašenomekspresijom(r=,259,p<,01),anajslabijazabeleženakorelacijaje
safaktoromOdnospremadrugimvozačima(r=,170,p<,05).
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
109
Tabela6.1.KorelacijesupskalaupitnikaADBQiBIS‐11
Varijable
12
34
56
78
910
11
12
13
14
15
BIS‐11Dvofaktorskastruktura
1.Pažnja
‐
2.
Motorika
.262**‐
3.
Odnosprema
planiranju
.078
.326**‐
BIS‐11Jednofaktorskastruktura
4.Pažnja
.797**.249**.089
‐
5.
Kognitivna
nestabilnost
.728**.173*
.062
.198*
‐
6.Motorika
.201*.899*
.261**.190*
.131
‐
7.
Istrajnost
.274**.607**.193*
.218*
.215*
.229**‐
8.Samokontrola
.040
.291**.917**.018
.046
.268**.147
‐
9.Kognitivna
kompleksnos
.041.169*.449**.076
.018
.095.176*.092
‐
10.Ukupniskor
.569**.812**.654**.482**.410**.723**.523**.580**
‐
ADBQ
11.Ljutnja/
Agresivnost
.092
202*
.338**.069
.151
.255**.040
.285**.130.300**‐
12.Prekoračenje
brzine
.119
.239**.333**.138
.093
.260**.075
.308**.115.341**.768**‐
13.Prenaglaš.ekspres.
.099
.202*
.259**.090
.075
.319**.088
.260**.041.319**.389**.491**‐
14.Odnosprema
drugimvoz.
.249**.159
.170*
.254**.176*
.170*
.050
.169
.054.270**.458**.419**.369**‐
15.Ukupniskor
.198*
.271**.380**.194*
.161
.398**.075
.322**.091.398**.836**.869**.686**.729**‐
*p<.05
**p<.01
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
110
Uodnosunajednofaktorskustrukturu,faktorPažnjajepokazaoslabijupovezanost
safaktoromOdnospremadrugimvozačima(r=,254,p<,01),isaTotalnimskorom
na skali agresivnosti (r= ,186, p < ,05). Za subskalu Kognitivna nestabilnost
pronađenajejedinoneznatnapovezanostsafaktoromStavpremadrugimvozačima
(r=,173,p<,01).PosmatrajućifaktorMotorika,uočljivojepostojanjepovezanostisa
svakimod faktora,kao i saUkupnimskoromagresivnosti.Dobijenesukorelacije
nešto nižeg intenziteta i to sa: Ukupnim skorom ADBQ (r=,398, p < ,01), sa
Prenaglašenomekspresijom(r=,319,p<,01),saPrekoračenjembrzine(r=,260,p
<,01),saLjutnjom/Aresivnošću(r=,255,p<,01),kaoinajslabijasaOdnosomprema
drugimvozačima(r=,170,p<,05).Istrajnostkaosubskalanijepokazalaznačajnost
nisajednimodfaktoraagresivnosti,doksuzaSamokontroludobijenekorelacijesa
UkupnimskoromADBQ(r=,322,p<,01),Prekoračenjembrzine(r=308,p<,01),
Ljutnjom/Aresivnošću(r=,285,p<,01),isaPrenaglašenomekspresijom(r=,260,p
<,01).
Ukupniskorimpulsivnostijeuanalizipokazao,shodnoočekivanjima,povezanostsa
svim faktorima agresivnosti vozača (Ljutnja/Agresivnost: r= ,300, p < ,01;
Prekoračenjebrziner=,341,p<,01;Prenaglašenaekspresija:r=,319,p<,01;Stav
premadrugimvozačima:r=,270,p<,01).
Kadajerečoukupnimskorovimanaobeskale,auskladusapočetnimočekivanjima,
utvrđena je relativno izražena korelacija između Ukupnog skora impulsivnosti i
Ukupnogskoraagresivnostiuvožnji(r=,398,p<,01)(Čubranić‐Dobrodolacisar.,
2016). Ovakvi rezulati pokazuju izraženiji nivo relacija u odnosu na slična
istraživanja vršena od strane Dahen‐a i sar., 2005., gde je BIS‐11 instrument
dovođenuvezusaupitnikomzaprocenuljutnjeuvožnji‐DAS(engl.DrivingAnger
Scale,Deffenbacherisar.,1994).
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
111
6.2Relacijeizmeđustavovapremarizikuuvožnjiiimpulsivnosti
KadajerečoDAQupitniku,prilikomrazmatranjakorelacijauzetisuuobzirfaktori:
Preticanje,Vožnjapoddejstvomalkohola,PrekoračenjebrzineiNedovoljaninterval
sleđenja.IuslučajuDAQinstrumenta,razmatranesurelacijeisaukupnimskorom
ostvarenimnaupitniku.
Kao što je moguće uočiti u tabeli 6.2. povezanost sa faktorima impulsivnosti je
registrovana za faktore Sleđenje (DAQ) i Odnos prema planiranju (BIS‐11). Ova
korelacija jeujedno inajintenzivnijadobijenarelacija izmeđuovadvaupitnikau
analizi (r= ,289,p< ,01).Nešto slabije izraženavezautvrđena je između faktora
VožnjapoddejstvomalkoholaiMotorika(r=,189,p<,05).
Zatim, uočene su relacije za faktor Brzina u odnosu sa faktorima impulsivnosti
Motorika(r=,269,p<,01)iOdnospremaplaniranju(r=,238,p<,01).Kadajerečo
dvofaktorskojstrukturiBIS‐11korelata,BrzinajepokazalavezusafaktoromPažnja
(r= ,242, p< ,01). Faktor rizika Preticanje pokazao je slabiju povezanost sa
Motorikomkaopokazateljemimpulsivnostiizdvofaktorskestrukure(r=,166,p<
,05).Ukupniskorovizaovadvaupitnikanisupokazalimeđusobnupovezanost.
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
112
Tabela6.2.KorelacijesupskalaupitnikaDAQiskalaupitnikaBIS‐11
Varijable
12
34
56
78
910
11
12
13
14
15
BIS‐11Dvofaktorskastruktura
1.Pažnja
‐
2.Motorika
.222**‐
3.Odnosprema
planiranju
.061
.318**‐
BIS‐11Jednofaktorskastruktura
4.Pažnja
.768**.246**.062
‐
5.Kognitivna
nestabilnost
.711**.150*
.053
.179*
‐
6.Motorika
.199*.890*
.272**.198*
.140
‐
7.Istrajnost
.282**.627**.199*
.203*
.200*
.249**‐
8.Samokontrola
.033.282**.898**.018
.053
.254**.140
‐
9.Kognitivna
kompleksnost
.037.174*.414**.066
.019
.087.178*.085
‐
BIS‐11
Ukupniskor
.570**.797**.643**.465**.400**.699**.511**.566**
‐
DAQ
10.Sleđenje
.071
.068
.289**.018
.041
.015
.218*
.1440*.544**.610**‐
11.Alkohol
.119
.189*
.076
.152
.090
.055
.069
.238**.302**.235**.619**‐
12.Brzina
.242**.269
**
.238**.168
.071
.242**.086
.058
.090
.318**.168*
.630**‐
13.Preticanje
.134
.166*
.140
.057
.089
.093
.199*
.140
.109
.112
.500**.332**.270**‐
14.DAQ
Ukupniskor
.129
.117
.145
.069
.039
.068
.091
.065
.079
.178*
.639**.648**.645**.678**‐
*p<.05
**p<.01
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
113
6.3Relacijeizmeđusamoprocenevozačkihsposobnostiiimpulsivnosti
Pored pomenutih korelata impulsivnosti, Pearsonov koeficijent korelacije
izračunavan je za četiri faktora Upitnika za samoprocenu rizika (Opšta vozačka
sposobnost, Bezbednosna orijentacija, Telesna dimenzija i Veština za specifične
zadatke).Takođe,zaovuvrstuanalizeuzet jeuobzir iukupniskorsamoprocene
vozača.
RezultatiPearsonovogtestakorelacijeizmeđusupskalaiukupnihskorovanaova
dvaupitnikaprikazani suuTabeli 6.3.Kao što jemogućeuočiti, jedina značajna
korelacijapostoji za faktor samoprecepcijeBezbednosnaorijentacija.Ovaj faktor
pokazao je povezanost sa faktorima impulsivnosti Pažnja (r=‐ ,198, p < ,05)
Motorika(r=‐,234,p<,05)isafaktoromOdnospremaplaniranju(r=‐,187,p<,05)
i iz dvofaktorske strukture upitnika. Za navedene faktore utvrđena veza je
negativnog predznaka. Ove povezanosti biće detaljnije analizirane u sledećem
poglavlju.
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
114
Tabela6.3.KorelacijesupskalaUpitnikasamoproceneiBIS‐11upitnika
Varijable
12
34
56
78
910
11
12
13
14
15
BIS‐11Dvofaktorskastruktura
1.Pažnja
‐
2.Motorika
.265**‐
3.Odnosprema
planiranju
.061
.339**‐
BIS‐11Jednofaktorskaanaliza
4.Pažnja
.776**.256**.059
‐
5.Kognitivna
nestabilnost
.727**.175*
.045
.180*
‐
6.Motorika
.190*.870*
.266**.198*
.143
‐
7.Istrajnost
.288**.645**.190*
.222**.234**.254**‐
8.Samokontrola
.031.298**.891**.011
.046
.257**.154
‐
9.Kognitivna
kompleksnost
.048.177*.439**.081
.022
.089.173*.081
‐
10.BIS‐11
Ukupniskor
.568**820**.667**.500**.426**.733**.570**.598**
‐
Upitniksam
oprocene
11.Opšta
vozačka
sposobnost
.045
.086
‐.050
‐.056
.070
.011
.033
.023
‐ .130‐ .013.045
‐
12.Bezbednosna
orijentacija‐.198*
.234*
‐.187*
‐.087
‐.036
.037
.123
‐.038
‐ .045.056.577
**
‐
13.Fizička
dimenzija
‐.068
.122
‐.138
‐.116
.048
.151
.059
‐.089
‐ .087.019.653
**.670
**‐
14.Specifične
vozačke
veštine
.037
.044
‐.053
‐.056
.076
.056
‐.034
‐.023
‐ .057.044.578
**.598
**.774
** ‐
15.Sam
oprocena
ukupno
‐.012
.140
‐.061
‐.063
.034
.136
.066
‐.017
‐ .043.066.854
**.826
**.896
**.821
**‐
*p<.05
**p<.01
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
115
6.4Relacijeprocenarizikauvožnjiisamoprocenevozačkihsposobnosti
Kao što jemoguće videti iz tabele 6.4, utvrđene korelacije su se u najvećojmeri
odnosilenafaktorePrekoračenjebrzinaiPreticanjeizupitnikazaprocenurizičnih
situacija.KorelacijajeutvrđenaizmeđuBrzineiBezbednosneorijentacija(r=‐,243,
p<,01).PovezanostjeuočenaizmeđuPreticanjaisledećihfaktora:Opštavozačka
sposobnost(r=‐ ,201,p< ,05) iTelesnadimenzija(r=‐ ,213,p< ,01).Poredtriod
četiri faktoraupitnikasamoprocene, faktorPreticanjepokazao jepovezanost i sa
ukupnimskorovimanaupitnikusamoprocenesopstvenihvozačkihsposobnosti(r=‐
,308,p<,05).
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
116
Tabela6.4.KorelacijesupskalaDAQupitnikaiUpitnikasamrocene
Varijable
12
34
56
78
910
Upitniksam
oprocene
1.Opšta
vozačka
sposobnost
‐
2.Bezbednosna
orijentacija.557**‐
3.Telesna
dimenzija
.613**.674**‐
4.Specifične
vozačke
veštine
.558**.613**.766**‐
5.Samoprocena
Ukupanskor
.856**.823**.899**.825**‐
DAQ
6.Alkohol
.076
.012
‐.033
.041
.036
‐
7.Sleđenje
.143
.056
‐.031
.096
.082
.237
**
‐
8.Brzina
‐ .109
* ‐ .019
‐ .213
**
‐ .045
.038
.335
**
.145
‐
9.Preticanje
‐ .201
* ‐ .145
‐ .243
**
‐ .129
* ‐ .308
**
.243
**
.555
**
.154
* ‐
10.DAQ
Ukupni
skor
.133
.055
.091
.135
.145
.677
**
.677
**
.654
**
.983**
‐
*p<.05
**p<01
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
117
6.5Relacijeizmeđustavovapremarizikuuvožnjiiagresivnosti
ZaADBQupitnikzaprocenuagresivnostiuvožnjiiDAQupitnikzaprocenuvozačkih
stavova, Pearsonov koeficijent korelacije utvrđivan je za faktore koje su već
prethodnoopisani.Dobijenikoeficijentikorelacijeprikazanisuutabeli6.5.
Posmatrajući faktore DAQ upitnika utvrđene su sledeće korelacije sa faktorima
agresivnosti,iakoslabogintenziteta.ZafaktorrizikaSleđenje,zabeleženajeslabija
povezanostsafaktoromagresivnostiPrekoračnjebrzine(r=,167,p<,05).Neznatno
izraženija korelacija pronađena je u odnosu naUkupni pokazatelj agresivnosti u
vožnji(r=,221,p<,01).
Interesantno je da faktor rizičnog ponašanja koji se odnosi na stavove prema
konzumiranjualkoholanijepokazaopovezanostsaostalimkomponentamarizičnog
ponašanja.PosmatrajućifaktorBrzinakaokorelatrizika,zabeleženajepovezanost
sa faktorom agresivne vožnje, sličnog naziva, Prekoračenjembrzine (r=,166, p <
,05).FaktorPreticanjeizDAQupitnika,pokazaojepovezanostsasvimkorelatima
agresivnevožnje,ito:saLjutnjom(r=,197,p<,05),Prekoračenjembrzine(r=,238,
p <,05), Prenaglašenom ekspresijom (r=,197, p < ,05), i Stavom prema drugim
vozačimaiz(r=,205,p<,05),kaoisaukupnimskoromagresivnosti(r=,289,p<,01).
Ukupni skor za DAQ upitnik pokazao je relaciju sa faktorima ADBQ upitnika
Prekoračenjebrzine(r=,245,p<,05)iStavompremadrugimvozačima(r=,222,p
<,01).
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
118
Tabela6.5.KorelacijesupskalaDAQupitnikaiADBQupitnika
Varijable
12
34
56
78
910
ADBQ
1.Ljutnja
‐
2.Prekoračenjebrzine
.732**
‐
Prenaglaš.ekspresija
.579**
.512**
‐
3.Stavpremadrugim
vozačima
.451
**
.465
**
.454
**
‐
4.ADBQUkupniskor
.890
**
.856
**
.754
**
.732
**
‐
DAQ
5.Alkohol
.011
.036
.165
.131
.081
‐
6.Sleđenje
.114
.166*
.054
.076
.221**
.246
**
‐
7.Brzina
.076
.187*
.034
.008
.047
.334**
.132
‐
8.Preticanje
.197*
.238**
.197*
.205*
.289
**
.256
**
.520
**
.181*
‐
DAQUkupniskor
.122
.245*
.154
.222**
.143
.620**
.650**
.642**
.854**
‐
*p<.05
**p<.01
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
119
6.6Relacijeizmeđuagresivnostiuvožnjiisamoprocenevozačkih
sposobnosti
RelacijeADBQupitnikaiUpitnikazasamoprocenuvozačkihsposobnostiispitivane
su za pomenute utvrđene faktore upitnika i za ukupne skorove. Rezultati su
prikazaniuTabeli6.6.
Između skorova na ova dva upitnika uočene su izvesne povezanosti. Najpre,
pronađenesurelacijeizmeđuOpštevozačkesposobnosti,kaomeresamoprocene
vozačkesposobnostiiStavapremadrugimvozačimaizADBQupitnikazapercepciju
rizika(r=‐,187,p< ,05).PosmatrajućifaktorBezbednosnaorijentacija,uočavase
najveći broj relacija sa upitnikom za merenje agresivnosti. Utvrđene veze
zabeležene su između Bezbednosne orijentacije sa Ljutnjom (r= ‐,198, p < ,05),
Prekoračenjembrzine(r=‐,338,p<,01)iUkupnimskoromzaagresivnost(r=‐,377,
p<,01).Telesnadimenzijasamoprocenevozačanijepokazalarelacijesamerama
agresivnogponašanja,dokjezaVeštinuzaspecifičnevozačkezadatkeustanovljena
veza sa Prekoračenjem brzine (r=‐,238, p < ,01). Ukupna mera samoprocene
pokazala je izvesnu korelaciju sa Prekoračenjem brzine kao mere agresivnih
manevarauvožnji(r=‐,199,p<,05).
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
120
Tabela6.6.KorelacijesupskalaADBQupitnikaiUpitnikazasam
oprocenuvozačkihsposobnosti
Varijable
12
34
56
78
910
ADBQ
1.Ljutnja
‐
2.Prekoračenjebrzine
.767**
‐
3.Prenaglaš.ekspres.
.543**
.515**
‐
4.Stavpremadrugim
vozačima
.478
**
.451
**
.481
**
‐
5.ADBQUkupniskor
.837
**
.865
**
.765
**
.743
**
‐
Upitniksam
oprocene
6.Opštavozačka
sposobnost
‐.078
‐.055
‐.087
‐.187
* ‐.076‐
7.Bezbednosna
orijentacija
‐.198
* ‐.338
**
‐.132
‐.067
‐ .377
**.599
**‐
8.Telesna
dimenzija
‐.087
‐.166
.078
‐.031
.111
.675
**.689
*
* ‐
3.Veštinaza
specifičnezadatke
‐.134
.238
**
‐.113
‐0.99
‐.113.502
**.598
*
* .731
**‐
4.Samoprocena
ukupniskor
‐.102
‐.199
* .098
‐.078
‐072
.807
**.821
*
* .892
**.834
*
* ‐
*p<.05
**p<.01
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
121
6.7Diskusijarezultatakorelacijaizmeđuupitnika
Predočeni rezultati zahtevaju izvesnu interpretaciju, kao i poređenje sa sličnim
nalazimaizistraživanjastranihautora.Najpre,kakosemožeočekivati,najznačajnija
korelacijautvrđena je između faktoraBIS‐11upitnikazaprocenu impulsivnosti i
ADBQ upitnika za procenu agresivnosti u vožnji. Ovi upitnici koji mere slične
fenomeneuponašanju,otudapokazujupovezanost,kakozaukupneskorove,takoi
za pojedine faktore upitnika. Najizraženije korelacije utvrđene su za ukupne
skorove obaupitnika.Takođe, faktorOdnospremaplaniranju izBIS‐11upitnika
pokazaojeneštovišenivoepovezanostisasvimfaktorimaagresivnogponašanja,te
se može zaključiti da agresivne manifestacije u vožnji odražavaju stabilne
karakteristike ličnosti izražene kroz negativan odnos prema planiranju akcija u
ponašanjuvozača. Samokontrola kao faktor impulsivnosti takođepokazujenešto
višistepenpovezanostiuodnosunaostalerelacijesafaktorimaPrekoračenjebrzine
iPrenaglašenomekspresijom,štojelakoobjasnitisobziromnatodajepostojanje
izvesnesamokontrolenužnoprilikomodabirabrzinekretanja,aliiizlaženjanakraj
sa preteranom afektivnošću uobličenom kroz rekacije karakteristične za
uzbuđenost. Posredno, sa onim rezultatima koji upućuju na povezanost između
emocionalnestabilnostiiagresivnevožnje.
Naosnovuovihrezultatamožesezaključitidapostojipovezanostizmeđukorelata
ponašanjageneralne impulsivnosti iagresivnihekspresijauvožnji, tj.daovadva
instrumentatretirajusličnekonstrukteponašanja, temoguposlužitiupraksikao
pogodan alat za procenu ponašanja u saobraćaju koja spadaju u kategoriju
agresivnih, pri čemu se mogu upotrebljavati samostalno, ali i udruženo u cilju
dobijanja što validnijih prediktora ponašanja. Ovakvi rezultati u potpunosti su u
skladu sa rezultatima dobijenim u ranijim studijama koje su se bavile odnosom
između emocionalne stabilnosti i agresivne vožnje (Stanford i Barratt, 1992;
Deffenbacher i sar., 2000, 2003a, 2000b; Dahlen i sar., 2005; Renner i Anderle,
2010).
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
122
ElementiponašanjamereniDAQupitnikomzaprocenustavovauvožnji iBIS‐11
instrumentom pokazali su veoma mali broj slabih veza. Među najznačajnijim
svakako vredi pomenuti povezanost između faktora Pažnja, Odnos prema
planiranjuifaktorarizikaSleđenje.Naime,izgledadaosobekojepokazujuvisoke
skorovenafaktoruOdnospremaplaniranjutajsvojnehajniodnosgeneralizujuina
saobraćajne situacijekao što je održavanjeodstojanja, odnosno interval sleđenja
vozila.Obafaktorakarakterišehazarderskiodnospremasopstvenimakcijamakoje
produkujunebezbednestilovevožnje.
KadaseposmatrajuodnosiBIS‐11instrumentasaUpitnikomzaprocenusopstvenih
vozačkih veština uočavaju se svega dve izolovane korelacije negativnog smera
izmeđuBezbednosneorijentacijekaofaktorarizikasaPažnjomiMotorikom.Činise
dau formiranjubezbednih stavova vozača značajnuuloguostvarujupsihofizičke
manifestacijeponašanja.Razdražljivostprivožnjipodrazumevanegativanafekat,
kaoisnažnutenzijukojapratiovuaktivnost.Tojemanifestovanokroznestrpljenje,
različite agresivne postupke netrpeljivost prema različitim grupama učesnika u
saobraćaju,uglavnomonimzakojevaževozačkistereotipi.Ovakavnalazupućuje
na zaključak da vigilnost pažnje, koja je po pravilu uvek u vezi sa motoričkim
manifestacijamaimpulsivneuznemirenostimožedanamukaženaproblemekojeće
vozačimatiuformiranjuispravnihstavovaobezbednostiuvožnji.Dobijeninalazi
delimičnoodgovarajupostojećimistraživanjimakojasusebavilasličnimtemama
(Jonah,1997;Iversenisar.,20002Beggisar.,2004;Paaverisar.,2006;Barkleyi
sar.,2007).
Analiza strukture povezanosti između DAQ upitnika i Upitnika za samoprocenu
vozačkih karakteristika je pokazala manji broj slabijih korelacija između
posmatranih faktora ponašanja. Interesantno je spomenuti grupu pitanja
objedinjenihufaktoruPrekoračenjebrzine,kojisupokazalikorelacijenegativnog
predznakasafaktorimaOpštavozačkasposobnost,TelesnadimenzijaiSpecifične
vozačkeveštine.Poredtriodčetirifaktoraupitnikasamoprocene,faktorPreticanje
pokazaojepovezanostisaukupnimskorovimanaDAQupitniku.Naosnovuiznetih
podataka moguće je izvesti određene zaključke. Najpre, ovaj nalaz mogao bi se
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
123
dovestiuvezusarezultatimakojipokazujudavisokeiliprecenjenevozačkeveštine
mogubitirizičneukolikonisubalansiraneveštinamausmerenimnaobezbeđenje
sigurnosti(Sümer,isar.2006).Ovajobrazacsugerišedasamouverenostkadasuu
pitanjuvozačkeveštineutičenasklonostkakršenjupropisa,aposledičnoinavisoko
rizičnuvožnju.
PosmatrajućifaktoreDAQupitnikautvrđenojenizslabijihkorelacijasapojednim
faktorimaizUpitnikazasamoprocenu.Neštovišekorelacijepronađenesuuodnosu
naStavpremadrugimvozačimaiUkupniskoragresivnostiuvožnji.Ovakvavezaje
prethodnovećdelimičnoobjašnjenačinjenicomdaagresivnijiiimpulsivnijivozači
češćetežedaformirajunegativneproceneodrugimučesnicimausaobraćaju,štose
na manifestnom nivou odslikava u vidu omalovažavanja drugih vozača, pa do
slabijegunutrašnjeglokusakontrolekojiutičenanedostataksamokritičnosti,već
eksternalizuju odgovornost za izazvane situacije ka spoljašnjem lokusu kontrole.
Nalaz prema kome faktor rizičnog ponašanja Alkohol nije pokazao relacije sa
faktorima stavova prema riziku je zanimljivo prokomentarisati sa stanovišta
profesijevećine ispitanikauuzorku.Naime,kako jeuzorakvećinski formiranod
profesionalnih vozača, radni zahtevi i rigorozni nadzori ne dozvoljavaju ovoj
kategorijivozačavožnjupoddejstvomalkohola,tenesamoštonijeuočenanijedna
relacija sa faktorima rizičnog ponašanja, većDAQupitnik, generalno, nije visoko
zasićenovimfaktoromponašanja.
Posmatrajućipovezanostizmeđuskorovanaupitnicimainteresantnojepomenuti
povezanostslabijegintenzitetazabeleženizmeđuPreticanjaiStavapremadrugim
vozačima. Izgleda da se slična tendencija neafirmativnog odnosa prema drugim
učesnicima u saobraćaju provlači kroz sve upitnike i forme ponašanja, te su ovi
rezultativrednipažnjeprilikomopštediskusijeipredlogamera,jerseverujedaje
rečooblicimaponašanjanakojejemogućeizvršitiuticajuciljupromenestečenih
stavova.Verovatnodavozačisaizraženijimskorovimanaovimfaktorimanemare
zapravila,većsurukovođeniisključivoličnimpotrebamaiciljevima.Karakterišeih
neodložno zadovoljavanje sopstvenih potreba praćeno zanemarivanjem potreba
drugih ljudi i bezbednosti vožnje. Reč je afektivnom reagovanju, sa ciljem
6. Korelacijeimpulsivnosti,agresivnosti,stavovapremarizikuisamoprocenevozačkihsposobnosti
124
udovoljavanjatrenutnimželjamaiosećanjima.Sadrugestrane,bezbedneakcijeu
saobraćajuodlikujeodgovornoponašanjevozača,kojeuključujepoštovanjepravila,
briguoostalimučesnicimausaobraćaju,poverenjeusopstvenuvozačkuveštinui
pozitivanafektivniodnospremavožnji.
IzmeđufaktoraADBQupitnikaiUpitnikavozačkesamoproceneuočenesuizvesne
povezanosti a smer korelacije je negativan. Najupadljivije se izdvaja faktor
Bezbednosnaorijentacijakaomerasamoproceneličnihsposobnostikojapokazuje
korelacijesaLjutnjom/Agresivnošću,PrekoračenjembrzineiUkupnimskoromza
agresivnost.Sklonostkaagresivnosti,bilokrozstabilneurođenecrteličnosti,bilo
krozmanjestabilnaponašanjanastečenojosnovibojistavovevozačakarizičnim
ponašanjimainarušavaopštubezbednostsvihučesnika.
Sa druge strane, nedostatak kritičnosti prema sopstvenim ograničenjima u
motoričkom smislu dovodi do tendencije ka činjenju prekršaja koji se najčeščće
odnose na neodzvoljene brzine kretanja. Ovakva tendencijamogla bi da objasni
korelacijuustanovljenuzaTelesnudimenzijusaSpecifičnomvozačkomveštinomi
Prekoračenjembrzine.Poslednjakorelacijapodržanajerezultatimabrojnihstudija
u kojima je prekoračenje brzine detektovano kao najčešća forma agresivnog,
neadaptivnogponašanjavozača(Parkerisar.,1995;Dimmerisar.,1999;Lajuneni
sar.,2003;Daveyisar.,2005).
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
125
7. PRIMENAHIJERARHIJSKEREGRESIONEANALIZEUFORMIRANJUMODELA
PERCEPCIJERIZIKAIPONAŠANJAVOZAČA
7.1 Opisstatističkemetode
Ukolikoseproblemkoji jepredmetopservacijemožetretiratikaoproblemjedne
zavisne i više nezavisnih promenljivih, radi se o pogodnoj situaciji za analizu
podatakametodomvišestrukeregresije.Akojevezaizmeđunjihlinearneprirode,
slučajsesvodinavišestrukilinearnimodel(Ljubojaisar,2016).Regresionimodel,
osimanalizejačineismera,podrazumevaianalizuoblikapovezanosti.Regresioni
model je pogodan za istraživanje psiholoških pojava jer omogućava predikciju
vrednosti zavisne varijable na osnovu poznavanja vrednosti nezavisnih varijabli.
Kada je utvrđenodapostoji značajna korelacija izmeđudve varijable,moguće je
vrednostjednevarijableiskoristitizapredikcijuvrednostidrugevarijable.
Značajvišestrukeregresijeogledaseudavanjuodgovoranasledećapitanja:
Koliko dobro sve nezavisne varijable kombinovano objašnjavaju ili im se
možepripisatirazlogzavarijacijezavisnevarijable(R2);
Kolika je relativna važnost svake nezavisne varijable u objašnjavanju
varijacija zavisne varijable (beta koeficijenti), pod uslovom da ne postoji
značajnamultikolinearnost;
Koja je najbolja predviđena vrednost zavisne varijable za bilo koju
kombinacijunezavisnihvarijabli;
Koji se obim promene zavisne varijablemože očekivati za svaku jedinicu
promenesvakenezavisnevarijable(koeficijentiprostekorelacije).
Pretpostavkenakojimasezasnivamodelvišestrukeregresijesusličneonimakoje
važezajednostrukulinearnuregresijuioneglase:
Oblikzavisnostiizmeđusvihvarijablijelinearanodnosnopravalinija.Ovoje
pogotovovažnozaodnosnezavisnihvarijablisazavisnomvarijablom;
Svevarijablesukontinualne;
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
126
Sve varijable imaju interval varijacije, disperziju, odnosno varijansu,
odnosnovećinaopservacijanijejednajedinstvenavrednost;
Uglavnomjeslučajdaseubazipodatakanalazibaremtridopetputaviše
jedinicaposmatranjanegoštojevarijabli,kakobiseregresionikoeficijenti
smatralipouzdanim;
Multikolinearnost između varijabli je ovde često mala ili je nije moguće
detektovati.
Prilikom inerpretacije rezultata dobijenih ovom metodom potrebno je testirati
njihovu statističku značajnost. Ako R (korigovani koeficijent multiple
determinacije),inestandardizovaniregresionikoeficijenti‐b(parcijalniregresioni
koeficijent)i β (standardizovani regresioni koeficijent) nisu statistički značajni,
zaključujesedanijednanezavisnavarijablanemastvarnupovezanostsazavisnom
varijablom. To znači da dobijenimodel nema praktičnu vrednost. Ukoliko su svi
regresionikoeficijentistatističkiznačajni,ondaćeiRbitisasvimizvesnoznačajan.
Uobrnutomslučaju,tonemoradasedesijerjemogućedasezbogvelikogbroja
varijabli i postojanja multikolinearnosti dobije statistički značajno R, a da b
koeficijentinisuznačajni.
Nestandardizovani regresioni koeficijenti, mogu biti upotrebljeni u jednačini za
izračunavanje predikcije zavisne varijable. Negativna vrednost ukazuje na
negativnu povezanost – povećanje vrednosti nezavisne varijable rezultuje
smanjenjemvrednostizavisnevarijable.Uregresionimmodelimakoeficijentidaju
iznospromenezavisnevarijableza jediničnupromenunezavisne(eksplanatorne,
kriterijumske) varijable, uslovno kad su sve ostale nezavisne varijable
nepromenjene.Standardizovanikoeficijentibetamogubitiodkoristizatumačenje
relativnogznačajanezavisnihvarijabli.
Multiplilinearniregresionimodelzapopulacijuglasi:
y∗ β β x β x ⋯ β x
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
127
yi*jepredviđenavrednostkriterijumskevarijablenaosnovumodela,aβ0,β1,β2,…,
βm su parametri modela (konstanta i regresioni koeficijenti za m prediktorskih
varijabli)(Tenjović,2002).
Za evaluaciju dobijenog regresionog modela koristi se mera R2 korigovani
koeficijentmultipledeterminacije,kojigovoriotomekolikiprocenatvarijabiliteta
kriterijumske varijable u populaciji možemo objasniti (predvideti) na osnovu
poznavanja varijabiliteta na prediktorskim varijablama. Ova vrednost je najbolja
deskriptivna mera uspešnosti modela regresije u objašnjavanju ishoda zavisne
varijable. Za procenu preciznosti modela neophodno je razmatrati i standardnu
grešku ocene koja govori o prosečnoj grešci koju pravimo u predviđanju
kriterijumske varijable na osnovu linearne kombinacije prediktorskih varijabli.
Takođe,pomocuANOVA(Analizavarijanse)testiramonultuhipotezuokoeficijentu
multiple determinacije. Značajan t‐statistik govori u prilog statistički značajnom
specifičnom (jedinstvenom) doprinosu date prediktorske varijable predviđanju
(objašnjenju varijabilnosti) kriterijumske varijable (u kontekstu ostalih
prediktorskih varijabli u modelu). Posmatra se vrednost p, gde važi da ako je
vrednostpmanjaod0,05,tadajebetakoeficijentstatističkiznačajan.Dalje,štoje
vrednostpmanja,avećavrednostt,tojevećidoprinosanaliziranogprediktorau
procenizavisnevarijable.
7.2 Primena hijerarhijske regresione analize u predikciji saobraćajnih
nezgodanaosnovurezultatanapsihološkimmerniminstrumentima
Kakobisekonstruisaomodelkojimbiseobjasnilapercepcijaopasnihmestainjen
uticaj na incidenciju saobraćajnih nezgoda vozača, sprovedeno je nekoliko
hijerarhijskih regresionih analiza. Za potrebe formiranja regresionih modela
ponašanjavozačaanaliziranisuukupniskorovinasledećimmerniminstrumentima:
BIS‐11upitnikuzaprocenuimpulsivnosti,AQBDupitnikuzaprocenuagresivnostiu
vožnji, DAQ upitniku za procenu stavova vozača prema različitim situacijama u
vožnji(međukojimadominirajurizične),kaoiUpitnikuzasamoprocenuvozačkih
sposobnosti.Ciljanalizejebiodaseispitadalisenekiodpokazateljabezbednostiu
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
128
saobraćaju(presvegasemislinasklonostkadoživljavanjusaobraćajnihnezgoda)
mogupredvideti naosnovu stabilnih ilimanje stabilnihpsihološkihkonstrukata.
Svakioddobijenihmodelanumerisanjeredosledomkojimsuopisani.
7.2.1 Primena hijerarhijske regresione analize u predikciji saobraćajnih
nezgodanaosnovuimpulsivnostivozača(RegresionimodelI)
Zaanaliziranjeodnosaizmeđudoživljavanjasaobraćajnihnezgodaiimpulsivnosti,
sprovedena je hijerarhijska regresiona analiza, realizovana iz više koraka, uz
kontroluvarijablikaoštosustarostivozačkoiskustvo,akojemogudaseodrazena
ukupne dobijene rezultate. Kako bi se pretpostavljeni uticaj ovih varijabli na
doživljavanje saobraćajnih nezgoda utvrdio, najpre su analizirani Pirsonovi
koeficijenti korelacije. U tabeli 7.1 predočena je veza varijabli starost i vozačko
iskustvosabrojemnezgodakojesuispitaniciimaliusvojojvozačkojistoriji.Takođe,
utabelijedatiprikazpovezanostiukupnihskorovanainstrumentimaprocenesa
ovim dvema demografskim varijablama, kao i sa doživljenim saobraćajnim
nezgodama. Iz navedenog prikaza moguće je uočiti postojanje relacija između
varijablistarost ivozačkoiskustvosaukupnimbrojemnezgodakojesu ispitanici
prijaviliusvojimsamoizveštajima.Naosnovustatističkiznačajnihkorelacijakojesu
ovom analizom utvrđene, varijable starost i vozačko iskustvo su definisane kao
kontrolne varijable u konstruisanju regresionog modela ponašanja (Čubranić
Dobrodolacisar,2015).
Uprvomblokuregresioneanalize,zaformiranjemodelaponašanjaI,kaozavisna
varijabla korišćen je ukupanbroj nezgoda koje su vozači imali u svojoj vozačkoj
istoriji.Varijablestarostivozačkoiskustvouvedenesuuprvomblokuregresione
analizekaonezavisne,dokjeudrugomblokuanalizeUkupniprosečniskornaBIS‐
11upitnikuuključenkaonarednanezavisnavarijabla.
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
129
Tabela 7.1.Korelacije između starosti, vozačkog iskustva, skorova na upitnicima i
uključenostiusaobraćajnenezgode
Varijable 1 2 3 4 5 6 71. StarostSig.(2‐tailed)
‐
2. VozačkoiskustvoSig.(2‐tailed)
,354**,000 ‐
3. Uključenostusaobraćajnenezgode
Sig.(2‐tailed)
,365**,000
,375**,000 ‐
4. ADBQSig.(2‐tailed)
,118*,039
,173**,002
,521**,000 ‐
5. BIS‐11Sig.(2‐tailed)
,219**,000
,241**,000
,546**,000
,270**,000 ‐
6. DAQSig.(2‐tailed)
,032,581
,180**,002
,339**,000
,253**,000
,189**,001 ‐
7. SamoprocenaSig.(2‐tailed)
‐,051,379
,065,258
‐,249**,000
‐,115*,045
‐,130*,023
,008,894
‐
*p<,05.**p<,01.
EvaluacijaregresionogmodelaI
Uokviruprveregresioneanalize,varijablestarostivozačkoiskustvo,uključeneu
prvomkoraku,objašnjavaju17,4%varijanseunastankusaobraćajnihnezgoda(F
(2, 302) =31,729, p<,001).Nakondodavanja impulsivnosti u narednomkoraku
(Tabela7.2),regresionimodelopisuje38,3%ukupneposmatranevarijanse(F(3,
301)=62,192,p<,001).Impulsivnostobjašnjava20,9dodatnihprocenatavarijanse
ukupno doživljenih saobraćajnih nezgoda. Male vrednosti standardne greške
procenepotvrđujupreciznostmodela.VrednostiFukazujudaovajmodelznačajno
poboljšavasposobnostdapredvidizavisnuvarijablu.
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
130
Tabela7.2.PrikazregresionogmodelaI
a. Prediktori:(konstanta),Starost, Vozačkoiskustvo,b. Prediktori:(konstanta),Starost, Vozačkoiskustvo,BIS‐11
Kakobiseunapredilaevaluacijadobijenogmodela,sprovedenajeanalizastatističke
značajnostipokazateljamodela,ANOVA.Dobijeni rezultatiuTabeli7.3.pokazuju
testiranjenultehipotezedajeR2upopulacijijednako0.Kakojemogućeuočiti,pored
starostiivarijablaImpulsivnostdajestatističkiznačajanjedinstvendoprinosovoj
jednačini, a konkretnija veza opisana je sledećim koeficijentima: = 0.477, t =
10,095, p <.001 (tabela 7.4). Sprovođenjem t‐testa može se doći do zaključka o
značajnostibetakoeficijenta.Sobziromdajevrednostpmanjaod0,05,toznačida
jebetakoeficijentstatističkiznačajan.Dalje,štojevrednostpmanja,avećavrednost
t,tojevećidoprinosanaliziranogprediktora.
Tabela7.3.ProveraznačajnostimodelaIkaoceline primenomANOVAtesta
ModelSuma
kvadratadf
Prosečni
kvadratF Znač.
1Regresija
Rezidual
Ukupno
27,051
128,733
155,784
2
302
304
13,525
,426
31,729 ,000b
2Regresija
Rezidual
Ukupno
59,612
96,171
155,784
3
301
304
19,871
,320
62,192 ,000c
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgodab. Prediktori:(konstanta),Starost,Vozačkoiskustvoc. Prediktori:(konstanta),Starost,Vozačkoiskustvo,Impulsivnost
PregledmodelaMod. R R2
(koef.deter.)
Kori‐govanoR2
Stand.greška.procene
StatistikapromenaPromena
R2Prom. df1 df2 Znač.
prom.F1 ,417a ,174 ,168 ,65289 ,174 31,729 2 302 ,0002 ,619b ,383 ,377 ,56525 ,209 101,912 1 301 ,000
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
131
Tabela7.4KoeficijentimodelaI
ModelNestandardizovani
koeficijenti
Standardizovani
koeficijenti t Znač.
B Std.gr.
1(Konstanta)
Starost
Voz.iskust.
,614
,129
,223
,141
,037
,038
,190
,319
4,343
3,460
5,811
,000
,001
,000
2(Konstanta)
Starost
Voz.iskust.
Impuls.
‐2,611
,077
,159
,052
,342
,033
,034
,005
,113
,227
,477
‐7,634
2,347
4,694
10,095
,000
,020
,000
,000
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgoda
Varijablestarostvozača,kaoivozačkoiskustvo,objašnjavajuznačajandeovarijanse
unastankunezgodausaobraćaju.Ipak,najvećidoprinosobjašnjenjudoživljavanja
saobraćajnihnezgodaupopulacijidajevarijablaImpulsivnostištovidimonaosnovu
vrednosti standardizovanog regresionog koeficijenta. Rezultati odnosa između
idealneiaktuelneraspodelepovezanostiposmatranihvarijabliprikazanisunaslici
7.1.
Slika7.1.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnosti
saobraćajnihnezgodaiimpulsivnosti
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
132
7.2.2 Primena hijerarhijske regresione analize u predikciji saobraćajnih
nezgodanaosnovuagresivnostivozača(RegresionimodelII)
U drugoj izvršenoj regresionoj analizi zavisna varijabla je bila identična kao u
prethodnomslučaju(ukupanbrojnezgoda).Uzrastivozačkoiskustvokaokontrolne
varijablezakoje jeuprethodnomrazmatranjupredočenarelacijasanezgodama,
uključenesuuprvomregresionombloku.Uokvirudrugogbloka,uključenjeukupni
prosečniskoragresivnostivozača.Kontrolišućivarijablestarostivozačkoiskustvo,
težiseobjasnitiodkakvogsuznačajaagresivnemanifestacijekojevozačiispoljavaju
usaobraćajuuinterpretacijisaobraćajnihnezgodakojesudoživeli.
EvaluacijaregresionogmodelaII
Uokvirudrugehijerarhijskeregresioneanalize,varijablestarostivozačkoiskustvo,
uvedeneuprvombloku,kaoiuokviruprvogmodelaobjašnjavaju17,4%varijanse
unastankusaobraćajnihnezgoda(F(2,302)=31,729,p<,001).Nakonuvođenja
skora agresivnosti u jednačinu sve varijable udruženo opisuju 36% ukupne
varijanse (F (3, 301) = 56,320, p <,001). Agresivnost vozača, posmatrana kroz
ukupni skor na upitniku opisuje dodatnih 18,6 % varijanse uključenosti u
saobraćajne nezgode (F (1, 301) = 87,355, p <.001). Rezultati su prikazani u
tabelama 7.5 i 7.6. Vrednost za F pokazuju da ovaj model takođe značajno
poboljšavasposobnostdasepredvidivrednostzavisnevarijable.
Tabela7.5.PrikazregresionogmodelaII
a. Prediktori:(konstanta),Starost, Vozačkoiskustvo,b. Prediktori:(konstanta),Starost, Vozačkoiskustvo, ADBQ
PregledmodelaModel R R2
(koef.deter.)
Kori‐govanoR2
Stand.greška.procene
StatistikapromenaPromena
R2Prom. df1 df2 Znač.
prom.F
1 ,417a ,174 ,168 ,65289 ,174 31,729 2 302 ,0002 ,600b ,360 ,353 ,57575 ,186 87,355 1 301 ,000
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
133
Tabela7.6.ProveraznačajnostimodelaIIkaoceline primenomANOVAtesta
ModelSuma
kvadratadf
Prosečni
kvadratF Znač.
1Regresija
Rezidual
Ukupno
27,051
128,733
155,784
2
302
304
13,525
,426
31,729 ,000b
2Regresija
Rezidual
Ukupno
56,007
99,776
155,784
3
301
304
18,669
,331
56,320 ,000c
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgodab. Prediktori:(konstanta),Starost,Vozačkoiskustvoc. Prediktori:(konstanta),Starost,Vozačkoiskustvo,Agresivnost
StatističkaznačajnostjeutvrđenazapromenljivuAgresivnost,akonkretnijavezase
možesagledatikrozvrednoststandardizovanogregresionogkoeficijenta:=,439,t
=9,346,p<.001(Tabela7.7).
Slika7.2.prikazujejakupozitivnupovezanostizmeđuagresivnostiinezgodakojesu
ispitanicidoživeli.
Tabela7.7.KoeficijentimodelaII
ModelNestandardizovani
koeficijenti
Standardizovani
koeficijenti t Znač.
B Std.gr.
1(Konstanta)
Starost
Voz.iskust.
,614
,129
,223
,141
,037
,038
,190
,319
4,343
3,460
5,811
,000
,001
,000
2(Konstanta)
Starost
Voz.iskust.
Agresiv.
‐,826
,107
,176
,033
,198
,033
,034
,004
,158
,252
,439
‐4,168
3,252
5,165
9,346
,000
,001
,000
,000
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgoda
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
134
Slika7.2.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnosti
saobraćajnihnezgodaiagresivnosti
7.2.3 Primena hijerarhijske regresione analize u predikciji saobraćajnih
nezgodanaosnovusklonostikarizikuuvožnji(RegresionimodelIII)
Postupak sprovođenjahijerarhijske regresione analize i u slučajumodela III ima
identičnekorake,kaoinezavisneikontrolnevarijablekojesenapočetkuunoseu
model.Udrugomblokuformiranjamodela,kaonezavisnavarijablaanaliziranisu
stavovivozačapremarizičnimponašanjimauvožnjiizraženikrozukupniskorna
DAQupitniku.
EvaluacijaregresionogmodelaIII
I u slučaju opisivanja III modela ponašanja vozača, ponovljene su vrednosti za
kontrolne varijable koje objašnjavaju 17,4% posmatrane varijanse (F(2, 302) =
31,729,p<,001).Udrugombloku,uključivanjemUkupnogskoranaDAQupitniku,
svevarijabledefinišuoko25,2%ukupnevarijanse(F(3,301)=33,829,p<,001)
doživljenihsaobraćajnihnezgoda.Stavovi ispitanika izraženiukupnimskoromna
upitnikuopisujudodatnih7,9%varijanseuključenostiusaobraćajnenezgode(F(1,
301)=31,597,p<,001).Rezultatisuprikazaniutabelama7.8i7.9.VrednostzaF
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
135
pokazuju da ovaj model takođe značajno poboljšava sposobnost da se predvidi
vrednostzavisnevarijable.
Tabela7.8.PrikazregresionogmodelaIII
a. Prediktori:(konstanta),Starost, Vozačkoiskustvo,b. Prediktori:(konstanta),Starost, Vozačkoiskustvo,DAQtotal
Statistička značajnost je utvrđena za promenljivu koja se odnosi na ukupno
postignućenaDAQupitniku, akonkretnijaveza semože sagledatikrozvrednost
standardizovanogregresionogkoeficijentastavepremariziku:=,285,t=5,621,p
<,001(Tabela7.10). Iakojeudeoukupnogskorauobjašnjenjuvarijansenezgoda
znatnonižinegoštojeregistrovanozavarijableImpulsivnostiiagresivnosti,ipak,
modelpokazujezadovoljavajućekarakteristike,značajnostipreciznost,aneštoniži
standardizovani regresioni koeficijent može biti posledica korelacije sa drugim
prediktorskimvarijablama.
Tabela7.9.ProveraznačajnostimodelaIIIkaoceline primenomANOVAtesta
ModelSuma
kvadratadf
Prosečni
kvadratF Znač.
1Regresija
Rezidual
Ukupno
27,051
128,733
155,784
2
302
304
13,525
,426
31,729 ,000b
2Regresija
Rezidual
Ukupno
39,280
116,503
155,784
3
301
304
13,093
,387
33,829 ,000c
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgodab. Prediktori:(konstanta),Starost,Vozačkoiskustvoc. Prediktori:(konstanta),Starost,Vozačkoiskustvo,DAQtotal
PregledmodelaModel R R2
(koef.deter.)
Kori‐govanoR2
Stand.g.procene
StatistikapromenaPromena
R2Prom. df1 df2 Znač.
prom.F
1 ,417a ,174 ,168 ,65289 ,174 31,729 2 302 ,0002 ,502b ,252 ,245 ,62214 ,079 31,597 1 301 ,000
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
136
Tabela7.10.KoeficijentimodelaIII
ModelNestandardizovani
koeficijenti
Standardizovani
koeficijenti t Znač.
B Std.gr.
1(Konstanta)
Starost
Voz.iskust.
,614
,129
,223
,141
,037
,038
,190
,319
4,343
3,460
5,811
,000
,001
,000
2(Konstanta)
Starost
Voz.iskust.
DAQ
‐,679
,133
,185
,022
,266
,035
,037
,004
,197
,265
,285
‐2,548
3,762
4,997
5,621
,011
,000
,000
,000
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgoda
NaSlici7.3.predočenjedijagrampovezanostistavovapremapreduzimanjurizikau
vožnjiibrojadoživljenihsaobraćajnihnezgodavozača.
Slika7.3.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnosti
saobraćajnihnezgodaistavovapremariziku
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
137
7.2.4 Primena hijerarhijske regresione analize u predikciji saobraćajnih
nezgoda na osnovu samoprocene vozačkih sposobnosti (Regresioni
modelIV)
U četvrtoj izvršenoj regresionoj analizi zavisna varijabla je bila identična kao u
prethodnomslučaju(ukupanbrojnezgoda).Uzrastivozačkoiskustvokaokontrolne
varijable za koje je prethodno predočena relacija sa nezgodama, uključene su u
prvom regresionom bloku. U okviru drugog bloka, uključen je ukupan skor na
Upitnikusamoprocenevozačkihsposobnostiispitanika.
EvaluacijaregresionogmodelaIV
U okviru naredne hijerarhijske regeresione analize, varijable starost i vozačko
iskustvo,uvedeneuprvombloku,kaoiuokviruprvogmodelaobjašnjavaju17,4%
varijanseunastankusaobraćajnihnezgoda(F(2,302)=31,729,p< ,001).Nakon
uvođenja varijable Samoprocene vozačkih sposobnosti modelom kao celinom
objašnjeno je oko 24,2% ukupne varijanse (F (3, 301) = 32,037, p < ,001).
Samoprocenavozača,posmatranakrozukupniskornaUpitnikuopisujedodatnih
neštomanjeod6,8%varijanseuključenostiu saobraćajnenezgode (F (1, 301)=
27,155,p<,001).Rezultatisuprikazaniutabelama7.11i7.12.
Tabela7.11.PrikazregresionogmodelaIV
a. Prediktori:(konstanta),Starost, Vozačkoiskustvo,b. Prediktori:(konstanta),Starost, Vozačkoiskustvo,Samoprocena
PregledmodelaModel R R2
(koef.deter.)
Kori‐govanoR2
Stand.g.procene
StatistikapromenaPromena
R2Prom. df1 df2 Znač.
prom.F
1 ,417a ,174 ,168 ,65289 ,174 31,729 2 302 ,0002 ,492b ,242 ,234 ,62633 ,068 27,155 1 301 ,000
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
138
Tabela7.12.ProveraznačajnostimodelaIVkaoceline primenomANOVAtesta
ModelSuma
kvadratadf
Prosečni
kvadratF Znač.
1Regresija
Rezidual
Ukupno
27,051
128,733
155,784
2
302
304
13,525
,426
31,729 ,000b
2Regresija
Rezidual
Ukupno
37,703
118,080
155,784
3
301
304
12,568
,392
32,037 ,000c
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgodab. Prediktori:(konstanta),Starost,Vozačkoiskustvoc. Prediktori:(konstanta),Starost,Vozačkoiskustvo,Samoprocena
Ukupni skor samoprocene pokazuje statističku značajnost u interpretaciji celog
modela,izraženokrozvrednostistandardizovanogregresionogkoeficijenata:=‐
,263, t = ‐5,211, p <,001 (Tabela 7.13). Premda ovaj koeficijent ima nešto nižu
vrednost, ipak model pokazuje zadovoljavajuće karakteristike, značajnost i
preciznost,aneštonižistandardizovaniregresionikoeficijentmožebitiposledica
korelacije sa drugim prediktorskim varijablama, kao i u slučaju prethodne
prediktorskevarijable.
Tabela7.13.KoeficijentimodelaIV
ModelNestandardizovani
koeficijenti
Standardizovani
koeficijenti t Znač.
B Std.gr.
1(Konstanta)
Starost
Voz.iskust.
,614
,129
,223
,141
,037
,038
,190
,319
4,343
3,460
5,811
,000
,001
,000
2(Konstanta)
Starost
Voz.iskust.
Samoproc.
1,677
,115
,239
‐,016
,245
,036
,037
,003
,169
,342
‐,263
6,846
3,214
6,474
‐5,211
,000
,001
,000
,000
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgoda
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
139
Prikazanirezidualiuodnosunaidealanmodelodnosadvejuvarijablipredočenisu
nagrafičkomprikazu7.4.Kaoštoseuočava,postojeizvesnaodstupanjaispitanika
uodnosunaželjeninivoodnosa i tonešto izraženijenegouprethodnoopisanim
primerima ostalih modela. Ako se zanemare izvesne nepravilnosti u opisivanju
odnosa razmatranih varijabli,moguće je ipak izvesti zaključak da je zadovoljena
relativnanormalnostudistribucijiposmatranogodnosa.Onoštojekarakteristično
zaovajmodel,zarazlikuodprethodnih,jedajeSamoprocenasopstvenihvozačkih
sposobnostijedinaprediktorskavarijablačijiregresionikoeficijentiimajunegativni
predznak.PromenauskoruSamoproceneza jednu jedinicu,odnosnostandardnu
devijacijumenjaočekivanibrojsaobraćajnihnezgodaza1.6standardnedevijacije,
sapovećanjemskoraSamoprocenesmanjujesebrojsaobraćajnihnezgodakojebi
ispitanikmogaodoživeti, iobratno,nižiskorovinaskalisamoprocenesopstvenih
vozačkihsposobnostipovezanisusavećimbrojemsaobraćajnihnezgoda.
Slika7.4.Grafičkiprikazdijagramarasipanjailinearneregresijezavisnosti
saobraćajnihnezgodaisamoprocenevozačkihsposobnosti
7.2.5 Regresionimodelzasveinstrumenteprocene
Kako bi se utvrdilo koliko je model kao celina sa svim nezavisnim varijablama
unetim zajednou drugombloku regresione analize uspešanu predviđanju broja
doživljenih saobraćajnih nezgoda u populaciji, realizovana je višestruka
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
140
hijerarhijska regresiona analiza. Ova analiza je od naročite važnosti za naredna
poglavlja u kojima će biti analizirani principi fazi logike i tom prilikom će biti
upoređivanaefikasnostprimenehijerarhijskeregresioneanalizeuodnosunafazi
logičke sisteme u predikciji saobraćajnih nezgoda. U prvom bloku unete su već
pomenute varijable Starost vozača i Vozačko iskustvo. U drugom bloku uneti su
ukupniskorovizasvačetiriinstrumentaprocene(BIS‐11,ADBQ,DAQiInstrument
zasamoprocenuvozačkihsposobnosti).
Evaluacijavišestrukogregresionogmodela
Primenom višestruke hijerarhijske regeresione analize utvrđeno je da varijable
starost i vozačko iskustvo, uvedene u prvom bloku, kao i u okviru prethodnih
modelaobjašnjavaju17,4%varijanseunastankusaobraćajnihnezgoda(F(2,302)=
31,729,p< ,001).Nakonuvođenjasvečetiriprediktorskevarijablemodelomkao
celinomobjašnjenojeoko54,6%ukupnevarijanse(F(6,298)=59,683,p<,001)
doživljavanja saobraćajnih nezgoda. Uvođenjem ovih varijabli model opisuje
dodatnih37,2%varijanseuključenostiusaobraćajnenezgode(F(4,298)=61,043,
p<,001)(Tabele7.14I7.15).
Tabela7.14.Prikazvišestrukogregresionogmodela
a. Prediktori:(konstanta),Starost,Vozačkoiskustvob. Prediktori: (konstanta), Starost, Vozačko iskustvo, BIS‐11, ADBQ, DAQ,
Samoprocena
PregledmodelaModel R R2
(koef.deter.)
Kori‐govanoR2
Stand.devijac.Procene
StatistikapromenaPromena
R2Prom. df1 df2 Znač.
prom.F1 ,417a ,174 ,168 ,65289 ,174 31,729 2 302 ,000
2 ,739b ,546 ,537 ,48728 ,372 61,043 4 298 ,000
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
141
Tabela 7.15. Provera značajnosti višestrukog regresionog modela kao celine primenomANOVAtesta
ModelSuma
kvadratadf
Prosečni
kvadratF Znač.
1Regresija
Rezidual
Ukupno
27,051
128,733
155,784
2
302
304
13,525
,426
31,729 ,000b
2Regresija
Rezidual
Ukupno
85,027
70,757
155,784
6
298
304
14,171
,237
59,683 ,000c
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgodab. Prediktori:(konstanta),Starost,Vozačkoiskustvoc. Prediktori: (konstanta),Starost,Vozačko iskustvo,Starost,Vozačko iskustvo,BIS‐11,ADBQ,
DAQ,Samoprocena
Ukupni skorovi uneti za sve instrumente pokazuju statističku značajnost uinterpretacijicelogmodelazasvakiodinstrumenata(videtitabelu7.16).Regresionimodel sa četiri prediktorske varijable pokazao se kao najuspešniji za predikcijudoživljavanja saobraćajnih nezgoda vozača. Pri tome, agresivnost i impulsivnostdaju najveći doprinos ukupnom varijabilitetu u kriterijumskoj varijabli, odnosnoobjašnjavajuindividualnerazlikeupopulacijivozača.
Tabela7.16.Koeficijentivišestrukogregresionogmodela
ModelNestandardizovani
koeficijenti
Standardizovani
koeficijenti t Znač.
B Std.gr.
1(Konstanta)
Starost
Voz.iskust.
,614
,129
,223
,141
,037
,038
,190
,319
4,343
3,460
5,811
,000
,001
,000
2(Konstanta)
Starost
Voz.iskust.
Impuls.
Agres.
DAQ
Samoproc.
‐2,770
,069
,133
,039
,023
,013
‐,011
,386
,028
,030
,005
,003
,003
,002
,101
,191
,354
,300
,160
‐,177
‐7,184
2,430
4,493
8,338
7,147
3,894
‐4,449
,000
,016
,000
,000
,000
,000
,000
a. Zavisnavarijabla:Ukupanbrojsaobraćajnihnezgoda
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
142
7.2.6Strukturalnimodeljednačina(strukturalnomodelovanje)
Structuralequationmodelling(SEM)jemultivarijantnastatističkametodakojase
koristi u situacijama kada se analizira odnos između više varijabli. Može se
posmatrati kao kombinacija faktorske analize i regresione analize, a u stručnoj
literaturisenajčešćeupotrebljavakakobisepotvrdilirezultatidobijeniprimenom
hijerarhijskeregresioneanalize(štojeiuovomistraživanjuslučaj).
PrimenaSEMmodelaimaodređeneprednostiuodnosunahijerarhijskuregresionu
analizu.Jednaodnajvažnijihjemogućnostdauzmeuobzirslučajnugrešku,grešku
umerenjuindikatora,čakisistemskuiligreškuizborametoda(BagozziiYi,2012).
UovomistraživanjuSEMmetodajekorišćenakakobiseproverilodalisumodeli
dobijeni hijerarhijskom regresionom analizom validni. Ovde je takođe cilj da se
odredeintenzitetivezaizmeđupojedinihpsihološkihinstrumenata,kaoiizmeđutih
instrumenataibrojanezgoda.Očekivanirezultatimogudapomognuurangiranju
prediktorskihvarijablipremanjihovomintenzitetuuodnosunauticajnanastanak
saobraćajnihnezgoda.UtusvrhukorišćenjestatističkipaketAMOS6.0.Dobijeni
rezultati prikazani su na slici 7.5. Moguće je uočiti standardizovane regresione
koeficijentezasvemeđusobnevezevarijablinaslici.Dobijenirezultatipotvrđuju
prethodnenalazeizaključkeuokviruprimenehijerarhijskeanalize.= ,354,=
,300,=,160and=‐.177,respektivno,navestinazivevarijabliilikaokoeficijent
prikazati. Rezultati potrvđuju da impulsivnost ostvaruje najjaču povezanost sa
nastankomnezgoda(=.41),zatimslediagresivnostuvožnji(=.33)testavovi
prema riziku ( = .18). Samoprocena je i u ovom slučaju pokazala povezanost
negativnogsmera,štojeuskladusapočetnimočekivanjima(=‐.16).Naslici7.5.
prikazanesu,takođeivrednostikovarijansiizmeđuvarijabli.
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
143
Slika7.5.DijagramodnosaADBQ,BIS‐11,DAQ,SamoproceneiBrojanezgoda
(Čubranić‐Dobrodolacisar.,2017)
7.3 Diskusijarezultataprimenehijerarhijskeregresioneanalizeupredikciji
saobraćajnihnezgodanaosnovupsihološkihmernihinstrumenata
Primenom hijerarhijske regresione analize za svaki od instrumenata procene
dobijeni su rezultati koji objašnjavaju udeo svakog razmatranog psihološkog
konstruktaunastankunezgoda.DobijeninalazipotvrđenisuuzpomoćSEMmodela.
Rezultati dobijeni višestrukom hijerarhijskom analizom primenom svih
instrumentausvojstvunezavisnihprediktorskihvarijablipokazalisudamodelkao
celina objašnjava zadovoljavajući deo varijanse u nastanku nezgoda, ali kako su
indikativniji rezultati dobijeni za svaki od instrumenta ponaosob, diskusija će se
pretežnobaziratinainterpretacijipojedinačnihregresionihmodela.Takođe,ukupni
modelposlužićeikaoosnovazapoređenjedvejumetodaanalizedobijenihpodataka
(poglavlje10ovedisertacije).Rezultatihijerarhijskeregresioneanalizepokazujuda
visoki skorovi na skalama impulsivnosti BIS‐11, i skali agresivnog ponašanja u
vožnjiADBQ,oblikujumanjebezbedanstilvožnje izraženkrozvećuverovatnoću
doživljavanjasaobraćajnihnezgoda.Pratećielementiovakvogponašanjaprivožnji
su: sklonost rizicima, takmičarsko ponašanje, zadovoljavanje trenutnih impulsa,
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
144
nemogućnost da se razmišlja o posledicama sopstvenih akcija i sl. Obe skale
objašnjavaju veoma sličan udeo varijanse u nastanku nezgoda, zajedno sa
demografskimvarijablama,starost ivozačko iskustvo.Dobijenirezultatimoguse
protumačiti kroz prizmu crta ličnosti i dimenzija ponašanja koje ova dva
instrumentaprocenjuju,akojesuumnogomeslične.Dakle,kaoštojevećbilorečiu
prvompoglavlju,ovadvafenomenasečestoustručnojliteraturidovodeuvezujer
je prilično teško razgraničiti manifestacije ličnosti i na osnovu njih određeno
ponašanje kvalifikovati kao impulsivno ili agresivno. Skoro identične vrednosti
varijansezaobemereponašanjanajboljesuilustrovanekrozdobijenePearsonove
koeficijentekorelacijezaobainstrumenta(Poglavlje6).
Kada je reč o instrumentima za procenu stavova prema riziku u vožnji DAQ i
instrumenta za procenu samoprocene vozačkih sposobnosti, udeo objašnjene
varijanse individualnih razlika u saobraćajnim nezgodama je nešto niži nego u
slučaju prethodno razmatranih instrumenata. Uprkos tome, zahvaljujući maloj
standardnoj grešci i statističkoj značajnosti standardizovanih, kao i
nestandardizovanihregresionihkoeficijenataovevarijable jeuputnodaostanuu
modelu.
Kada govorimo o prediktivnoj moći svakog od ovih instrumenata za procenu
ponašanja ponaosob, neophodno je dobijene rezultate sagledati i u svetlu
prethodnihistraživanjaukojimasuoviinstrumentislužilinaučnicimakaoalatza
procenu.
Najpre,kadaposmatramodobijenimodelkojimseopisujeudeoopšteimpulsivnosti,
merene kroz BIS‐11 instrument, moguće je izvesti zaključak da je ovaj često
korišćeni instrument u stručnoj literaturi pokazao iznenađujuće visok nivo
prediktivnostiuobjašnjenjunezgoda,kao iupriloženommodelu, što jenaročito
značajannalazusaobraćajnojpsihologijiukojojsusestabilnedispozicijeličnosti,
naročito u prošlosti, retko kada pojavljivale kao pouzdan indikator saobraćajnih
nezgoda.
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
145
Kadavećpominjemopostojećaistraživanja,valjalobiistaćiinajznačajnijerezultate
kojisuprimenomBIS‐11instrumentaostvarenipopitanjupredikcijeponašanjau
saobraćaju.Dahlenjesasaradnicima(2005)pronašaoneznatnupovezanostizmeđu
skorovaimpulsivnostiimanjihprekršajakojesustudentipočinili.Zatim,Rybisar.
(2006)utvrdilisudajevišiskornaupitnikuimpulsivnostiuvezisaponašanjima
kao što su nevezivanje pojasa u autu, vožnjom pod dejstvom alkohola,
prekoračenjima brzine, ali i sa učešćem u saobraćajnim nezgodama. Model
predložen u disertaciji uključuje upravo ove elemente ponašanja u saobraćaju
mereneupitnicima.NajsvežijerezultatepredočiojeMoansasaradnicima(2013)i
potvrdio prethodne nalaze prema kojima su rizičniji oblici ponašanja u vožnji
uzrokovani povišenim stepenom impulsivnostimeđu vozačima. Sa druge strane,
pojediniistraživačinisuutvrdilitakostabilnevezeizmeđuimpulsivnostiirizičnijih
ponašanjausaobraćaju(Jakubczykisar.,2013,Xuaisar.,2014).
AkoseposmatraModelponašanjaIIkojiukazujenadobruprediktivnumoćADBQ
upitnika za procenu agresivnih ponašanja u vožnji, moguće je zaključiti da je i
konstrukcijomovogmodelaostvarenznačajanrezultatkojibimogaodautičena
uključivanje ovog relativno novog instrumenta, ili nekih sličnih koji ispituju
približno iste tendencije u ponašanju vozača, u razne oblasti primene testiranja
vozača,odobuke,selekcijezaprofesionalnevozače,paprekospecijalnihprograma
poputonihkojisunamenjenivozačimakojimajeoduzetavozačkadozvola(Čičević
isar.,2016).
Dobijenimodelpodržavajurezultatisličnihstudijakadajerečorazmatranjuefekata
ili povezanosti agresivnosti sa drugim oblicima nebezbednih ponašanja u vožnji.
Većinapomenutih istraživanjautvrdila jedasuagresivnivozačisklonijirizičnom
ponašanjuilakšimilitežimnezgodamaodvozačasaniskimstepenomagresivnosti.
Kadajerečoupitnicimakojisutomprilkomkoriščenjivredipomenutionekojisu
pokazalinajvećiprediktivnikarakteruopisivanjunebezbednihoblikaponašanja.
Najznačajnijenalazeistraživačisudobiliprimenomsledećihmernihinstrumenata
zaprocenuagresivnostiuvožnjiuceliniilikrozodređenedimenzijeuvidupojedinih
ajtema:DBQupitnik(Parkerisar.,1998),DAEI(Deffenbacherisar.,2002),DATQ
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
146
(Deffenbacher i sar., 2003) i DAS (Deffenbacher i sar., 1994). Nesumnjivo da je
agresivnost u vožnji pouzdan indikator, čak i kada se posmatra sa izvesnom
rezervom u svetlu davanja socijalno poželjnih odgovora koji su neizbežni u
anketnimistraživanjima.
Regresioni model III potvrđuje uticaj stavova ka riziku vozača upotrebom DAQ
upitnika na nastanak saobraćajnih nezgoda. Kao što je moguće uvideti, opisani
modelpredikcijenezgoda,iakosepokazaostatističkiznačajnim,ipakneobjašnjava
veliki udeo u ukupnoj varijansi nezgoda koje su vozači u posmatranom uzorku
doživeli.Ovakavnalazmožeseinterpretiratiintuitivnimkarakteromajtemauovom
upitniku koja na neki način sugerišu ispitanicima svrhu istraživanja i time
povećavaju verovatnoću davanja socijalno poželjnih odgovora. DAQ upitnik je u
istraživačkojpraksipokazaovećuprediktivnumoćzadiferenciranjepolnihrazlika
upercepcijirizika(Parkerisar.,1998).Ovakveanalizenaposmatranomuzorkunisu
sepokazalesvrsishodnimusledneproporcionalnezastupljenostivozačaobapolau
uzorku profesionalnih vozača. Iako su pojedine analize utvrdile izraženu vezu
izmeđuprocenerizikanaupitnicimaibrojanezgodakojesuvozačiiskusili(Parker
isar.,1995;Taylor isar., 2000),sadrugestrane,upojednimstudijamadomaćih
autoraovakvavrstavezenijeidentifikovana(Jovanovićisar.,2014).
Poslednji analizirani pojedinačni model IV služi za predviđanje doživljavanja
nezgoda vozača koji su u Upitniku za samoprocenu vozačkih sposobnosti
prijavljivalineštološijeprocenesopstvenihveštinaikompetencijaneophodnihza
upravljanjevozilom.NivoiprediktivnostiinstrumenataumodelimaIIIiIV,iakonisu
identičnihvrednosti,bližisumeđusobnouodnosunaprvadvainstrumenta,štonas
navodinazaključkedaseradiosličnimkategorijamaponašanjakojeobaupitnika
procenjuju.S’timuvezi,iakobibilorealnoočekivatidaćeseustanovitistatistički
značajne korelacije između različitih dimenzija i korelata ponašnja koje ova dva
upitnikamere, (kao u slučaju BIS‐11 i ADBQ instrumenta), dobijeni rezultati su
znatnoskromnijiiodnosenasvegapardetektovanihznačajnihrelacija.Odautora
kojisuusvojimistraživanjimaproveravaliprediktivnusposobnostsamopercepcije
za nastanak nezgoda, svakako bi trebalo pomenti Tronsmoen‐a (2010) čiji je
7.Primenahijerarhijskeregresioneanalizeuformiranjumodelapercepcijerizikaiponašanjavozača
147
instrument ovom prilikom i korišćen. On je u svojoj studiji dobio značajniju
povezanostizmeđunastankanezgodaiskorovanaupitnikusamoprocenevozačkih
karakteristika, ali je uzorak u studiji bio sačinjen isključivo od mladih vozača
početnikaučijemvozačkomiskustvu,poštospecifičnevozačkeveštinejošuveknisu
dovoljnoformirane,mogurezultirativećimbrojemsaobraćaknihnezgoda.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
148
8. PRIMENAREGRESIONEANALIZEUFORMIRANJUMODELAPERCEPCIJE
RIZIKANAPUTUIPONAŠANJAVOZAČA
8.1 Opisstatističkemetode
Usvrhuformiranjamodelakojibiimaozaciljdaštopreciznijeopišenakojinačin
opažanje rizičnih deonica puteva oblikuje ponašanje vozača, sprovedena je
regresionaanaliza.Regresionaanalizapredstavljaskupstatističkihmetodakojima
se otkriva da li postoje veze između posmatranih pojava i kakve su po obliku i
smeru. Cilj regresione analize je da linearnom kombinacijom prediktorskih
varijabli predviđamo individualne razlike na kriterijumskoj varijabli. Linearna
regresiona jednačina je matematička jednačina koja definiše vezu između dve
promenljivekojeimajulinearnuvezu:
y=a+bx
gde jex nezavisnapromenljiva,y zavisnapromenljiva,a jekonstantau linearnoj
jednačini,odnosnootsečaknayosi,ibjekoeficijentnagibaprave.
Određivanje koeficijenata linearne jednačine omogućuje nam da vršimo traženo
predviđanje. Takvo predviđanje neće biti egzaktno jer se mora uzeti u obzir i
greška zbog stohastičke prirode veze. Otuda, model proste linearne regresije u
opštemoblikuglasi:
Yi=β0+β1xi+εi i=1,2,…,N
gdesuYii‐tazavisnapromenljiva, xii‐tavrednostnezavisnepromenljive, β0iβ1
nepoznatekonstante,regresioniparametri,εistohastičkičlanilislučajnagreška,a
Nveličinaosnovnogskupa.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
149
8.2 Primenaregresioneanalizeupredikcijisaobraćajnihnezgodanaosnovu
procenakarakteristikadeoniceputa
Identifikacijaopasnihmestanaputevimapredstavljaznačajanaspektupravljanja
opasnimmestima (menadžment crnih tačaka imenadžmentbezbednostimreža).
Metodologijaidentifikacijeopasnihmestanaputevimanijeusaglašenaštododatno
usložnjavaaktivnostiusmerenekaupravljanju i sanaciji opasnihmesta.Najčešće
sekaopokazateljizaidentifikacijuopasnihmestakoristekolektivniiindividualni
rizici nezgoda i stradanja u saobraćaju na određenoj deonici puta ili putnom
pravcu. Ovi rizici proračunavaju se na osnovu objektivnih podataka o broju,
raspodeliivrstamaiposledicamasaobraćajnihnezgoda.
Po broju najopasnijih kilometarskih deonica put M‐22 po većini rangiranih
parametara zauzima prvo mesto po veličini rizika, naročito kada se posmatra
veličinaindividualnogrizika.
Kako i pored rada na sanaciji i napora da se poboljšaju tehničko‐eksploatacione
karakteristike puta, broj saobraćajnih nezgoda na ovoj deonici puta ostaje
relativnokonstantantokomvremena,postajejasnodaobjektivniparametririzika
nisu dovoljni da objasne događanje saobraćajnih nezgoda. Otuda je verovatno
pretpostavitidaseodgovorinaovopitanjemorajupotražitidodatnimidetaljnijim
proučavanjem uloge ljudskog faktora. Iz tih razloga, subjektivna percepcija
opasnostinaputuiprocenarazličitihelemenataikarakteristikaovedeoniceputa
odstranevozačasuvarijablekojesuodabranekaofaktoriumodelukojiimazacilj
dapredvidisklonostkadoživljavanjusaobraćajnihnezgoda.
Podaciosubjektivnojpercepcijirizikavozačakojičestovozeovomdeonicomputa
prikupljeni su Upitnikom za procenu opasnih mesta, Upitnikom za procenu
elemenata deonice puta IB reda broj 22, Upitnikom o ponašanju vozača na ovoj
deoniciputa.Takođe,kaorelevantnipokazateljikorišćenisuipodaciizUpitnikao
istorijiučešćavozačausaobraćajnimnezgodama.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
150
8.2.1 Procena rizika opasnih mesta kao prediktor saobraćajnih nezgoda
(RegresionimodelV)
Izupitnikaoproceniopasnihmestazapotrebestatističkeanalizeupotrebljenesu
ocenekojimasuispitanicivrednovalinavedenecrnetačkesaslikekojaimjebila
ponuđena. Za svaku od tačaka (koje su bile imenovane kao lokacija na kojoj se
nalaze), bila je ponuđena skala odgovora od 1 do 10, pri čemu je veća ocena
korespondirala sa većim opaženim rizikom date tačke. Na grafičkom prikazu,
ispitanicima je ponuđeno 9 opasnihmesta koja se nalaze na pomenutoj deonici
puta. Za potrebe formiranja regresionog modela korišena je prosečna ocena
opasnostisvihopserviranihtačakazasvakogod ispitanika.Ovamerapredstavlja
nezavisnupromenjljivuuregresionoj jednačini.Zavisnuvarijablučinio jeukupan
brojnezgodakojesuvozačiprijaviliuUpitnikuovozačkojistoriji.
Radiboljegrazumevanjameđusobnihodnosaizmeđubrojasaobraćajnihnezgodai
karakteristika puta, sprovedene su i zasebne regresione analize na uzorku
profesionalnih vozača autobusa, na uzorku vozača kamiona, kao i analize na
uzorku vozača putničkih automobila. U nastavku su prikazane regresione
jednačineza svakuodkategorijavozača,kakobi se štoverodostojnije ilustrovao
detektovaniodnospomenutihvarijabli.
Naslici8.1.prikazanjegrafikregresionepravezaprviregresionimodelkojimse
opisuje odnos između ukupnog broja doživljenih saobraćajnih nezgoda u
vozačkom iskustvu i prosečne ocene stepena rizika crnih tačakanaposmatranoj
deonici Ibarske magistrale. Regresiona jednačina opisuje model ponašanja sa
izvesnom zakonitošću.Dakle,moguće je zaključiti da strožiji kriterijumi procene
opasnihmestapokazujupovezanostsavećimbrojemprijavljenihnezgoda.Drugim
rečima,vozačikojiuslovenaputuopažajukaorizičnije,prijavilisudasudoživeli
većibrojsaobraćajnihnezgoda.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
151
Slika8.1.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnog
brojasaobraćajnihnezgoda(Ukupanuzorakvozača)
Kako su prethodno navedeni rezultati ukazali na karakterističan odnos dveju
posmatranih varijabli, sprovedene su regresione analize za svaku od kategorija
vozača iz ukupnog uzorka. Na slici 8.2 predstavljen je model povezanosti
percepcije crnih tačaka i saobraćajnih nezgoda za vozače putničkih automobila.
Premaovommodelu,vozačiputničkihautomobilakojicrnetačkepercipirajukao
opasnije,iliuopštenisu,ilisuučestvovaliuveomamalombrojunezgoda.
Slika8.2.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnog
brojasaobraćajnihnezgoda
(Uzorakvozačaputničkihvozila)
y = 0,2168x + 6,4755R² = 0,8937
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
0 1 2 3 4 5 6 7 8 9
prosečna ocena rizika
broj saobraćajnih nezgoda
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
152
Ako se posmatraju vozači međugradskih autobusa koji svakodnevno voze na
ispitivanoj deonici puta, može se primetiti da se dobijeni model u većoj meri
približava prvom opisanom modelu za ukupan uzorak vozača. Dakle, u ovom
slučaju beleži se blagi porast u broju doživljenih nezgoda u funkciji povećanja
ukupneprosečneocenerizikanaputu(slika8.3).
Slika8.3.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnog
brojasaobraćajnihnezgoda
(Uzorakvozačaautobusa)
Slika8.4.Grafikregresionepravezamodelodnosaprocenecrnihtačakaiukupnog
brojasaobraćajnihnezgoda
(Uzorakvozačakamiona)
y = 0,1793x + 6,9598R² = 0,9749
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
10,00
0 2 4 6 8 10 12
prosečna ocena rizika
broj saobraćajnih nezgoda
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
153
Slikabroj8.4.opisujeodnospercepcijerizikaiukupnogbrojadoživljenihnezgoda
vozačateretnihvozila.Premaovommodelubrojdoživljenihsaobraćajnihnezgoda
vozača teretnih vozila raste, sa porastom prosečne ocene crnih tačaka. Ovakva
uočena tendencija donekle je slična kao i u slučajumodela percepcije za vozače
autobusa.
U sledećim regresionim modelima kao prediktorsku varijablu uvodimo broj
prijavljenihdoživljenihnezgodasamonadatojdeoniciputaIBredabroj22.
Naslici8.5.zapažasedajeregresionimodelukojemfigurišusaobraćajnenezgode
doživljene samo na ispitivanoj deonici puta veoma sličan modelu u kome je
prediktorskavarijablabioukupanbrojsaobraćajnihnezgodakojejevozačdoživeo,
odnosno,dabrojnezgodakojesuvozačidoživelinaposmatranojdeoniciputa,kao
iocenajačineopasnostivarirajuuistomsmeru.
Slika8.5.Grafikregresionepravezamodelodnosaprocenecrnihtačakai
saobraćajnihnezgodanaposmatranojdeonici
(Ukupanuzorak)
Slika8.6pokazujedavozačiputničkihvozilakojiocenjujuputkaoopasniji imaju
manjibrojdoživljenihnezgoda.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
154
Slika8.6.Grafikregresionepravezamodelodnosaprocenecrnihtačakai
saobraćajnihnezgodanaposmatranojdeonici
(Uzorakvozačaputničkihvozila)
Slika8.7.prikazujeregresionimodelponašanjaprofesionalnihvozačaautobusa.Za
ovukategorijuvozačakriterijumiproceneopasnihmestapokazujupovezanostsa
porastom broja nezgoda. Drugim rečima, broj saobraćajnih nezgoda na ovoj
deoniciputarasteufunkcijiocenacrnihtačaka.
Slika8.7.Grafikregresionepravezamodelodnosaprocenecrnihtačakai
saobraćajnihnezgodanaposmatranojdeonici
(Uzorakvozačaautobusa)
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
155
Kada jerečovozačima teretnihvozila,uočavaseda je iovde,kao iuprethodno
navedenom primeru oblik povezanosti među varijablama gotovo isti, o čemu
svedoče jednake vrednosti R2 (slika 8.8). I u ovom slučaju, porast broja
saobraćajnih nezgoda povezan je sa percipiranjem opasnih mesta na putu kao
rizičnijih.
Slika8.8.Grafikregresionepravezamodelodnosaprocenecrnihtačakai
saobraćajnihnezgodanaposmatranojdeonici
(Uzorakvozačakamiona)
Na osnovu rezultata regresione analize očito je da se vozači putničkih vozila i
profesionalni vozači razlikuju po svojim subjektivnim procenama, odnosno
percepciji opasnih mesta na putu. Generalni trend ukazuje da je ukupan broj
doživljenihsaobraćajnihnezgodavećikodvozačakoji crne tačkenaovojdeonici
ocenjujukaoopasnije.Sadrugestrane,vozačiputničkihvozilapokazujudrugačije
ponašanje, oni koji crne tačke percipiraju kao opasnije, ili uopšte nisu, ili su
učestvovaliuveomamalombrojunezgoda.
8.2.2 Subjektivna procena elemenata puta posmatrane deonice kao
prediktorsaobraćajnihnezgoda(RegresionimodelVI)
Kako bi se percepcija vozača koja se odnosi na opasnamesta na putu detaljnije
ispitalau regresionu jednačinuuvedenesu ioceneelemenataputa iz istoimenog
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
156
upitnika koji su ispitanici popunjavali. U ovom slučaju kao prediktor ukupnog
brojanezgodaizvozačkogiskustva,uključenesuprosečneocenekojesuispitanici
dodeljivalisledećimelementimaputa:
Izgledtraseilipružanjetrase,
Stanjekolovoza,
Stanjehorizontalnesignalizacije,
Stanjevertikalnesignalizacije,
Stanjezaštitneograde,
Putnipojas(bankine,kanalezaodvodvode,pasareleisl.),
Bezbednostsaobraćajanapriključnimputevima.
Ocenenavednihkarakteristikakretalesuseuokviruponuđenogopsegaskaleod1
do10,pričemujevećadodeljenavrednostodgovaralaboljojocenikarakteristika
elemenata puta. Za sve pomenute elemente puta kreirana je prosečna ocena za
svakog ispitanika iz uzorka. Ova mera predstavljala je, dakle, nezavisnu
promenljivu u jednačini regresije. Za meru zavisne varijable odabran je ukupan
brojprijavljenihnezgoda.
Na slici 8.9, zapaža se da kada je reč o ukupnom uzorku vozača (nevezano za
kategoriju vozila kojom upravljaju), uočava se da opažanje karakteristika puta
predstavljadobarprediktorsaobraćajnihnezgoda.Naime,vozačikojiputocenjuju
kao lošiji imaju veći broj nezgoda. Ovakva tendencija je naročito izražena za
ispitanike koji su doživeli više od 4 nezogde na ovoj deonici puta. Prilikom
tumačenjabisvakakotrebalouzetiuobzirdajenekolicinaispitanikaprijavilaveći
brojdoživljenihnezgoda(višeod4nezgode).KoeficijentdeterminacijeR2govorio
prediktivnoj vrednosti procene ključnih svojstava puteva u opisu nastanka
saobraćajnihnezgoda.Ovarelacijajenaročitozanimljivasastanovištapsihologije
percepcijeibićedetaljnijediskutovanananarednimstranamadisertacije.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
157
Slika8.9.Grafikregresionepravezamodelodnosaproceneelemenataputai
ukupnogbrojasaobraćajnihnezgoda
(Ukupanuzorak)
Slika8.10.Grafikregresionepravezamodelodnosaproceneelemenataputai
ukupnogbrojasaobraćajnihnezgoda
(vozačiputničkihautomobila)
Kadaseuzorakvozačarazložipremakategorijamavozilakojimaupravljaju,vidise
kolikosesituacijadrastičnopromenilauodnosunaopštimodelpercepcijeopasnih
mesta, opisan u prethodnom poglavlju. Konkretno, kada se radi o vozačima
putničkih vozila, regresione linije, odnosno koeficijenti determinacije koji
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
158
predviđaju povezanost između procena elemenata puta i broja doživljenih
saobraćajnih nezgoda na ispitivanoj deonici puta, razlikuju se u poređenju sa
onimaprofesionalnihvozača.Zapažaseda,uslučajuvozačaputničkihvozila,bolje
oceneputaodgovarajuneznatnovećembrojunezgodaprijavljenihnaovojdeonici
puta(slika8.10).
Za vozače autobusa, regresioni model pokazuje takođe povezanost slabijeg
intenzitetaizmeđuprocenakarakteristikaputaibrojasaobraćajnihnezgoda,alije
smer promena suprotan.Naime, vozači autobusa koji put opažaju kao opasan ili
loš,istovremenoimajuvećibrojsaobraćajnihnezgoda(slika8.11).
Slika8.11.Grafikregresionepravezamodelodnosaproceneelemenataputai
ukupnogbrojasaobraćajnihnezgoda
(Vozačiautobusa)
Naslici8.12.prikazanjeodnosizmeđusaobraćajnihnezgodanaispitivanojdeonici
puta iocenazakarakteristikeputanauzorkuvozača teretnihvozila.Prediktivna
vrednostmodela je veomavisoka.Dakle, kao što jemogućeuočiti, boljeprocene
elemenataputakorespondirajusamanjimbrojemdoživljenihnezgoda.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
159
Slika8.12.Grafikregresionepravezamodelodnosaproceneelemenataputai
ukupnogbrojasaobraćajnihnezgoda
(Vozačikamiona)
8.3 Diskusijarezultata
Nakrajuovogpoglavljamožesesezaključitidaregresionomanalizomdobijamo
modeleponašanjavozačakojipokazujuvisokeprediktivnevrednostidoživljavanja
saobraćajnih nezgoda, kako generalno, tako i na ispitivanoj deonici puta.
Istraživanjeulogepercepcijerizikanaopasnimmestimausaobraćajukodvozača
koji su imalivišenezgodapokazalo jedasepercepcijamožeopravdanosmatrati
faktoromrizikakojinaizvestannačinsenzitiviravozačedapostanuskloniji,ilipak
manjeskloni,doživljavanjusaobraćajnihnezgoda.
Dakle, na osnovu uspešnosti modela koji uključuje ukupan broj doživljenih
saobraćajnih nezgoda vozača, postalo je jasno da postoi potreba da se sagleda
kolikuprediktivnuvrednostovajmodelimauspecifičnimsituacijama.Ovajmotiv
doveo je douključivanja još jednenezavisnepromenjive.Umestoukupnogbroja
nezgodaumodeljeuvršćenbrojnezgodakojesuispitaniciprijavilikaodoživljene
na deonici puta koja je ispitivana. I u ovom slučaju utvrđene su zakonitosti u
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
160
ponašanjuvozača,uopštemsmislu,aliiusmislurazličitihposmatranihkategorija
vozačakojesuobuhvaćeneuzorkom.
Sa stanovišta psihologije ličnosti, kao i psihologije opažanja, dobijeni nalaz se
najboljeuklapauokvirekognitivističketeorije, jerukazujenatodanačinnakoji
kognitivnotumačimo i razumemodogađajesakojimasmosuočeni,utičenanaša
osećanja,paidelovanja,samimtim.Osećanjesenedogađaizvansocijalnihokvira
ukojimase individuanalazi,pa tako tajokvirnudinačinnakoji tumačimosvoja
osećanja.Uterminimaposmatraneproblematike,namećesezaključakdavozačevo
opažanjesituacijausaobraćajukaorizičnijih,pokreće,činise,percepcije,amoždai
emocijekojedoprinosenastankunezgoda.(Čubranić‐DobrodolaciČičević,2017b)
Sa gledišta teorija nezgoda koje egzistiraju u okviru saobraćajne psihologije,
mogućeje,takođe,izvestiodređenezaključke.Naime,nekiodpredloženihmodela
saglasnisusanavedenimteorijama,doksudrugisaglasnisaTeorijimsklonostika
nezgodama,naosnovusmerapromenaodnosaizmeđuispitivanihvarijabli.Prema
Teoriji sklonosti, pretpostavlja se da pri istim uslovima ne postoji jednaka
verovatnoća među osobama za doživljavanje nezgoda i da se ta verovatnoća
konstantnoispoljavatokomvremena.Pritomevremepojavenezgodejeslučajno.
Osobine i sposobnosti su tretirane kao osnova za objašnjenje ove teorije. Prema
empirijskimnalazima„sklonost“operišekadajevelikaizloženostriziku,štoje
slučajsaupravljanjemvozilomnaopisanojrizičnojdeoniciputakojasadrživeliki
broj opasnih mesta. „Sklonost za nezgode“je individualna stalna i povremena
osobina koja može biti urođena ili stečena i zavisi od raznih psihofizioloških
činilaca(Milošević,2008).Naosnovuprimeneovogmodelamoguće jeustanoviti
vozačevu sklonost ka saobraćajnimnezgodama. To namomogućava da unapred,
predoživljavanjaprvenezgode,odredimodalijeposmatranivozačikolikosklon
nezgodama.
Svi potencijalni problemi na koje se nailazi prilikom upravljanja vozilom na
posmatranoj deonici puta mogu da izazovu pogrešne percepcije vozača, kao i
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
161
donošenjerizičnihodluka.Prilikomrazmatranjamerazaunapređenjebezbednosti
saobraćaja trebalo bi uzeti u obzir najkarakterističnije probleme koji mogu da
utičunapogrešnepercepcijevozača,kaoinanebezbednemanevre.
Kada je rečo interkaciji izmeđukarakteristikaputeva iponašanjavozačapostoji
nekoliko važnih pitanja koja bi trebalo razmotriti u okviru ove diskusije. Naime,
kadajerečoposmatranojdeonicidržavnogputaIBredaM‐22,suštinskiproblem
sastanovištaoveinterakcije jesvakakoneophodnostkretanjavozilaukolonama,
zastupljena celomdužinomdeonice.Ovakavvidvožnjemožekodvozačadovesti
do pojačane tenzije, te posledično usloviti nepoželjne i nebezbedne reakcije u
saobraćaju.
Kaosledećipotencijalniproblemizdvajasepojavačestihzagušenjanaodređenim
lokacijama duž deonice. Do ovakvih zagušenja dolazi usled preopterećenosti
saobraćajnog toka o čemu je bilo reči u 3. poglavlju disertacije.Najveći problem
ove deonice leži u njenom prostiranju kroz naseljena mesta (u određenim
delovimatoka),tesučestoograničenjabrzinena40km/h,štousporavasaobraćaji
stvarajusezagušenja.Uslučajevimakadajesaobraćajusporen,povećavasevreme
kojevozačmoradaprovedenadeoniciputa,aštojevremeduže,većesuišanseza
pojavu grešaka ili pak nezgoda (usled zamora, gubitaka pažnje, nervoze usled
zagušenjakojaprouzrokujeishitrenemanerve,itd).
Veliki problem predstavlja i preticanje na ovoj deonici, koje se često može
okarakterisati kao rizična radnjanastalausledneadekvatneprocene saobraćajne
situacije. Tome doprinose posebno vozila velikih dužina, kao što su autobusi ili
kamioni, koje je otežano zaobilaziti. Zbog velikog obima saobraćaja na deonici,
retko je slobodna saobraćajna traka iz suprtonog smera koja služi za preticanje.
Ovakvasituacijapotencirapogrešneproceneuodnosunasaobraćajnusituaciju,ali
iuodnosunasopstvenevozačkesposobnosti.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
162
Ponuđenimodeli percepcije i ponašanja vozača na putevima koji se karakterišu
kaorizični,trebalobidaposlužekaookosnicauformiranjujedneinovativnije,do
sadanedovoljnoistraženeoblastiuokvirimasaobraćajnepsihologijeibezbednosti
saobraćaja. Pri tome se fokus interesovanja uveliko pomera sa izolovane
opservacije karakteristika ličnosti, a dodatni napori trebalo bi biti usmereni ka
eksplanaciji sadejstva faktora puta i okoline sa čovekom kao učesnikom u
saobraćaju.
Vremensko‐prostorni aspekt analiza saobraćajnih nezgoda daje podatke koji su
pogodni za primenu regresionih metoda. Sa tim u vezi, dobijene veoma visoke
vrednosti koeficijenata determinacije u modelima ukazuju da je neophodno
sprovestidetaljnijuanalizuelemenataikarakteristikaputa,kaoiprocenanjihove
opasnosti od strane vozača. Naime, u formiranjumodela upotrebljeni su ukupni
skorovinaupitnicimakoji seodnosenakombinacijuefekatarazličitihelemenata
puta i na opštu ocenu opasnosti. Dalji pravci istraživanja bili bi razmatranje
pojedinačnih uticaja, ili određenih specifičnih kombinacija elemenata puta i
opažanja rizika date deonice. Ovako visoki koeficijenti determinacije mogu da
ukazujuinatodajenepotrebnosvenabrojaneelementeuključitiumodel,jercilj
regresione analize jeste pronaći najjednostavniji model koji vrši predikciju
varijable od interesa, u ovom slučaju, saobraćajnih nezgoda. Osim toga, kako je
vezaizmeđuPGDS(prosečnoggodišnjegdnevnogsaobraćaja)ibrojasaobraćajnih
nezgoda,kadaseuzimauobzirPGDSkaomera izloženostinanekojdeoniciputa
često nelinearna, u budućim istraživanjima ove problematike potrebno je
razmotritiiuvođenjenelinearnihmodela.
Nadalje, kako se saobraćajne nezgode mogu smatrati kao neprekidan slučajan
proces neophodno je analizirati ih i sa vremenskog aspekta. Naredni koraci u
budućimistraživanjimabitrebalodaobuvateiovajaspekt,tj.modelevremenskih
serija.
8.Primenaregresioneanalizeuformiranjumodelapercepcijerizikanaputuiponašanjavozača
163
Uovomraduvremenskaraspodelanezgodanijebilaufokusuistraživanja,poštosu
subjektivne procene vozača o rizicima i opasnostima na putu bile primarni
predmet istraživanja. Objektivni podaci neophodni za analizu saobraćajnih
nezgoda zavise od kvaliteta i dostupnosti baza podataka, a očigledno su i
nedovoljnizapotpunoobjašnjenjefrekvencije,apogotovouzrokanezgoda.
9.Binarnalogističkaregresija
164
9.BINARNALOGISTIČKAREGRESIJA
Binarnalogističkaregresijajestatističkametodakojajekorisnausituacijamakada
je zavisna varijabla dihotomnog karaktera, a u modelu postoji i jedna ili više
prediktorskih promenljivih. Svoju punu primenu postiže u situacijama kada
zavisna varijabla ima izraženu asimetriju ili, pak, nelinearnu relaciju sa ostalim
varijablamaujednačini.Dobijenipodaciulogističkojbinarnojregresijiimajuoblik
slova S. Tumačenje modela koji odgovara podacima podrazumeva donošenje
zaključaka na osnovu dobijenih koeficijenata u modelu (Tenjović, 2002). Tom
prilikom razmatraju se sledeći problemi: definisanje odnosa između zavisne i
nezavisne promenljive, kao i definisanje odgovarajuće jedinice promene za
nezavisnupromenljivu.
AkojeYzavisnavarijablabinarnogtipakojamožeimatisledećevrednosti:
Yi=1akojeposmatranakarakteristikaprisutnauopservaciji,
Yi=0akoposmatranakarakteristikanijeprisutnauopservaciji.
X = (X1, X2, ..., Xk) je skup prediktorskih promenljivih, a xi je uočena vrednost
prediktorskevarijablezaopservacijui.
Za jednu prediktorsku promenljivu, važi sledeća relacija gde se procenjuje
verovatnoća da je posmatrana karakteristika prisutna za neku vrednost
prediktorskepromenljive:
π(x)=ver.(Y=1|X=x).
Modellogističkeregresijebiseopisaonasledećinačin:
π ver. 1|1
,
odnosno:
logit π logπ
1 π ,
⋯ .
9.Binarnalogističkaregresija
165
9.1.Primenalogističkebinarneregresijeupredikcijiuticajapsiholoških
karaktersitikananastanaksaobraćajnihnezgoda
U ovom istraživanju kao dihotomna zavisna varijabla korišćeno je (ne)učešće u
nezgodamakojesuvozačiprijavljivaliuupitniku.Prvomkategorijomobuhvaćeni
su ispitanici koji nisudoživeli nezgodeu svomvozačkom iskustvu, dok sedruga
kategorija odnosila na vozače koji su prijavili nezgode (bez obzira na broj). Za
nezavisneprediktorskevarijableuanalizikorišćenisuskoroviostvareninačetiri
instrumenta za procenu ponašanja u vožnji i karateristika ličnosti (DAQ, BIS‐11,
ADBQ i Upitnik za samoprocenu vozačkih sposobnosti). Prilikom interpretacije
dobijenihrezultatanajprejemogućeuočitiuTabeli9.1daje logističkiregresioni
model prilagođen podacima, tj. da je fitovan. U ovom slučaju značajnost iznosi
P<0,0005, što bi značilo da je celokupan model dobar prediktor zavisne
promenljive.
Tabela9.1.OmnibustestmodelaI
OmnibusTests
Hi‐kvadrat Stepeni
slobode
Značajnost
Korak1 Korak 125,711 4 0
Blok 125,711 4 0
Model 125,711 4 0
Sledeći razmatrani parametar odnosi se na Cox i Snell R SquareModel (Tabela
9.2), te na osnovu prikaza rezultata možemo zaključiti da skup razmatranih
varijablizajednoobjašnjavaizmeđu33,8i45,2varijansesaobraćajnihnezgoda.U
Tabeli 9.3može seuočiti da je vrednosthi kvadrata7,965,uz značajnostkoja je
veća od 0,05 (što je u ovom slučaju neophodno kako bi semodel procenio kao
podržan)iiznosi0,437.Utabeli9.4razmatranisupokazateljikolikomodeltačno
predviđa kategoriju u odnosu na svaki pojedinačni slučaj. Dobijeni model
klasifikuje 77,4% svih ukupnih slučajeva. Takođe jemoguće uočiti iz tabelarnog
prikazadajemodeluspešnoklasifikovao78,8%posmatranepopulacijevozačakoji
9.Binarnalogističkaregresija
166
sudoživelinezgodei75,5%njihkojiuvozačkomiskustvunisuprijavilipostojanje
nezgoda.Kakobi seustanovila generalnapozitivnaprediktivnavrednost, delimo
prediktovanibroj134saukupnimbrojemćelija (uovomslučaju33+134=167 i
množimosa100(134/167x100).Vrednostkojudobijamo je80,2 ionaseodnosi
naprocenat vozača sanezgodamakojemodeluspešnodetektuje.Prema sličnom
principuračunaseinegativnaprediktivnavrednost(102/102+36x100).Dobijena
vrednostiznosi73,91%.
Tabela9.2CoxiSnellRSquareModelI
Tabela9.3HosmeriLemeshowTestI
HosmerandLemeshowTest
Korak Hi‐
kvadrat
Stepeni
slobode
Značajnost
1 7,965 8 ,437
Tabela9.4KlasifikacijaI
Posmatrane Prognozirane
Nezgode Procenat
tačnihBez Sa
Korak1 Nezgode(bez
nezgodaisa
nezgodama)
Bez 102 33 75,6
Sa 36 134 78,8
Ukupanprocenat 77,4
Iz Tabele 9.5 moguće je zaključiti da su promenljive koje značajno doprinose
prediktivnoj vrednostimodela one koje se odnose na instrumente DAQ, ADBQ i
Model
Korak ‐2Log
verovatnoća
Cox&SnellR
Square
Nagelkerke
RSquare
1 293,083 0,338 0,452
9.Binarnalogističkaregresija
167
BIS‐11, dok instrument za samoprocenu vozačkih sposobnosti nije pokazao
statistički značajan doprinos modelu. B koeficijenti su pozitivni za sve
instrumenete sem za instrument kojim se meri samoprocena vozačkih
sposobnosti, što je u skladu sa rezultatima dobijenim u okviru prethodnog
poglavljakoje sebaviloprimenomhijerarhijske regresioneanalize.Ovajpodatak
ukazuje nam na smer veze između samoprocene sposobnosti i broja doživljenih
nezgoda.Povećanjevrednostinezavisnepromenljive(višiskorsamoprocene)ima
zaposledicusmanjenjeverovatnoćedoživljavanjanezgodausaobraćaju.Ukoloni
podnazivomExp(B)nalazesevrednostikojeupućujunakoličnikeverovatnoćeza
svaku nezavisnu promenljivu. U konkretnom slučaju, dobijeni količnici
verovatnoćeukazujunasledeće:
‐ Verovatnoća da će osoba doživeti saobraćajnu nezgodu (ili je već
doživela)je4,16putavećakodvozačaizčijiseukupniskoragresivnosti
razlikujezajednujedinicuilivrednoststandardnedevijacije,
‐ Verovatnoćada ćeosobadoživetinezgodu (ili je većdoživela) je5,94
putavećakodvozačaizgrupečijiseukupniskorimpulsivnostirazlikuje
zajednujedinicuilivrednoststandardnedevijacije,
‐ Verovatnoća da će osoba doživeti nezgodu (ili je već doživela) je 2, 7
putavećakodvozača izgrupečiji seukupni skornaupitniku stavova
prema rizičnim oblicima ponašanja u saobraćaju razlikuje za jednu
jedinicuilivrednoststandardnedevijacije.
Tabela9.5DoprinosisvakevarijableI
B S.E. Wald Step.
slobo
de
Znač
ajno
st
Exp(B) 95%C.I.for
EXP(B)
Donja Gornja
ADBQ 1,427 ,249 32,917 1 ,000 4,168 2,559 6,787
BIS‐11 1,782 ,309 33,345 1 ,000 5,941 3,245 10,877
DAQ 1,008 ,250 16,311 1 ,000 2,740 2,080 4,470
Samoprocena ‐,223 ,263 ,723 1 ,395 ,800 ,478 1,338
Konstanta ‐8,187 1,235 43,923 1 ,000 ,000
9.Binarnalogističkaregresija
168
Kao što je moguće uočiti iz tabelarnog prikaza, najjači prediktor doživljavanja
nezgodasuvisokiskorovina instrumentuBIS‐11zaprocenu impulsivnosti.Kako
se u poslednjem slučaju, kada je reč o upitniku za samoprocenu vozačkih
sposobnosti beleži dobijena vrednost niža od 1 (0,800), navodi se recipročna
vrednostovemere,tj.uovomslučajuje1podeljenosa0,800jednakoje1,25.Tobi
značilo da svaki porast u skoru samoprocene, u smislu svake naredne više
kategorije odgovora (bolja procena svojih vozačkih sposobnosti), implicira
smanjenjeverovatnoćedaćeispitaniciprijavitidoživljajnezgode,itozavrednost
1,25.
Za svaku vrednost B koeficijenta prikazan je pripadajući 95‐toprocentni interval
poverenja,uvidunjegovedonjeigornjegranice.Tojeopsegzakojimožemotvrditi
sa 95‐toprocentnom sigurnošću da podrazumeva stvarnu vrednost količnika
verovatnoće. Interval poverenja samo u slučaju samoprocene vozačkih
sposobnosti obuhvata vrednost 1 (što potvrđuje da doprinos ove prediktorske
varijablenijestatističkiznačajan).Tomeđutimneznačidajeneophodnoizbacitije
iz modela, već je moguće da konfundira sa nekom drugom prediktorskom
varijablom.
9.2.Primenalogističkebinarneregresijeupredikcijiuticajapercepcije
opasnihmestaikarakteristikaputananastanaksaobraćajnihnezgoda
Kao dihotomna zavisna varijabla u ovom delu istraživanja takođe je korišćen
podatak iz upitnika u vezi sa (ne)učešćem u nezgodama u vozačkom iskustvu.
Odgovori ispitanika su takođe klasifikovani prema istom kriterijumu, tj. reč je o
dihotomnojzavisnojvarijabli.Kaonezavisneprediktorskevarijableuovomslučaju
korićeni su skorovi dobijeni Upitnikom za procenu opasnihmesta, kao i podaci
dobijeni iz Upitnika za procenu karakteristika puteva. Rezultati dobijeni iz oba
upitnika su kategorisani i prilagođeni kriterijumima koji važe u slučaju primene
binarnelogističkeregresije.
9.Binarnalogističkaregresija
169
Iz tabele 9.6. uočava se da model kao celina nije dobar prediktor zavisne
promenljive(statističkaznačajnost jevećaod0,05).Zatim, iz tabelarnogprikaza
9.7 moguće je zapaziti damodel daje vrednost koja je niža od granične 0,05. U
ovom slučaju to se smatra nepovoljnomvrednošću zamodel, te semože reći da
modelucelininijepodržanovomvrstomstatističkeprovere.
Tabela9.6.OmnibustestmodelaII
Hi‐
Kvadrat
Stepeni
slobode
Značajnost
Korak1 Korak 3,888 2 ,143
Blok 3,888 2 ,143
Model 3,888 2 ,143
Tabela9.7.CoxiSnellRKvadratModelII
Korak ‐2Log
verovatnoća
Cox i
Snell R
kvadrat
Nagelkerke
Rkvadrat
1 414,907a ,013 ,017
Takođe,dosličnihzaključakajemogućedoćiiposmatrajućirezultateutabeli9.8.
Kadajerečorelativnomdoprinosusvakeodvarijabliupredikcijizavisnevarijable,
u tabeli 9.9može se uočiti damodel ispravno klasifikuje 54,1% svih slučajevau
analizi. Takođe, uočava se i da je model pokazao veću osetljivost prilkom
detektovanjaslučajevakodkojihsuprisutnenezgode(86,5),uodnosunaonekoji
nisu prijavili doživljavanje nezgoda (13,3). Izračunata pozitivna prediktivna
vrednost (147/147+111x100=56,97) rezultata pokazuje da model bira tačno
56,97% osoba za koje je prognozirao da će u svom iskustvu imati saobraćajne
nezgode. U slučaju negativne prediktivne vrednosti, proračunom
(23/23+18x100=56,09) se dolazi do rezultata koji pokazuje da model tačno
prognoziradaće56,09%vozačaprijavitidanisudoživelisaobraćajnunezgoduu
svomvozačkomiskustvu.
9.Binarnalogističkaregresija
170
Tabela9.8HosmeriLemeshowTestII
Korak Hi‐
kvadrat
Stepeni
slobode
Značajnost
1 11,918 4 ,018
Tabela9.9DoprinosisvakevarijableII
Posmatrane Prognozirane
Nezgode Procena
ttačnih1,00 2,00
Korak
1
Nezgode
(bez
nezgodaisa
nezgodama)
1,00 18 117 13,3
2,00 23 147 86,5
Ukupanprocenat 54,1
U poslednjoj tabeli 9.10 dati su pokazatelji pojedinačnih doprinosa svake
prediktorskevarijableupredviđanjunastankanezgodausaobraćaju.UkoloniExp
(B), prikazane su vrednosti količnika šansi za obe razmatrane varijable. Za
varijablu koja se odnosi na procenu opasnihmestamožemo, samim tim, izvesti
zaključak da je verovatnoća da će neko doživeti saobraćajnu nezgodu 1,12 puta
većakadaseskornaupitnikupercepcijeopasnihmestapovećazajednujedinicuu
odnosunaprethodnostanje.Uslučajupercepcijekarakteristikaputeva,zapažamo
zabeleženuvrednostkojajemanjaod1,teseuovomslučajukoristiodgovarajuća
recipročna vrednost (1/0,763) koja iznosi 1,31. Ova vrednost podrazumeva
sledeću interpretaciju rezultata: Za svaku sledeću kategoriju odgovora koja
podrazumeva povećanje ukupnog skora percepcije karakteristika puteva,
verovatnoćadaćeispitanicidoživetinezgoduopadaza1,31.Zaobakoličnikašansi
prikazani su i pripadajući 95‐toprocentni intervali poverenja. Za ove varijable
zabeleženisuniski intervali(vrednostikojesadrže1 ilinižeodtoga), tesemože
zaključitidaispitaniciimajujednakuverovatnoćudadajuobevrsteodgovora(da
sudoživelinezgodu,kaoidanisudoživeli).
9.Binarnalogističkaregresija
171
Tabela9.10DoprinosisvakevarijableII
B S.E. Wald Step
eni
slob
ode
Znača
jnost
Exp(B) 95%C.I.for
EXP(B)
Donj
a
Gorn
ja
Opasnamesta ,116 ,178 ,423 1 ,515 1,123 ,792 1,591
Karakteristikeputa ‐,271 ,151 3,230 1 ,072 ‐,763 ,568 1,025
Konstanta ,492 ,461 1,141 1 ,285 1,636
9.3Diskusija
Kaoštojemogućezaključitinaosnovuanalizerezultataprikazanenaprethodnim
stranama, binarna logistička regresija pokazala se kao veoma koristan alat koji
omogućuje jasniji uvid po pitanju uticaja kombinacija prediktorskih varijabli,
vezanihzapsihološkekarakteristikevozača,kaoizanjihovesubjektivneprocene
karakteristikaputa,nadoživljavanjesaobraćajnihnezgoda.Možemorećidajeova
statistička analiza poslužila kao dodatak standardnoj regresionoj i hijerarhijskoj
regresionoj analizi, jer su dobijeni rezultati dobijeni primenom različitih
statističkihmetoda saglasni. Kada govorimo o prvommodelu koji kao nezavisne
kategorijske varijable razmatra skorove postignute na upitnicima za procenu
psiholoških karakteristika vozača, dobijenimodel pokazao je visoku prediktivnu
vrednost.Modelsasvimrazmatranimprediktorima,izuzevsamoprocenevozačkih
sposobnostipokazaosekaoveomaefikasanupredviđanjudoživljavanjanezgodau
saobraćaju. Pored toga, dobijena statistička značajnost za razmatrani model
predstavlja, takođe, jedan od relevantnih indikatora snage modela, udružena sa
procentom vozača sa nezgodama u svom iskustvu koje ovaj model uspešno
registruje. Upitnik za samoprocenu vozačkih sposobnosti pokazao je i u okviru
hijerarhijeske regresioneanalizenajmanjiudeovarijanseuobjašnjenjunastanka
nezgoda. Ipak, u tom slučaju model je pokazao statističku značajnost, što u
binarnoj logističkojanalizinijebio slučaj.Pokušavajućidaobjasnimouzrokeove
pojave,možemoposumnjatidauvođenjemdihotomnezavisnevarijabledobijamo
sasvim novu sliku o samopercepiji vozača u opserviranom uzorku. Naime,
dolazimodozaključkadajesamoprocenavlastitihvozačkihperformansipribližno
9.Binarnalogističkaregresija
172
sličnau grupi vozača koji imaju nezgode, kao i u grupi onih koji ih nisu iskusili.
Moždabinekiodzaključakamogaodaglasidadoživljavanjenezgodausaobraćaju
nestvarakritičkiosvrtiuvidusopstvenesposobnosti,kadajerečoovomuzorku
vozača.Kada razmišljamou terminimapraktičnih implikacijamodela, preporuke
za njegovo korišćenje podrazumevale bi zajedničku primenu sledećih
instrumenata za predikciju doživljavanja nezgoda: ADBQ, BIS‐11 I DAQ. Ovo je
svakakako koristan podatak koji bi trebalo razmotriti prilikom planiranja
profesionalne selekcije vozača, kao i različitih programa namenjenih za obuku i
edukacijuvozača,naročitoonihizgrupacijemladihpočetnika.
Kada razmatramo drugi binarni logistički model, uočavamo da u ovom slučaju
dobijeni rezultati ipak ne pokazuju sličnu preciznost u predikciji nezgoda u
populaciji. Naime, model koji kao prediktorske varijable uzima u obzir ocene
dobijeneizupitnikaoprocenirizikaopasnihmestaiocenedobijeneizupitnikau
vezi sa karakteristikama razmatrane deonice puta, pokazuje znatno nepovoljnija
statistička obeležja nego prethodno razmatranimodel. Za početak, uočava se da
model ne pokazuje neophodnu statističku značajnost koja je relevantna za dalja
tumačenja i predviđanja. Statistička značajnost nije zadovoljena ni u slučaju
koeficijenatazasvakuoddvejuprediktorskihvarijabliponaosob.Uprkostomešto
model, odnosno ova kombinacija prediktorskih varijabli ne pokazuje statističku
značajnost,veomainteresantan jepodatakdakategorijalnupripadnost ispitanika
izuzorkanakomejenapravljenmodelinjihovustvarnukategorijalnapripadnost
ovajmodel uspešno otkriva. Kada je reč o varijabli koja se odnosi na percepciju
opasnih mesta na posmatranoj deonici puta, moguće je izvesti zaključak da
ispitanicikojiocenjujuovamestakaorizičnija,imajuproporcionalnovišenezgoda
u svom vozačkom iskustvu. Sa druge strane, dobijeni B koeficijenti ukazuju na
suprotan smer veze kada je reč o varijabli koja se odnosi na percepciju
karakteristika puta. U ovom slučaju, to bi se moglo protumačiti kao opšta
tendencija prema kojoj vozači koji afirmativno ocenjuju karakteristike date
deoniceputaimajumanjibrojdoživljenihnezgoda.Dakle,darezimiramo,doživljaj
nezgode donekle senzitivira vozače da u izvesnoj meri budu osetljiviji prema
detekciji rizika na opasnim mestima, ali, sa druge strane, samim tim, utiče na
neznatnonegativnijuprocenusvihkarakteristikaodređenedeonice.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
173
10.MODELIZAPROCENUSKLONOSTIKASAOBRAĆAJNIMNEZGODAMA
BAZIRANINAKORIŠĆENJUINSTRUMENATAZAPROCENUKARAKTERISTIKA
LIČNOSTIIPRIMENIFAZILOGIKE
Uovompoglavljupredlažuseitestirajurazličitimodeličijomprimenomsedolazi
doinformacijeosklonostipojedincakasaobraćajnimnezgodama.Ciljjedasedođe
doinformacijekojiodpredloženihmodelabimogaonajboljedaprocenisklonost
pojedinca ka saobraćajnim nezgodama. Dakle, izabrani model bi mogao biti od
koristi kada se želi ispitati sklonost ka nezgodama, a da pri tome nije poznato
vozačko iskustvo, učestvovanje u saobraćajnim nezgodama, itd. Potencijalna
primena ovog modela mogla bi biti višestruka, npr. kao deo procesa testiranja
profesionalnihvozačaprilikomselekcijezazaposlenje.
Ulazne varijable sistema odnose se na skorove postignute na instrumentima za
procenu ličnosti koji su prethodno opisani: BIS‐11 upitnik za procenu
impulsivnosti(Pattonetal.1995),ADBQupitnikzaprocenuagresivnogponašanja
u vožnji (Brill et al. 2011), Manchester DAQ upitnik za procenu rizika u vožnji
(Parker i sar., 1996), kao i upitnik za samoprocenu sopstvenih vozačkih
sposobnosti (Tronsmoen, 2008). Izlazna varijabla jeste broj nezgoda koji je
doživeo ispitanik, tj. procena sklonosti ka učestvovanju u saobraćajnim
nezgodama.
Instrumentizaprocenuličnosti,iakokaorezultatdajupreciznuvrednostusmislu
postignutogskora,sadržeusebiodređenudozurasplinutosti ineodređenosti jer
suzasnovaninasamoizveštajimakojimogusadržatiisocijalnopoželjneodgovore
utrenutkutestiranja.Takođe,predviđanjebrojasaobraćajnihnezgodaukojimaje
ispitanik učestvovao predstavlja složen zadatak koji može zavisiti, pored
psihološkihkarakteristikavozača,iodnekihnezavisnihokolnosti,teseiusmislu
izlazne promenljive može govoriti o varijabli koja sadrži određen stepen
neodređenosti i rasplinutosti (na primer, u smislu definisanja šta će se
podrazumevati pod saobraćajnom nezgodom i koje su njene karakteristike i
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
174
posledice).Naosnovunavedenog,možesezaključitidabivrlopogodanmetodza
formiranje predloženog modela u ovom poglavlju disertacije bio fazi logika, tj.
uvođenjefazilogičkogsistema.
10.1Osnoveteorijefaziskupovaifazilogike
Začetnik teorije fazi skupova je američki profesor Lotfi Zadeh. Definiše je kao
teoriju za matematičko opisivanje ljudskih percepcija, računanje iskazima ili
rečima i aproksimativno poznatim veličinama, kao i za prihvatanje i obradu
parcijalnihistinaprisutnihukomunikacijiizmeđuljudi(Zadeh,1965).
Osnovnarazlikaizmeđuklasičneiteorijefaziskupova,jeupripadnostielemenata
skupu. Klasična teorija podrazumeva pripadnost ili nepripadnost skupu (stepeni
pripadnostielementa imajuvrednost1 ili0),odnosnostrogugranicuskupa.Fazi
skupovisubezstriktnegranice iodređenisu funkcijompripadnostikojasvakom
elementu dodeljuje odgovarajući stepen pripadnosti (vrednosti od 0 do 1) fazi
skupu(TeodorovićiŠelmić,2012).
Ako posmatramo fazi skup F, tada funkcija pripadnosti koja definiše stepene
pripadnostielementaxskupuF,moradazadovoljinejednakost(10.1):
0 1∀ ∈ (10.1)
FaziskupFsemožezapisatikaoskupuređenihparova:F={x, (x)},gdeje (x)
stepenpripadnostielementaxskupuF.Akojevrednoststepenapripadnostiveća,
značidajevećaiistinitosttvrdnjedaposmatranielementpripadafaziskupuF.
Ukoliko postoji informacija o određenoj subjektivnoj proceni, npr. da je neka
vrednost„otprilike5“,možesepredstavitifaziskupom,odnosnofazibrojem(slika
10.1). Na ovaj način, subjektivne procene okarakterisane brojnom vrednošću i
prikazane fazi skupovima, mogu se posmatrati kao fazi (rasplinuti) brojevi.
Tačnije, pod fazi brojem se podrazumeva fazi skup koji je konveksan i
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
175
normalizovan(bar jedanelementskupa imavrednoststepenapripadnosti1).To
značidasusvifazibrojevifaziskupovi,alifaziskupnemorabitiifazibroj.
Slika10.1.Funkcijapripadnostifazibroja„otprilike5“
U brojnim aktivnostima, eksperti manipulišu subjektivnim procenama,
nepreciznim veličinama i nedovoljno jasnim lingvističkim informacijama pri
donošenju odluka. Na osnovu ove činjenice, Lotfi Zadeh je došao na ideju da se
kroz fazi teoriju razvije model za donošenje odluka, koji je zasnovan na
nepreciznim,kvalitativnimpodacimaiopisnimlingvističkimpravilima.Pokazaoje
da se na osnovu rasplinutih logičkih tvrđenja i rasplinutih podataka mogu
generisati algoritmi, na osnovu kojih se mogu izvlačiti rasplinuti zaključci
(Teodorović i Šelmić, 2012). Iz želje da se modelira ljudsko iskustvo, intuicija i
ponašanje u procesu donošenja odluka nastali su fazi logički sistemi
(Zimmermann,1991).
10.1.1 Fazilogičkisistemi
Fazi logičkisistempredstavljanelinearnopreslikavanjevektoraulaznihpodataka
u izlaznu vrednost (Mendel, 1995). Izražena je upotreba u oblasti inteligentnih
kontrolnih sistema za donošenje zaključaka zasnovanih na nepreciznim,
lingvističkimulaznimi izlaznimpromenljivama.Fazi logičkisistemseu literaturi
može naći i pod drugimnazivima: fazi sistem, fazi ekspertski sistem, fazi logički
regulator,fazimodeliranje,sistembazirannafazipravilima.
2 4 5 6 8
1
x0
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
176
Fazisistemčinečetiriosnovnaelementa(slika10.2):fazipravila(eng.fuzzyrules),
fazifikator (eng. fuzzifier), mašina zaključivanja (eng. inference engine) i
defazifikator(eng.defuzzifier)(TeodorovićiŠelmić,2012).
Slika10.2.Osnovnielementifazilogičkogsistema(TeodorovićiŠelmić,2012)
Ulazi u fazi logički sistem mogu biti numeričke vrednosti ili lingvističke
promenljive. Fazifikator ima funkciju preslikavanja numeričkih vrednosti u fazi
skupove,alingvističkihpromenljivihufazibrojeve.
Fazi pravila predstavljaju znanje eksperta koji upravlja određenim procesom ili
izvršavanekizadatakizoblastikojajeodinteresa.Skupfazipravilačinibazufazi
pravila.Brojnisunačinizagenerisanjefazipravila.Najčešćesekoristerazgovorii
intervjui sa ekspertima, posmatranje operatora i statističkih pokazatelja, kao i
proučavanje donetih odluka, zatim generisanje pravila na osnovu numeričkih
podataka ili kombinacijom dostupnih numeričkih podataka i znanja eksperata –
WangMendelovmetod(Teodorović iŠelmić,2012).Fazipravilasuzasnovanana
principu“Ako‐Tada”(eng.“If‐Then”):
If isAand isBthenyisC.
Mašinazaključivanjadefinišenačinnakojisekombinujupravila.Fazirezonovanje
(aproksimativno rezonovanje) ili uopšteni modus ponens predstavlja način
donošenjazaključaka izpretpostavki,kadasu lingvistički izrazipredstavljeni fazi
skupovima.
Fazifikator
Pravila
Mašina zaključivanja
Defazifikator
Ulazne promenljive
Izlazne promenljive
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
177
Defazifikatoromogućujeprocesdefazifikacije,kojiseodnosinadobijanjerezultata
iz fazi skupa, u vidu tačno jedne vrednosti. Postoji više različitih metoda
defazifikacije, a najpoznatija i najčešće primenjivana jeste metoda određivanja
centragravitacijedobijenepovršineograničenerezultujućimfaziskupom.
10.1.2WangMendelovmetodzagenerisanjefazipravila
Urazgovorusaekspertimasedobijajuznačajnelingvističkeinformacije,međutim
oninisuuveku stanjuda iskažusva svoja znanja i iskustvo,kojebipomoglopri
kreiranju lingvističkih pravila. Na taj način, često dolazi do gubitka određenih
bitnihinformacija.
Sa druge strane, dostupne numeričke vrednosti iz određenog sistema, za
generisanje fazi pravila uglavnom nisu dovoljne, jer ne obuhvataju sve moguće
situacije koje se mogu pojaviti (Teodorović i Šelmić, 2012). Najbolje rešenje za
generisanje fazi pravila obuhvata i lingvističke informacije eksperata i dostupne
numeričkevrednosti(WangiMendel,1992).
Prvi korak se odnosi na definisanje ulaznih i izlaznih promenljivih, određuju se
njihovi domeni, a zatim se vrši podela domena na intervale. Često su domeni
promenljivihpodeljeninarazličitbrojintervala.
Udrugomkorakusekreirajufazipravilanaosnovunumeričkihpodataka.Zasvaki
odulazno‐izlaznihparova seodređuje stepenpripadnosti fazi skupovimakoji su
definisani na intervalima. Razmatrane vrednosti se pridružuju fazi skupovima
kojima pripadaju sa najvećim stepenom pripadnosti. Nakon toga se iz svakog
ulazno‐izlaznogparapodatakagenerišepojednopravilo.Jasnojedaćeistiilislični
parovi ulazno‐izlaznihpodataka generisati isto fazi pravilo.U nekim slučajevima
dolazidopojavekonfliktnihpravila,kojaimajuistiIf,arazličitThendeo.Izskupa
konfliktnihpravila, sebira jednokojeulazi u finalnubazu. Izbor se vrši pomoću
izračunavanjastepenapravilaD,kojezapravilo‐Pravilo1:If isAand isB
thenyisC,iznosi:
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
178
D(Pravilo1)= (10.2)
UbazusešaljepravilosavećomvrednošćustepenapravilaD.Analizomsemože
uočiti da su određeni parovi podataka veoma reprezentativni i važni, a drugi
potpuno beznačajni, neki odnjih nastali greškomprimerenju ili prikupljanju. Iz
definisanihrazlogamožesesvakomparupodatakapridružitistepenuverenostiu
ispravnost i korisnost podataka – m. Na taj način parovi podataka mogu da
formiraju fazi skup korisnih podataka i da mu pripadaju sa odgovarajućim
stepenompripadnosti.Ukoliko se koristi vrednostm, stepenpravila iz jednačine
(10.2)postaje:
D(Pravilo1)= (10.3)
Kao što je rečeno, raspoloživi parovi podataka najčešće nisu dovoljni da pokriju
sve različite situacije koje mogu da se dese u određenim sistemima. Baza fazi
pravila može biti dopunjena dodatnim fazi pravilima generisanim od strane
eksperta,kojiuzimajuaktivnoučešće iprilikomselekcijepodataka(Teodorović i
Šelmić,2012).
10.2Pregledliteratureizoblastifazilogikeirešavanjasaobraćajnih
problema
U literaturi se sreću različiti složeni problemi, koji su rešavani primenom fazi
logike. Jedan od najpoznatjih primera jeste fazi logički kontroler, koji služi za
upravljanjeradomlaboratorijskeparnemašine(MamdaniiAssilian,1975).Nakon
toga brojni autori se bave kreiranjem fazi logičkih kontrolera sa primenama u
različitim oblastima. Tokom osamdesetih godina, u Japanu se pojavilo mnoštvo
primenafazilogike,adevedesetihgodinasusenasvetskomtržištupojavilibrojni
proizvodi visoke tehnologije iz ove zemlje, u čijem su funkcionisanju značajno
mestozauzimalifazikontroleri.Oviproizvodisuimaliznatnoboljekarakteristike
odsličnihkojinisuzasnovaninafazilogici(TeodorovićiŠelmić,2012).
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
179
U oblasti saobraćaja, fazi logika, je primenjivana na problem upravljanja:
izolovanomsignalisanomraskrsnicom(Pappis iMamdani,1977),saobraćajemna
auto‐putu(SasakiiAkiyama,1986),ulivnimrampamanaauto‐putu(Cheniostali,
1990), tokovima u vazdušnom saobraćaju (Teodorović i Babić, 1993),
dispečiranjem brodova u rečnom saobraćaju (Vukadinović i Teodorović, 1994).
Devedesetih godina, fazi logika je primenjena i na probleme izbora rute
(Teodorović iKikuchi,1990).ČetirigodinekasnijeTeodorovićiKikuchi(1994)u
svojojknjiziopisujuprimenuteorijefaziskupovauoblastisaobraćaja.
Uoblastianalizeipredikcijesaobraćajnihnezgoda,primenafazilogikesemožese
naći u više radova. Driss i ostali (2015) predložili su model za predikciju
saobraćajnihnezgodazasnovannaanalizikarakteristikaputaiprimenifazilogike.
Za analizu karakteristika puta, koristili su 14 parametara koji su svrstali u 4
kategorije:geometrijskekarakteristikeputa,putnookruženje,opremljenostputa,
kao i karakteristike vozila i saobraćajnih tokova. Model je testiran na primeru
putnemrežeAlžira.Effati iostali (2012)supredložilimodelzaprocenuopasnih
mesta na putu primenom fazi logike posmatranjem karakteristika puta
korišćenjemgeografskoginformacionogsistema.
Chongiostali(2013)sukoristilifazilogikuiveštačkeneuronskemrežezaprocenu
ponašanja vozača u situaciji sleđenja vozila. Kao ulazne varijable koristili su
relativnoodstojanjeodvozilaispred,relativnubrzinuuodnosunavoziloispredi
apsolutnu brzinu, ubrzanje i ugao skretanja. Sličnu metodologiju koristili su
Hosseinpour i ostali (2013) zapredikciju saobraćajnihnezgoda,pri čemusukao
ulaznevarijablekoristilikarakteristikeputaiokolineputa.
U literaturi se mogu naći primeri primene fazi logike za analizu i predikciju
saobraćajnih nezgoda i u ostalim vidovima saobraćaja. Lower i ostali (2016) su
analizirali verovatnoću da se incidentne situacije u vazdušnom saobraćaju
pretvore u sabraćajnu nezgodu. Ulazne varijable u fazi logički sistem bile su:
veštine pilota i kontrole leta, obim vazdušnog saobraćaja, vremenski uslovi,
aerodromskeprocedureigeometrijaaerodroma.Zamaniostali(2014)susebavili
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
180
detekcijom opasnih mesta ocenom rizika u vodnom saobraćaju analizirajući
Malaccamoreuzuzpomoćgeografskoginformacionogsistema.
Međutim, pregledom literature na servisu Thompson Reuters Web od Science
(2017) nisu pronađeni primeri analize i predikcije saobraćajnih nezgoda
korišćenjeminstrumenatazaprocenukarakteristikaličnosti iprimenifazi logike.
Upravo je to biomotiv da se u ovoj doktorskoj disertaciji predložimodel koji bi
sublimiraonavedenadvafenomena.
10.3Modelizaprocenusklonostikasaobraćajnimnezgodama
Kao što je već pomenuto, ulazne varijable fazi logičkih sistema odnose se na
skorove postignute na instrumentima za procenu ličnosti: ADBQ upitnik za
procenuagresivnogponašanjauvožnji,BIS‐11upitnikzaprocenu impulsivnosti,
ManchesterDAQupitnikzaprocenurizikauvožnji,kaoiupitnikzasamoprocenu
sopstvenih vozačkih sposobnosti. Modeli koji se testiraju mogu biti samo sa
jednom ulaznom varijablom koju predstavlja jedan od pomenutih skorova, ili sa
dvevarijablekojepredstavljajunekadvaodpomenutih skorova, ili sa tri ulazne
varijablekojepredstavljajunekatriodpomenutihskorova,ilikonačno,testirasei
modelkojiimačetiriulaznevarijablekojeseodnosesasvačetiripomenutaskora.
Izlaznavarijablausvimslučajevimajestebrojnezgodakojijedoživeoispitanik,tj.
procenasklonostikaučestvovanjuusaobraćajnimnezgodama.Pridefinisanjufazi
skupova i odgovarajućih fazi pravila korišćena je baza podataka o postignutim
skorovimanapomenutimpsihološkihinstrumentimaibrojnezgodakojijedoživeo
svakiod305 ispitanika izuzorkakoji jeprethodnovećopisanuovojdoktorskoj
disertaciji. Dakle, korišćeni podaci se mogu tabelarno predstaviti kao što je
prikazanoutabeli10.1.(Čubranić‐DobrodolaciČičević,2017a)
Računarski program koji je korišćen u svrhu definisanja fazi logičkog sistema i
odgovarajućihproračunajesteMatlabverzijaR2013a.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
181
Tabela10.1.Bazaulaznihiizlaznihpodataka
Ispitanik
Skorna
ADBQ
upitniku
(agresivnost)
SkornaBIS‐11
upitniku
(impulsivnost)
Skorna
Manchester
DAQ
upitniku
(rizik)
Skorna
upitnikuza
samoprocenu
sopstvenih
vozačkih
sposobnosti
(samoprocena)
Broj
nezgoda
(nezgode)
1. 66 76 69 41 8
2. 50 60 55 73 0
3. 43 62 52 70 0
4. 40 63 59 63 0
5. 35 60 62 83 0
6. 48 64 62 69 0
7. 61 76 46 56 3
8. 42 62 62 73 0
9. 54 74 65 44 4
10. 56 75 69 42 5
.... .... .... .... .... ....
.... .... .... .... .... ....
.... .... .... .... .... ....
305. 45 75 55 66 3
Pri definisanju domena funkcija pripadnosti u fazi logičkim sistemima od I do
CCXLII korišćeni su podaci iz istraživanja koje je vezano za ovu doktorsku
disertaciju,doksupridefinisanjufunkcijapripadnostiufazilogičkimsistemimaod
CCXLIIIdoCCLXXIkorišćenidostupnipodaciizodgovarajućeliterature.Konačno,
ufazilogičkomsistemuCCLXXIIkorišćenajekombinacijaovadvapristupa.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
182
10.3.1Modelizaprocenusklonostikasaobraćajnimnezgodamaukojimasu
domenifunkcijapripadnostidefinisaninaosnovupodatakaizempirijskog
istraživanjauokvirudoktorskedisertacije
U sekciji 10.3.1 biće testirani različiti fazi logički sistemi čija je zajednička
karakteristikadasudomenifunkcijapripadnostidefinisaninaosnovupodatakaiz
empirijskogistraživanjauokviruovedoktorskedisertacije.
10.3.1.1Modelizaprocenusklonostikasaobraćajnimnezgodamasajednom
ulaznompromenljivomkojaseodnosinaskornaADBQupitnikuzaprocenu
agresivnogponašanjauvožnji
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekciji imaju jednuulaznupromenljivukojaseodnosinaskorna
ADBQ upitniku za procenu agresivnog ponašanja u vožnji i jednu izlaznu
promenljivukojaseodnosinabrojnezgoda.Konceptovakvogfazilogičkogsistema
ilustrovanuzpomoćkorišćenogprogramajeprikazannaslici10.3.
Slika10.3.KonceptfazilogičkihsistemaodIdoXV
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
183
Kao što je već rečeno, domen ulazne promenljive „agresivnost“ je određen
mogućim vrednostima skorova koji su dobijeni u istraživanju primenom
odgovarajućegpsihološkoginstrumenta.Domenizlaznepromenljiveodređenjena
osnovu prijavljenog broja saobraćajnih nezgoda od strane samih ispitanika. Broj
fazi skupova po promenljivama određen je na osnovu procene autora. Koristeći
metod koji su predložili Wang i Mendel (1992), definisana su fazi pravila na
osnovunumeričkihilingvističkihinformacija.
Slika10.4.Podeladomenaulaznepromenljive„Agresivnost“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuI
Ulazna promenljiva „Agresivnost“ se odnosi na skor koji ispitanik postigne na
ADBQ testu. Može se prikazati pomoću 5 fazi skupova i njihovih funkcija
pripadnosti:VNA–veomaniskaagresivnost,NA–niskaagresivnost,SA–srednja
agresivnost,VA–visokaagresivnost,VVA–veomavisokaagresivnost.Kaoštose
moževidetisaslikauokvirutabele10.3,ainaslici10.4.kojailustrujeprimergde
su funkcije pripadnosti u obliku trougla, fazi skupovi koji opisuju ulaznu
promenljivu„Agresivnost“nepokrivajujednakeintervale,štojerezultatčinjenice
dasuovifaziskupovidefinisaninaosnovuempirijskihpodatakao305ispitanika–
vozača. Na primer, iako je teorijska maksimalna vrednost za skor na testu
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
184
agresivnosti120,u istraživanjusepokazaloda jemaksimalanpostignut skor76.
Na osnovu toga, moglo bi se zaključiti da se u prosečnoj populaciji vozača vrlo
retko sreću veće vrednosti i da je dakle relativno veliki interval za teorijske
vrednosti skora agresivnosti ostao nepokriven. Zato fazi skup VVA ima najveći
intervalupoređenjusapreostala4 fazi skupa.Sadrugestrane, srednjavrednost
ADBQskorasvih ispitanikakojisuučestvovaliu istraživanju je49,47;naosnovu
čega je vrednost od 50 uzeta kao vrednost fazi skupa SA sa najvećim stepenom
pripadnosti1.
Slika10.5.Podeladomenaizlaznepromenljive„Nezgode“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuI
Izlaznapromenljiva„Nezgode“seodnosinabrojnezgodakojijedoživeoispitanik.
Možeseprikazatipomoću7faziskupovainjihovihfunkcijapripadnosti:VMBN–
veomamali broj nezgoda,MBN –mali broj nezgoda,SMBN– srednjemali broj
nezgoda,SBN – srednjibrojnezgoda,SVBN–srednjevelikibrojnezgoda,VBN –
velikibrojnezgoda,VVBN–veomavelikibrojnezgoda.Faziskupovikojiopisuju
izlaznupromenljivuuglavnompokrivajujednakeintervale,semVVBNskupakojiu
empirijskom uzorku predstavlja vrlo retku pojavu.Moguće empirijske vrednosti
broja nezgoda kreću se od 0 do 8. U skladu sa navedenim, izlazna varijabla
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
185
„Nezgode“ je definisana, npr. u slučaju kada su funkcije pripadnosti u obliku
trougla,kaoštojeprikazanonaslici10.5.
Nakondefinisanjafaziskupovaiodgovarajućihfunkcijapripadnostigenerisanaje
baza fazi pravila. Za fazi logički sistem I potrebno je definisati 5 pravila, što je
urađenonasledećinačin:
1.If(AgresivnostisVNA)then(NezgodeisVMBN)
2.If(AgresivnostisNA)then(NezgodeisMBN)
3.If(AgresivnostisSA)then(NezgodeisSBN)
4.If(AgresivnostisVA)then(NezgodeisSVBN)
5.If(AgresivnostisVVA)then(NezgodeisVVBN).
Na osnovu kreiranih pravila, stvorena je mogućnost da se za odgovarajuće
postignute skorove na psihološkom instrumentu dobije očekivani broj
saobraćajnih nezgoda u kojima je učestvovao ispitanik. Na osnovu togamože se
procenitinjegovasklonostkasaobraćajnimnezgodama.Naslici10.6,datjeprimer
dobijanjarešenjanaosnovugenerisanihfazipravila.
Slika10.6.Interfejszaizračunavanjeizlaznepromenljive
naosnovuzadateulaznepromenljiveufazilogičkomsistemuI
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
186
Uprikazanomprimeru(slika10.6)vrednostulaznepromenljive(skoragresivnosti
= 76) sa najvećim stepenom pripadnosti pripada fazi skupu VA – visoka
agresivnost. Za broj očekivanih saobraćajnih nezgoda se u konkretnom slučaju
dobijasevrednostod4,19.
Tako, na primer, fazi logički sistem I karakterišu funkcije pripadnosti u obliku
trougla,aovajtipfuncijepripadnostiseukorišćenomprogramunazivatrimf(od
triangularmembershipfunction).DabiseispitaloukojojmerifazilogičkisistemI
opisujeempirijskepodatke,unetesuvrednostizaposmatranuulaznuvarijabluza
svakog ispitanika, a dobijeni rezultat o očekivanom broju saobraćajnih nezgoda
(yoi)seupoređujesastvarnimbrojemkojijeodređenivozačdoživeo(ysi).Razlikeu
stvarnomiočekivanombrojusaobraćajnihnezgoda,uapsolutnomiznosu(yi),se
sumiraju (y). Što je vrednost y manja, to posmatrani sistem bolje opisuje
podatke iz empirijskog istraživanja i smatra se prikladnijim sistemom za
izračunavanjesklonostikasaobraćajnimnezgodama.
y | | (10.4)
y y (10.5)
Zaslučaj fazi logičkogsistemaI,dolazisedovrednostiykaošto jeprikazanou
tabeli10.2.
Za razliku od fazi logičkog sistema I, fazi logički sistem II karakterišu funkcije
pripadnostiuoblikutrapezazaulaznupromenljivu,aovajtipfuncijepripadnosti
se u korišćenom programu naziva trapmf (od trapezoidalmembership function).
Izlazna promenljiva „Nezgode“ je definisana kao u fazi logičkom sistemu I. Fazi
pravila u fazi logičkom sistemu II su ista kao u fazi logičkom sistemu I. Ista fazi
pravilavažeizaostalefazilogičkesistemeuovojsekciji,tj.zafazilogičkesisteme
odIdoXV.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
187
Tabela10.2.ZbirapsolutnihgrešakazaslučajfazilogičkogsistemaI
Ispitanik Agres. ysi yoi yi
1. 66 8 4,000 4,000
2. 50 0 3,000 3,000
3. 43 0 2,358 2,358
4. 40 0 1,886 1,886
5. 35 0 1,501 1,501
6. 48 0 3,000 3,000
7. 61 3 3,599 0,599
8. 42 0 2,157 2,157
9. 54 4 3,000 1,000
10. 56 5 3,109 1,891
.... .... .... .... ....
.... .... .... .... ....
305. 45 3 3,000 0,000
y 521,969
Fazi logički sistem III karakterišu funkcije pripadnosti u obliku trapeza, kako za
ulaznupromenljivu,takoizaizlaznu.
Fazi logičkisistemIVkarakterišu funkcijepripadnostiuoblikuGausovekrive,ali
samo za ulaznu promenljivu. Ovaj tip funcije pripadnosti se u korišćenom
programu naziva gaussmf (Gaussian distribution curve). Funkcije pripadnosti za
izlaznu varijablu su iste kao u fazi logičkom sistemu I. Fazi logički sistem V
karakterišu funkcije pripadnosti u obliku Gausove krive, kako za ulaznu
promenljivu,takoizaizlaznu.
FazilogičkisistemVIkarakterišufunkcijepripadnostiuoblikudvostraneGausove
krive,tj.upitanjujekrivakojasesastojioddverazličiteGausovekrive,alisamoza
ulaznupromenljivu. Ovajtipfuncijepripadnostiseukorišćenomprogramunaziva
gauss2mf (two‐sidedGaussiandistributioncurve). Funkcijepripadnostiza izlaznu
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
188
varijablusu istekaoufazi logičkomsistemuI.Fazi logičkisistemVIIkarakterišu
funkcijepripadnostiuoblikudvostraneGausovekrive(gauss2mf),kakozaulaznu
promenljivu,takoizaizlaznu.
Fazi logički sistem VIII karakterišu funkcije pripadnosti u obliku generalizovane
Belove krive, ali samo za ulaznu promenljivu.Ovaj tip funcije pripadnosti se u
korišćenom programu naziva gbellmf (generalized bell membership function).
FunkcijepripadnostizaizlaznuvarijablusuistekaoufazilogičkomsistemuI.Fazi
logičkisistemIXkarakterišu funkcijepripadnostiuoblikugeneralizovaneBelove
krive(gbellmf),kakozaulaznupromenljivu,takoizaizlaznu.
Fazi logički sistemXkarakterišu funkcijepripadnosti uobliku sigmoidalnekrive
(sigmoid curve) i njenih varijacija, ali samo za ulaznu promenljivu. Sigmoidalna
krivajeotvorenanadesno,štoznačidasemožekoristitisamozakrajnufunkciju
pripadnostisanajvećimvrednostimauokvirudomena.Ovajtipfuncijepripadnosti
seukorišćenomprogramunazivasigmf. Zatvorene funkcijepripadnostimoguse
predstavitikaokombinacijadvesimetričnesigmoidalnekrive(štoseuprogramu
naziva dsigmf) ili kao kombinacija dve asimetrične sigmoidalne krive (što se u
programu naziva psigmf). U fazi logičkom sistemu X za zatvorene funkcije
pripadnosti biće korišćene dve simetrične sigmoidalne krive. Za funkciju
pripadnostikojajeotvorenanalevo,tj.kojapokrivavrednostikojisunajmanjeu
okviru domena, korističe se polinomna kriva Z.Ovaj tip funcije pripadnosti se u
korišćenomprogramunazivazmf.Funkcijepripadnostizaizlaznuvarijablusuiste
kaoufazilogičkomsistemuI.
Fazi logičkisistemXIkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
(sigmoidcurve)injenihvarijacija,korišćenjemfunkcijasigmf,dsigmfizmf,kakoza
ulaznupromenljivu,takoizaizlaznu.
FazilogičkisistemXIIkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
(sigmoid curve) i njenih varijacija, ali samo za ulaznu promenljivu. Za zatvorene
funkcije pripadnosti u ovom sistemu se koristi kombinacija dve asimetrične
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
189
sigmoidalnekrive(štoseuprogramunazivapsigmf).Zafunkcijupripadnostikoja
jeotvorenana levo, tj.kojapokrivavrednostikojisunajmanjeuokvirudomena,
korističesepolinomnakrivaZ.Funkcijepripadnostizaizlaznuvarijablusuistekao
ufazilogičkomsistemuI.FazilogičkisistemXIIIkarakterišufunkcijepripadnostiu
oblikusigmoidalnekrivesigmf,psigmfizmf,kakozaulaznupromenljivu,takoiza
izlaznu.
FazilogičkisistemXIVkarakterišufunkcijepripadnostiuoblikupolinomnihkrivih
(polynomialbasedcurves), ali samozaulaznupromenljivu.Tripovezane funkcije
pripadnostisuZ,SiPi,kojesunazvaneposvojimoblicima.Zfunkcijapripadnosti
je otvorena na levo i ima oznaku u programu zmf, S funkcija pripadnosti je
otvorena na desno i ima oznaku u programu smf, Pi funkcija pripadnosti je
zatvorenaiimaoznakupimf.Funkcijepripadnostizaizlaznuvarijablusuistekaou
fazi logičkomsistemu I.Fazi logički sistemXVkarakterišu funkcijepripadnostiu
oblikupolinomnihkrivihZ,SiPi,kakozaulaznupromenljivu,takoizaizlaznu.
Načinnakojijedefinisansvakiodtestiranihfazilogičkihsistemauovojsekciji,kao
irešenjausmisluvrednostizaysuprikazanautabeli10.3.
Tabela10.3.ZbirapsolutnihgrešakafazilogičkihsistemaodIdoXV
Fazilogički
sistem
(ulaznafunkcija
pripadnosti–
izlaznafunkcija
pripadnosti)
Ulaznapromenljiva Izlaznapromenljiva yi
I(trimf–trimf)
521,969
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
190
II(trapmf–
trimf)
525,831
III(trapmf–
trapmf)
525,670
IV(gaussmf–
trimf)
518,062
V(gaussmf–
gaussmf)
519,253
VI(gauss2mf–
trimf)
524,443
VII(gauss2mf–
gauss2mf)
524,253
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
191
VIII(gbellmf–
trimf)
530,503
IX(gbellmf–
gbellmf)
530,159
X((zmf,dsigmf,
sigmf)–trimf)
528,198
XI((zmf,dsigmf,
sigmf)–(zmf,
dsigmf,sigmf))
525,711
XII((zmf,psigmf,
sigmf)–trimf)
528,163
XIII((zmf,
psigmf,sigmf)–
(zmf,psigmf,
sigmf))
535,705
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
192
XIV((zmf,pimf,
smf)–trimf)
528,757
XV((zmf,pimf,
smf)–(zmf,pimf,
smf))
528,304
Modeliod IdoXV imajuzajedničkukarakteristikuda jeulazna varijabla skorna
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,aizlaznabrojnezgoda.U
tabeli10.3prikazanisurezultatitestiranjafazilogičkihsistemaodIdoXVusmislu
ukupne greške koju posmatrani sistemi čine kroz izlazni rezultat u odnosu na
realnepodatkeizistraživanja.Naslici10.7.prikazanjegrafikonnakojemsevide
odnosiizmeđupojedinihfazilogičkihsistemausmisluukupnegreškey.
Slika10.7.Ukupnegreškefazilogičkihsistemakod kojih jeulaznavarijablaskorna
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji(odIdoXV)
505
510
515
520
525
530
535
540
I II III IV V VI VII VIII IX X XI XII XIII XIV XV
UkupnegreškesistemaodIdoXV
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
193
Kada jerečo fazi logičkimsistemimaodIdoXV,poređenjemdobijenihrezultata
može se zaključiti da najbolje rezultate daje fazi logički sistem IV koji za ulaznu
varijablu agresivnost koristi funkcije pripadnosti u obliku Gausove krive, a za
izlaznuvarijablunezgodekoristifunkcijepripadnostitrouglastogoblika.
10.3.1.2Modelizaprocenusklonostikasaobraćajnimnezgodamasajednom
ulaznompromenljivomkojaseodnosinaskornaBIS‐11upitnikuzaprocenu
impulsivnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekciji imaju jednuulaznupromenljivukojaseodnosinaskorna
BIS‐11 upitniku za procenu impulsivnosti i jednu izlaznu promenljivu koja se
odnosi na broj nezgoda. Koncept ovakvog fazi logičkog sistema ilustrovan uz
pomoćkorišćenogprogramajeprikazannaslici10.8.
Slika10.8.KonceptfazilogičkihsistemaodXVIdoXXX
Domen ulazne promenljive „impulsivnost“ je određen mogućim vrednostima
skorova koji su dobijeni u istraživanju primenom odgovarajućeg psihološkog
instrumenta.Domen izlaznepromenljive određen je kao i uprethodnoopisanim
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
194
fazilogičkimsistemima.Brojfaziskupovapopromenljivamaodređenjenaosnovu
procene autora. Koristeći metod koji su predložili Wang i Mendel (1992),
definisanasufazipravilanaosnovunumeričkihilingvističkihinformacija.
Ulazna promenljiva „Impulsivnost“ se može prikazati pomoću 5 fazi skupova i
njihovih funkcija pripadnosti: VNI – veoma niska impulsivnost, NI – niska
impulsivnost, SI – srednja impulsivnost,VI – visoka impulsivnost,VVI – veoma
visokaimpulsivnost. Primerzaslučajtrouglastihfunkcijapripadnostiprikazanje
na slici 10.9. Kao što se može primetiti, fazi skupovi koji opisuju ulaznu
promenljivu „Impulsivnost“ ne pokrivaju jednake intervale. Moguće teorijske
vrednostiskoraimpulsivnostikrećuseod30do120.Međutim,empirijskipodaci
pokazali su da se skor kreće u granicama od 49 do 86. Srednja vrednost BIS‐11
skorasvihispitanikakojisuučestvovaliuistraživanjuje68,44;naosnovučegaje
vrednost od 68,5 uzeta kao vrednost fazi skupa SI sa najvećim stepenom
pripadnosti1.Uskladusanavedenim,ulaznavarijabla„Impulsivnost“jedefinisana
kao što je prikazano na slici 10.9. Izlazna varijabla je definisano isto kao u fazi
logičkomsistemuI.
Slika10.9.Podeladomenaulaznepromenljive„Impulsivnost“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuXVI
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
195
Nakondefinisanjafaziskupovaiodgovarajućihfunkcijapripadnostigenerisanaje
baza fazi pravila. Za fazi logičke sisteme od XVI do XXX potrebno je definisati 5
pravila,štojeurađenonasledećinačin:
1.If(ImpulsivnostisVNI)then(NezgodeisVMBN)
2.If(ImpulsivnostisNI)then(NezgodeisMBN)
3.If(ImpulsivnostisSI)then(NezgodeisSBN)
4.If(ImpulsivnostisVI)then(NezgodeisSVBN)
5.If(ImpulsivnostisVVI)then(NezgodeisVVBN).
Na osnovu kreiranih pravila, stvorena je mogućnost da se za odgovarajuće
postignute skorove na psihološkom instrumentu dobije očekivani broj
saobraćajnih nezgoda u kojima je učestvovao ispitanik. Na osnovu togamože se
proceniti njegova sklonost ka saobraćajnimnezgodama.Da bi se ispitalo u kojoj
meri fazi logički sistem XVI opisuje empirijske podatke, kao u prethodnim fazi
logičkim sistemima, biće izračunata suma apsolutnih grešaka (y) između
dobijenogrešenjaprimenomfazilogičkogsistemaistvarnogbrojanezgodakojije
doziveoispitanik.
Fazi logički sistem XVI karakterišu funkcije pripadnosti u obliku trougla (trimf).
FazilogičkisistemXVIIkarakterišufunkcijepripadnostiuoblikutrapeza(trapmf),
ali samo za ulaznu promenljivu. Fazi logički sistem XVIII karakterišu funkcije
pripadnostiuoblikutrapeza,kakozaulaznupromenljivu,takoizaizlaznu.Ulazna
je definisana identično kao u fazi logičkom sistemu XVII, a izlazna kao u fazi
logičkomsistemuIII.
FazilogičkisistemXIXkarakterišufunkcijepripadnostiuoblikuGausovekrive,ali
samozaulaznupromenljivu(gaussmf).Funkcijepripadnostizaizlaznuvarijablusu
iste kao u fazi logičkom sistemu I. Fazi logički sistem XX karakterišu funkcije
pripadnostiuoblikuGausovekrive(gaussmf),kakozaulaznupromenljivu, takoi
zaizlaznu. UlaznajedefinisanaidentičnokaoufazilogičkomsistemuXIX,aizlazna
kaoufazilogičkomsistemuV.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
196
Fazi logički sistem XXI karakterišu funkcije pripadnosti u obliku dvostrane
Gausovekrive,tj.upitanjujekrivakojasesastojioddverazličiteGausovekrive,ali
samozaulaznupromenljivu(gauss2mf). Funkcijepripadnostizaizlaznuvarijablu
suistekaoufazi logičkomsistemuI.Fazi logičkisistemXXIIkarakterišufunkcije
pripadnosti u obliku dvostrane Gausove krive (gauss2mf), kako za ulaznu
promenljivu, tako i za izlaznu.Ulazna jedefinisana identičnokaou fazi logičkom
sistemuXXI,aizlaznakaoufazilogičkomsistemuVII.
Fazi logičkisistemXXIIIkarakterišu funkcijepripadnostiuoblikugeneralizovane
Belove krive, ali samo za ulaznu promenljivu (gbellmf). Funkcije pripadnosti za
izlaznu varijablu su iste kao u fazi logičkom sistemu I. Fazi logički sistem XXIV
karakterišu funkcije pripadnosti u obliku generalizovane Belove krive (gbellmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuXXIII,aizlaznakaoufazilogičkomsistemuIX.
FazilogičkisistemXXVkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
sigmf,dsigmfizmf,alisamozaulaznupromenljivu.Funkcijepripadnostizaizlaznu
varijablusuistekaoufazilogičkomsistemuI.FazilogičkisistemXXVIkarakterišu
funkcijepripadnostiuoblikusigmoidalnekrivesigmf,dsigmfizmf,kakozaulaznu
promenljivu, tako i za izlaznu.Ulazna jedefinisana identičnokaou fazi logičkom
sistemuXXV,a izlaznakaoufazi logičkomsistemuXIkorišćenjemfunkcijasigmf,
dsigmfizmf.
Fazi logički sistem XXVII karakterišu funkcije pripadnosti u obliku sigmoidalne
krivesigmf,psigmf izmf,alisamozaulaznupromenljivu.Funkcijepripadnostiza
izlaznuvarijablu su iste kaou fazi logičkomsistemu I. Fazi logički sistemXXVIII
karakterišu funkcijepripadnostiuobliku sigmoidalnekrive (sigmf,psigmf izmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuXXVII,aizlaznakaoufazilogičkomsistemuXIII,korišćenjem
funkcijasigmf,psigmfizmf.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
197
Fazi logički sistem XXIX karakterišu funkcije pripadnosti u obliku polinomnih
krivih (polynomial based curves), ali samo za ulaznu promenljivu. Funkcije
pripadnostiza izlaznuvarijablusu istekaoufazi logičkomsistemuI.Fazi logički
sistemXXXkarakterišu funkcije pripadnosti u oblikupolinomnih krivih Z, S i Pi,
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuXXIX,aizlaznakaoufazilogičkomsistemuXV,korišćenjem
funkcijazmf,smfipimf.
Načinnakojijedefinisansvakiodtestiranihfazilogičkihsistemauovojsekciji,kao
irešenjausmisluvrednostizaysuprikazanautabeli10.4.
Tabela10.4.ZbirapsolutnihgrešakafazilogičkihsistemaodXVIdoXXX
Fazilogičkisistem
(ulaznafunkcijapripadnosti
–izlaznafunkcija
pripadnosti)
Ulaznapromenljiva yi
XVI(trimf–trimf) 512,537
XVII(trapmf–trimf) 512,369
XVIII(trapmf–trapmf) 512,171
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
198
XIX(gaussmf–trimf) 520,617
XX(gaussmf–gaussmf) 521,118
XXI(gauss2mf–trimf) 514,180
XXII(gauss2mf–gauss2mf) 514,291
XXIII(gbellmf–trimf) 522,659
XXIV(gbellmf–gbellmf) 522,482
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
199
XXV((zmf,dsigmf,sigmf)–
trimf) 524,661
XXVI((zmf,dsigmf,sigmf)–
(zmf,dsigmf,sigmf)) 525,008
XXVII((zmf,psigmf,sigmf)–
trimf) 524,607
XXVIII((zmf,psigmf,sigmf)
–(zmf,psigmf,sigmf)) 524,937
XXIX((zmf,pimf,smf)–
trimf) 513,044
XXX((zmf,pimf,smf)–(zmf,
pimf,smf)) 512,848
ModeliodXVIdoXXXimajuzajedničkukarakteristikuda jeulaznavarijablaskor
naBIS‐11upitnikuzaprocenuimpulsivnosti,aizlaznabrojnezgoda.Utabeli10.4
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
200
prikazani su rezultati testiranja fazi logičkih sistema od XVI do XXX u smislu
ukupne greške koju posmatrani sistemi čine kroz izlazni rezultat u odnosu na
realnepodatkeizistraživanja.Naslici10.10.prikazanjegrafikonnakojemsevide
odnosiizmeđupojedinihfazilogičkihsistemausmisluukupnegreškey.
Slika10.10.Ukupnegreškefazilogičkihsistemakod kojih je ulaznavarijablaskorna
BIS‐11upitnikuzaprocenuimpulsivnosti(odXVIdoXXX)
Kada je reč o fazi logičkim sistemima od XVI do XXX, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemXVIIIkoji
koristitrapezoidneoblikefunkcijapripadnosti,kakozaulaznuvarijablu,takoiza
izlaznu.
10.3.1.3Modelizaprocenusklonostikasaobraćajnimnezgodamasajednom
ulaznompromenljivomkojaseodnosinaskornaManchesterDAQupitniku
zaprocenurizikauvožnji
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekciji imaju jednuulaznupromenljivukojaseodnosinaskorna
ManchesterDAQupitniku zaprocenu rizikauvožnji i jednu izlaznupromenljivu
504506508510512514516518520522524526
UkupnegreškesistemaodXVIdoXXX
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
201
kojaseodnosinabrojnezgoda.Konceptovakvogfazi logičkogsistemailustrovan
uzpomoćkorišćenogprogramajeprikazannaslici10.11.
Domenulaznepromenljive„Rizik“jeodređenmogućimvrednostimaskorovakoji
su dobijeni u istraživanju primenom odgovarajućeg psihološkog instrumenta.
Domen izlaznepromenljive određen je kao i uprethodnoopisanim fazi logičkim
sistemima. Broj fazi skupova po promenljivama određen je na osnovu procene
autora.KoristećimetodkojisupredložiliWangiMendel(1992),definisanasufazi
pravilanaosnovunumeričkihilingvističkihinformacija.
Slika10.11.KonceptfazilogičkihsistemaodXXXIdoXLV
Ulaznapromenljiva„Rizik“seodnosinaskorkojiispitanikpostignenaManchester
DAQ upitniku. Može se prikazati pomoću 5 fazi skupova i njihovih funkcija
pripadnosti:VNR – veoma nizak rizik,NR – nizak rizik,SR– srednji rizik,VR –
visok rizik, VVR – veoma visok rizik. Primer za slučaj trouglastih funkcija
pripadnostiprikazan jena slici10.12. Iuovomslučaju, fazi skupovikojiopisuju
ulaznu promenljivu „Rizik“ ne pokrivaju jednake intervale. Moguće teorijske
vrednostiskorakojiseodnosinarizikkrećuseod20do100.Međutim,empirijski
podaci pokazali su da se skor kreće u granicama od 24 do 83. Srednja vrednost
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
202
skora rizikasvih ispitanikakoji suučestvovaliu istraživanju je62,52;naosnovu
čega jevrednostod62,5uzetakaovrednost faziskupaSRsanajvećimstepenom
pripadnosti1.Uskladusanavedenim,ulaznavarijabla„Rizik“jedefinisanakaošto
jeprikazanonaslici10.12. Nakondefinisanjafaziskupovaiodgovarajućihfunkcija
pripadnostigenerisanajebazafazipravila.ZafazilogičkesistemeodXXXIdoXLV
potrebnojedefinisati5pravila,štojeurađenonasledećinačin:
1.If(RizikisVNR)then(NezgodeisVMBN)
2.If(RizikisNR)then(NezgodeisMBN)
3.If(RizikisSR)then(NezgodeisSBN)
4.If(RizikisVR)then(NezgodeisSVBN)
5.If(RizikisVVR)then(NezgodeisVVBN).
Slika10.12.Podeladomenaulaznepromenljive„Rizik“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuXXXI
Na osnovu kreiranih pravila, stvorena je mogućnost da se za odgovarajuće
postignute skorove na psihološkom instrumentu dobije očekivani broj
saobraćajnih nezgoda u kojima je učestvovao ispitanik. Na osnovu togamože se
proceniti njegova sklonost ka saobraćajnimnezgodama.Da bi se ispitalo u kojoj
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
203
meri fazi logički sistem XXXI opisuje empirijske podatke, kao u prethodnim fazi
logičkim sistemima, biće izračunata suma apsolutnih grešaka (y) između
dobijenogrešenjaprimenomfazilogičkogsistemaistvarnogbrojanezgodakojije
doziveoispitanik.
Fazi logičkisistemXXXIkarakterišu funkcijepripadnostiuobliku trougla(trimf).
Fazi logički sistem XXXII karakterišu funkcije pripadnosti u obliku trapeza
(trapmf), ali samo za ulaznu promenljivu. Izlazna promenljiva „Nezgode“ je
definisana kao u fazi logičkom sistemu I. Fazi logički sistem XXXIII karakterišu
funkcijepripadnostiuoblikutrapeza,kakozaulaznupromenljivu,takoizaizlaznu.
FazilogičkisistemXXXIVkarakterišufunkcijepripadnostiuoblikuGausovekrive,
alisamozaulaznupromenljivu(gaussmf).Funkcijepripadnostizaizlaznuvarijablu
suistekaoufazilogičkomsistemuI.FazilogičkisistemXXXVkarakterišufunkcije
pripadnostiuoblikuGausovekrive(gaussmf),kakozaulaznupromenljivu, takoi
za izlaznu. Ulazna je definisana identično kao u fazi logičkom sistemu XXXIV, a
izlaznakaoufazilogičkomsistemuV.
Fazi logički sistem XXXVI karakterišu funkcije pripadnosti u obliku dvostrane
Gausovekrive,tj.upitanjujekrivakojasesastojioddverazličiteGausovekrive,ali
samozaulaznupromenljivu(gauss2mf). Funkcijepripadnostizaizlaznuvarijablu
su iste kao u fazi logičkom sistemu I. Fazi logički sistem XXXVII karakterišu
funkcijepripadnostiuoblikudvostraneGausovekrive(gauss2mf),kakozaulaznu
promenljivu, tako i za izlaznu.Ulazna jedefinisana identičnokaou fazi logičkom
sistemuXXXVI,aizlaznakaoufazilogičkomsistemuVII.
Fazi logički sistem XXXVIII karakterišu funkcije pripadnosti u obliku
generalizovaneBelovekrive,alisamozaulaznupromenljivu(gbellmf).Fazilogički
sistem XXXIX karakterišu funkcije pripadnosti u obliku generalizovane Belove
krive(gbellmf),kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisana
identično kao u fazi logičkom sistemu XXXVIII, a izlazna kao u fazi logičkom
sistemuIX.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
204
FazilogičkisistemXLkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
(sigmf, dsigmf i zmf), ali samo za ulaznu promenljivu. Funkcije pripadnosti za
izlaznu varijablu su iste kao u fazi logičkom sistemu I. Fazi logički sistem XLI
karakterišu funkcijepripadnostiuobliku sigmoidalnekrive (sigmf,dsigmf izmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazi logičkom sistemu XL, a izlazna kao u fazi logičkom sistemu XI korišćenjem
funkcijasigmf,dsigmfizmf.
FazilogičkisistemXLIIkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
(sigmf, psigmf i zmf), ali samo za ulaznu promenljivu. Funkcije pripadnosti za
izlaznu varijablu su iste kao u fazi logičkom sistemu I. Fazi logički sistem XLIII
karakterišu funkcijepripadnostiuobliku sigmoidalnekrive (sigmf,psigmf izmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuXLII,aizlaznakaoufazilogičkomsistemuXIII,korišćenjem
funkcijasigmf,psigmfizmf.
Fazi logički sistem XLIV karakterišu funkcije pripadnosti u obliku polinomnih
krivih (polynomial based curves), ali samo za ulaznu promenljivu. Funkcije
pripadnostiza izlaznuvarijablusu istekaoufazi logičkomsistemuI.Fazi logički
sistemXLVkarakterišu funkcije pripadnosti u oblikupolinomnih krivih Z, S i Pi,
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuXLIV,aizlaznakaoufazilogičkomsistemuXV,korišćenjem
funkcijazmf,smfipimf.
Načinnakojijedefinisansvakiodtestiranihfazilogičkihsistemauovojsekciji,kao
irešenjausmisluvrednostizaysuprikazanautabeli10.5.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
205
Tabela10.5.ZbirapsolutnihgrešakafazilogičkihsistemaodXXXIdoXLV
Fazilogičkisistem
(ulaznafunkcija
pripadnosti–izlazna
funkcijapripadnosti)
Ulaznapromenljiva yi
XXXI(trimf–trimf) 550,257
XXXII(trapmf–trimf) 554,721
XXXIII(trapmf–trapmf) 555,047
XXXIV(gaussmf–trimf) 550,800
XXXV(gaussmf–gaussmf) 552,229
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
206
XXXVI(gauss2mf–trimf) 553,533
XXXVII(gauss2mf–
gauss2mf)554,375
XXXVIII(gbellmf–trimf) 557,935
XXXIX(gbellmf–gbellmf) 559,604
XL((zmf,dsigmf,sigmf)–
trimf) 551,977
XLI((zmf,dsigmf,sigmf)–
(zmf,dsigmf,sigmf)) 553,287
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
207
XLII((zmf,psigmf,sigmf)
–trimf)551,920
XLIII((zmf,psigmf,sigmf)
–(zmf,psigmf,sigmf)) 553,253
XLIV((zmf,pimf,smf)–
trimf) 557,514
XLV((zmf,pimf,smf)–
(zmf,pimf,smf)) 557,974
ModeliodXXXIdoXLVimajuzajedničkukarakteristikudajeulaznavarijablaskor
naManchesterDAQupitnikuzaprocenurizikauvožnji,aizlaznabrojnezgoda.U
tabeli10.5prikazanisurezultatitestiranjafazilogičkihsistemaodXXXIdoXLVu
smisluukupnegreškekojuposmatranisistemičinekrozizlaznirezultatuodnosu
narealnepodatkeizistraživanja.
Naslici10.13.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
208
Slika10.13.Ukupnegreškefazilogičkihsistemakod kojih jeulaznavarijablaskorna
ManchesterDAQupitnikuzaprocenurizikauvožnji(odXXXIdoXLV)
Kada je reč o fazi logičkim sistemima od XXXI do XLV, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemXXXIkoji
koristi trouglaste oblike funkcija pripadnosti, kako za ulaznu varijablu, tako i za
izlaznu.
10.3.1.4Modelizaprocenusklonostikasaobraćajnimnezgodamasajednom
ulaznompromenljivomkojaseodnosinaskornaUpitnikuzasamoprocenu
sopstvenihvozačkihsposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekciji imaju jednuulaznupromenljivukojaseodnosinaskorna
Upitniku za samoprocenu sopstvenih vozačkih sposobnosti i jednu izlaznu
promenljivukojaseodnosinabrojnezgoda.Konceptovakvogfazilogičkogsistema
ilustrovanuzpomoćkorišćenogprogramajeprikazannaslici10.14.
Domen ulazne promenljive „Samoprocena“ je određen mogućim vrednostima
skorova koji su dobijeni u istraživanju primenom odgovarajućeg psihološkog
544
546
548
550
552
554
556
558
560
UkupnegreškesistemaodXXXIdoXLV
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
209
instrumenta.Domen izlaznepromenljive određen je kao i uprethodnoopisanim
fazilogičkimsistemima.Brojfaziskupovapopromenljivamaodređenjenaosnovu
procene autora. Koristeći metod koji su predložili Wang i Mendel (1992),
definisanasufazipravilanaosnovunumeričkihilingvističkihinformacija.
Slika10.14.KonceptfazilogičkihsistemaodXLVIdoLX
Ulazna promenljiva „Samoprocena“ se odnosi na skor koji ispitanik postigne na
upitniku za samoprocenu sopstvenih vozačkih sposobnosti. Može se prikazati
pomoću 5 fazi skupova i njihovih funkcija pripadnosti: VNS – veoma niska
samoprocena,NS – niska samoprocena, SS – srednja samoprocena,VS – visoka
samoprocena, VVS – veoma visoka samoprocena. Primer za slučaj trouglastih
funkcijapripadnostiprikazan jenaslici10.15. Iuovomslučaju, faziskupovikoji
opisuju ulaznu promenljivu „Samoprocena“ ne pokrivaju jednake intervale.
Mogućeteorijskevrednostiskorakojiseodnosinasamoprocenukrećuseod22do
88.Međutim,empirijskipodacipokazalisudaseskorkrećeugranicamaod34do
88.Srednjavrednostskorarizikasvihispitanikakojisuučestvovaliuistraživanju
je66,58;naosnovučega jevrednostod66,5uzetakaovrednost faziskupaSSsa
najvećim stepenom pripadnosti 1. U skladu sa navedenim, ulazna varijabla
„Samoprocena“jedefinisanakaoštojeprikazanonaslici10.15.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
210
Slika10.15.Podeladomenaulaznepromenljive„Samoprocena“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuXLVI
Nakondefinisanjafaziskupovaiodgovarajućihfunkcijapripadnostigenerisanaje
baza fazi pravila. Za fazi logičke sisteme od XLVI do LX potrebno je definisati 5
pravila,štojeurađenonasledećinačin:
1.If(SamoprocenaisVNS)then(NezgodeisVVBN)
2.If(SamoprocenaisNS)then(NezgodeisVBN)
3.If(SamoprocenaisSS)then(NezgodeisSBN)
4.If(SamoprocenaisVS)then(NezgodeisMBN)
5.If(SamoprocenaisVVS)then(NezgodeisVMBN).
Dabise ispitaloukojojmeri fazi logičkisistemXLVIopisujeempirijskepodatke,
kao u prethodnim fazi logičkim sistemima, biće izračunata suma apsolutnih
grešaka(y)izmeđudobijenogrešenjaprimenomfazilogičkogsistemaistvarnog
brojanezgodakojijedoziveoispitanik.
Fazi logičkisistemXLVIkarakterišu funkcijepripadnostiuobliku trougla(trimf).
Fazi logički sistem XLVII karakterišu funkcije pripadnosti u obliku trapeza
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
211
(trapmf), ali samo za ulaznu promenljivu. Izlazna promenljiva „Nezgode“ je
definisana kao u fazi logičkom sistemu I. Fazi logički sistem XLVIII karakterišu
funkcijepripadnostiuoblikutrapeza,kakozaulaznupromenljivu,takoizaizlaznu.
Ulazna jedefinisana identičnokaou fazi logičkomsistemuXLVII,a izlaznakaou
fazilogičkomsistemuIII.
Fazi logički sistemXLIXkarakterišu funkcijepripadnostiuoblikuGausovekrive,
ali samo za ulaznu promenljivu (gaussmf). Fazi logički sistem L karakterišu
funkcijepripadnostiuoblikuGausovekrive(gaussmf),kakozaulaznupromenljivu,
takoizaizlaznu. UlaznajedefinisanaidentičnokaoufazilogičkomsistemuXLIX,a
izlaznakaoufazilogičkomsistemuV.
FazilogičkisistemLIkarakterišufunkcijepripadnostiuoblikudvostraneGausove
krive,tj.upitanjujekrivakojasesastojioddverazličiteGausovekrive,alisamoza
ulaznu promenljivu (gauss2mf). Funkcije pripadnosti za izlaznu varijablu su iste
kao u fazi logičkom sistemu I. Fazi logički sistem LII karakterišu funkcije
pripadnosti u obliku dvostrane Gausove krive (gauss2mf), kako za ulaznu
promenljivu, tako i za izlaznu.Ulazna jedefinisana identičnokaou fazi logičkom
sistemuLI,aizlaznakaoufazilogičkomsistemuVII.
Fazi logički sistem LIII karakterišu funkcije pripadnosti u obliku generalizovane
Belove krive, ali samo za ulaznu promenljivu (gbellmf). Funkcije pripadnosti za
izlaznu varijablu su iste kao u fazi logičkom sistemu I. Fazi logički sistem LIV
karakterišu funkcije pripadnosti u obliku generalizovane Belove krive (gbellmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuLIII,aizlaznakaoufazilogičkomsistemuIX.
FazilogičkisistemLVkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
(sigmf, dsigmf i zmf), ali samo za ulaznu promenljivu. Fazi logički sistem LVI
karakterišu funkcijepripadnostiuobliku sigmoidalnekrive (sigmf,dsigmf izmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
212
fazi logičkom sistemu LV, a izlazna kao u fazi logičkom sistemu XI korišćenjem
funkcijasigmf,dsigmfizmf.
FazilogičkisistemLVIIkarakterišufunkcijepripadnostiuoblikusigmoidalnekrive
(sigmf, psigmf i zmf), ali samo za ulaznu promenljivu. Fazi logički sistem LVIII
karakterišu funkcijepripadnostiuobliku sigmoidalnekrive (sigmf,psigmf izmf),
kakozaulaznupromenljivu,takoizaizlaznu.Ulaznajedefinisanaidentičnokaou
fazilogičkomsistemuLVII,aizlaznakaoufazilogičkomsistemuXIII,korišćenjem
funkcijasigmf,psigmfizmf.
FazilogičkisistemLIXkarakterišufunkcijepripadnostiuoblikupolinomnihkrivih
(polynomialbasedcurves),ali samozaulaznupromenljivu.Fazi logički sistemLX
karakterišufunkcijepripadnostiuoblikupolinomnihkrivihZ,SiPi,kakozaulaznu
promenljivu, tako i za izlaznu.Ulazna jedefinisana identičnokaou fazi logičkom
sistemuLIX, a izlazna kao u fazi logičkom sistemuXV, korišćenjem funkcijazmf,
smfipimf.
Načinnakojijedefinisansvakiodtestiranihfazilogičkihsistemauovojsekciji,kao
irešenjausmisluvrednostizaysuprikazanautabeli10.6.
Tabela10.6.ZbirapsolutnihgrešakafazilogičkihsistemaodXLVIdoLX
Fazilogičkisistem
(ulaznafunkcija
pripadnosti–izlazna
funkcijapripadnosti)
Ulaznapromenljiva yi
XLVI(trimf–trimf) 471,343
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
213
XLVII(trapmf–trimf) 474,362
XLVIII(trapmf–trapmf) 475,009
XLIX(gaussmf–trimf) 495,196
L(gaussmf–gaussmf) 495,579
LI(gauss2mf–trimf) 475,468
LII(gauss2mf–gauss2mf) 476,286
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
214
LIII(gbellmf–trimf) 477,712
LIV(gbellmf–gbellmf) 479,093
LV((zmf,dsigmf,sigmf)–
trimf) 474,820
LVI((zmf,dsigmf,sigmf)–
(zmf,dsigmf,sigmf)) 475,668
LVII((zmf,psigmf,sigmf)
–trimf) 474,835
LVIII((zmf,psigmf,sigmf)
–(zmf,psigmf,sigmf))475,689
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
215
LIX((zmf,pimf,smf)–
trimf) 479,763
LX((zmf,pimf,smf)–
(zmf,pimf,smf)) 480,997
ModeliodXLVIdoLX imajuzajedničkukarakteristikuda jeulaznavarijablaskor
na Upitniku za samoprocenu sopstvenih vozačkih sposobnosti, a izlazna broj
nezgoda.Utabeli10.6prikazanisurezultatitestiranjafazilogičkihsistemaodXLVI
doLXusmisluukupnegreškekojuposmatranisistemičinekrozizlaznirezultatu
odnosunarealnepodatkeizistraživanja.
Naslici10.16.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Slika10.16.Ukupnegreškefazilogičkihsistema kod kojih jeulaznavarijablaskorna
Upitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odXLVIdoLX)
455
460
465
470
475
480
485
490
495
500
UkupnegreškesistemaodXLIdoLX
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
216
Kada je reč o fazi logičkim sistemima od XLVI do LX, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemXLVIkoji
koristi trouglaste oblike funkcija pripadnosti, kako za ulaznu varijablu, tako i za
izlaznu.
10.3.1.5Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnog ponašanja u vožnji i skor na BIS‐11 upitniku za procenu
impulsivnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju dve ulazne promenljive koje se odnose na skor na
ADBQupitnikuzaprocenuagresivnogponašanjauvožnjiiskornaBIS‐11upitniku
za procenu impulsivnosti i jednu izlaznu promenljivu koja se odnosi na broj
nezgoda. Koncept ovakvog fazi logičkog sistema ilustrovan uz pomoć korišćenog
programajeprikazannaslici10.17.
Ulaznepromenljive,kaoiizlazna,kojesekoristeuovojsekcijisuvećdefinisaneu
prethodnomtekstuovedoktorskedisertacije.
Slika10.17.KonceptfazilogičkihsistemaodLXIdoLXXVII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
217
Za fazi logičke sistemeodLXI do LXXVII potrebno je definisati 25pravila, što je
urađenonanačinkakojeprikazanoupriloguB.1.ovedisertacije.
Varijable koje figurišu u fazi logičkim sistemima od LXI do LXXVII, kod kojih
postoje dve ulazne promenljive koje se odnose na skor na ADBQ upitniku za
procenu agresivnog ponašanja u vožnji i skor na BIS‐11 upitniku za procenu
impulsivnosti,prikazanesuupriloguC.1.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablunajbolje rešenjedao sistem sagausmf‐trimf,akod fazi logičkih sistema
koji razmatraju samo Impulsivnost kao ulaznu varijablu najbolje rešenje dao
sistem sa trapmf‐trapmf,značajno je testirati fazi logičke sistemekoji upravo taj
rezultatuzimajuuobzir.UpitanjusufazilogičkisistemiLXXVIiLXXVII.
Načinnakojijedefinisansvakiodtestiranihfazilogičkihsistemauovojsekciji,kao
i rešenja u smislu vrednosti za y, kada je svaki od razmatranih fazi logičkih
sistematestirannauzorkuodsvih305ispitanika,suprikazanautabeli10.7.
Modeli od LXI do LXXVII imaju zajedničku karakteristiku da postoje dve ulazne
promenljive koje se odnose na skor na ADBQ upitniku za procenu agresivnog
ponašanja u vožnji i skor na BIS‐11 upitniku za procenu impulsivnosti i jedna
izlazna promenljiva koja se odnosi na broj nezgoda. U tabeli 10.7 prikazani su
rezultatitestiranjafazilogičkihsistemaodLXIdoLXXVIIusmisluukupnegreške
kojuposmatrani sistemi činekroz izlazni rezultatuodnosuna realnepodatke iz
istraživanja.
Naslici10.18.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
218
Tabela10.7.ZbirapsolutnihgrešakafazilogičkihsistemaodLXIdoLXXVII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
LXI(trimf;trimf–trimf) 345,829
LXX ((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–
trimf)352,902
LXII(trapmf;trapmf–trimf) 340,125
LXXI((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,
sigmf))
356,248
LXIII(trapmf;trapmf–trapmf) 338,779
LXXII((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–trimf)
353,903
LXIV(gaussmf;gaussmf–trimf) 347,889
LXXIII((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))
357,254
LXV(gaussmf;gaussmf–
gaussmf)351,112
LXXIV ((zmf,pimf,smf);
(zmf,pimf,smf)–trimf)331,654
LXVI(gauss2mf;gauss2mf–
trimf)341,415
LXXV ((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))
329,347
LXVII(gauss2mf;gauss2mf–
gauss2mf)341,398
LXXVI(gaussmf; trapmf –
trimf)341,302
LXVIII(gbellmf;gbellmf–trimf) 348,477LXXVII(gaussmf;trapmf
–trapmf)339,759
LXIX(gbellmf;gbellmf –gbellmf) 349,324
Kada je reč o fazi logičkim sistemima od LXI do LXXVII, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemLXXVkoji
koristi funkcijepripadnostiuoblikupolinomnihkrivih (zmf,pimf i smf), kako za
obeulaznevarijable,takoizaizlaznuvarijablu.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
219
Slika10.18.Ukupnegreškefazilogičkihsistemasadveulaznepromenljivekojese
odnosenaskornaADBQupitnikuiskornaBIS‐11upitniku(odLXIdoLXXVII)
10.3.1.6Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnogponašanjauvožnjiiskornaManchesterDAQupitnikuzaprocenu
rizikauvožnji
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju dve ulazne promenljive koje se odnose na skor na
ADBQ upitniku za procenu agresivnog ponašanja u vožnji i skor na Manchester
DAQupitnikuzaprocenurizikauvožnjiijednuizlaznupromenljivukojaseodnosi
na broj nezgoda. Koncept ovakvog fazi logičkog sistema ilustrovan uz pomoć
korišćenogprogramajeprikazannaslici10.19.Ulaznepromenljive,kaoiizlazna,
kojesekoristeuovojsekcijisuvećdefinisaneuprethodnomtekstuovedoktorske
disertacije.
ZafazilogičkesistemeodLXXVIIIdoXCIIIpotrebnojedefinisati25pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.2.ovedisertacije.
315
320
325
330
335
340
345
350
355
360
UkupnegreškesistemaodLXIdoLXXVII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
220
Slika10.19.KonceptfazilogičkihsistemaodLXXVIIIdoXCIII
Varijable koje figurišu u fazi logičkim sistemima od LXXVIII do XCIII, kod kojih
postoje dve ulazne promenljive koje se odnose na skor na ADBQ upitniku za
procenu agresivnog ponašanja u vožnji i skor na Manchester DAQ upitniku za
procenurizikauvožnji,prikazanesuupriloguC.2.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablunajbolje rešenjedao sistem sagausmf‐trimf,akod fazi logičkih sistema
koji razmatraju samo Rizik kao ulaznu varijablu najbolje rešenje dao sistem sa
trimf‐trimf,značajnojetestiratifazilogičkisistemkojiupravotajrezultatuzimau
obzir.UpitanjujefazilogičkisistemXCIII.
ModeliodLXXVIIIdoXCIIIimajuzajedničkukarakteristikudapostojedveulazne
promenljive koje se odnose na skor na ADBQ upitniku za procenu agresivnog
ponašanjauvožnjiiskornaManchesterDAQupitnikuzaprocenurizikauvožnjii
jednaizlaznapromenljivakojaseodnosinabrojnezgoda.Utabeli10.8prikazani
su rezultati testiranja fazi logičkih sistema od LXXVIII do XCIII u smislu ukupne
greške koju posmatrani sistemi čine kroz izlazni rezultat u odnosu na realne
podatkeizistraživanja.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
221
Tabela10.8.ZbirapsolutnihgrešakafazilogičkihsistemaodLXXVIIIdoXCIII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
LXXVIII(trimf;trimf–trimf) 379,326LXXXVI(gbellmf;gbellmf
–gbellmf) 384,736
LXXIX(trapmf;trapmf–trimf) 377,818
LXXXVII((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–trimf)384,278
LXXX(trapmf;trapmf–trapmf) 376,871
LXXXVIII((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,
sigmf))
387,531
LXXXI(gaussmf;gaussmf–
trimf)381,456
LXXXIX((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–trimf)384,268
LXXXII(gaussmf;gaussmf–
gaussmf)384,009
XC((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–
(zmf,psigmf,sigmf))387,515
LXXXIII(gauss2mf;gauss2mf–
trimf)378,612
XCI((zmf,pimf,smf);
(zmf,pimf,smf)–trimf) 373,648
LXXXIV(gauss2mf;gauss2mf–
gauss2mf)378,875
XCII((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))372,015
LXXXV(gbellmf;gbellmf–trimf) 382,707XCIII(gaussmf;trimf–
trimf) 379,014
Naslici10.20.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Kada je rečo fazi logičkimsistemimaodLXXVIIIdoXCIII, poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedaje fazi logičkisistemXCIIkoji
koristi funkcijepripadnostiuoblikupolinomnihkrivih (zmf,pimf i smf), kako za
obeulaznevarijable,takoizaizlaznuvarijablu.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
222
Slika10.20.Ukupnegreškefazilogičkihsistemasadveulaznepromenljivekojese
odnosenaskornaADBQupitnikuiskornaManchesterDAQupitniku(odLXXVIIIdo
XCIII)
10.3.1.7Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnogponašanjauvožnjiiskornaUpitnikuzasamoprocenusopstvenih
vozačkihsposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju dve ulazne promenljive koje se odnose na skor na
ADBQ upitniku za procenu agresivnog ponašanja u vožnji i skor na Upitniku za
samoprocenusopstvenihvozačkihsposobnostiijednuizlaznupromenljivukojase
odnosi na broj nezgoda. Koncept ovakvog fazi logičkog sistema ilustrovan uz
pomoćkorišćenogprogramajeprikazannaslici10.21.
Ulaznepromenljive,kaoiizlazna,kojesekoristeuovojsekcijisuvećdefinisaneu
prethodnomtekstuovedoktorskedisertacije.
Za fazi logičke sisteme od XCIV do CIX potrebno je definisati 25 pravila, što je
urađenonanačinkakojeprikazanoupriloguB.3.ovedisertacije.
360
365
370
375
380
385
390
UkupnegreškesistemaodLXXVIIIdoXCIII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
223
Slika10.21.KonceptfazilogičkihsistemaodXCIVdoCIX
VarijablekojefigurišuufazilogičkimsistemimaodXCIVdoCIX,kodkojihpostoje
dve ulazne promenljive koje se odnose na skor na ADBQ upitniku za procenu
agresivnog ponašanja u vožnji i skor na Upitniku za samoprocenu sopstvenih
vozačkihsposobnosti,prikazanesuupriloguC.3.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablunajbolje rešenjedao sistem sagausmf‐trimf,akod fazi logičkih sistema
koji razmatraju samo Samoprocenu kao ulaznu varijablu najbolje rešenje dao
sistemsatrimf‐trimf,značajnojetestiratifazilogičkisistemkojiupravotajrezultat
uzimauobzir.UpitanjujefazilogičkisistemCIX.
Modeli od XCIV do CIX imaju zajedničku karakteristiku da postoje dve ulazne
promenljive koje se odnose na skor na ADBQ upitniku za procenu agresivnog
ponašanja u vožnji i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti i jedna izlaznapromenljiva koja se odnosi nabrojnezgoda.U tabeli
10.9 prikazani su rezultati testiranja fazi logičkih sistema od LXXVIII do XCIII u
smisluukupnegreškekojuposmatranisistemičinekrozizlaznirezultatuodnosu
narealnepodatkeizistraživanja.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
224
Tabela10.9.ZbirapsolutnihgrešakafazilogičkihsistemaodXCIVdoCIX
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
XCIV(trimf;trimf–trimf) 358,186CII(gbellmf;gbellmf–
gbellmf) 366,181
XCV(trapmf;trapmf–trimf) 360,610
CIII((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–
trimf)360,967
XCVI(trapmf;trapmf–trapmf) 360,566
CIV ((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–
(zmf,dsigmf,sigmf))
362,960
XCVII(gaussmf;gaussmf–trimf) 365,674
CV ((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–
trimf)360,967
XCVIII(gaussmf;gaussmf–
gaussmf)366,922
CVI ((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–
(zmf,psigmf,sigmf))362,969
XCIX(gauss2mf;gauss2mf–
trimf)359,617
CVII((zmf,pimf,smf);
(zmf,pimf,smf)–trimf) 362,166
C(gauss2mf;gauss2mf–
gauss2mf)359,780
CVIII((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))362,171
CI(gbellmf;gbellmf–trimf) 365,143CIX (gaussmf;trimf–
trimf) 357,994
Naslici10.22.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Kada je reč o fazi logičkim sistemima od XCIV do CIX, poređenjem dobijenih
rezultatamože se zaključiti danajbolje rezultatedaje fazi logički sistemCIXkoji
koristi funkcije pripadnosti u obliku gausove krive za ulaznu promenljivu
Agresivnost, i funkcije pripadnosti u trouglastom obliku za ulaznu promenljivu
SamoprocenaizaizlaznupromenljivuNezgode.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
225
Slika10.22.Ukupnegreškefazilogičkihsistemasadveulaznepromenljivekojese
odnosenaskornaADBQupitnikuiskornaUpitnikuzasamoprocenusopstvenih
vozačkihsposobnosti(odXCIVdoCIX)
10.3.1.8Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulaznepromenljivekoje seodnosena skornaBIS‐11upitniku zaprocenu
impulsivnostiiskornaManchesterDAQupitnikuzaprocenurizikauvožnji
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekcijiimajudveulaznepromenljivekojeseodnosenaskornaBIS‐
11 upitniku za procenu impulsivnosti i skor na Manchester DAQ upitniku za
procenurizikauvožnjiijednuizlaznupromenljivukojaseodnosinabrojnezgoda.
Konceptovakvogfazi logičkogsistemailustrovanuzpomoćkorišćenogprograma
jeprikazannaslici10.23.
Za fazi logičke sisteme od CX do CXXVI potrebno je definisati 25 pravila, što je
urađenonanačinkakojeprikazanoupriloguB.4.ovedisertacije.
VarijablekojefigurišuufazilogičkimsistemimaodCXdoCXXVI,kodkojihpostoje
dve ulazne promenljive koje se odnose na skor na BIS‐11 upitniku za procenu
352
354
356
358
360
362
364
366
368
UkupnegreškesistemaodXCIVdoCIX
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
226
impulsivnosti i skor na Manchester DAQ upitniku za procenu rizika u vožnji,
prikazanesuupriloguC.4.ovedisertacije.
Slika10.23.KonceptfazilogičkihsistemaodCXdoCXXVI
Budući da je kod fazi logičkih sistema koji razmatraju samo Impulsivnost kao
ulaznuvarijablunajbolje rešenjedaosistemsa trapmf‐trapmf,akod fazi logičkih
sistema koji razmatraju samo Rizik kao ulaznu varijablu najbolje rešenje dao
sistem sa trimf‐trimf, značajno je testirati fazi logičke sisteme koji upravo taj
rezultatuzimajuuobzir.UpitanjusufazilogičkisistemiCXXViCXXVI.
Modeli od CX do CXXVI imaju zajedničku karakteristiku da postoje dve ulazne
promenljivekojeseodnosenaskornaBIS‐11upitnikuzaprocenuimpulsivnostii
skor na Manchester DAQ upitniku za procenu rizika u vožnji i jedna izlazna
promenljivakojaseodnosinabrojnezgoda.U tabeli10.10prikazanisurezultati
testiranja fazi logičkih sistema od CX do CXXVI u smislu ukupne greške koju
posmatrani sistemi čine kroz izlazni rezultat u odnosu na realne podatke iz
istraživanja.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
227
Tabela10.10.ZbirapsolutnihgrešakafazilogičkihsistemaodXCIVdoCIX
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
CX(trimf;trimf–trimf) 376,189
CXIX((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–trimf)388,350
CXI(trapmf;trapmf–trimf) 368,614
CXX((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–
(zmf,dsigmf,sigmf))391,048
CXII(trapmf;trapmf–trapmf) 367,416
CXXI((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–trimf)
388,329
CXIII(gaussmf;gaussmf–trimf) 384,211
CXXII((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))
390,993
CXIV(gaussmf;gaussmf–
gaussmf)386,347
CXXIII((zmf,pimf,smf);
(zmf,pimf,smf)–trimf)359,811
CXV(gauss2mf;gauss2mf–
trimf)372,917
CXXIV((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))357,586
CXVI(gauss2mf;gauss2mf–
gauss2mf)372,850
CXXV(trapmf;trimf–
trimf)370,875
CXVII(gbellmf;gbellmf–trimf) 379,840CXXVI(trapmf;trimf‐
trapmf) 369,591
CXVIII(gbellmf;gbellmf–
gbellmf)380,658
Naslici10.24.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Kada je reč o fazi logičkim sistemima od CX do CXXVI, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemCXXIVkoji
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
228
koristi funkcije pripadnosti u obliku polinomnih krivih (zmf, pimf, smf) za obe
ulaznepromenljive,kaoizaizlaznupromenljivu.
Slika10.24.Ukupnegreškefazilogičkihsistemasadveulaznepromenljivekojese
odnosenaskornaBIS‐11upitnikuiskornaManchesterDAQupitniku(odCXdo
CXXVI)
10.3.1.9Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulaznepromenljivekoje seodnosena skornaBIS‐11upitniku zaprocenu
impulsivnosti i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekcijiimajudveulaznepromenljivekojeseodnosenaskornaBIS‐
11 upitniku za procenu impulsivnosti i skor na Upitniku za samoprocenu
sopstvenih vozačkih sposobnosti i jednu izlaznu promenljivu koja se odnosi na
broj nezgoda. Koncept ovakvog fazi logičkog sistema ilustrovan uz pomoć
korišćenogprogramajeprikazannaslici10.25.
ZafazilogičkesistemeodCXXVIIdoCXLIIIpotrebnojedefinisati25pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.5.ovedisertacije.
340
350
360
370
380
390
400
UkupnegreškesistemaodCXdoCXXVI
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
229
Slika10.25.KonceptfazilogičkihsistemaodCXXVIIdoCXLIII
Varijable koje figurišu u fazi logičkim sistemima od CXXVII do CXLIII, kod kojih
postoje dve ulazne promenljive koje se odnose na skor na BIS‐11 upitniku za
procenu impulsivnosti i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti,prikazanesuupriloguC.5.ovedisertacije.
Budući da je kod fazi logičkih sistema koji razmatraju samo Impulsivnost kao
ulaznuvarijablunajbolje rešenjedaosistemsa trapmf‐trapmf,akod fazi logičkih
sistemakojirazmatrajusamoSamoprocenukaoulaznuvarijablunajboljerešenje
dao sistem sa trimf‐trimf, značajno je testirati fazi logički sistem koji upravo taj
rezultatuzimauobzir.UpitanjusufazilogičkisistemiCXLIIiCXLIII.
ModeliodCXXVIIdoCXLIIIimajuzajedničkukarakteristikudapostojedveulazne
promenljivekojeseodnosenaskornaBIS‐11upitnikuzaprocenuimpulsivnostii
skornaupitnikuzasamoprocenusopstvenihvozačkihsposobnostiijednaizlazna
promenljivakojaseodnosinabrojnezgoda.U tabeli10.11prikazanisurezultati
testiranja fazi logičkih sistemaodCXXVIIdoCXLIIIu smisluukupnegreškekoju
posmatrani sistemi čine kroz izlazni rezultat u odnosu na realne podatke iz
istraživanja.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
230
Tabela10.11.ZbirapsolutnihgrešakafazilogičkihsistemaodCXXVIIdoCXLIII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
CXXVII(trimf;trimf–trimf) 353,427
CXXXVI((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–trimf)357,944
CXXVIII(trapmf;trapmf–trimf) 352,793
CXXXVII ((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,
sigmf))
360,778
CXXIX(trapmf;trapmf–trapmf) 352,411
CXXXVIII ((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–trimf)
357,959
CXXX(gaussmf;gaussmf–trimf) 365,765
CXXXIX ((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))
360,792
CXXXI(gaussmf;gaussmf–
gaussmf)367,701
CXL ((zmf,pimf,smf);
(zmf,pimf,smf)–trimf)349,780
CXXXII(gauss2mf;gauss2mf–
trimf)352,791
CXLI ((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))
348,961
CXXXIII(gauss2mf;gauss2mf–
gauss2mf)353,100
CXLII (trapmf;trimf–
trimf)350,742
CXXXIV(gbellmf;gbellmf–
trimf)358,981
CXLIII (trapmf;trimf–
trapmf)350,315
CXXXV(gbellmf;gbellmf–
gbellmf)360,253
Naslici10.26.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
231
Slika10.26.Ukupnegreškefazilogičkihsistemasadveulaznepromenljivekojese
odnosenaskornaBIS‐11upitnikuiskornaUpitnikuzasamoprocenusopstvenih
vozačkihsposobnosti(odCXXVIIdoCXLIII)
Kada jerečo fazi logičkimsistemimaodCXXVIIdoCXLIII,poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedajefazi logičkisistemCXLIkoji
koristifunkcijepripadnostiuoblikupolinomnihkrivih(zmf,pimf,smf)kakozaobe
ulaznepromenljive,takoizaizlaznupromenljivu.
10.3.1.10Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulaznepromenljivekojeseodnosenaskornaManchesterDAQupitnikuza
procenu rizika u vožnji i skor na Upitniku za samoprocenu sopstvenih
vozačkihsposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju dve ulazne promenljive koje se odnose na skor na
Manchester DAQ upitniku za procenu rizika u vožnji i skor na upitniku za
samoprocenusopstvenihvozačkihsposobnostiijednuizlaznupromenljivukojase
odnosi na broj nezgoda. Koncept ovakvog fazi logičkog sistema ilustrovan uz
pomoćkorišćenogprogramajeprikazannaslici10.27.
335
340
345
350
355
360
365
370
UkupnegreškesistemaodCXXVIIdoCXLIII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
232
Slika10.27.KonceptfazilogičkihsistemaodCXLIVdoCLVIII
ZafazilogičkesistemeodCXLIVdoCLVIIIpotrebnojedefinisati25pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.6.ovedisertacije.
Varijable koje figurišu u fazi logičkim sistemima od CXLIV do CLVIII, kod kojih
postoje dve ulazne promenljive koje se odnose na skor na Manchester DAQ
upitnikuzaprocenurizikauvožnjiiskornaUpitnikuzasamoprocenusopstvenih
vozačkihsposobnosti,prikazanesuupriloguC.6.ovedisertacije.
Budući da je kod fazi logičkih sistema koji razmatraju samo Rizik kao ulaznu
varijablunajboljerešenjedaosistemsatrimf‐trimf,akodfazilogičkihsistemakoji
razmatraju samo Samoprocenu kao ulaznu varijablu najbolje rešenje takođe dao
sistem sa trimf‐trimf, proizilazi da je fazi logički sistem koji upravo taj rezultat
uzimauobzirvećtestiran,tj.upitanjujefazilogičkisistemCXLIV.
ModeliodCXLIVdoCLVIII imajuzajedničkukarakteristikudapostojedveulazne
promenljivekojeseodnosenaskornaManchesterDAQupitnikuzaprocenurizika
u vožnji i skor na upitniku za samoprocenu sopstvenih vozačkih sposobnosti i
jednaizlaznapromenljivakojaseodnosinabrojnezgoda.Utabeli10.12prikazani
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
233
su rezultati testiranja fazi logičkih sistema od CXLIV do CLVIII u smislu ukupne
greške koju posmatrani sistemi čine kroz izlazni rezultat u odnosu na realne
podatkeizistraživanja.
Tabela10.12.ZbirapsolutnihgrešakafazilogičkihsistemaodCXLIVdoCLVIII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
CXLIV(trimf;trimf–trimf) 376,847CLII(gbellmf;gbellmf–
gbellmf)385,434
CXLV(trapmf;trapmf–trimf) 377,333
CLIII((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–trimf)380,872
CXLVI(trapmf;trapmf–trapmf) 377,144
CLIV((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,
sigmf))
383,173
CXLVII(gaussmf;gaussmf–
trimf)386,101
CLV((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–
trimf)380,892
CXLVIII(gaussmf;gaussmf–
gaussmf)387,873
CLVI((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))
383,192
CXLIX(gauss2mf;gauss2mf–
trimf)378,185
CLVII((zmf,pimf,smf);
(zmf,pimf,smf)–trimf) 378,141
CL(gauss2mf;gauss2mf–
gauss2mf)378,588
CLVIII((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))377,823
CLI(gbellmf;gbellmf–trimf) 384,062
Naslici10.28.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
234
Slika10.28.Ukupnegreškefazilogičkihsistemasadveulaznepromenljivekojese
odnosenaskornaManchesterDAQupitnikuiskornaUpitnikuzasamoprocenu
sopstvenihvozačkihsposobnosti(odCXLIVdoCLVIII)
Kada je reč o fazi logičkim sistemimaodCXLIVdoCLVIII, poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemCXLIVkoji
koristitrouglastefunkcijepripadnosti(trimf)kakozaobeulaznepromenljive,tako
izaizlaznupromenljivu.
10.3.1.11Modeli za procenu sklonosti ka saobraćajnim nezgodama sa tri
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnog ponašanja u vožnji, skor na BIS‐11 upitniku za procenu
impulsivnostiiskornaManchesterDAQupitnikuzaprocenurizikauvožnji
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju tri ulazne promenljive koje se odnose na skor na
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaBIS‐11upitniku
zaprocenu impulsivnosti iskornaManchesterDAQupitnikuzaprocenurizikau
vožnji i jednu izlaznu promenljivu koja se odnosi na broj nezgoda. Koncept
ovakvog fazi logičkog sistema ilustrovan uz pomoć korišćenog programa je
prikazannaslici10.29.
370
372
374
376
378
380
382
384
386
388
UkupnegreškesistemaodCXLIVdoCLVIII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
235
Slika10.29.KonceptfazilogičkihsistemaodCLIXdoCLXXV
ZafazilogičkesistemeodCLIXdoCLXXVpotrebnojedefinisati125pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.7.ovedisertacije.
Varijable koje figurišu u fazi logičkim sistemima od CLIX do CLXXV, kod kojih
postoje tri ulazne promenljive koje se odnose na skor na ADBQ upitniku za
procenu agresivnog ponašanja u vožnji, skor na BIS‐11 upitniku za procenu
impulsivnosti i skor na Manchester DAQ upitniku za procenu rizika u vožnji,
prikazanesuupriloguC.7.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablunajboljerešenjedaosistemsagaussmf‐trimf,samoImpulsivnosttrapmf‐
trapmf, i samo Rizik trimf‐trimf, značajno je testirati fazi logičke sisteme koji
upravo taj rezultat uzimaju u obzir. U pitanju su fazi logički sistemi CLXXIV i
CLXXV.
Modeli od CLIX do CLXXV imaju zajedničku karakteristiku da postoje tri ulazne
promenljive koje se odnose na skor na ADBQ upitniku za procenu agresivnog
ponašanja u vožnji, skor na BIS‐11 upitniku za procenu impulsivnosti i skor na
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
236
ManchesterDAQupitniku za procenu rizika u vožnji i jedna izlazna promenljiva
kojaseodnosinabrojnezgoda.Utabeli10.13prikazanisurezultatitestiranjafazi
logičkih sistema od CLIX do CLXXV u smislu ukupne greške koju posmatrani
sistemičinekrozizlaznirezultatuodnosunarealnepodatkeizistraživanja.
Tabela10.13.ZbirapsolutnihgrešakafazilogičkihsistemaodCLIXdoCLXXV
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
CLIX(trimf;trimf;trimf–trimf) 348,042
CLXVIII((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf)–trimf)353,086
CLX(trapmf;trapmf;trapmf–
trimf)342,306
CLXIX((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf)–(zmf,dsigmf,
sigmf))
357,394
CLXI(trapmf;trapmf;trapmf–
trapmf)340,995
CLXX((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,
psigmf,sigmf)–trimf)353,074
CLXII(gaussmf;gaussmf;
gaussmf–trimf)350,761
CLXXI((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,pimf,
smf)–(zmf,psigmf,sigmf))357,369
CLXIII(gaussmf;gaussmf;
gaussmf–gaussmf)354,114
CLXXII((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
trimf)335,292
CLXIV(gauss2mf;gauss2mf;
gaus2mf–trimf)344,587
CLXXIII((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
(zmf,pimf,smf))332,761
CLXV(gauss2mf;gauss2mf;
gaus2mf–gauss2mf)344,922
CLXXIV(gaussmf;trapmf;
trimf–trimf)345,319
CLXVI(gbellmf;gbellmf;gbellmf
–trimf)351,020
CLXXV (gaussmf;trapmf;trimf
–trapmf)343,797
CLXVII(gbellmf;gbellmf;
gbellmf–gbellmf)353,372
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
237
Naslici10.30.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Slika10.30.Ukupnegreškefazilogičkihsistemasatriulaznepromenljivekojese
odnosenaskornaADBQupitniku,skornaBIS‐11upitnikuiskornaManchesterDAQ
upitniku(odCLIXdoCLXXV)
Kada je reč o fazi logičkim sistemima od CLIX do CLXXV, poređenjem dobijenih
rezultatamože se zaključiti da najbolje rezultate daje fazi logički sistem CLXXIII
kojikoristifunkcijepripadnostiuoblikupolinomnihkrivih(zmf,pimf,smf)kakoza
svetriulaznepromenljive,takoizaizlaznupromenljivu.
10.3.1.12Modeli za procenu sklonosti ka saobraćajnim nezgodama sa tri
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnog ponašanja u vožnji, skor na BIS‐11 upitniku za procenu
impulsivnosti i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju tri ulazne promenljive koje se odnose na skor na
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaBIS‐11upitniku
320
325
330
335
340
345
350
355
360
UkupnegreškesistemaodCLIXdoCLXXV
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
238
zaprocenuimpulsivnostiiskornaUpitnikuzasamoprocenusopstvenihvozačkih
sposobnosti i jednu izlaznupromenljivukojaseodnosinabrojnezgoda.Koncept
ovakvog fazi logičkog sistema ilustrovan uz pomoć korišćenog programa je
prikazannaslici10.31.
Slika10.31.KonceptfazilogičkihsistemaodCLXXVIdoCXCII
ZafazilogičkesistemeodCLXXVIdoCXCIIpotrebnojedefinisati125pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.8.ovedisertacije.
Varijable koje figurišu u fazi logičkim sistemima od CLXXVI do CXCII, kod kojih
postoje tri ulazne promenljive koje se odnose na skor na ADBQ upitniku za
procenu agresivnog ponašanja u vožnji, skor na BIS‐11 upitniku za procenu
impulsivnostiiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti,
prikazanesuupriloguC.8.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablunajboljerešenjedaosistemsagaussmf‐trimf,samoImpulsivnosttrapmf‐
trapmf, i samoSamoprocenu trimf‐trimf,značajno je testirati fazi logičke sisteme
koji upravo taj rezultat uzimaju u obzir. U pitanju su fazi logički sistemi CXCI i
CXCII.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
239
Tabela10.14.ZbirapsolutnihgrešakafazilogičkihsistemaodCLXXVIdoCXCII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yiFazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
CLXXVI(trimf;trimf;trimf–
trimf)385,141
CLXXXV((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf)–trimf)397,866
CLXXVII(trapmf;trapmf;trapmf
–trimf)387,666
CLXXXVI ((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf)–(zmf,dsigmf,
sigmf))
401,016
CLXXVIII(trapmf;trapmf;
trapmf–trapmf)387,214
CLXXXVII ((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,
psigmf,sigmf)–trimf)
390,763
CLXXIX(gaussmf;gaussmf;
gaussmf–trimf)401,659
CLXXXVIII((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,
psigmf,sigmf)–(zmf,psigmf,
sigmf))
393,739
CLXXX(gaussmf;gaussmf;
gaussmf–gaussmf)404,159
CLXXXIX ((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
trimf)387,289
CLXXXI(gauss2mf;gauss2mf;
gauss2mf–trimf)386,847
CXC ((zmf,pimf,smf);(zmf,pimf,
smf);(zmf,pimf,smf)–(zmf,
pimf,smf))
386,957
CLXXXII(gauss2mf;gauss2mf;
gauss2mf–gauss2mf)387,408
CXCI (gaussmf;trapmf;trimf–
trimf)383,834
CLXXXIII(gbellmf;gbellmf;
gbellmf–trimf)402,109
CXCII (gaussmf;trapmf;trimf–
trapmf)383,122
CLXXXIV(gbellmf;gbellmf;
gbellmf–gbellmf)404,127
ModeliodCLXXVIdoCXCII imajuzajedničkukarakteristikudapostoje triulazne
promenljive koje se odnose na skor na ADBQ upitniku za procenu agresivnog
ponašanja u vožnji, skor na BIS‐11 upitniku za procenu impulsivnosti i skor na
Upitniku za samoprocenu sopstvenih vozačkih sposobnosti i jedna izlazna
promenljivakojaseodnosinabrojnezgoda.U tabeli10.14prikazanisurezultati
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
240
testiranja fazi logičkih sistemaodCLXXVIdoCXCII u smisluukupne greškekoju
posmatrani sistemi čine kroz izlazni rezultat u odnosu na realne podatke iz
istraživanja.
Naslici10.32.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Slika10.32.Ukupnegreškefazilogičkihsistemasatriulaznepromenljivekojese
odnosenaskornaADBQupitniku,skornaBIS‐11upitnikuiskornaUpitnikuza
samoprocenusopstvenihvozačkihsposobnosti(odCLXXVIdoCXCII)
Kada je rečo fazi logičkimsistemimaodCLXXVIdoCXCII,poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemCXCIIkoji
koristi sledeće funkcije pripadnosti: za Agresivnost gaussmf, za Impulsivnost
trapmf,zaSamoprocenutrimfizaNezgodetrapmf.
370
375
380
385
390
395
400
405
UkupnegreškesistemaodCLXXVIdoCXCII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
241
10.3.1.13Modeli za procenu sklonosti ka saobraćajnim nezgodama sa tri
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnogponašanjauvožnji,skornaManchesterDAQupitnikuzaprocenu
rizika u vožnji i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testiraju u ovoj sekciji imaju tri ulazne promenljive koje se odnose na skor na
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaManchesterDAQ
upitnikuzaprocenurizikauvožnjiiskornaUpitnikuzasamoprocenusopstvenih
vozačkihsposobnostii jednuizlaznupromenljivukojaseodnosinabrojnezgoda.
Konceptovakvogfazi logičkogsistemailustrovanuzpomoćkorišćenogprograma
jeprikazannaslici10.33.
Slika10.33.KonceptfazilogičkihsistemaodCXCIIIdoCCVIII
ZafazilogičkesistemeodCXCIII doCCVIIIpotrebnojedefinisati125pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.9.ovedisertacije.
Varijable koje figurišu u fazi logičkim sistemima od CXCIII do CCVIII, kod kojih
postoje tri ulazne promenljive koje se odnose na skor na ADBQ upitniku za
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
242
procenu agresivnog ponašanja u vožnji, skor na Manchester DAQ upitniku za
procenu rizika u vožnji i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti,prikazanesuupriloguC.9.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablu najbolje rešenje dao sistem sa gaussmf‐trimf, samo Rizik trimf‐trimf, i
samoSamoprocenutrimf‐trimf,značajnojetestiratifazilogičkisistemkojiupravo
tajrezultatuzimauobzir.UpitanjujefazilogičkisistemCCVIII.
Tabela10.15.ZbirapsolutnihgrešakafazilogičkihsistemaodCXCIIIdoCCVIII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yiFazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
CXCIII(trimf;trimf;trimf–
trimf)399,166
CCI(gbellmf;gbellmf;gbellmf–
gbellmf)413,553
CXCIX(trapmf;trapmf;trapmf–
trimf)400,549
CCII((zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf);(zmf,dsigmf,
sigmf)–trimf)407,922
CXCV(trapmf;trapmf;trapmf–
trapmf)400,080
CCIII((zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,sigmf))410,800
CXCVI(gaussmf;gaussmf;
gaussmf–trimf)411,072
CCIV((zmf,psigmf,sigmf); (zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–trimf)408,004
CXCVII(gaussmf;gaussmf;
gaussmf–gaussmf)413,640
CCV((zmf,psigmf,sigmf);(zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,sigmf))410,878
CXCVIII(gauss2mf;gauss2mf;
gauss2mf–trimf)400,089
CCVI((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
trimf)
399,530
CXCIX(gauss2mf;gauss2mf;
gauss2mf–gauss2mf)400,621
CCVII((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
(zmf,pimf,smf))398,990
CC(gbellmf;gbellmf;gbellmf–
trimf)411,984
CCVIII(gaussmf;trimf;trimf–
trimf)398,817
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
243
Modeli odCXCIII doCCVIII imaju zajedničkukarakteristikudapostoje tri ulazne
promenljive koje se odnose na skor na ADBQ upitniku za procenu agresivnog
ponašanjauvožnji,skornaManchesterDAQupitnikuzaprocenurizikauvožnjii
skornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnostiijednaizlazna
promenljivakojaseodnosinabrojnezgoda.
U tabeli 10.15prikazani su rezultati testiranja fazi logičkih sistemaodCXCIIIdo
CCVIIIusmisluukupnegreškekojuposmatranisistemičinekrozizlaznirezultatu
odnosunarealnepodatkeizistraživanja.
Naslici10.34.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Slika10.34.Ukupnegreškefazilogičkihsistemasatriulaznepromenljivekojese
odnosenaskornaADBQupitniku,skornaManchesterDAQupitnikuiskorna
Upitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCXCIIIdoCCVIII)
Kada je rečo fazi logičkimsistemimaodCXCIIIdoCCVIII,poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemCCVIIIkoji
koristi sledeće funkcije pripadnosti: za Agresivnost gaussmf, za Rizik trimf, za
SamoprocenutrimfizaNezgodetrimf.
390
395
400
405
410
415
UkupnegreškesistemaodCXCIIIdoCCVIII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
244
10.3.1.14Modeli za procenu sklonosti ka saobraćajnim nezgodama sa tri
ulaznepromenljivekoje seodnosena skornaBIS‐11upitniku zaprocenu
impulsivnosti,skornaManchesterDAQupitnikuzaprocenurizikauvožnjii
skornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovojsekcijiimajutriulaznepromenljivekojeseodnosenaskornaBIS‐
11 upitniku za procenu impulsivnosti, skor na Manchester DAQ upitniku za
procenu rizika u vožnji i skor na Upitniku za samoprocenu sopstvenih vozačkih
sposobnosti i jednu izlaznupromenljivukojaseodnosinabrojnezgoda.Koncept
ovakvog fazi logičkog sistema ilustrovan uz pomoć korišćenog programa je
prikazannaslici10.35.
Slika10.35.KonceptfazilogičkihsistemaodCCIXdoCCXXV
ZafazilogičkesistemeodCCIXdoCCXXVpotrebnojedefinisati125pravila,štoje
urađenonanačinkakojeprikazanoupriloguB.10.ovedisertacije.
Varijable koje figurišu u fazi logičkim sistemima od CCIX do CCXXV, kod kojih
postoje tri ulazne promenljive koje se odnose na skor na BIS‐11 upitniku za
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
245
procenu impulsivnosti, skor na Manchester DAQ upitniku za procenu rizika u
vožnji i skor na Upitniku za samoprocenu sopstvenih vozačkih sposobnosti,
prikazanesuupriloguC.10.ovedisertacije.
Tabela10.16.ZbirapsolutnihgrešakafazilogičkihsistemaodCCIXdoCCXXV
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yiFazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
CCIX(trimf;trimf;trimf–trimf) 427,188
CCXVIII((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf)–trimf)
436,955
CCX(trapmf;trapmf;trapmf–
trimf)422,579
CCXIX((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf)–(zmf,dsigmf,
sigmf))
440,129
CCXI(trapmf;trapmf;trapmf–
trapmf)422,146
CCXX((zmf,psigmf,sigmf); (zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–trimf)437,049
CCXII(gaussmf;gaussmf;
gaussmf–trimf)442,955
CCXXI((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,
psigmf,sigmf)–(zmf,psigmf,
sigmf))
440,217
CCXIII(gaussmf;gaussmf;
gaussmf–gaussmf)445,497
CCXXII((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
trimf)417,657
CCXIV(gauss2mf;gauss2mf;
gauss2mf–trimf)426,304
CCXXIII((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
(zmf,pimf,smf))417,251
CCXV(gauss2mf;gauss2mf;
gauss2mf–gauss2mf)427,340
CCXXIV(trapmf;trimf;trimf–
trimf)424,252
CCXVI(gbellmf;gbellmf;gbellmf
–trimf)438,661
CCXXV(trapmf;trimf;trimf–
trapmf) 423,663
CCXVII(gbellmf;gbellmf;
gbellmf–gbellmf)440,569
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
246
Budući da je kod fazi logičkih sistema koji razmatraju samo Impulsivnost kao
ulaznu varijablu najbolje rešenje dao sistem sa trapmf‐trapmf, samo Rizik trimf‐
trimf,isamoSamoprocenutrimf‐trimf,značajnojetestiratifazilogičkesistemekoji
upravo taj rezultat uzimaju u obzir. U pitanju su fazi logički sistemi CCXXIV i
CCXXV.
Modeli od CCIX do CCXXV imaju zajedničku karakteristiku da postoje tri ulazne
promenljivekojeseodnosenaskornaBIS‐11upitnikuzaprocenuimpulsivnosti,
skornaManchesterDAQupitnikuzaprocenurizikauvožnjiiskornaUpitnikuza
samoprocenusopstvenihvozačkihsposobnostiijednaizlaznapromenljivakojase
odnosinabrojnezgoda.Utabeli10.16prikazanisurezultatitestiranjafazilogičkih
sistemaodCCIXdoCCXXVusmisluukupnegreškekojuposmatrani sistemičine
krozizlaznirezultatuodnosunarealnepodatkeizistraživanja.
Naslici10.36.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Slika10.36.Ukupnegreškefazilogičkihsistemasatriulaznepromenljivekojese
odnosenaskornaBIS‐11upitniku,skornaManchesterDAQupitnikuiskorna
Upitnikuzasamoprocenusopstvenihvozačkihsposobnosti(odCCIXdoCCXXV)
400
405
410
415
420
425
430
435
440
445
450
UkupnegreškesistemaodCCIXdoCCXXV
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
247
Kada je reč o fazi logičkim sistemima od CCIX do CCXXV, poređenjem dobijenih
rezultatamože se zaključiti da najbolje rezultate daje fazi logički sistemCCXXIII
kojikoristifunkcijepripadnostiuoblikupolinomnihkrivih(zmf,pimf,smf)zasve
triulaznepromenljive,atakođeizaizlaznupromenljivu.
10.3.1.15Modelizaprocenusklonostikasaobraćajnimnezgodamasačetiri
ulazne promenljive koje se odnose na skor naADBQ upitniku za procenu
agresivnog ponašanja u vožnji, skor na BIS‐11 upitniku za procenu
impulsivnosti,skornaManchesterDAQupitnikuzaprocenurizikauvožnjii
skornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti
Fazi logički sistemi za procenu sklonosti ka saobraćajnim nezgodama koji se
testirajuuovoj sekciji imajučetiriulaznepromenljivekojeseodnosenaskorna
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaBIS‐11upitniku
za procenu impulsivnosti, skor naManchesterDAQupitniku za procenu rizika u
vožnjiiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnostiijednu
izlaznupromenljivukojaseodnosinabrojnezgoda.Konceptovakvogfazilogičkog
sistemailustrovanuzpomoćkorišćenogprogramajeprikazannaslici10.37.
Slika10.37.KonceptfazilogičkihsistemaodCCXXVIdoCCXLII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
248
ZafazilogičkesistemeodCCXXVIdoCCXLIIpotrebnojedefinisati625pravila,što
jeurađenonanačinkakojeprikazanoupriloguB.11.ovedisertacije.
Varijablekoje figurišuu fazi logičkimsistemimaodCCXXVIdoCCXLII, kodkojih
postoje četiri ulazne promenljive koje se odnose na skor na ADBQ upitniku za
procenu agresivnog ponašanja u vožnji, skor na BIS‐11 upitniku za procenu
impulsivnosti,skornaManchesterDAQUpitnikuzaprocenurizikauvožnjiiskor
na upitniku za samoprocenu sopstvenih vozačkih sposobnosti, prikazane su u
priloguC.11.ovedisertacije.
BudućidajekodfazilogičkihsistemakojirazmatrajusamoAgresivnostkaoulaznu
varijablunajboljerešenjedaosistemsagaussmf‐trimf,samoImpulsivnosttrapmf‐
trapmf, samo Rizik trimf‐trimf, i samo Samoprocenu trimf‐trimf, značajno je
testirati fazi logičkesistemekojiupravotajrezultatuzimajuuobzir.Upitanjusu
fazilogičkisistemiCCXLIiCCXLII.
Modeli od CCXXVI do CCXLII imaju zajedničku karakteristiku da postoje četiri
ulazne promenljive koje se odnose na skor na ADBQ upitniku za procenu
agresivnogponašanjauvožnji,skornaBIS‐11upitnikuzaprocenuimpulsivnosti,
skornaManchesterDAQupitnikuzaprocenurizikauvožnjiiskornaUpitnikuza
samoprocenusopstvenihvozačkihsposobnostiijednaizlaznapromenljivakojase
odnosinabrojnezgoda.Utabeli10.17prikazanisurezultatitestiranjafazilogičkih
sistemaodCCXXVIdoCCXLIIusmisluukupnegreškekojuposmatranisistemičine
krozizlaznirezultatuodnosunarealnepodatkeizistraživanja.
Naslici10.38.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
249
Tabela10.17.ZbirapsolutnihgrešakafazilogičkihsistemaodCCXXVIdoCCXLII
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yiFazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
CCXXVI(trimf;trimf;trimf;trimf
–trimf)292,880
CCXXXV((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf);(zmf,dsigmf,
sigmf)–trimf)
293,480
CCXXVII(trapmf;trapmf;
trapmf;trapmf–trimf)294,965
CCXXXVI((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,sigmf))
295,535
CCXXVIII(trapmf;trapmf;
trapmf;trapmf–trapmf)293,523
CCXXXVII((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–trimf)
293,432
CCXXIX(gaussmf;gaussmf;
gaussmf;gaussmf–trimf)294,598
CCXXXVIII((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf);(zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,sigmf))
295,516
CCXXX(gaussmf;gaussmf;
gaussmf;gaussmf–gaussmf)297,066
CCXXXIX((zmf,pimf,smf); (zmf,
pimf,smf);(zmf,pimf,smf);(zmf,
pimf,smf)–trimf)296,611
CCXXXI(gauss2mf;gauss2mf;
gauss2mf;gauss2mf–trimf)290,645
CCXL((zmf,pimf,smf); (zmf,
pimf,smf);(zmf,pimf,smf);(zmf,
pimf,smf)–(zmf,pimf,smf))293,819
CCXXXII(gauss2mf;gauss2mf;
gauss2mf;gauss2mf–gauss2mf)289,961
CCXLI(gaussmf;trapmf;trimf;
trimf–trimf)289,466
CCXXXIII(gbellmf;gbellmf;
gbellmf;gbellmf–trimf)297,789
CCXLII(gaussmf;trapmf;trimf;
trimf–trapmf)287,956
CCXXXIV(gbellmf;gbellmf;
gbellmf;gbellmf–gbellmf)297,875
KadajerečofazilogičkimsistemimaodCCXXVIdoCCXLII,poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemCCXLIIkoji
koristi sledeće funkcije pripadnosti: za Agresivnost gaussmf, za Impulsivnost
trapmf,zaRiziktrimf,zaSamoprocenutrimfizaNezgodetrapmf.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
250
Slika10.38.Ukupnegreškefazilogičkihsistemasa četiriulaznepromenljivekojese
odnosenaskornaADBQupitniku,skornaBIS‐11upitniku,skornaManchesterDAQ
upitnikuiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti(od
CCXXVIdoCCXLII)
10.3.2 Diskusija – Izbor optimalnog modela za procenu sklonosti ka
saobraćajnimnezgodamaukojimasudomenifunkcijapripadnostidefinisani
naosnovupodatakaizempirijskogistraživanja
Najznačajnija informacija do koje se dolazi analizom prethodnih fazi logičkih
sistema jeste koji od posmatranih 242 sistema najbolje opisuje podatke iz
empirijskog istraživanja, tj. koji sistemčininajmanjugreškukroz izlazni rezultat
koji se odnosi na broj nezgoda. U tom smislu, na slici 10.39 i u tabeli 10.18.
prikazanisuzbiroviapsolutnihgrešakanajboljihfazilogičkihsistemausvakomod
koncepata koji se posmatra. Pod jednim konceptom se smatra situacija u kojoj
je(su) ulazna(e) promenljiva(e) ista(e), a razlikuju se samo oblici funkcija
pripadnosti.
Rezultati istraživanja ukazuju na to da je koncept u kojem postoje četiri ulazne
varijabledaonajboljirezultat.Prethodnojenavedenodajeutomkonceptunajbolji
fazi logički sistemCCXLII. To znači da fazi logički sistemkoji ima sledećeulazne
282
284
286
288
290
292
294
296
298
UkupnegreškesistemaodCCXXVIdoCCXLII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
251
promenljive: Agresivnost, Impulsivnost, Rizik i Samoprocenu, a koje su opisane
sledećimoblicimafunkcijapripadnosti:gaussmf,trapmf,trimfitrimf,respektivno;i
jednuizlaznupromenljivuNezgodekojajeopisanafunkcijompripadnostitrapmf,
daje najbolju procenu sklonosti ka saobraćajnim nezgodama za vozača čiji su
skorovinapomenutimpsihološkiminstrumentimapoznati.
Tabela10.18.OdnosrazličitihkoncepatafazilogičkihsistemaodIdoCCXLII
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
yi
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
yi
1. Agresivnost‐Nezgode 518,0629.Impulsivnost;Samoprocena‐
Nezgode348,961
2. Impulsivnost–Nezgode 512,171 10.Rizik;Samoprocena‐ Nezgode 376,847
3. Rizik‐Nezgode 550,25711.Agresivnost;Impulsivnost;
Rizik‐Nezgode332,761
4. Samoprocena–Nezgode 471,34312.Agresivnost;Impulsivnost;
Samoprocena‐Nezgode383,122
5. Agresivnost;Impulsivnost‐
Nezgode329,347
13.Agresivnost;Rizik;
Samoprocena‐Nezgode398,817
6. Agresivnost;Rizik–Nezgode 372,01514.Impulsivnost;Rizik;
Samoprocena‐Nezgode417,657
7. Agresivnost;Samoprocena–
Nezgode357,994
15.Agresivnost;Impulsivnost;
Rizik;Samoprocena‐
Nezgode
287,956
8. Impulsivnost;Rizik‐
Nezgode357,586
Drugi značajan zaključak, pored toga što je pronađen fazi logički sistem koji
najboljeopisujeempirijskepodatkeobrojunezgoda,jestečinjenicadajeutvđeno
daupotrebomsva četiri razmatranapsihološka instrumentamoženajboljeda se
proceni sklonost pojedinca ka saobraćajnim nezgodama, a tako dobar stepen
procene nije moguće dobiti primenom samo jednog od tih instrumenata,
kombinacijomnekadvailitriodnjih.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
252
Slika10.39.Odnosnajboljihfazilogičkihsistemausvakomodkoncepata‐rangirano
Dalje,interesantnojeposmatratikojioblicifunkcijapripadnostisuzastupljenikod
najboljih fazi logičkihsistemausvakomodkoncepata.Ove informacijeprikazane
suutabeli10.19.
Nageneralnomnivou,posmatrajućisveulaznevarijable i izlaznuvarijablu,može
se zaključiti da u najboljim fazi logičkim sistemima figurišu sledeće funkcije
pripadnosti: trimf; trapmf;gaussmf; zmf,pimf, smf. Iako su testirane i preostale
funkcijepripadnostikojekorišćenisoftverpredlaže:gauss2mf;bellmf;zmf,dsigmf,
sigmf izmf,psigmf, sigmf, ispostavilodaonene figurišuni u jednoj situaciji koja
opisujenajboljefazilogičkesistemeusvakomkonceptu.
Kada je reč o varijabli Agresivnost, dolazi se do zaključka da su oblici funkcija
pripadnostikojisuprisutniunajboljimfazilogičkimsistemimagaussmfizmf,pimf,
smf. Pri tome, u 62,5% slučajeva promenljiva Agresivnost je opisana funkcijom
pripadnosti gaussmf, a u 37,5% slučajeva funkcijama pripadnosti u obliku
polinomnihkrivih(zmf,pimf,smf),štojeprikazanonaslici10.40.
0 100 200 300 400 500 600
3.Rizik1.Agresivnost2.Impulsivnost4.Samoprocena
14.Impulsivnost;Rizik;Samoprocena13.Agresivnost;Rizik;Samoprocena
12.Agresivnost;Impulsivnost;Samoprocena10.Rizik;Samoprocena
6.Agresivnost;Rizik7.Agresivnost;Samoprocena
8.Impulsivnost;Rizik9.Impulsivnost;Samoprocena
11.Agresivnost;Impulsivnost;Rizik5.Agresivnost;Impulsivnost
15.Agresivnost;Impulsivnost;Rizik;Samoprocena
Odnosrazličitihkoncepata
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
253
Tabela10.19.Oblicifunkcijapripadnostikojisuzastupljeniunajboljimfazilogičkim
sistemimausvakomodkoncepata
Konceptfazilogičkog
sistema
(ulaznevarijabla(e)–
izlaznavarijabla)
Funkcije
pripadnosti
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
Funkcije
pripadnosti
1. Agresivnost‐Nezgode gaussmf–trimf
9.Impulsivnost;
Samoprocena‐
Nezgode
zmf,pimf,smf;zmf,
pimf,smf–zmf,
pimf,smf
2. Impulsivnost–
Nezgodetrapmf–trapmf
10.Rizik;Samoprocena‐
Nezgodetrimf;trimf–trimf
3. Rizik‐Nezgode trimf–trimf
11.Agresivnost;
Impulsivnost;Rizik‐
Nezgode
zmf,pimf,smf;zmf,
pimf,smf;zmf,pimf,
smf–zmf,pimf,smf
4. Samoprocena–
Nezgodetrimf–trimf
12.Agresivnost;
Impulsivnost;
Samoprocena‐
Nezgode
gaussmf;trapmf;
trimf–trapmf
5. Agresivnost;
Impulsivnost‐Nezgode
zmf,pimf,smf;zmf,
pimf,smf–zmf,
pimf,smf
13.Agresivnost;Rizik;
Samoprocena‐
Nezgode
gaussmf;trimf;trimf
–trimf
6. Agresivnost;Rizik–
Nezgode
zmf,pimf,smf;zmf,
pimf,smf–zmf,
pimf,smf
14.Impulsivnost;Rizik;
Samoprocena‐
Nezgode
zmf,pimf,smf;zmf,
pimf,smf;zmf,pimf,
smf–zmf,pimf,smf
7. Agresivnost;
Samoprocena–
Nezgode
gaussmf;trimf–
trimf
15.Agresivnost;
Impulsivnost;Rizik;
Samoprocena‐
Nezgode
gaussmf;trapmf;
trimf;trimf–trapmf
8. Impulsivnost;Rizik‐
Nezgode
zmf,pimf,smf;zmf,
pimf,smf–zmf,
pimf,smf
KadajerečovarijabliImpulsivnost,proizilazidasuoblicifunkcijapripadnostikoji
suprisutniunajboljimfazilogičkimsistemimatrapsmfizmf,pimf,smf.Pritome,u
37,5% slučajeva promenljiva Impulsivnost je opisana funkcijom pripadnosti
trapmf, a u 62,5% slučajeva funkcijama pripadnosti u obliku polinomnih krivih
(zmf,pimf,smf),štojeprikazanonaslici10.41.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
254
Slika10.40.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimakodpromenljiveAgresivnost
Slika10.41.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimakodpromenljiveImpulsivnost
Kada je reč o promenljivoj Rizik, dolazi se do zaključka da su oblici funkcija
pripadnostikojisuprisutniunajboljimfazi logičkimsistemimatrimf i zmf,pimf,
smf.Pritome,u50%slučajevapromenljivaRizikjeopisanafunkcijompripadnosti
trimf i u 50% slučajeva funkcijamapripadnosti u obliku polinomnih krivih (zmf,
pimf,smf),štojeprikazanonaslici10.42.
62,50%
37,50%
gaussmf zmf, pimf, smf
37,50%
62,50%
trapmf zmf,pimf,smf
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
255
Slika10.42.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimakodpromenljiveRizik
KadajerečovarijabliSamoprocena,proizilazidasuoblicifunkcijapripadnostikoji
suprisutniunajboljim fazi logičkimsistemima trimf izmf,pimf, smf. Pri tome,u
75%slučajevapromenljivaSamoprocenajeopisanafunkcijompripadnostitrimf,a
u 25% slučajeva funkcijama pripadnosti u obliku polinomnih krivih (zmf, pimf,
smf),štojeilustrovanonaslici10.43.
Slika10.43.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimakodpromenljiveSamoprocena
50%50%
trimf zmf, pimf, smf
75%
25%
trimf zmf,pimf,smf
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
256
KadajerečoizlaznojpromenljivojNezgode,možesezaključitidasuoblicifunkcija
pripadnostikojisuprisutniunajboljimfazilogičkimsistemimatrimf,trapmfizmf,
pimf, smf. Pri tome, u 40% slučajeva promenljiva Nezgode je opisana funkcijom
pripadnostitrimf,u20%slučajevafunkcijompripadnostitrapmfiu40%slučajeva
funkcijama pripadnosti u obliku polinomnih krivih (zmf, pimf, smf), što je
ilustrovanonaslici10.44.
Slika10.44.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimaodIdoCCXLIIkodpromenljiveNezgode
Naosnovuanalizerezultata242fazilogičkasistema,možesedoćidozaključakao
tomeštauvećojmeriutičenarezultatusmisluračunategreškeyi,dali jerečo
konceptu fazi logičkog sistema ili o izboru funkcija pripadnosti. U tu svrhu su
izračunatestandardnedevijacije računatihgrešakausvakomkonceptu, sa ciljem
da se dobije prosečna vrednost standardne devijacije za različit izbor funkcija
pripadnosti, a dobijena vrednost je upoređena sa standardnom devijacijom
srednjihvrednostisvakogodkoncepata.Rezultatinavedenogproračunaprikazani
suutabeli10.20.
Može se zaključiti da na rezultat fazi logičkog sistema znatno više utiče izbor
koncepta (standardna devijacija = 73,594), nego izbor funkcija pripadnosti
(standardnadevijacija=5,706).Ovajrezultatbićepolaznaosnovapriizradiostalih
40%
20%
40%
trimf trapmf zmf,pimf,smf
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
257
fazi logičkih sistema u ovom poglavlju doktorske disertacije, kao i fazi logičkih
sistemaunarednompoglavlju.
Tabela 10.20. Odnos standardnih devijacija rezultata fazi logičkih sistema prema
izborufunkcijapripadnostiipremaizborukoncepta
KonceptfazilogičkogsistemaSrednjavrednost
greške
Standardna
devijacija
1. Agresivnost‐Nezgode 526,332 4,344
2. Impulsivnost–Nezgode 518,502 5,259
3. Rizik‐Nezgode 554,295 2,739
4. Samoprocena–Nezgode 478,788 6,907
5. Agresivnost;Impulsivnost‐
Nezgode345,101 7,851
6. Agresivnost;Rizik–Nezgode 380,792 4,408
7. Agresivnost;Samoprocena–
Nezgode362,054 2,672
8. Impulsivnost;Rizik‐Nezgode 376,801 10,209
9. Impulsivnost;Samoprocena‐
Nezgode356,147 5,472
10. Rizik;Samoprocena‐Nezgode 381,044 3,553
11. Agresivnost;Impulsivnost;
Rizik‐Nezgode347,542 6,980
12. Agresivnost;Impulsivnost;
Samoprocena‐Nezgode392,409 7,425
13. Agresivnost;Rizik;
Samoprocena‐Nezgode405,356 5,824
14. Impulsivnost;Rizik;
Samoprocena‐Nezgode431,201 9,103
15. Agresivnost;Impulsivnost;
Rizik;Samoprocena‐Nezgode293,830 2,847
Srednjavrednost 5,706
Standardnadevijacija 73,594
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
258
10.3.3Modelizaprocenusklonostikasaobraćajnimnezgodamaukojimasu
domenifunkcijapripadnostidefinisaninaosnovupodatakaizliterature
Budući da je pokazano da na rezultat u većoj meri utiče koncept fazi logičkog
sistema,aumanjojmeriizboroblikafunkcijapripadnosti,udaljemtekstućebiti
ispitani samo različiti koncepti, svaki sa trouglastim funkcijama pripadnosti, a
najboljikonceptćesetestiratiporazličitimoblicimafunkcijapripadnosti.
FazilogičkisistemCCXLIII
Kako bi se testirali fazi logički sistemi čiji su domeni definisani na osnovu
vrednostiizliterature,utabeli10.21prikazanisudostupnipodacizapromenljivu
Agresivnost. Budući da su dostupne samo srednje vrednosti i vrednosti za
standardnu devijaciju, na osnovu tih parametara biće formirani domeni funkcija
pripadnosti.Uprethodnomslučaju,kadasudomeniodređeninaosnovupodataka
izistraživanja,srednjavrednostjebila49,47,astandardnadevijacija9,42.
Tabela10.21.VrednostinaADBQupitnikudostupneuliteraturi
Tipuzorka Brojispit.
Min Max Sr.vred. SD Izvor
Studenti 495 ‐ ‐ 51,37 ‐ BrillandMouloua,2011.
Studentiposledipl.studija
285 ‐ ‐ ‐ 55,21(ukupanuzorak,UniversityofCentralFloridasample)‐M:52,83‐Ž:56,82‐56,08(OldDominionUniversitysample)‐54,93(MichiganTechnologicalUniversitysample)
‐ 12,43
‐7,23‐7,98‐9,44
Gurda,2012.
Sr.vred. 54,40 9,27
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
259
Na osnovu Tabele 10.21 vidi se da je srednja vrednost 54,40, a standardna
devijacija9,27.Toćebitiulaznipodacinaosnovukojihseformirajudomeniulazne
promenljiveAgresivnost,kaoštojeprikazanonaslici10.45.
Slika10.45.Podeladomenaulaznepromenljive„Agresivnost“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLIII
Fazi logički sistem CCXLIII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojijednaulaznapromenljivakojaseodnosinaskor
na ADBQ upitniku za procenu agresivnog ponašanja u vožnji i jedna izlazna
promenljiva koja se odnosi na broj nezgoda. Ulazna promenljiva Agresivnost je
definisana kao što je prikazano na slici 10.45, a izlazna promenljiva kao u fazi
logičkomsistemuI.
FazipravilaufazilogičkomsistemuCCXLIIIsuistakaoufazilogičkomsistemuI.
Nakon implementacije fazi logičkog sistema CCXLIII na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=437,802.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
260
FazilogičkisistemCCXLIV
Kako bi se testirali fazi logički sistemi čiji su domeni definisani na osnovu
vrednostiizliterature,utabeli10.22prikazanisudostupnipodacizapromenljivu
Impulsivnost. U prethodnom slučaju, kada su domeni određeni na osnovu
podataka iz istraživanja, srednja vrednost je bila 68,44, a standardna devijacija
6,51.
Tabela10.22.VrednostinaBIS‐11upitnikudostupneuliteraturi
Tipuzorka Brojispit.
Min Max Sr.vred SD Izvor
Studenti,psih.Pacijenti(ukljčujućiizavisnike),zatvorenici
412,248,73
‐ ‐ 64,9469
69,7476,30
10,1710,2812,61
Patton, et.al1995
Adolescenti 682 72,5 8,7 Li,etal.2007.Adolescenti 659 64,13 8,87 Učenici 1.183 ‐ ‐ 60,69 11,40 V.Martinez‐
Loredo,etal.Pacijenti,studenti
83,237
‐ ‐ ‐ ‐ Güleç, et al.2008.
Pacijenati 103 63,7 9,5 Antonnini etal.2011.
Neurološkihpacijenata
110
‐ ‐ 59,37 7,89 Lindstrøm, etal.2017.
Suicidnipacijenti
200 62,45 16,87 Lu,etal.2012.
Adolescenti 691 ‐ ‐ 59,18 9,54 Reise et al.2013
Pacijentioboleli odParkin.bolesti
315 ‐ ‐ 59,5 ‐ Smudlers, etal.2014.
Studentipostiplomci
1178 ‐ ‐ ‐ ‐ Steinberg, etal.2013.
Adolescenti 464 ‐ ‐ 62,2 11,6 vonDiemenetal.2007.
Studenti 532 ‐ ‐ ‐ ‐ Harms et al.2017.
Suicidalnipacijenti
57 ‐ ‐ 74,12 12,40 Reistetal.2017.
Studenti 1149 ‐ ‐ ‐ ‐ Fox et al.2017.
Pacijentioboleli od
87 ‐ ‐ ‐ ‐ Evans et al.2017.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
261
Parkin.bolestiStudenti 227 ‐ ‐ ‐ ‐ Tamam et al.
2017.Pacijenti 21 ‐ ‐ ‐ ‐ Jakuszkowiak‐
Wojtenet.Al.Ispitanicivolonteri
141 59,63 19,27 Moustafaetal.2017.
Studenti 125 ‐ ‐ 69,7667,5763,56
8,006,847,70
Tang et al.2017
Studenti 652 ‐ ‐ 58,159,3
13,0011,8
Canan et al.2017.
Studenti ‐ ‐ ‐ ‐ ‐ Rico et al.2017
Ekstremnisportisti
715(480ekstr.Sportisti235kontrolnagrupa)
‐ ‐ 61,459,0
10,09,4
Dudek et al.2016
Prigodniuzorak
117
Zavisniciodalkohola
336 ‐ ‐ 69,79 10,48 Jakubczyk etal.2016
ZavisniciodalkoholaKontorlnagrupa
2526
‐ ‐ 67,052,1
14,88,2
Zhu et al.2017.
ZavisniciodigaranasrećuZavisniciodalkohola
2317
‐ ‐ ‐ ‐ Florez et al.2016.
Prigodniuzorak
21 ‐ ‐ ‐ ‐ Wolffetal.2016.
Studenti 146 ‐ ‐ 55,0553,64
7,408,62
Marczinski etal.2016.
Prigodniuzorak
117 ‐ ‐ ‐ ‐ Weiner et al.2016.
Ženezavisniceodalkohola
25 ‐ ‐ 59,19 8,3 Herrera‐Dı´azetal.2016.
Prekršiocipravilausaobraćaju
668 ‐ ‐ ‐ ‐ Slavinskienėetal.2016.
Ženskihstudenata
147 ‐ ‐ ‐ ‐ Xiaxia,2015.
Studenti 662 ‐ ‐ ‐ ‐ Cuttler,2016.Studenti 298 ‐ ‐ ‐ ‐ Maleszaetal.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
262
Postiplomci 232 ‐ ‐ ‐ ‐ Lozano2015.Studenata 36 ‐ ‐ ‐ ‐ Shalmanietal.
2015.Studenata 70 ‐ ‐ ‐ ‐ Lyvers et al.
2015.Zaposleniispitanici
48 ‐ ‐ 62,68 7,33 Het Rot et al.2014.
PacijentizavisniciKontrolnagrupa
1515
‐ ‐ 72,9355,13
9,6114,5
Choi et al.2014.
Studenti 153 ‐ ‐ 66,4361,00
9,799,21
Lyvers et al.2013.
Studenti 656 ‐ ‐ ‐ ‐ Wilbertz,2014
Zavisnici 665 ‐ ‐ ‐ ‐ Morean,2014.IspitanicikojisuprošlitreningživotnihveštinaKontrolnagrupa
3333
‐ ‐ 68,63
67,03
7,927,89
Chen et al.2014.
Prigodniuzorak
154 ‐ ‐ 61,63 ‐ Ludwig et al.2013.
Volonteri 82(različitihgenotipa)
68,3867,6367,57
4,034,224,81
Soeiro‐De‐Souza,2013.
Prigodniuzorak
95 ‐ ‐ ‐ ‐ Tzagarakis etal.2013.
Studenti 1866
56,956,857,7
8,99,19,7
Paaver et al.2013.
Pušači 107 ‐ ‐ ‐ ‐ Ryan et al.2013.
Volonteri 92 41 82 60 9 Farr et al.2013.
Postiplomci 85 ‐ ‐ 63,04
9,29 Kam et al.2012.
Studenti 124 ‐ ‐ 60,05
63,4572,46
10,7710,78
Lyvers et al.2012.
Preglednirad Izmedju52‐71normalnaimpulsPreko72izraženaimpuls,Ispod52ilineiskrenodavanjeodgovoranaupitn.Ilipreteranoover‐controled
‐ Stanford et al.2009
Sr.vred. 63,45 9,78
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
263
Na osnovu Tabele 10.22 vidi se da je srednja vrednost 63,45, a standardna
devijacija9,78.Toćebitiulaznipodacinaosnovukojihseformirajudomeniulazne
promenljiveImpulsivnost,kaoštojeprikazanonaslici10.46.
Slika10.46.Podeladomenaulaznepromenljive„Impulsivnost“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLIV
Fazi logički sistem CCXLIV za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojijednaulaznapromenljivakojaseodnosinaskor
na BIS‐11 upitniku za procenu impulsivnosti i jedna izlazna promenljiva koja se
odnosinabrojnezgoda.Ulaznapromenljiva Impulsivnost jedefinisanakaošto je
prikazanonaslici10.46,aizlaznapromenljivakaoufazilogičkomsistemuI.
FazipravilaufazilogičkomsistemuCCXLIVsuistakaoufazilogičkomsistemuXVI.
Nakon implementacije fazi logičkog sistema CCXLIV na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=655,484.
FazilogičkisistemCCXLV
Kako bi se testirali fazi logički sistemi čiji su domeni definisani na osnovu
vrednostiizliterature,utabeli10.23prikazanisudostupnipodacizapromenljivu
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
264
Rizik. U prethodnom slučaju, kada su domeni određeni na osnovu podataka iz
istraživanja,srednjavrednostjebila62,52,astandardnadevijacija9,14.
Tabela10.23.VrednostinaDAQupitnikudostupneuliteraturi
Tipuzorka Brojispit.
Min Max Sr.vred SD Izvor
Vozačipočetnici
50 ‐ ‐ 62,6759,0064,24
7,23 Gordon,2007.
vozači 443 ‐ ‐ ‐ ‐ Wishartet al.2006.
vozača 238 ‐ ‐ ‐ ‐ Parkeretal.,1996.
Vozačitaksija 184 ‐ ‐ ‐ ‐ Rowlandet al.2007.
vozači 443 ‐ ‐ ‐ ‐ Davey etal.,2007.
Vozačipočetnici
81 48,9553,95
7,7569,758
VanVuuren,2012.
Sr.vred. 57,76 8,25
Slika10.47.Podeladomenaulaznepromenljive„Rizik“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLV
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
265
Na osnovu Tabele 10.23 vidi se da je srednja vrednost 57,76, a standardna
devijacija8,25.Toćebitiulaznipodacinaosnovukojihseformirajudomeniulazne
promenljiveRizik,kaoštojeprikazanonaslici10.47.
Fazi logički sistem CCXLV za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojijednaulaznapromenljivakojaseodnosinaskor
naDAQupitnikuzaprocenu rizika i jedna izlaznapromenljivakoja seodnosina
brojnezgoda.UlaznapromenljivaRizik jedefinisanakaošto jeprikazanonaslici
10.47,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemu CCXLV su ista kao u fazi logičkom sistemu
XXXI. Nakon implementacije fazi logičkog sistema CCXLV na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=648,443.
FazilogičkisistemCCXLVI
Kako bi se testirali fazi logički sistemi čiji su domeni definisani na osnovu
vrednostiizliterature,utabeli10.24prikazanisudostupnipodacizapromenljivu
Samoprocena. U prethodnom slučaju, kada su domeni određeni na osnovu
podataka iz istraživanja, srednja vrednost je bila 66,58, a standardna devijacija
11,59.
Tabela10.24.Vrednostinaupitnikuzasamoprocenuvozačkihsposobnostidostupneuliteraturi
Tipuzorka Brojispit. Min Max Sr.vred SD Izvormladivozači
1419 ‐ ‐ ‐ ‐ Tronsmoen,2010
vozači 225 ‐ ‐ ‐ ‐ Jovanovic etal.2014.
Vozačipočetnici
50 ‐ ‐ 73,1875,93
11,23010,090
VanVuuren,2012.
Sr.vred. 74,55 10,66
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
266
Na osnovu Tabele 10.24 vidi se da je srednja vrednost 74,55, a standardna
devijacija 10,66. To će biti ulazni podaci na osnovu kojih se formiraju domeni
ulaznepromenljiveSamoprocena,kaoštojeprikazanonaslici10.48.
Slika10.48.Podeladomenaulaznepromenljive„Samoprocena“i
odgovarajućefunkcijepripadnostiufazilogičkomsistemuCCXLVI
Fazi logički sistem CCXLVI za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojijednaulaznapromenljivakojaseodnosinaskor
naupitnikuzasamoprocenuvozačkihsposobnostiijednaizlaznapromenljivakoja
seodnosinabrojnezgoda.UlaznapromenljivaSamoprocenajedefinisanakaošto
jeprikazanonaslici10.48,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemu CCXLVI su ista kao u fazi logičkom sistemu
XLVI.Nakon implementacije fazi logičkogsistemaCCXLVInauzorkuodsvih305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=592,192.
FazilogičkisistemCCXLVII
Fazi logički sistem CCXLVII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojedveulaznepromenljivekojeseodnosenaskor
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
267
na ADBQ upitniku za procenu agresivnog ponašanja u vožnji i skor na BIS‐11
upitniku za procenu impulsivnosti i jedna izlazna promenljiva koja se odnosi na
broj nezgoda. Ulazna promenljiva Agresivnost je definisana kao u fazi logičkom
sistemuCCXLIII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkom
sistemuCCXLIV,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazipravilau fazi logičkomsistemuCCXLVII su istakaou fazi logičkomsistemu
LXI.Nakon implementacije fazi logičkog sistemaCCXLVII na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=366,001.
FazilogičkisistemCCXLVIII
Fazi logički sistem CCXLVIII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojedveulaznepromenljivekojeseodnosenaskor
naADBQupitnikuzaprocenuagresivnogponašanjauvožnjiiskornaManchester
DAQupitnikuzaprocenurizikauvožnjiijednaizlaznapromenljivakojaseodnosi
nabrojnezgoda.UlaznapromenljivaAgresivnostjedefinisanakaoufazilogičkom
sistemuCCXLIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemu
CCXLV,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazipravilau fazi logičkomsistemuCCXLVIIIsu istakaou fazi logičkomsistemu
LXXVIII.Nakon implementacije fazi logičkog sistemaCCXLVIII nauzorkuod svih
305 ispitanika, i odgovarajućih proračuna, dolazi se do zaključka da je u ovom
slučajuy=383,413.
FazilogičkisistemCCXLIX
Fazi logički sistem CCXLIX za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojedveulaznepromenljivekojeseodnosenaskor
naADBQupitnikuzaprocenuagresivnogponašanjauvožnjiiskornaupitnikuza
samoprocenusopstvenihvozačkihsposobnostiijednaizlaznapromenljivakojase
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
268
odnosi na broj nezgoda. Ulazna promenljiva Agresivnost je definisana kao u fazi
logičkom sistemu CCXLIII, ulazna promenljiva Samoprocena je definisana kao u
fazilogičkomsistemuCCXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemu CCXLIX su ista kao u fazi logičkom sistemu
XCIV.Nakon implementacije fazi logičkogsistemaCCXLIXnauzorkuodsvih305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=369,779.
FazilogičkisistemCCL
Fazi logički sistem CCL za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojedveulaznepromenljivekojeseodnosenaskor
naBIS‐11upitnikuzaprocenuimpulsivnostiiskornaManchesterDAQupitnikuza
procenurizikauvožnjiijednaizlaznapromenljivakojaseodnosinabrojnezgoda.
UlaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuCCXLIV,
ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuCCXLV,aizlazna
promenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemuCCL su ista kaou fazi logičkom sistemuCX.
NakonimplementacijefazilogičkogsistemaCCLnauzorkuodsvih305ispitanika,i
odgovarajućih proračuna, dolazi se do zaključka da je u ovom slučaju y =
516,463.
FazilogičkisistemCCLI
Fazi logički sistem CCLI za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojedveulaznepromenljivekojeseodnosenaskor
naBIS‐11upitniku za procenu impulsivnosti i skor na upitniku za samoprocenu
sopstvenihvozačkihsposobnostiijednaizlaznapromenljivakojaseodnosinabroj
nezgoda. Ulazna promenljiva Impulsivnost je definisana kao u fazi logičkom
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
269
sistemu CCXLIV, ulazna promenljiva Samoprocena je definisana kao u fazi
logičkomsistemuCCXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemu CCLI su ista kao u fazi logičkom sistemu
CXXVII.Nakon implementacije fazi logičkog sistemaCCLI na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=474,608.
FazilogičkisistemCCLII
Fazi logički sistem CCLII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojedveulaznepromenljivekojeseodnosenaskor
na Manchester DAQ upitniku za procenu rizika u vožnji i skor na upitniku za
samoprocenusopstvenihvozačkihsposobnostiijednaizlaznapromenljivakojase
odnosinabrojnezgoda.UlaznapromenljivaRizikjedefinisanakaoufazilogičkom
sistemuCCXLV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkom
sistemuCCXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemu CCLII su ista kao u fazi logičkom sistemu
CXLIV.Nakon implementacije fazi logičkog sistemaCCLII na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=475,470.
FazilogičkisistemCCLIII
Fazi logički sistem CCLIII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojetriulaznepromenljivekojeseodnosenaskorna
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaBIS‐11upitniku
zaprocenu impulsivnosti iskornaManchesterDAQupitnikuzaprocenurizikau
vožnji i jedna izlazna promenljiva koja se odnosi na broj nezgoda. Ulazna
promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuCCXLIII,ulazna
promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuCCXLIV,ulazna
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
270
promenljiva Rizik je definisana kao u fazi logičkom sistemu CCXLV, a izlazna
promenljiva kao u fazi logičkom sistemu I. Fazi pravila u fazi logičkom sistemu
CCLIIIsuistakaoufazilogičkomsistemuCLIX.Nakonimplementacijefazilogičkog
sistemaCCLIIInauzorkuodsvih305ispitanika,iodgovarajućihproračuna,dolazi
sedozaključkadajeuovomslučajuy=393,529.
FazilogičkisistemCCLIV
Fazi logički sistem CCLIV za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojetriulaznepromenljivekojeseodnosenaskorna
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaBIS‐11upitniku
zaprocenuimpulsivnosti iskornaupitnikuzasamoprocenusopstvenihvozačkih
sposobnosti i jedna izlazna promenljiva koja se odnosi na broj nezgoda. Ulazna
promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuCCXLIII,ulazna
promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuCCXLIV,ulazna
promenljiva Samoprocena je definisana kao u fazi logičkom sistemu CCXLVI, a
izlaznapromenljivakaoufazilogičkomsistemuI.
Fazi pravila u fazi logičkom sistemu CCLIV su ista kao u fazi logičkom sistemu
CLXXVI.NakonimplementacijefazilogičkogsistemaCCLIVnauzorkuodsvih305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=486,182.
FazilogičkisistemCCLV
Fazi logički sistem CCLV za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojetriulaznepromenljivekojeseodnosenaskorna
ADBQupitnikuzaprocenuagresivnogponašanjauvožnji,skornaManchesterDAQ
upitnikuzaprocenurizikauvožnjiiskornaupitnikuzasamoprocenusopstvenih
vozačkihsposobnosti i jedna izlaznapromenljivakojaseodnosinabrojnezgoda.
UlaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuCCXLIII,
ulaznapromenljivaRizikjedefinisanakaoufazi logičkomsistemuCCXLV,ulazna
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
271
promenljiva Samoprocena je definisana kao u fazi logičkom sistemu CCXLVI, a
izlazna promenljiva kao u fazi logičkom sistemu I. Fazi pravila u fazi logičkom
sistemuCCLVsuistakaoufazilogičkomsistemuCXCIII.Nakonimplementacijefazi
logičkog sistema CCLV na uzorku od svih 305 ispitanika, i odgovarajućih
proračuna,dolazisedozaključkadajeuovomslučajuy=485,585.
FazilogičkisistemCCLVI
Fazi logički sistem CCLVI za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostojetriulaznepromenljivekojeseodnosenaskorna
BIS‐11 upitniku za procenu impulsivnosti, skor na Manchester DAQ upitniku za
procenu rizika u vožnji i skor na upitniku za samoprocenu sopstvenih vozačkih
sposobnosti i jedna izlazna promenljiva koja se odnosi na broj nezgoda. Ulazna
promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuCCXLIV,ulazna
promenljiva Rizik je definisana kao u fazi logičkom sistemu CCXLV, ulazna
promenljiva Samoprocena je definisana kao u fazi logičkom sistemu CCXLVI, a
izlaznapromenljivakaoufazilogičkomsistemuI.
FazipravilaufazilogičkomsistemuCCLVIsuistakaoufazilogičkomsistemuCCIX.
Nakon implementacije fazi logičkog sistema CCLVI na uzorku od svih 305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=646,043.
FazilogičkisistemCCLVII
Fazi logički sistem CCLVII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostoječetiriulaznepromenljivekojeseodnosenaskor
na ADBQ upitniku za procenu agresivnog ponašanja u vožnji, skor na BIS‐11
upitnikuzaprocenu impulsivnosti, skornaManchesterDAQupitnikuzaprocenu
rizikauvožnjiiskornaupitnikuzasamoprocenusopstvenihvozačkihsposobnosti
i jedna izlazna promenljiva koja se odnosi na broj nezgoda. Ulazna promenljiva
AgresivnostjedefinisanakaoufazilogičkomsistemuCCXLIII,ulaznapromenljiva
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
272
ImpulsivnostjedefinisanakaoufazilogičkomsistemuCCXLIV,ulaznapromenljiva
Rizik je definisana kao u fazi logičkom sistemu CCXLV, ulazna promenljiva
Samoprocena je definisana kao u fazi logičkom sistemu CCXLVI, a izlazna
promenljiva kao u fazi logičkom sistemu I. Fazi pravila u fazi logičkom sistemu
CCLVII su ista kao u fazi logičkom sistemu CCXXVI. Nakon implementacije fazi
logičkog sistema CCLVII na uzorku od svih 305 ispitanika, i odgovarajućih
proračuna,dolazisedozaključkadajeuovomslučajuy=346,198.
10.3.4 Diskusija – Izbor optimalnog modela za procenu sklonosti ka
saobraćajnimnezgodamaukojimasudomenifunkcijapripadnostidefinisani
naosnovupodatakaizliterature
Informacijadokojesedolazianalizomfazi logičkihsistemaodCCXLIIIdoCCLVII
jeste koji od posmatranih sistema najbolje opisuje podatke iz empirijskog
istraživanja,tj.kojisistemčininajmanjugreškukrozizlaznirezultatkojiseodnosi
nabrojnezgoda.Utomsmislu,naslici10.49iutabeli10.25.prikazanisuzbirovi
apsolutnihgrešakanajboljih fazi logičkih sistemau svakomodkoncepatakoji se
posmatra, gde su domeni funkcija pripadnosti definisani na osnovu podataka iz
literature.
Iztabele10.25.možesevidetidajekonceptukojempostoječetiriulaznevarijable
dao najbolji rezultat.Međutim, poređenjemovog rezultata (fazi logičkog sistema
CCLVII)sarezultatomfazilogičkogsistemaCCXLIIkojijedaonajboljirezultatpri
ispitivanju fazi logičkih sistema čiji su domeni formirani na osnovu podataka iz
istraživanja, zaključuje se da je razlika u načinjenoj greški 58,242 (346,198 ‐
287,956).TopraktičnoznačidajefazilogičkisistemCCXLIIznačajnoboljiodfazi
logičkogsistemaCCLVII.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
273
Slika10.49.Odnosnajboljihfazilogičkihsistemausvakomodkoncepatagdesu
domenidefinisaninaosnovupodatakaizliterature‐rangirano
Tabela10.25.OdnosrazličitihkoncepatafazilogičkihsistemaodCCXLIIIdoCCLVII
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
yi
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
yi
1. Agresivnost‐Nezgode 437,8029.Impulsivnost;Samoprocena‐
Nezgode474,608
2. Impulsivnost–Nezgode 655,484 10.Rizik;Samoprocena‐ Nezgode 475,470
3. Rizik‐Nezgode 648,44311.Agresivnost;Impulsivnost;
Rizik‐Nezgode393,529
4. Samoprocena–Nezgode 592,19212.Agresivnost;Impulsivnost;
Samoprocena‐Nezgode 486,182
5. Agresivnost;Impulsivnost‐
Nezgode366,001
13.Agresivnost;Rizik;
Samoprocena‐Nezgode485,585
6. Agresivnost;Rizik–Nezgode 383,41314.Impulsivnost;Rizik;
Samoprocena‐Nezgode 646,043
7. Agresivnost;Samoprocena–
Nezgode369,779
15.Agresivnost;Impulsivnost;
Rizik;Samoprocena‐
Nezgode346,198
8. Impulsivnost;Rizik‐
Nezgode516,463
0 100 200 300 400 500 600 700
2.Impulsivnost3.Rizik
14.Impulsivnost;Rizik;Samoprocena4.Samoprocena
8.Impulsivnost;Rizik12.Agresivnost;Impulsivnost;Samoprocena
13.Agresivnost;Rizik;Samoprocena10.Rizik;Samoprocena
9.Impulsivnost;Samoprocena1.Agresivnost
11.Agresivnost;Impulsivnost;Rizik6.Agresivnost;Rizik
7.Agresivnost;Samoprocena5.Agresivnost;Impulsivnost
15.Agresivnost;Impulsivnost;Rizik;Samoprocena
Odnosrazličitihkoncepata
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
274
Komparativnomanalizomrezultatatestiranjafazilogičkihsistemagdesudomeni
formirani na osnovu podataka iz literature i onih gde su domeni formirani na
osnovupodatakaizistraživanja(slika10.50.),dolazisedovažnogzaključkadasu
rezultatikojeseodnosenasistemAgresivnost–Nezgodeboljiutabeli10.25,nego
u tabeli 10.18 i to za 80,26 (518,062 ‐ 437,802). Na osnovu toga, može se
pretpostaviti da bi najbolji fazi sistem CCXLII sa četiri ulazne promenljive dao
eventualno još bolji rezultat ako bi se domeni ulazne promenljive Agresivnost
definisali na osnovu podataka iz literature. U tom smislu, najpre je potrebno
testirati koncept Agresivnost – Nezgode, gde su domeni definisani na osnovu
podatakaizliterature,zarazličiteoblikefunkcijapripadnosti.Tojeučinjenoufazi
logičkimsistemimaodCCLVIIIdoCCLXXI,arezultatisuprikazaniutabeli10.26.
Slika10.50.Odnosnajboljihfazilogičkihsistemausvakomodkoncepatagdesu
domenidefinisaninaosnovupodatakaizistraživanja,odnosnoizliterature
Sa slike 10.51. i iz tabele 10.26 može se videti da najbolje rešenje za koncept
Agresivnost – Nezgode daje fazi logički sistem koji koristi trouglaste funkcije
pripadnosti. Dalje, testiran je sistem koji sadrži četiri ulazne varijable, gde je
Agresivnostdefinisananaosnovupodataka iz literature, a preostale varijablena
osnovupodatakaizistraživanja.
0 100 200 300 400 500 600 700
1.Agresivnost2.Impulsivnost
3.Rizik4.Samoprocena
5.Agresivnost;Impulsivnost6.Agresivnost;Rizik
7.Agresivnost;Samoprocena8.Impulsivnost;Rizik
9.Impulsivnost;Samoprocena10.Rizik;Samoprocena
11.Agresivnost;Impulsivnost;Rizik12.Agresivnost;Impulsivnost;Samoprocena
13.Agresivnost;Rizik;Samoprocena14.Impulsivnost;Rizik;Samoprocena
15.Agresivnost;Impulsivnost;Rizik;Samoprocena
Odnossistemaizistraživanjailiterature
Literatura Istraživanje
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
275
Slika10.51.UkupnegreškefazilogičkogsistemaCCXLIIIifazilogičkihsistemaod
CCLVIIIdoCCLXXI
Tabela10.26.ZbirapsolutnihgrešakafazilogičkihsistemaodCCLVIIIdoCCLXXI
Fazilogičkisistem
(ulaznafunkcijapripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznafunkcija
pripadnosti–izlazna
funkcijapripadnosti)
yi
CCXLIII(trimf–trimf) 437,802CCLXV (gbellmf–
gbellmf)448,409
CCLVIII(trapmf–trimf) 439,087CCLXVI ((zmf,dsigmf,
sigmf)–trimf)447,988
CCLIX(trapmf–trapmf) 438,694
CCLXVII((zmf,dsigmf,
sigmf)–(zmf,dsigmf,
sigmf))
448,916
CCLX(gaussmf–trimf) 438,192CCLXVIII ((zmf,psigmf,
sigmf)–trimf)447,973
CCLXI(gaussmf–gaussmf) 439,582
CCLXIX((zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))448,887
CCLXII(gauss2mf–trimf) 441,726CCLXX ((zmf,pimf,smf)–
trimf) 443,835
CCLXIII(gauss2mf–gauss2mf) 441,480CCLXXI((zmf,pimf,smf)–
(zmf,pimf,smf))443,025
CCLXIV(gbellmf– trimf) 448,770
432
434
436
438
440
442
444
446
448
450
Ukupnegreškeposmatranihsistema
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
276
FazilogičkisistemCCLXXII
Fazi logički sistem CCLXXII za procenu sklonosti ka saobraćajnim nezgodama
predstavljasituacijukadapostoječetiriulaznepromenljivekojeseodnosenaskor
na ADBQ upitniku za procenu agresivnog ponašanja u vožnji, skor na BIS‐11
upitnikuzaprocenu impulsivnosti, skornaManchesterDAQupitnikuzaprocenu
rizikauvožnjiiskornaUpitnikuzasamoprocenusopstvenihvozačkihsposobnosti
i jedna izlazna promenljiva koja se odnosi na broj nezgoda. Ulazna promenljiva
AgresivnostjedefinisanakaoufazilogičkomsistemuCCXLIII,ulaznapromenljiva
Impulsivnost jedefinisanakaou fazi logičkomsistemuXVIII, ulaznapromenljiva
Rizik je definisana kao u fazi logičkom sistemu XXXI, ulazna promenljiva
SamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljiva
kaoufazilogičkomsistemuIII.
Fazipravilau fazi logičkomsistemuCCLXXII su istakaou fazi logičkomsistemu
CCXLII.NakonimplementacijefazilogičkogsistemaCCLXXIInauzorkuodsvih305
ispitanika, iodgovarajućihproračuna,dolazisedozaključkadajeuovomslučaju
y=302,614.
Konačno,naosnovuanalizesvih272posmatranihfazilogičkasistema,dolazisedo
zaključka da najbolji sistem za procenu sklonosti ka saobraćajnim nezgodama
predstavlja fazi logički sistem CCXLII gde je ulazna promenljiva Agresivnost
definisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostkaou
fazilogičkomsistemuXVIII,ulaznapromenljivaRizikkaoufazilogičkomsistemu
XXXI,ulaznapromenljivaSamoprocenakaoufazilogičkomsistemuXLVI,aizlazna
promenljivaNezgode kao u fazi logičkom sistemu III. Nakon implementacije fazi
logičkogsistemaCCXLIInauzorkuodsvih305 ispitanikadošlosedominimalne
greškeizmeđurešenjakojedajefazilogičkisistemipodatakaizistraživanjaody
=287,956.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
277
10.4Finopodešavanjenajboljegfazilogičkogsistema
Testiranjem272fazi logičkasistema,svakinauzorkuod305 ispitanika,došlose
dozaključkada jenajboljisistem,tj.sistemkojipravinajmanjugreškuuproceni
sklonostipojedincakasaobraćajnimnezgodama,fazilogičkisistemCCXLII.Uovom
sistemuulaznapromenljivaAgresivnostdefinisanakaoufazilogičkomsistemuIV,
tj. korišćenjem funkcija pripadnosti u obliku Gausove krive (gaussmf). Ulazna
promenljivaImpulsivnostjeistakaoufazilogičkomsistemuXVIII,tj.korišćenesu
funkcijepripadnostiutrapezoidnomobliku(trapmf).UlaznapromenljivaRizikje
definisana kao u fazi logičkom sistemuXXXI, a ulaznapromenljiva Samoprocena
kaoufazilogičkomsistemuXLVI,gdesukodobenavedenepromenljivekorišćene
funkcije pripadnosti u obliku trougla (trimf). Kod izlazne promenljive Nezgode
korišćenesufunkcijepripadnostiuoblikutrapeza(trapmf)ionajedefinisanakao
ufazilogičkomsistemuIII.
Strukturanavedenogfazilogičkogsistemamožesesagledatikrozkomandu„Rule
Viewer“ u korišćenom programu (slika 10.52). Na slici 10.52 može se videti da
postoji pet kolona, četiri za svaku ulaznu promenljivu i peta za izlaznu. Ako
posmatramo redove, može se primetiti da ih ima 626, gde je svaki od redova
predviđen za ilustraciju jednog od 625 fazi pravila, a poslednji red predstavlja
rešenjefazi logičkogsistemazazadatekonkretnevrednostiulaznihpromenljivih.
Plavom bojom u poslednjem redu obojen je konačan oblik koji se formira kao
rešenje,acrvenalinijauokvirutogoblikapredstavljadefazifikovanuvrednost.Za
svako fazi pravilo prikazana je funkcija pripadnosti u svakoj od promenljivih u
odnosunakonkretnevrednostiulaznihpromenljivih,gdeukolikozadatavrednost
spadaudomenkonkretnefunkcijepripadnosti,tadajeonaobojena,usuprotnom
nije.
Rešenje fazi logičkog sistema zavisi, naravno, od vrednosti ulaznih promenljivih.
Onesemoguunetiprekografičkog interfejsa, tj.pomeranjemvertikalnihcrvenih
linijakojesenalazeusvakojodčetirikolonekojefigurišukaoulaznepromenljive.
Pored toga, vrednosti ulaznih promenljivih se mogu zadati i direktnim upisom
vrednostiukomandnulinijupodnazivom„Input“.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
278
Slika10.52.„RuleViewer“zasistemCCXLIIzakonkretnevrednostiulaznih
promenljivih
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
279
Komanda „Rule Viewer“ prikazuje rešenje fazi logičkog sistema samo za
pojedinačanunossvakeodulaznihpromenljivih.Ukolikoseželisagledatikakofazi
logičkisistemreagujenaukupanskupmogućihulaznihvrednosti, tadasekoristi
komanda„SurfaceViewer“kojaprikazujeukupanopusmogućihrešenja.
„SurfaceViewer“adekvatnoradikadaseanalizirajudveulaznepromenljiveijedna
izlazna jer se tada sistemprikazujeu trodimenzionalnomprostoru.Kada sebroj
ulaznihpromenljivihpovećava,tadasejavljaproblemprikazarezultatauprostoru.
ZatoseusistemimakaoštojefazilogičkisistemCCXLIIkoristiprikazdvepodve
ulaznepromenljijve, kao što jeprikazanona slikamaod10.53. do10.58.Uovim
slučajevima se u rubrici Ref.Input javljaju oznake NaN. To znači da vrednosti
promenljivih na čijim mestima se nalazi ova oznaka variraju, a preostale dve
ulaznepromenljivezadržavajukonstantnuvrednost.NaNpredstavljaIEEEsimbol
štoznači„notanumber“.
Slika10.53.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihAgresivnostiImpulsivnost
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
280
Slika10.54.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihAgresivnostiRizik
Slika10.55.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihAgresivnostiSamoprocena
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
281
Slika10.56.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihImpulsivnostiRizik
Slika10.57.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihImpulsivnostiSamoprocena
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
282
Slika10.58.„SurfaceViewer“zasistemCCXLIIzapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihImpulsivnostiSamoprocena
10.4.1 Fino podešavanje optimalnog fazi logičkog sistema menjanjem
metodedefazifikacije
Uokvirukorišćenogprogramapostojipetmogućnostizadefazifikacijurešenjafazi
logičkog rešenja.U fazi logičkom sistemuCCXLII korišćen je centroid kaometod
defazicikacije.Uovojsekcijitestiraćesepreostalečetirimogućnosti.
Fazi logički sistem CCLXXIII je u potpunosti isti sistem kao CCXLII, samo što je
metoddefazifikacijebisektor.Poovommetodu,formiranapovršinakojasedobija
kaorešenjedelisenapolovinuitatačkakojajenapolovinipredstavljanumeričko
rešenje.
FazilogičkisistemCCLXXIVjetakođeupotpunostiistisistemkaoCCXLII,samošto
je metod defazifikacije mom. Mom je skraćenica od engleskih reči middle of
maximum,štoznačidaseuzimaprosekmaksimalnihvrednostiizlaznihskupova.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
283
Fazi logičkisistemCCLXXVjetakođeuistisistemkaoCCXLII,semštoje izabrani
metoddefazifikacijelom.Lomjeskraćenicaodengleskihrečilargestofmaximum,
štoznačidaseuzimanajvećavrednostodmaksimalnihvrednostiizlaznihskupova.
FazilogičkisistemCCLXXVIjetakođeuistisistemkaoCCXLII,semštojeizabrani
metoddefazifikacijesom.Somjeskraćenicaodengleskihrečismallestofmaximum,
što znači da se uzima najmanja vrednost od maksimalnih vrednosti izlaznih
skupova.
NakonimplementacijefazilogičkihsistemaodCCLXXIIIdoCCLXXVInauzorkuod
svih 305 ispitanika, i odgovarajućih proračuna, dolazi se do zaključka ukupnoj
greškiykojučineposmatranisistemi.Rezultatisuprikazaniutabeli10.27. ina
slici10.59.
Tabela10.27.Uporednaanalizarazličitihmetodadefazifikacije
Fazilogičkisistem Metoddefazifikacije y
CCXLII Centroid 287,956
CCLXXIII Bisector 291,960
CCLXXIV Mom 297,398
CCLXXV Lom 332,600
CCLXXVI Som 298,840
Testiranjem različitih metoda defazifikacije dolazi se do zaključka da je nabolji
rezultat dao fazi logički sistem CCXLII gde je korišćen centroid kao metod
defazifikacije.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
284
Slika10.59.Uporednaanalizagrešakakoječinefazilogičkisistemiuzavisnostiod
različitihmetodadefazifikacije
10.4.2 Fino podešavanje optimalnog fazi logičkog sistema menjanjem
domenafunkcijapripadnosti
Fazi logički sistem CCXLII, koji se pokazao kao najbolji, biće dalje unapređen
menjanjemdomenafunkcijapripadnosti.Toćebitiučinjenotestiranjemsvakeod
pet promenljivih koje figurišu u sistemu smanjenjem ili uvećanjem domena
funkcijapripadnosti.Podešenfazilogičkisistemzajednupromenljivubićepolazna
osnovazatestiranjesledećepromenljiveitakoredom.
10.4.2.1PodeševanjedomenafunkcijapripadnostipromenljiveAgresivnost
Podešavanje domena funkcija pripadnosti za ulaznu promenljivu je vršeno na
načinštojekodfazilogičkogsistemaCCXLIIvršenonajpresmanjenjedomenazaθ
=‐1.Sobziromdasepokazalodatakavsistemdajelošijerezultate,tj.većugrešku
y,pristupilosetestiranjusistemasapovećanimdomenimafunkcijapripadnosti.
DošlosedozaključkadafazilogičkisistemCCLXXXdajenajboljirezultat.Ovajfazi
logičkisistembićepolaznaosnovazapodeševanjepromenljiveImpulsivnost.
260
270
280
290
300
310
320
330
340
CCXLII CCLXXIII CCLXXIV CCLXXV CCLXXVI
Ukupnegreškeposmatranihsistema
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
285
Tabela 10.28. Testiranje promene domena funkcija pripadnosti za ulaznu
promenljivuAgresivnost
Fazilogičkisistem Promenadomenaθ y
CCXLII 0 287,956
CCLXXVII ‐1 290,870
CCLXXVIII 1 285,434
CCLXXIX 1,1 285,289
CCLXXX 1,2 285,246
CCLXXXI 1,3 285,255
CCLXXXII 1,4 285,420
CCLXXXIII 1,5 285,591
CCLXXXIV 2 286,592
Slika10.60.Testiranjepromenedomenafunkcijapripadnostizaulaznupromenljivu
Agresivnost
10.4.2.2PodeševanjedomenafunkcijapripadnostipromenljiveImpulsivnost
Na fazi logičkom sistemuCCLXXX vršeno je testiranje promenedomena funkcija
pripadnostipromenljiveImpulsivnost.Zarazlikuodpostupkauprethodnojsekciji,
u ovom delu postoje dve razlike. Prva se odnosi na rezultat poboljšanja, tj. u
prethodnomslučajudoboljegfazilogičkogsistemasedošlopovećanjemdomena,a
uovomslučajusedolazismanjenjemdomena.Ovačinjenica jedovela idodruge
282
283
284
285
286
287
288
289
290
291
292
‐1 0 1 1,1 1,2 1,3 1,4 1,5 2
TestiranjepromenedomenazaAgresivnost
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
286
specifničnosti, a to jeda funkcijapripadnostikojapokrivanajmanjevrednosti za
skor impulsivnosti nije mogla biti u značajnoj meri smanjena jer bi ostale neke
vrednostiskorovanepokrivenefaziskupovima.Uskladusatim,vrednostuzagradi
kod smanjenja θ predstavlja smanjenje prvog domena, a prva vrednost kod θ
predstavljasmanjenjeostalihdomena.
Tabela 10.29. Testiranje promene domena funkcija pripadnosti za ulaznu
promenljivuImpulsivnost
Fazilogičkisistem Promenadomenaθ y
CCLXXXV 1 286,531
CCLXXX 0 285,246
CCLXXXVI ‐1 284,746
CCLXXXVII ‐2(‐1,3) 276,994
CCLXXXVIII ‐2,3(‐1) 276,731
CCLXXXIX ‐2,7(‐0,6) 275,851
CCXC ‐2,9(‐0,4) 275,410
CCXCI ‐3(‐0,3) 275,229
CCXCII ‐3,1(‐0,2) 275,269
CCXCIII ‐3,3(0) 275,298
Slika10.61.Testiranjepromenedomenafunkcijapripadnostizaulaznupromenljivu
Impulsivnost
268270272274276278280282284286288
TestiranjepromenedomenazaImpulsivnost
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
287
Kaoštosemoževidetiiztabele10.29islike10.61,fazilogičkisistemkojićeslužiti
kaoosnovazadaljetestiranjeostalihpromenljivihjesistemCCXCI.
10.4.2.3PodeševanjedomenafunkcijapripadnostipromenljiveRizik
Rezultati testiranja promene domena funkcija pripadnosti promenljive Rizik
pokazuju da smanjenje domena od 0,5 dovodi do fazi logičkog sistema koji čini
najmanjugrešku.FazilogičkisistemCCXCVIćeslužitizadaljetestiranjepromena
domenafunkcijapripadnostipromenljiveSamoprocena.
Tabela 10.30. Testiranje promene domena funkcija pripadnosti za ulaznu
promenljivuRizik
Fazilogičkisistem Promenadomenaθ y
CCXCIV 0,5 276,154
CCXCI 0 275,229
CCXCV ‐0,4 274,801
CCXCVI ‐0,5 274,759
CCXCVII ‐0,6 274,826
CCXCVIII ‐1 275,123
Slika10.62.Testiranjepromenedomenafunkcijapripadnostizaulaznupromenljivu
Rizik
274
274,5
275
275,5
276
276,5
0,5 0 ‐0,4 ‐0,5 ‐0,6 ‐1
TestiranjepromenedomenazaRizik
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
288
10.4.2.4 Podeševanje domena funkcija pripadnosti promenljive
Samoprocena
Testiranje promene domena funkcija pripadnosti za ulaznu promenljivu
Samoprocenapokazalojedavećidomenidajuboljirezultat.Iztabele10.31vidise
da je fazi logičkisistemCCCII,gde jeθ=2,1,daonajboljirezultat.Ovajsistemće
služiti za dalje testiranje promena domena funkcija pripadnosti izlazne
promenljiveNezgode.
Tabela 10.31. Testiranje promene domena funkcija pripadnosti za ulaznu
promenljivuSamoprocena
Fazilogičkisistem Promenadomenaθ y
CCXCIX ‐1 275,618
CCXCVI 0 274,759
CCC 1 273,947
CCCI 2 273,777
CCCII 2,1 273,762
CCCIII 2,2 273,803
Slika10.63.Testiranjepromenedomenafunkcijapripadnostizaulaznupromenljivu
Samoprocena
272,5
273
273,5
274
274,5
275
275,5
276
‐1 0 1 2 2,1 2,2 2,5
TestiranjepromenedomenazaSamoprocenu
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
289
10.4.2.5PodeševanjedomenafunkcijapripadnostipromenljiveNezgode
Konačno, proces podešavanja fazi logičkog sistema se završava testiranjem
promena domena i izlazne promenljive Nezgode. Analizom rešenja koja su
predstavljena u tabeli 10.32. i na slici 10.64. dolazi se do zaključka da se
smanjenjemdomenadolazi do boljih sistema.U skladu sa tim, vrednosti θ su se
smanjivalekolikogodjebilorazumnodabisezadržalapokrivenostpotencijalnih
izlaznih vrednosti fazi logičkog sistema. Zaključuje se da je finalni fazi logički
sistem koji najbolje opisuje podatke iz empirijskog istraživanja sistem CCCVIII.
Ovajsistemćedetaljnijebitiopisanunarednojsekciji.
Tabela 10.32. Testiranje promene domena funkcija pripadnosti za izlaznu
promenljivuNezgode
Fazilogičkisistem Promenadomenaθ y
CCCV 0,1 276,116
CCCII 0 273,762
CCCVI ‐0,1 271,532
CCCVII ‐0,3 267,558
CCCVIII ‐0,35 266,389
Slika10.64.Testiranjepromenedomenafunkcijapripadnostizaizlaznupromenljivu
Nezgode
260
262
264
266
268
270
272
274
276
278
0,1 0 ‐0,1 ‐0,3 ‐0,35
TestiranjepromenedomenazaNezgode
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
290
10.5.Opisfinalnogfazilogičkogsistema
Finalni fazi logički sistem za procenu sklonosti pojedinca ka saobraćajnim
nezgodamakojičininajmanjugreškupriproceni,posmatrajućiempirijskepodatke
koji suprikupljeni u istraživanjuuokviruovedoktorskedisertacije, jeste sistem
CCCVIII.Funkcijepripadnostikojefigurišuuokviruovogsistemasuprikazanena
slikama10.65. i10.66.Fazipravilasuistakaoikodfazi logičkogsistemaCCXLII i
onasuprikazanaupriloguB.11.ovedisertacije.
Slika10.65.Funkcijepripadnostizaulaznepromenljiveufazilogičkomsistemu
CCCVIII
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
291
Slika10.66.Funkcijepripadnostizaizlaznupromenljivuufazilogičkomsistemu
CCCVIII
Dalje na slici 10.67 mogu se videti sve mogućnosti izlaza u trodimenzionalnom
prostoru za svaku kombinaciju dve ulazne promenljive, gde su druge dve
konstantne,uzpomoćaplikacije„SurfaceViewer“.
InteresantnojesagledatiodnosizmeđurešenjakojedajefazilogičkisistemCCCVIII
ibrojanezgodakojisuprijavili ispitaniciuokviru istraživanja.Grafičkiprikazna
slici 10.68. ukazuje na to da fazi logički sistem daje rešenja koja ublažavaju
ekstremne vrednosti o broju nezgoda, tj. kada je reč o ispitanicima koji nisu
doživelinezgode,rešenjefazi logičkogsistemajebliskonuli,alinije jednakonuli.
Sadrugestrane,kadasuupitanjuispitanicikojisudoživelivećibrojnezgoda,fazi
logički sistem daje vrednosti koje su nešto manje od te vrednosti. Koeficijent
korelacijeizmeđudvepomenuteserijepodatakaiznosir=0,70.
Takođe, zanimljivo je posmatrati prosečne vrednosti koji ispitanici u određenoj
kategorijipostižu,tj.ispitanicisaodređenimbrojemnezgoda,adaseuočenitrend
uporedi sa odgovarajućom promenljivom koja figuriše u okviru fazi logičkog
sistemaCCCVIII.Utabeli10.33.prikazanesuprosečnevrednostiskorovakojesu
postigli ispitanici na četiri korišćena psihološka instrumenta, posmatrano po
kategorijamaufunkcijibrojanezgodakojisudoživeliispitanici.
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
292
Slika10.67.„SurfaceViewer“zasistemCCCVIIIzasvepotencijalnevrednostiulaznih
promenljivih
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
293
Slika10.68.Odnosempirijskihpodatakaobrojunezgodairešenjafazilogičkog
sistemaCCCVIII
Tabela 10.33. Prosečne vrednosti skorova posmatrano po kategorijama u funkciji
brojanezgoda
Broj
nezgoda
Prosečan
skorna
ADBQ
upitniku
(agresivnost)
Prosečanskor
naBIS‐11
upitniku
(impulsivnost)
Prosečanskor
naManchester
DAQupitniku
(rizik)
Prosečanskor
upitnikuza
samoprocenu
sopstvenihvozačkih
sposobnosti
(samoprocena)
0 44,36 64,67 59,14 67,50
1 46,80 70,05 65,10 71,10
2 53,32 69,84 64,98 69,64
3 52,42 74,47 61,32 61,68
4 60,43 74,43 68,21 56,00
5 58,00 75,27 67,91 52,00
6 65,50 75,00 71,50 50,00
8 54,50 77,50 67,67 53,33
0
1
2
3
4
5
6
7
8
91
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
199
208
217
226
235
244
253
262
271
280
289
298
Empirijski podaci Fazi logički sistem
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
294
Slika10.69.OdnosizmeđupromenljiveAgresivnostuempirijskomistraživanjuifazi
logičkomsistemuCCCVIII
Slika10.70.OdnosizmeđupromenljiveImpulsivnostuempirijskomistraživanjuifazi
logičkomsistemuCCCVIII
Slika10.71.OdnosizmeđupromenljiveImpulsivnostuempirijskomistraživanjuifazi
logičkomsistemuCCCVIII
20,00
30,00
40,00
50,00
60,00
70,00
0 1 2 3 4 5 6 8
Prosečni skorovi za Agresivnost
55,00
60,00
65,00
70,00
75,00
80,00
0 1 2 3 4 5 6 8
Prosečni skorovi za Impulsivnost
20,00
30,00
40,00
50,00
60,00
70,00
80,00
0 1 2 3 4 5 6 8
Prosečni skorovi za Rizik
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
295
Slika10.72.OdnosizmeđupromenljiveImpulsivnostuempirijskomistraživanjuifazi
logičkomsistemuCCCVIII
Na osnovu analize prosečnih vrednosti skorova postignutih na psihološkim
instrumentima u svakoj od kategorija u smislu broja doživljenih saobraćajnih
nezgoda mogu se sagledati trendovi, tj. odnosi između pojednih promenljivih i
broja nezgoda. Na slikama od 10.69. do 10.72. uočavaju se pomenuti trendovi i
uočavasaglasnosttihtrendovaiudefinisanomfazilogičkomsistemu.
10.6 Poređenje rezultata hijerarhijske regresione analize i primene fazi
logičkihsistema
Pored fazi logike, u ovoj doktorskoj disertaciji je korišćena i hijerarhijska
regresionaanalizaufunkcijiprocenesklonostivozačakasaobraćajnimnezgodama
naosnovupostignutihskorovanapsihološkiminstrumentima.Korisnojeuporediti
rezultatedobijenepomoćuovadvametoda.
Jednačinahijerarhijske regresioneanalizenaosnovukoje seprocenjuju sklonost
kasaobraćajnimnezgodamaimaopštioblik:
⋯
Akoukonkretnomslučajuuvedemosledećeoznake:
20,00
30,00
40,00
50,00
60,00
70,00
80,00
0 1 2 3 4 5 6 8
Prosečni skorovi za Samoprocenu
10.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninakorišćenjuinstrumenatazaprocenukarakteristikaličnostiiprimenifazilogike
296
y–brojnezgoda,
bo–konstantahijerarhijskeregresioneanalize,
b1–regresionikoeficijentBkojiseodnosinaagresivnost,
x1–skornaADBQupitnikuzaprocenuagresivnogponašanjauvožnji,
b2–regresionikoeficijentBkojiseodnosinaimpulsivnost,
x2–skornaBIS‐11upitnikuzaprocenuimpulsivnosti,
b3–regresionikoeficijentBkojiseodnosinarizik,
x3–skornaManchesterDAQupitnikuzaprocenurizikauvožnji,
b4–regresionikoeficijentBkojiseodnosinasamoprocenui
x4–skornaupitnikuzasamoprocenusopstvenihvozačkihsposobnosti,
tadaregresionajednačinazaprocenusklonostikasaobraćajnimnezgodamaglasi:
Uokviruhijerarhijskeregresioneanalizedobijenesusledećevrednosti:
b0=‐2,770,
b1=0,023,
b2=0,039,
b3=0,013,
b4=‐0,011.
Kada se regresiona jednačina primeni na svih 305 ispitanika i kada se izvrše
odgovarajućiproračuniusmislupronalaženjagreške,tj.odstupanjaodrezultataiz
istraživanja,dobijasedajey=326,715.
Budućidajefinalnifazilogičkisistemdaoodstupanjeody=266,389,zaključuje
se da se veća preciznost u proceni sklonosti ka saobraćajnim nezgodama može
postićiprimenomfazilogike.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
297
11.MODELIZAPROCENUSKLONOSTIKASAOBRAĆAJNIMNEZGODAMABAZIRANINAANALIZIKARAKTERISTIKAIZABRANEDEONICEPUTAIPRIMENIFAZILOGIKE
Uovompoglavljupredloženisumodeličijomprimenomsedolazidoinformacijeo
sklonosti pojedinca ka saobraćajnim nezgodama na određenoj deonici puta. Za
razlikuodpredloženogmodelaizprethodnogpoglavljaovedoktorskedisertacije,
gde su ulazne varijable fazi logičkog sistema bili skorovi na instrumentima za
procenu ličnosti, ovde su ulazne varijable zasnovane na rezultatima procene
opasnih mesta na posmatranoj deonici puta i karakteristika puta, kao i na
učestalosti korišćenja posmatrane deonice. Izlazna varijabla jeste broj nezgoda
kojejedoživeoispitanik,štojebioslučajiumodelimaizprethodnogpoglavlja.
Dakle, predloženimodeli bimogli biti od koristi kada se želi ispitati sklonost ka
nezgodama, ali na nekoj određenoj deonici puta. Potencijalna primena ovog
modela mogla bi biti višestruka, npr. kao deo testiranja profesionalnih vozača
prilikomselekcijezazaposlenje,adasepritomeplaniradazaposlenivozačivoze
natačnoodređenimdeonicama.
Budućidasuulaznevarijablezasnovanenaproceniispitanika,iakojerezultatovog
procesa izražen u vidu konkretnog broja, one ipak sadrže u sebi određenudozu
rasplinutosti i neodređenosti. Takođe, kao što je prethodno objašnjeno,
predviđanje broja saobraćajnih nezgoda u kojima je ispitanik učestvovao
predstavljasloženzadatakkojimožezavisitiodnizanezavisnihokolnosti,teseiu
smisluizlaznepromenljivemožegovoritiovarijablikojasadržineodređenost.Na
osnovutoga,predloženimodelzasnovanjenafazilogici.
11.1Promenljiveurazmatranimfazilogičkimmodelima
U predloženim fazi logičkim sistemima figurišu tri ulazne promenljive: procena
opasnihmestanaposmatranojdeonici(udaljemtekstunazivpromenljivećebiti:
Opasna mesta), procena karakteristika puta na posmatranoj deonici (u daljem
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
298
tekstu naziv promenljive će biti: Karakteristike puta) i učestalost vožnje na
posmatranojdeonici(udaljemtekstunazivpromenljivećebiti:Učestalost).
Slika11.1.Konceptulaznevarijable1fazilogičkogsistema
Opasnomesto1(Žarkovo)
Opasnomesto2(Orlovača)
Opasnomesto3(Ripanj)
Opasnomesto4(Šiljakovac)
Opasnomesto5(SkretanjezaBarajevo)
Opasnomesto6(Stepojevac)
Opasnomesto7(Šopić)
Opasnomesto8(Lazarevackružnitok)
Opasnomesto9(Ćelije)
Ulaznavarijabla1fazilogičkogsistema
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
299
UlaznapromenljivaOpasnamestapredstavljasublimacijuvišeprocena.Onasadrži
procenudevetopasnihmestanaposmatranojdeoniciputa IBredabroj22(slika
11.1).
Slika11.2.Konceptulaznevarijable2fazilogičkogsistema
Karakteristikaputa1(Izgledtraseilipružanjetrase)
Karakteristikaputa2(Stanjekolovoza)
Karakteristikaputa3(Stanjehorizontalne
signalizacije)
Karakteristikaputa4(Stanjevertikalnesignalizacije)
Karakteristikaputa5(Stanjezaštitneograde)
Karakteristikaputa6(Putnipojas:bankine,kanalizaodvodvode,...)
Karakteristikaputa7(Bezbednostsaobraćajanapriključnimputevima)
Ulaznavarijabla2fazilogičkogsistema
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
300
Ulazna varijabla Karakteristike puta sadrži u sebi procenu sedam karakteristika
posmatrane deonice (slika 11.2). Ulazna varijabla Učestalost zasniva se na
kriterijumukolikoputanedeljnoilimesečnoispitanikvozinaposmatranojdeonici
puta.Izlaznavarijablajestebrojnezgodakojijedoživeoispitanik.
Pri definisanju fazi skupova i odgovarajućih fazi pravila korišćena je baza
podataka, koja je nastala kao rezultat istraživanja u okviru ove doktorske
disertacije, o procenama devet opasnihmesta, sedam karakteristika posmatrane
deonice,učestalostivožnjenaposmatranojdeoniciibrojunezgodakojijedoživeo
svaki od 305 ispitanika iz uzorka koji je prethodno već opisan. Dakle, korišćeni
podacisemogutabelarnopredstavitikaoštojeprikazanoutabeli11.1.
Tabela11.1.Bazaulaznihiizlaznihpodataka
Ispitanik
Zbirocena
devetopasnih
mesta
(Opasna
mesta)
Zbirocena
sedam
karakteristika
puta
(Karakteristike
puta)
Učestalost
vožnjena
posmatranoj
deonici
(Učestalost)
Brojnezgoda
(Nezgode)
1. 82 39 1 8
2. 55 44 1 0
3. 52 46 1 0
4. 59 47 1 0
5. 67 40 1 0
.... .... .... ....
.... .... .... ....
.... .... .... ....
305. 64 49 3 3
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
301
Računarski program koji je korišćen u svrhu definisanja fazi logičkih sistema i
odgovarajućih proračuna jeste, kao i u prethodnom poglavlju, Matlab verzija
R2013a.
11.2Modelizaprocenusklonostikasaobraćajnimnezgodamabaziranina
analiziizabranedeoniceputa
Usekciji11.2analizirajusefazilogičkisistemikojikoristejednu,dveilitriulazne
promenljive,akojeseodnosenaOpasnamesta,KarakteristikeputaiUčestalost.
11.2.1Modelizaprocenusklonostikasaobraćajnimnezgodamasa jednom
ulaznompromenljivomkojaseodnosinaOpasnamesta
FazilogičkisistemiodIadoXVazaprocenusklonostikasaobraćajnimnezgodama
predstavljaju situaciju kada postoji jedna ulazna promenljiva koja se odnosi na
procenuopasnihmestanadeonici i jedna izlaznapromenljiva.Konceptovih fazi
logičkih sistemakoji je ilustrovanuzpomoćnavedenogprograma jeprikazanna
slici11.3.Ovefazilogičkesistemekarakterišurazličitefunkcijepripadnostikojesu
predstavljeneutabeli11.2.
Slika11.3.KonceptfazilogičkihsistemaodIadoXVa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
302
UlaznapromenljivaOpasnamestaseodnosinazbirprocenedevetopasnihmesta
koje su mogle biti ocenjene ocenom od 1 do 10, što znači da je domen ove
promenljive od 9 do 90. Može se prikazati pomoću 5 fazi skupova i njihovih
funkcijapripadnosti(slika11.4):VNPR–veomaniskaprocenarizika,NPR–niska
procenarizika,SPR–srednjaprocenarizika,VPR–visokaprocenarizika,VVPR–
veomavisokaprocenarizika.Kaoštosemoževidetisaslike11.4,faziskupovikoji
opisuju ulaznu promenljivu Opasnamesta ne pokrivaju jednake intervale, što je
rezultatčinjenicedasuovifaziskupovidefinisaninaosnovuempirijskihpodataka
o 305 ispitanika. Iako je minimalna vrednost za procenu devet tačaka 9, u
posmatranomuzorku sepokazaloda jeminimalnavrednost35.Naosnovu toga,
moglobi sezaključitidaseuprosečnojpopulacijivozačavrloretkosrećumanje
vrednosti ida jedaklerelativnoveliki intervalzapotencijalnevrednostiprocene
rizikaostaonepokriven.ZatofaziskupVNPRimanajveći intervalupoređenjusa
preostala4 fazi skupa. Sadruge strane, srednjavrednostprocenaopasnihmesta
svih ispitanika koji su učestvovali u istraživanju je 60,91; na osnovu čega je
vrednost od 61 uzeta kao vrednost fazi skupa SPR sa najvećim stepenom
pripadnosti1.
Slika11.4.PodeladomenaulaznepromenljiveOpasnamestai
odgovarajućefunkcijepripadnosti
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
303
IzlaznapromenljivaNezgodeseodnosinabrojnezgodakoji jedoživeo ispitanik.
Definisanajeistokaoiuprethodnompoglavljudisertacije,pomoću7faziskupova
injihovihfunkcijapripadnosti,kakojeprikazanonaslici11.5:VMBN–veomamali
brojnezgoda,MBN–malibrojnezgoda,SMBN–srednjemalibrojnezgoda,SBN–
srednji broj nezgoda, SVBN – srednje veliki broj nezgoda, VBN – veliki broj
nezgoda, VVBN – veoma veliki broj nezgoda. Fazi skupovi koji opisuju izlaznu
promenljivu uglavnom pokrivaju jednake intervale, sem VVBN skupa koji u
empirijskom uzorku predstavlja vrlo retku pojavu.Moguće empirijske vrednosti
brojanezgodakrećuseod0do8.
Nakondefinisanjafaziskupovaiodgovarajućihfunkcijapripadnostigenerisanaje
baza fazi pravila. Za fazi logičke sisteme od Ia do XVa potrebno je definisati 5
pravila,štojeurađenonasledećinačin:
1.If(Opasna__mestaisVNPR)then(NezgodeisVMBN)
2.If(Opasna__mestaisVNPR)then(NezgodeisMBN)
3.If(Opasna__mestaisNPR)then(NezgodeisSBN)
4.If(Opasna__mestaisVPR)then(NezgodeisVBN)
5.If(Opasna__mestaisVVPR)then(NezgodeisVVBN).
Naosnovukreiranihpravila,stvorenajemogućnostdasezaodgovarajućeprocene
opasnihmestadobijeočekivanibrojsaobraćajnihnezgodaukojimajeučestvovao
ispitanik. Na osnovu toga može se proceniti njegova sklonost ka saobraćajnim
nezgodama.
Da bi se ispitalo u kojoj meri određeni fazi logički sistem opisuje empirijske
podatke,unetesuvrednostizaposmatranuulaznuvarijabluzasvakogispitanika,a
dobijeni rezultat o očekivanombroju saobraćajnihnezgoda (yoi) seupoređuje sa
stvarnim brojem koji je određeni vozač doživeo (ysi). Razlike u stvarnom i
očekivanom broju saobraćajnih nezgoda, u apsolutno iznosu (yi), se sumiraju
(y). Što je vrednost y manja, to posmatrani sistem bolje opisuje podatke iz
empirijskog istraživanja i smatra se prikladnijim sistemom za izračunavanje
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
304
sklonosti ka saobraćajnim nezgodama. Zbir apsolutnih grešaka fazi logičkih
sistema od Ia do XVa u kojima se posmatraju različite funkcije pripadnosti
prikazanjeutabeli11.2.
Tabela11.2.ZbirapsolutnihgrešakafazilogičkihsistemaodIadoXVa
Fazilogičkisistem
(ulaznafunkcijapripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznafunkcija
pripadnosti–izlazna
funkcijapripadnosti)
yi
Ia(trimf–trimf) 809,230 IXa(gbellmf– gbellmf) 818,519
IIa(trapmf–trimf) 810,002Xa((zmf,dsigmf,sigmf)–
trimf)814,119
IIIa(trapmf–trapmf) 811,195XIa((zmf,dsigmf,sigmf)–
(zmf,dsigmf,sigmf))812,869
IVa(gaussmf–trimf) 815,645XIIa((zmf,psigmf,sigmf)
–trimf)814,025
Va(gaussmf–gaussmf) 815,743XIIIa((zmf,psigmf,sigmf)
–(zmf,psigmf,sigmf))812,780
VIa(gauss2mf–trimf) 809,890XIVa((zmf,pimf,smf)–
trimf)815,775
VIIa(gauss2mf–gauss2mf) 811,139XVa((zmf,pimf,smf)–
(zmf,pimf,smf))818,486
VIIIa(gbellmf– trimf) 817,751
Naslici11.5.prikazan jegrafikonnakojemsevideodnosi izmeđupojedinih fazi
logičkihsistemausmisluukupnegreškey.
KadajerečofazilogičkimsistemimaodIadoXVa,poređenjemdobijenihrezultata
može se zaključiti da najbolje rezultate daje fazi logički sistem Ia koji koristi
trouglasteoblikefunkcijapripadnosti,kakozaulaznuvarijablu,takoizaizlaznu.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
305
Slika11.5.Ukupnegreškefazilogičkihsistemasajednomulaznompromenljivom
Opasnamesta(odIadoXVa)
11.2.2Modelizaprocenusklonostikasaobraćajnimnezgodamasa jednom
ulaznompromenljivomkojaseodnosinaKarakteristikeputa
Fazi logički sistemi od XVIa do XXXa za procenu sklonosti ka saobraćajnim
nezgodamapredstavljaju situaciju kada postoji jedna ulazna promenljiva koja se
odnosi na procenu karakteristika puta na ispitivanoj deonici i jedna izlazna
promenljiva. Koncept ovih fazi logičkih sistema koji je ilustrovan uz pomoć
navedenogprogramajeprikazannaslici11.6.Ovefazilogičkesistemekarakterišu
različitefunkcijepripadnostikojesupredstavljeneutabeli11.3.
Ulazna promenljiva Karakteristike puta se odnosi na zbir procena sedam
karakteristikaputakojesumoglebitiocenjeneocenomod1do10,štoznačidaje
domen ove promenljive od 7 do 70.Može se prikazati pomoću 5 fazi skupova i
njihovih funkcija pripadnosti (slika 11.7): VNPK – veoma niska procena
karakteristika puta, NPK – niska procena karakteristika puta, SPK – srednja
procena karakteristika puta,VPK – visoka procena karakteristika puta,VVPK –
veomavisokaprocenakarakteristikaputa.Kaoštosemožeprimetiti,faziskupovi
koji opisuju ulaznu promenljivu Karakteristike puta ne pokrivaju jednake
intervale.Empirijskipodacipokazalisudasezbirocenakrećeugranicamaod32
804
806
808
810
812
814
816
818
820
UkupnegreškesistemaodIadoXVa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
306
do 65. Srednja vrednost zbira ocena svih ispitanika koji su učestvovali u
istraživanju je 43,83; na osnovu čega je vrednost od 44 uzeta kao vrednost fazi
skupa SPK sa najvećim stepenom pripadnosti 1. U skladu sa navedenim, ulazna
varijablaKarakteristikeputajedefinisanakaoštojeprikazanonaslici11.7.Izlazna
varijablajedefinisanakaoiuprethodnimfazilogičkimsistemima.
Slika11.6.KonceptfazilogičkihsistemaodXVIadoXXXa
Slika11.7.PodeladomenaulaznepromenljiveKarakteristikeputai
odgovarajućefunkcijepripadnosti
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
307
Nakondefinisanjafaziskupovaiodgovarajućihfunkcijapripadnostigenerisanaje
bazafazipravila.Zafazi logičkesistemeodXVIadoXXXapotrebnojedefinisati5
pravila,štojeurađenonasledećinačin:
1.If(Karakteristike__putaisVNPK)then(NezgodeisVVBN)
2.If(Karakteristike__putaisVNPK)then(NezgodeisVBN)
3.If(Karakteristike__putaisNPK)then(NezgodeisSBN)
4.If(Karakteristike__putaisVPK)then(NezgodeisMBN)
5.If(Karakteristike__putaisVVPK)then(NezgodeisVMBN).
Naosnovukreiranihpravila,stvorenajemogućnostdasezaodgovarajućeprocene
karakteristika puta dobije očekivani broj saobraćajnih nezgoda u kojima je
učestvovao ispitanik. Na osnovu toga može se proceniti njegova sklonost ka
saobraćajnimnezgodama.ZbirapsolutnihgrešakafazilogičkihsistemaodXVIado
XXXa u kojima se posmatraju različite funkcije pripadnosti prikazan je u tabeli
11.3.Naslici11.8.prikazanjegrafikonnakomesevideodnosi izmeđupojedinih
fazilogičkihsistemausmisluukupnegreškey.
Slika11.8.Ukupnegreškefazilogičkihsistemasajednomulaznompromenljivom
Karakteristikeputa(odXVIadoXXXa)
440
450460
470
480
490500
510
520
530540
UkupnegreškesistemaodXVIadoXXXa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
308
Tabela11.3.ZbirapsolutnihgrešakafazilogičkihsistemaodXVIadoXXXa
Fazilogičkisistem
(ulaznafunkcijapripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznafunkcija
pripadnosti–izlazna
funkcijapripadnosti)
yi
XVIa(trimf–trimf) 477,233 XXIVa(gbellmf– gbellmf) 531,635
XVIIa(trapmf–trimf) 472,184XXVa((zmf,dsigmf,sigmf)
–trimf)471,575
XVIIIa(trapmf–trapmf) 472,564XXVIa((zmf,dsigmf,sigmf)
–(zmf,dsigmf,sigmf)) 472,993
XIXa(gaussmf–trimf) 494,950XXVIIa((zmf,psigmf,
sigmf)–trimf)471,407
XXa(gaussmf–gaussmf) 494,378
XXVIIIa((zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))472,825
XXIa(gauss2mf–trimf) 488,348XXIXa((zmf,pimf,smf)–
trimf)474,770
XXIIa(gauss2mf–gauss2mf) 488,507XXXa((zmf,pimf,smf)–
(zmf,pimf,smf)) 475,637
XXIIIa(gbellmf–trimf) 530,418
Kada je reč o fazi logičkim sistemima od XVIa do XXXa, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemXXVIIakoji
koristi sledeće funkcije pripadnosti: zmf, psigmf, sigmf za ulaznu promenljivu, i
funkcijepripadnostiuoblikutrouglazaizlaznupromenljivu.
11.2.3Modelizaprocenusklonostikasaobraćajnimnezgodamasa jednom
ulaznompromenljivomkojaseodnosinaUčestalostvožnje
Fazi logički sistemi od XXXIa do XLVa za procenu sklonosti ka saobraćajnim
nezgodamapredstavljaju situaciju kada postoji jedna ulazna promenljiva koja se
odnosinaUčestalostvožnjenadeonici i jedna izlaznapromenljiva.Konceptovih
fazilogičkihsistemakojijeilustrovanuzpomoćnavedenogprogramajeprikazan
naslici11.9.Ovefazilogičkesistemekarakterišurazličitefunkcijepripadnostikoje
supredstavljeneutabeli11.4.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
309
Slika11.9.KonceptfazilogičkihsistemaodXXXIadoXLVa
UlaznapromenljivaUčestalostseodnosinakarakteristikukolikočestovozačvozi
posmatranomdeonicom.Uvedenesusledećeoznake1–vozisvakogdana,2–vozi
3‐4putasedmično,3–vozi2putasedmično,4–vozijednomsedmično,5–vozi2,
3 putamesečno, 6 – vozi 1mesečno i 7 – vozi jednom u parmeseci. Navedene
vrednostipratii7faziskupovanasledećinačin(slika11.10):VVU–veomavisoka
učestalost,VU–visokaučestalost,SVU–srednjevisokaučestalost, SU–srednja
učestalost,SNU – srednjeniskaučestalost,NU –niskaučestalost iVNU – veoma
niska učestalost. Izlazna varijabla je definisana kao i u prethodnim fazi logičkim
sistemima.
Nakondefinisanjafaziskupovaiodgovarajućihfunkcijapripadnostigenerisanaje
bazafazipravila.Zafazi logičkesistemeodXVIadoXXXapotrebnojedefinisati7
pravila,štojeurađenonasledećinačin:
1.If(UčestalostisVVU)then(NezgodeisVVBN)
2.If(UčestalostisVU)then(NezgodeisVBN)
3.If(UčestalostisSVU)then(NezgodeisSVBN)
4.If(UčestalostisSU)then(NezgodeisSBN)
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
310
5.If(UčestalostisSNU)then(NezgodeisSMBN)
6.If(UčestalostisNU)then(NezgodeisMBN)
7.If(UčestalostisVNU)then(NezgodeisVMBN).
Slika11.10.PodeladomenaulaznepromenljiveUčestalosti
odgovarajućefunkcijepripadnosti
Naosnovukreiranihpravila,stvorenajemogućnostdasezaodgovarajućeprocene
učestalosti vožnje dobije očekivani broj saobraćajnih nezgoda u kojima je
učestvovao ispitanik. Zbir apsolutnih grešaka fazi logičkih sistema od XXXIa do
XLVa u kojima se posmatraju različite funkcije pripadnosti prikazan je u tabeli
11.4.
Naslici11.11.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Kada je reč o fazi logičkim sistemima od XXXIa do XLVa, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazilogičkisistemXLIIakoji
koristi sledećeoblike funkcijapripadnosti:zmf,psigmf,sigmf, i tokakozaulaznu
promenljivu,takoizaizlaznu.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
311
Tabela11.4.ZbirapsolutnihgrešakafazilogičkihsistemaodXXXIadoXLVa
Fazilogičkisistem
(ulaznafunkcijapripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznafunkcija
pripadnosti–izlazna
funkcijapripadnosti)
yi
XXXIa(trimf–trimf) 1061,823XXXIXa(gbellmf–
gbellmf) 1069,577
XXXIIa(trapmf–trimf) 1061,823XLa((zmf,dsigmf,sigmf)
–trimf)1047,364
XXXIIIa(trapmf–trapmf) 1068,946XLIa((zmf,dsigmf,sigmf)
–(zmf,dsigmf,sigmf)) 1046,020
XXXIVa(gaussmf–trimf) 1064,928XLIIa((zmf,psigmf,
sigmf)–trimf)1047,316
XXXVa(gaussmf–gaussmf) 1064,036
XLIIIa((zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))1045,987
XXXVIa(gauss2mf–trimf) 1063,732XLIVa((zmf,pimf,smf)–
trimf)1061,823
XXXVIIa(gauss2mf–gauss2mf) 1069,175XLVa((zmf,pimf,smf)–
(zmf,pimf,smf))1075,289
XXXVIIIa(gbellmf–trimf) 1063,528
Slika11.11.Ukupnegreškefazilogičkihsistemasajednomulaznompromenljivom
Učestalost(odXXXIadoXLVa)
10301035104010451050105510601065107010751080
UkupnegreškesistemaodXXXIadoXLVa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
312
11.2.4 Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulaznepromenljivekojeseodnosenaOpasnamestaiKarakteristikeputa
Fazi logički sistemi od XLVIa do LXIa za procenu sklonosti ka saobraćajnim
nezgodama predstavljaju situaciju kada postoje dve ulazne promenljive koje se
odnose na procenu opasnih mesta na posmatranoj deonici i na procenu
karakteristikaputaijednaizlaznapromenljiva.Konceptovihfazilogičkihsistema
kojijeilustrovanuzpomoćnavedenogprogramajeprikazannaslici11.12.Ovefazi
logičke sistemekarakterišu različite funkcijepripadnosti koje supredstavljeneu
tabeli11.5.
Slika11.12.KonceptfazilogičkihsistemaodXLVIadoLXIa
Korišćenepromenljivesuprethodnovećopisane.Nakondefinisanjafaziskupovai
odgovarajućih funkcijapripadnostigenerisana jebaza fazipravila.Za fazi logičke
sistemeodXLVIadoLXIapotrebnojedefinisati25pravila,štojeurađenonanačin
kako je prikazano u prilogu B.12. ove disertacije. Zbir apsolutnih grešaka fazi
logičkih sistema od XLVIa do LXIa u kojima se posmatraju različite funkcije
pripadnostiprikazanjeutabeli11.5.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
313
Tabela11.5.ZbirapsolutnihgrešakafazilogičkihsistemaodXLVIadoLXIa
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcije
pripadnosti–izlazna
funkcijapripadnosti)
yi
XLVIa(trimf;trimf–trimf) 463,831LIVa(gbellmf;gbellmf–
gbellmf) 490,356
XLVIIa(trapmf;trapmf–trimf) 465,840
LVa((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–
trimf)466,326
XLVIIIa(trapmf;trapmf–
trapmf)466,251
LVIa((zmf,dsigmf,
sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,
sigmf))
468,890
XLIXa(gaussmf;gaussmf–
trimf)473,504
LVIIa((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–trimf)466,146
La(gaussmf;gaussmf–gaussmf) 475,313
LVIIIa((zmf,psigmf,
sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,
sigmf))
468,730
LIa(gauss2mf;gauss2mf–
trimf)472,685
LIXa((zmf,pimf,smf);
(zmf,pimf,smf)–trimf) 474,243
LIIa(gauss2mf;gauss2mf–
gauss2mf)473,870
LXa((zmf,pimf,smf);
(zmf,pimf,smf)–(zmf,
pimf,smf))475,198
LIIIa(gbellmf;gbellmf–trimf) 486,833LXIa(trimf;(zmf,psigmf,
sigmf)–trimf)462,891
Naslici11.13.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
Kada je reč o fazi logičkim sistemima od XLVIa do LXIa, poređenjem dobijenih
rezultatamožesezaključitidanajboljerezultatedajefazi logičkisistemLXIakoji
koristi sledeće oblike funkcija pripadnosti: za ulaznu promenljivu Opasnamesta
trimf, za ulaznu promenljivu Karakteristike puta zmf, psigmf, sigmf, a za izlaznu
promenljivutrimf.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
314
Slika11.13.Ukupnegreškefazilogičkihsistema sa dveulaznepromenljivekojese
odnosenaOpasnamestaiKarakteristikeputa(odXLVIadoLXa)
11.2.5 Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulaznepromenljivekojeseodnosenaOpasnamestaiUčestalostvožnje
Fazi logički sistemi od LXIIa do LXXVIIIa za procenu sklonosti ka saobraćajnim
nezgodama predstavljaju situaciju kada postoje dve ulazne promenljive koje se
odnosenaprocenuopasnihmestanaposmatranojdeoniciinaučestalostvožnjena
deonici i jedna izlazna promenljiva. Koncept ovih fazi logičkih sistema koji je
ilustrovan uz pomoć navedenog programa je prikazan na slici 11.14. Ove fazi
logičke sistemekarakterišu različite funkcijepripadnosti koje supredstavljeneu
tabeli11.6.
Korišćenepromenljivesuprethodnovećopisane.Nakondefinisanjafaziskupovai
odgovarajućih funkcijapripadnostigenerisana jebaza fazipravila.Za fazi logičke
sistemeodLXIIadoLXXVIIIapotrebno jedefinisati35pravila, što jeurađenona
načinkakojeprikazanoupriloguB.13.ovedisertacije.Zbirapsolutnihgrešakafazi
logičkih sistema od LXIIa do LXXVIIIa u kojima se posmatraju različite funkcije
pripadnostiprikazanjeutabeli11.6.Naslici11.15.prikazanjegrafikonnakojem
sevideodnosiizmeđupojedinihfazilogičkihsistemausmisluukupnegreškey.
445
450
455
460
465
470
475
480
485
490
495
UkupnegreškesistemaodXLVIadoLXIa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
315
Slika11.14.KonceptfazilogičkihsistemaodLXIIadoLXXVIIIa
Tabela11.6.ZbirapsolutnihgrešakafazilogičkihsistemaodLXIIadoLXXVIIIa
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
LXIIa(trimf;trimf–trimf) 682,907LXXIa((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–trimf)686,634
LXIIIa(trapmf;trapmf–trimf) 679,876
LXXIIa((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–(zmf,
dsigmf,sigmf))685,997
LXIVa(trapmf;trapmf–trapmf) 682,763LXXIIIa((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–trimf)686,622
LXVa(gaussmf;gaussmf–trimf) 698,933
LXXIVa((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–(zmf,
psigmf,sigmf))685,943
LXVIa(gaussmf;gaussmf–
gaussmf)697,584
LXXVa((zmf,pimf,smf);(zmf,
pimf,smf)–trimf)682,271
LXVIIa(gauss2mf;gauss2mf–
trimf)688,398
LXXVIa((zmf,pimf,smf);(zmf,
pimf,smf)–(zmf,pimf,smf)) 688,552
LXVIIIa(gauss2mf;gauss2mf–
gauss2mf)690,122
LXXVIIa(trimf;(zmf,psigmf,
sigmf)–trimf)677,383
LXIXa(gbellmf;gbellmf–trimf) 688,864LXXVIIIa(trimf;(zmf,psigmf,
sigmf)–(zmf,psigmf,sigmf)) 676,787
LXXa(gbellmf;gbellmf–gbellmf) 691,284
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
316
Slika11.15.Ukupnegreškefazilogičkihsistemasa dveulaznepromenljivekojese
odnosenaOpasnamestaiUčestalost(odLXIIadoLXXVIIIa)
KadajerečofazilogičkimsistemimaodLXIIadoLXXVIIIa,poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedaje fazi logičkisistemLXXVIIIa
koji koristi sledeće oblike funkcija pripadnosti: za ulaznu promenljivu Opasna
mesta trimf, za ulaznu promenljivu Učestalost zmf, psigmf, sigmf, a za izlaznu
promenljivuNezgodezmf,psigmf,sigmf.
11.2.6 Modeli za procenu sklonosti ka saobraćajnim nezgodama sa dve
ulaznepromenljivekojeseodnosenaKarakteristikeputaiUčestalostvožnje
Fazi logički sistemi od LXXIXa do XCIIIa za procenu sklonosti ka saobraćajnim
nezgodama predstavljaju situaciju kada postoje dve ulazne promenljive koje se
odnose na procenu karakteristika puta i na učestalost vožnje na deonici i jedna
izlaznapromenljiva.Konceptovihfazilogičkihsistemakojijeilustrovanuzpomoć
navedenog programa je prikazan na slici 11.16. Ove fazi logičke sisteme
karakterišurazličitefunkcijepripadnostikojesupredstavljeneutabeli11.7.
Korišćenepromenljivesuprethodnovećopisane.Nakondefinisanjafaziskupovai
odgovarajućih funkcijapripadnostigenerisana jebaza fazipravila.Za fazi logičke
sistemeodLXXIXado XCIIIa potrebno je definisati 35pravila, što je urađenona
665
670
675
680
685
690
695
700
UkupnegreškesistemaodLXIIadoLXXVIIIa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
317
načinkakojeprikazanoupriloguB.14.ovedisertacije.Zbirapsolutnihgrešakafazi
logičkih sistema od LXXIXa do XCIIIa u kojima se posmatraju različite funkcije
pripadnostiprikazanjeutabeli11.7.Naslici11.17.prikazanjegrafikonnakojem
sevideodnosiizmeđupojedinihfazilogičkihsistemausmisluukupnegreškey.
Slika11.16.KonceptfazilogičkihsistemaodLXXIXadoXCIIIa
Slika11.17.Ukupnegreškefazilogičkihsistemasa dveulaznepromenljivekojese
odnosenaKarakteristikeputaiUčestalost(odLXXIXadoXCIIIa)
1060
1070
1080
1090
1100
1110
1120
UkupnegreškesistemaodLXXIXadoXCIIIa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
318
Kada jerečo fazi logičkimsistemimaodLXXIXadoXCIIIa,poređenjemdobijenih
rezultatamožesezaključitidanajboljerezultatedajefazi logičkisistemXCIakoji
koristioblikefunkcijapripadnostizmf,psigmf,sigmfzaobeulaznepromenljive,a
takođeizaizlaznu.
Tabela11.7.ZbirapsolutnihgrešakafazilogičkihsistemaodLXXIXadoXCIIIa
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
LXXIXa(trimf;trimf–trimf) 1093,695LXXXVIIa(gbellmf;gbellmf–
gbellmf)1100,174
LXXXa(trapmf;trapmf–trimf) 1097,673
LXXXVIIIa((zmf,dsigmf,
sigmf);(zmf,dsigmf,sigmf)–
trimf)
1087,634
LXXXIa(trapmf;trapmf–trapmf) 1104,699
LXXXIXa((zmf,dsigmf,sigmf);
(zmf,dsigmf,sigmf)–(zmf,
dsigmf,sigmf))1086,032
LXXXIIa(gaussmf;gaussmf–trimf) 1087,061XCa((zmf,psigmf,sigmf);(zmf,
psigmf,sigmf)–trimf)1087,450
LXXXIIIa(gaussmf;gaussmf–
gaussmf)1085,756
XCIa((zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–(zmf,
psigmf,sigmf))1085,835
LXXXIVa(gauss2mf;gauss2mf–
trimf)1102,361
XCIIa((zmf,pimf,smf);(zmf,
pimf,smf)–trimf)1104,047
LXXXVa(gauss2mf;gauss2mf–
gauss2mf)1107,853
XCIIIa((zmf,pimf,smf);(zmf,
pimf,smf)–(zmf,pimf,smf)) 1119,514
LXXXVIa(gbellmf;gbellmf–trimf) 1093,356
11.2.7Modelizaprocenusklonostikasaobraćajnimnezgodamasatriulazne
promenljive koje se odnose na Opasna mesta, Karakteristike puta i
Učestalostvožnje
Fazi logički sistemi od XCIVa do CXa za procenu sklonosti ka saobraćajnim
nezgodama predstavljaju situaciju kada postoje tri ulazne promenljive koje se
odnose na procenu opasnihmesta, karakteristika puta i na učestalost vožnje na
deonici i jedna izlazna promenljiva. Koncept ovih fazi logičkih sistema koji je
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
319
ilustrovan uz pomoć navedenog programa je prikazan na slici 11.18. Ove fazi
logičke sistemekarakterišu različite funkcijepripadnosti koje supredstavljeneu
tabeli11.8.
Slika11.18.KonceptfazilogičkihsistemaodXCIVadoCXa
Korišćenepromenljivesuprethodnovećopisane.Nakondefinisanjafaziskupovai
odgovarajućih funkcijapripadnostigenerisana jebaza fazipravila.Za fazi logičke
sistemeodXCIVadoCXapotrebnojedefinisati175pravila,štojeurađenonanačin
kako je prikazano u prilogu B.15. ove disertacije. Zbir apsolutnih grešaka fazi
logičkih sistema od XCIVa do CXa u kojima se posmatraju različite funkcije
pripadnostiprikazanjeutabeli11.8.
Naslici11.19.prikazanjegrafikonnakojemsevideodnosiizmeđupojedinihfazi
logičkihsistemausmisluukupnegreškey.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
320
Tabela11.8.ZbirapsolutnihgrešakafazilogičkihsistemaodXCIVadoCXa
Fazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yiFazilogičkisistem
(ulaznefunkcijepripadnosti–
izlaznafunkcijapripadnosti)
yi
XCIVa(trimf;trimf;trimf–
trimf)844,945
CIIIa((zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf);(zmf,dsigmf,
sigmf)–trimf)829,578
XCVa(trapmf;trapmf;trapmf–
trimf)853,037
CIVa((zmf,dsigmf,sigmf);(zmf,
dsigmf,sigmf);(zmf,dsigmf,
sigmf)–(zmf,dsigmf,sigmf))828,415
XCVIa(trapmf;trapmf;trapmf–
trapmf)856,085
CVa((zmf,psigmf,sigmf); (zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–trimf)
829,293
XCVIIa(gaussmf;gaussmf;
gaussmf–trimf)835,211
CVIa((zmf,psigmf,sigmf);(zmf,
psigmf,sigmf);(zmf,psigmf,
sigmf)–(zmf,psigmf,sigmf))828,163
XCVIIIa(gaussmf;gaussmf;
gaussmf–gaussmf)833,732
CVIIa((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
trimf)865,620
XCIXa(gauss2mf;gauss2mf;
gauss2mf–trimf)854,587
CVIIIa((zmf,pimf,smf);(zmf,
pimf,smf);(zmf,pimf,smf)–
(zmf,pimf,smf))873,090
Ca(gauss2mf;gauss2mf;
gauss2mf–gauss2mf)856,714
CIXa(trimf;(zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–trimf)827,565
CIa(gbellmf;gbellmf;gbellmf–
trimf)848,843
CXa(trimf;(zmf,psigmf,sigmf);
(zmf,psigmf,sigmf)–(zmf,
psigmf,sigmf))826,807
CIIa(gbellmf;gbellmf;gbellmf–
gbellmf)851,726
Kada je reč o fazi logičkim sistemima od XCIVa do CXa, poređenjem dobijenih
rezultatamože se zaključitidanajbolje rezultatedaje fazi logički sistemCXakoji
koristi oblike funkcija pripadnosti za ulaznupromenljivuOpasnamesta trimf, za
ulaznupromenljivuKarakteristikeputazmf,psigmf,sigmf, zaulaznupromenljivu
Učestalostzmf,psigmf,sigmfizaizlaznupromenljivuNezgodezmf,psigmf,sigmf.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
321
Slika11.19.Ukupnegreškefazilogičkihsistema sa triulaznepromenljivekojese
odnosenaOpasnamesta,KarakteristikeputaiUčestalost(odXCIVadoCXa)
11.3Diskusija
Poređenjem prethodno opisanih 110 fazi logičkih sistema, može se doći do
zaključkakojiodnjihnajboljeopisujepodatke izempirijskog istraživanja, tj. koji
sistemčininajmanjugreškukrozizlaznirezultatkojiseodnosinabrojnezgoda.U
tomsmislu,u tabeli11.9. inaslici11.20.prikazanisuzbiroviapsolutnihgrešaka
najboljihfazilogičkihsistemausvakomodkoncepatakojiseposmatra.
Na osnovu testiranja fazi logičkih sistema od Ia do CXa,može se zaključiti da je
najboljirezultatdaofazilogičkisistemkojiimadveulaznevarijable(Opasnamesta
i Karakteristike puta) i jednu izlaznu (Nezgode). Prethodno je navedeno da je u
tomkonceptunajbolji fazi logičkisistemLXIa.Toznačida fazi logičkisistemkoji
kao ulazne promenljive koristi Opasna mesta koja su opisana trouglastim
funkcijama pripadnosti (trimf) i Karakteristike puta koje su opisane funkcijama
pripadnostizmf,psigmf,sigmfikaoizlaznupromenljivuNezgodekojesuopisane
takođetrouglastimfunkcijamapripadnosti(trimf),dajenajboljuprocenusklonosti
kasaobraćajnimnezgodama.
800
810
820
830
840
850
860
870
880
UkupnegreškesistemaodXCIVadoCXa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
322
Tabela11.9.OdnosrazličitihkoncepatafazilogičkihsistemaodIadoCXa
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
yi
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
yi
1. Opasnamesta‐Nezgode 809,2305.Opasnamesta;Učestalost–
Nezgode676,787
2. Karakteristikeputa–
Nezgode471,407
6.Karakteristikeputa;
Učestalost‐Nezgode 1085,756
3. Učestalost–Nezgode 1045,987
7.Opasnamesta,
Karakteristikeputa;
Učestalost‐Nezgode826,807
4. Opasnamesta;
Karakteristikeputa–
Nezgode
462,891
Slika11.20.Odnosnajboljihfazilogičkihsistemausvakomodkoncepata‐rangirano
Dalje,interesantnojeposmatratikojioblicifunkcijapripadnostisuzastupljenikod
najboljih fazi logičkihsistemausvakomodkoncepata.Ove informacijeprikazane
suutabeli11.10.Nageneralnomnivou,posmatrajućisveulaznevarijableiizlaznu
varijablu,možesezaključitidaunajboljimfazilogičkimsistemimafigurišusledeće
0 200 400 600 800 1000 1200
6.Karakteristikeputa;Učestalost‐…
3.Učestalost– Nezgode
7.Opasnamesta,Karakteristikeputa;…
1.Opasnamesta‐Nezgode
5.Opasnamesta;Učestalost– Nezgode
2.Karakteristikeputa– Nezgode
4.Opasnamesta;Karakteristikeputa–…
Odnosrazličitihkoncepata
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
323
funkcije pripadnosti: trimf; gaussmf i zmf, psigmf, sigmf. Iako su testirane i
preostale funkcije pripadnosti koje korišćeni softver predlaže: trapmf;gauss2mf;
bellmf;zmf,dsigmf,sigmfizmf,pimf,smf,ispostavilodaonenefigurišuniujednoj
situacijikojaopisujenajboljefazilogičkesistemeusvakomkonceptu.
Kada se posmatra varijabla Opasna mesta, dolazi se do zaključka da su oblici
funkcijapripadnostikojisuprisutniunajboljimfazilogičkimsistemimausvačetiri
slučajatrimf,štojeprikazanonaslici11.21.
Kada je reč o varijabli Karakteristike puta, proizilazi da su oblici funkcija
pripadnosti koji su prisutni u najboljim fazi logičkim sistemima gaussmf i zmf,
psigmf,sigmf.Pritome,u25%slučajevapromenljivaKarakteristikeputajeopisana
funkcijompripadnostigaussmf,au75%slučajevafunkcijamapripadnostiuobliku
zmf,psigmf,sigmf,štojeprikazanonaslici11.22.
Tabela11.10.Oblicifunkcijapripadnostikojisuzastupljeniunajboljimfazilogičkim
sistemimausvakomodkoncepata
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
Funkcije
pripadnosti
Konceptfazi
logičkogsistema
(ulaznevarijabla(e)–
izlaznavarijabla)
Funkcije
pripadnosti
1. Opasnamesta‐
Nezgodetrimf–trimf
5.Opasnamesta;
Učestalost–Nezgode
trimf;(zmf,
psigmf,sigmf)–
(zmf,psigmf,
sigmf)
2. Karakteristike
puta–Nezgode
(zmf,psigmf,
sigmf)–trimf
6.Karakteristikeputa;
Učestalost‐Nezgodegaussmf;gaussmf
–gaussmf
3. Učestalost–
Nezgode
(zmf,psigmf,
sigmf)–(zmf,
psigmf,sigmf)
7.Opasnamesta,
Karakteristikeputa;
Učestalost‐Nezgode
trimf;(zmf,psigmf,sigmf);(zmf,psigmf,sigmf)–(zmf,psigmf,sigmf)
4. Opasnamesta;
Karakteristike
puta–Nezgode
trimf;(zmf,psigmf,
sigmf)–trimf
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
324
Slika11.21.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimazapromenljivuOpasnamesta
Slika11.22.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimazapromenljivuKarakteristikeputa
Kada se posmatra promenljiva Učestalost, dolazi se do zaključka da su oblici
funkcijapripadnostikojisuprisutniunajboljimfazilogičkimsistemimagaussmfi
zmf, psigmf, sigmf. Pri tome, u 25% slučajeva promenljiva Učestalost je opisana
funkcijompripadnostigaussmf,au75%slučajevafunkcijamapripadnostiuobliku
zmf,psigmf,sigmf,štojeprikazanonaslici11.23.
100%
0%
trimf
25%
75%
gaussmf zmf, psigmf, sigmf
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
325
Slika11.23.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimazapromenljivuUčestalost
Slika11.24.Zastupljenostpojedinihfunkcijapripadnostiu
najboljimfazilogičkimsistemimaodIadoCXazapromenljivuNezgode
KadajerečoizlaznojpromenljivojNezgode,možesezaključitidasuoblicifunkcija
pripadnosti koji su prisutni u najboljim fazi logičkim sistemima trimf, gaussmf i
zmf,psigmf, sigmf. Pri tome, u42,86%slučajevapromenljivaNezgode je opisana
funkcijompripadnostitrimf,u14,28%slučajevafunkcijompripadnostigaussmfiu
42,86% slučajeva funkcijama pripadnosti u obliku zmf, psigmf, sigmf, što je
ilustrovanonaslici11.24.
25%
75%
gaussmf zmf, psigmf, sigmf
42,86%
14,28%
42,86%
trimf gaussmf zmf, psigmf, sigmf
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
326
Budući da promenljiva Nezgode figuriše u svim posmatranim fazi logičkim
sistemima, kako u 10. poglavlju, tako i u 11. poglavlju disertacije, moguće je
prikazatizastupljenostpojedinih funkcijapripadnostiunajboljimkonceptima,na
ukupnom nivou. Dakle, posmatrajući 382 fazi logička sistema kod kojih su
ispitivanevarijacijefunkcijapripadnosti(upitanjususistemiodIdoCCLXXIIiod
Ia do CXa), svaki na uzorku od 305 ispitanika što predstavlja analizu rezultata
116.510 fazi logičkihsistema,možesezaključitida izlaznupromenljivuNezgode
najboljeopisuju sledeće funkcijepripadnosti: trimf; trapmf;gaussmf;zmf,psigmf,
sigmf i zmf, pimf, smf. Procentuani odnos, tj. zastupljenost pojedinih funkcija
pripadnostiunajboljimfazilogičkimsistemimajeprikazananaslici11.25.
Slika11.25.Zastupljenostpojedinihfunkcijapripadnostiunajboljimfazilogičkim
sistemimaodIdoCCLXXIIiodIadoCXazapromenljivuNezgode
Može se zaključiti da u najvećem broju slučajeva, u najboljim fazi logičkim
sistemima,promenljivaNezgodejeopisanafunkcijompripadnostitrimf(43,48%),
zatimsledifunkcijapripadnostizmf,pimf,smf(26,09%),trapmfizmf,psigmf,sigmf
(13,04%) igaussmf (4,35%).Ovaj rezultat jegeneralnouskladusaprimerima iz
literature gde se koriste funkcije pripadnosti trimf i trapmf za opis izlazne
promenljiveNezgode(Gaber,2017;Selvi,2009).
43,48%
13,04%4,35%
13,04%
26,09%
trimf trapmf gaussmf zmf, psigmf, sigmf zmf, pimf, smf
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
327
11.4Finopodešavanjenajboljegfazilogičkogsistema
Testiranjem110fazilogičkihsistema,svakinauzorkuod305ispitanika,došlose
dozaključkada jenajboljisistem,tj.sistemkojipravinajmanjugreškuuproceni
sklonostipojedincakasaobraćajnimnezgodama, fazi logičkisistemLXIa.Uovom
sistemu ulazna promenljiva Opasna mesta definisana je korišćenjem trouglastih
funkcija pripadnosti (trimf). Ulazna promenljiva Karakteristike puta opisana je
funkcijama pripadnosti zmf, psigmf, sigmf. Kod izlazne promenljive Nezgode
korišćenesu,takođe,trouglastefunkcijepripadnosti(trimf).
Slika11.26.„SurfaceViewer“zasistemLXIazapredikcijusaobraćajnihnezgodana
osnovuvrednostipromenljivihOpasnamestaiKarakteristikeputa
DabisesagledalekarakteristikefazilogičkogsistemaLXIa,korišćenajekomanda
„SurfaceViewer“.Naslici11.26.prikazanojekakofazilogičkisistemLXIareaguje
naukupanskupmogućihulaznihvrednosti.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
328
11.4.1Finopodešavanjenajboljeg fazi logičkogsistemamenjanjemmetode
defazifikacije
Uokvirukorišćenogprogramapostojipetmogućnostizadefazifikacijurešenjafazi
logičkog rešenja. U fazi logičkom sistemu LXIa korišćen je centroid kao metod
defazicikacije.Uovojsekcijitestiraćesepreostalečetirimogućnosti.
Fazi logički sistem CXIa je u potpunosti isti kao LXIa, samo što je metod
defazifikacije bisektor. Po ovommetodu, formirana površina koja se dobija kao
rešenje deli se na polovinu i ta tačka koja je na polovini predstavlja numeričko
rešenje.
Fazi logički sistemCXIIa je takođeupotpunosti isti kaoLXIa, samo što jemetod
defazifikacijemom.Mom je skraćenicaodengleskih rečimiddleofmaximum, što
značidaseuzimaprosekmaksimalnihvrednostiizlaznihskupova.
Fazi logički sistem CXIIIa je takođe isti kao LXIa, sem što je izabrani metod
defazifikacije lom. Lom je skraćenica od engleskih reči largest ofmaximum, što
značidaseuzimanajvećavrednostodmaksimalnihvrednostiizlaznihskupova.
FazilogičkisistemCXIVajetakođeistisistemkaoLXIa,semštojeizabranimetod
defazifikacije som. Som je skraćenica od engleskih reči smallestofmaximum, što
značidaseuzimanajmanjavrednostodmaksimalnihvrednostiizlaznihskupova.
Tabela11.11.Uporednaanalizarazličitihmetodadefazifikacije
Fazilogičkisistem Metoddefazifikacije y
LXIa Centroid 462,891
CXIa Bisector 471,840
CXIIa Mom 504,360
CXIIIa Lom 576,720
CXIVa Som 460,960
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
329
Nakon implementacije fazi logičkih sistemaodCXIa doCXIVanauzorkuod svih
305ispitanika,iodgovarajućihproračuna,dolazisedozaključkaoukupnojgreški
y koju čine posmatrani sistemi. Rezultati su prikazani u tabeli 11.11. i na slici
11.27.
Slika11.27.Uporednaanalizagrešakakoječinefazilogičkisistemiuzavisnostiod
različitihmetodadefazifikacije
Testiranjem različitih metoda defazifikacije dolazi se do zaključka da je nabolji
rezultatdao fazi logičkisistemCXIVagde jekorišćenSom(smallestofmaximum)
metoddefazifikacije.
11.4.2Finopodešavanjenajboljegfazi logičkogsistemamenjanjemdomena
funkcijapripadnosti
Fazi logički sistem CXIVa, koji se pokazao kao najbolji, biće dalje unapređen
menjanjemdomenafunkcijapripadnosti.Toćebitiučinjenotestiranjemsvakeod
tripromenljivekojefigurišuusistemusmanjenjemiliuvećanjemdomenafunkcija
pripadnosti.Podešenfazilogičkisistemzajednupromenljivubićepolaznaosnova
zatestiranjesledećepromenljiveitakoredom.
0
100
200
300
400
500
600
LXIa CXIa CXIIa CXIIIa CXIVa
Ukupnegreškeposmatranihsistema
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
330
11.4.2.1 Podeševanje domena funkcija pripadnosti promenljive Opasna
mesta
Podešavanjedomenafunkcijapripadnostizaulaznupromenljivu Opasnamestaje
vršeno na način što je kod fazi logičkog sistema CXIVa vršeno najpre smanjenje
domenazaθ=‐1.
Tabela 11.12. Testiranje promene domena funkcija pripadnosti za ulaznu
promenljivuOpasnamesta
Fazilogičkisistem Promenadomenaθ y
CXIVa 0 460,960
CXVa ‐1 464,320
CXVIa 1 460,880
CXVIIa 1,2 460,800
CXVIIIa 1,3 460,800
CXIXa 1,4 460,800
CXXa 1,5 461,120
CXXIa 2 462,320
Slika11.28.Testiranjepromenedomenafunkcijapripadnostizaulaznupromenljivu
Opasnamesta
Sobziromdasepokazalodasistemsasmanjenimdomenimadajelošijerezultate,
tj. veću grešku y, pristupilo se testiranju sistema sa povećanim domenima
459
460
461
462
463
464
465
‐1 0 1 1,2 1,3 1,4 1,5 2
TestiranjepromenedomenazaOpasnamesta
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
331
funkcijapripadnosti.Rezultatisuprikazaniutabeli11.12inaslici11.28.Došlose
do zaključkada fazi logički sistemCXVIIIadajenajbolji rezultat.Ovaj fazi logički
sistem predstavlja polaznu osnovu za podeševanje promenljive Karakteristike
puta.
11.4.2.2Podeševanjedomenafunkcijapripadnostipromenljive
Karakteristikeputa
Analizomrešenjakojasupredstavljenautabeli11.13.inaslici11.29,dolazisedo
zaključka da se smanjenjem domena dolazi do boljih sistema. U skladu sa tim,
vrednosti θ su se smanjivale koliko god je bilo razumno da bi se zadržala
pokrivenostpotencijalnihulaznihvrednostifazilogičkogsistema.
Tabela 11.13. Testiranje promene domena funkcija pripadnosti za ulaznu
promenljivuKarakteristikeputa
Fazilogičkisistem Promenadomenaθ y
CXXIIa 1 464,400
CXVIIIa 0 460,800
CXXIIIa ‐1 446,240
CXVIVa ‐1,5 436,160
CXXVa ‐2 431,120
CXXVIa ‐2,5 423,920
CXXVIIa ‐3 418,480
CXXVIIIa ‐4 409,600
Zaključujeseda jefazi logičkisistemkojinajboljeopisujepodatkeizempirijskog
istraživanjasistemCXXVIIIa.
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
332
Slika11.28.Testiranjepromenedomenafunkcijapripadnostizaulaznupromenljivu
Opasnamesta
11.4.2.3PodeševanjedomenafunkcijapripadnostipromenljiveNezgode
Konačno, proces podešavanja fazi logičkog sistema se završava testiranjem
promena domena i izlazne promenljive Nezgode. Analizom rešenja koja su
predstavljena u tabeli 11.14. i na slici 11.29. dolazi se do zaključka da se
povećanjemdomenadolazidoboljihsistema.Zaključujesedajefinalnifazilogički
sistemkojinajboljeopisujepodatkeizempirijskogistraživanjasistemCXXXIa.Ovaj
sistemćedetaljnijebitiopisanunarednojsekciji.
Tabela 11.14. Testiranje promene domena funkcija pripadnosti za izlaznu
promenljivuNezgode
Fazilogičkisistem Promenadomenaθ y
CXXIXa ‐0,2 416,560
CXXVIIIa 0 409,600
CXXXa 0,1 409,600
CXXXIa 0,2 406,160
CXXXIIa 0,3 407,440
CXXXIIIa 0,4 409,120
CXXXIVa 0,5 410,800
380
390
400
410
420
430
440
450
460
470
1 0 ‐1 ‐1,5 ‐2 ‐2,5 ‐3 ‐4
TestiranjepromenedomenazaKarakteristikeputa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
333
Slika11.29.Testiranjepromenedomenafunkcijapripadnostizaizlaznupromenljivu
Nezgode
11.5. Opis finalnog fazi logičkog sistema za procenu skonosti ka
saobraćajnimnezgodamanaosnovuprocenakarakteristikaputa
Finalni fazi logički sistem za procenu sklonosti pojedinca ka saobraćajnim
nezgodamakojičininajmanjugreškupriproceni,posmatrajućiempirijskepodatke
koji suprikupljeni u istraživanjuuokviruovedoktorskedisertacije, jeste sistem
CXXXIa.Funkcijepripadnostikojefigurišuuokviruovogsistemasuprikazanena
slikama11.30.i11.31.
Slika11.30.Funkcijepripadnostizaulaznepromenljiveufazilogičkomsistemu
CXXXIa
400
402
404
406
408
410
412
414
416
418
‐0,2 0 0,1 0,2 0,3 0,4 0,5
TestiranjepromenedomenazaNezgode
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
334
Slika11.31.Funkcijepripadnostizaizlaznupromenljivuufazilogičkomsistemu
CXXXIa
Dalje, na slici 11.32.mogu se videti svemogućnosti izlaza u trodimenzionalnom
prostoru za svaku kombinaciju dve ulazne promenljive, uz pomoć aplikacije
„SurfaceViewer“.
Slika11.32.„SurfaceViewer“zasistemCXXXIazasvepotencijalnevrednostiulaznih
promenljivih
InteresantnojesagledatiodnosizmeđurešenjakojedajefazilogičkisistemCXXXIa
ibrojanezgodakojisuprijavili ispitaniciuokviru istraživanja.Grafičkiprikazna
slici 11.33. ukazuje na to da fazi logički sistem daje rešenja koja ublažavaju
ekstremnevrednostiobrojunezgoda.Međutim,zarazlikuodfinalnogfazilogičkog
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
335
sistemakojijepredstavljenupoglavlju10disertacijegdenisupostojalevrednosti
jednakenuli,ovdesemoguprimetitirešenjafazilogičkogsistemakojasujednaka
nuli. Međutim, i pored ove, na prvi pogled prednosti, posmatrajući vrednost
koeficijentakorelacijeizmeđudverazmatraneserijepodataka,aupoređujući10.i
ovo poglavlje disertacije, može se reći da rešenja fazi logičkog sistema CCCVIII
znatnoboljeopisujuempirijskepodatke(r=0,70)uodnosunasistemCXXXIagde
jekoeficijentkorelacijer=0,26.
Slika11.33.Odnosempirijskihpodatakaobrojunezgodairešenjafazilogičkog
sistemaCXXXIa
Takođe, zanimljivo je posmatrati prosečne vrednosti koji ispitanici u određenoj
kategorijipostižu,tj.ispitanicisaodređenimbrojemnezgoda,adaseuočenitrend
uporedi sa odgovarajućom promenljivom koja figuriše u okviru fazi logičkog
sistemaCXXXIa.Utabeli11.15.prikazanesuprosečnevrednostiocenakojesudali
ispitanici u smislu opsanih mesta i karkateristika puta, posmatrano po
kategorijamaufunkcijibrojanezgodakojisudoživeliispitanici.
0
1
2
3
4
5
6
7
8
9
1 10 19 28 37 46 55 64 73 82 91 100
109
118
127
136
145
154
163
172
181
190
199
208
217
226
235
244
253
262
271
280
289
298
Empirijskipodaci Fazilogičkisistem
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
336
Tabela11.15.Prosečnevrednostiocenaposmatranopokategorijamaufunkcijibroja
nezgoda
Brojnezgoda Opasnamesta Karakteristikeputa
0 60,41 44,61
1 49,40 45,75
2 62,15 44,04
3 62,84 42,21
4 56,93 41,00
5 69,27 39,73
6 66,50 39,50
8 76,17 37,50
Naosnovuanalizeprosećnihvrednostiocenazaopasnamestaikarakteristikeputa
u svakoj od kategorija u smislu broja doživljenih saobraćajnih nezgodamogu se
sagledati trendovi, tj. odnosi između pojednih promenljivih i broja nezgoda. Na
slikamaod11.34.i11.35.uočavajusepomenutitrendoviisaglasnosttihtrendova
udefinisanomfazilogičkomsistemu.
Slika11.34.OdnosizmeđupromenljiveOpasnamestauempirijskomistraživanjui
fazilogičkomsistemuCXXXIa
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
0 1 2 3 4 5 6 8
Prosečneocenezaopasnamesta
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
337
Slika11.35.OdnosizmeđupromenljiveKarakteristikeputauempirijskom
istraživanjuifazilogičkomsistemuCXXXIa
Konačno,korisnojeuporeditirezulate10.i11.poglavljaovedoktorskedisertacije
u smislu procene sklonosti vozača ka saobraćajnim nezgodama. Na osnovu
134.810rezultatafazilogičkihsistema,odnosnoporedećifazilogičkesistemeodI
doCCCVIIIifazilogičkesistemeodIadoCXXXIVa,aupoređujućinajboljevrednosti
y iz tabele 10.32 (266,389) i 11.14 (406,160), mogao bi se istaći generalni
zaključakdasesklonostkasaobraćajnimnezgodamamožepreciznijeprocenitina
osnovu poznavanja parametara koji se odnose na karakteristike ličnosti i
specifična ponašanja u vožnji u odnosu na percepciju opasnih mesta na putu,
karakteristikaputaiučestalostivožnje.
Modelkojiuključujefrekvencijukorišćenjaputasepokazaokaonajmanjeprecizan
verovatno zbog toga što odnos između izloženosti učesnika u saobraćaju, što u
nekim slučajevima znači i veću frekvenciju korišćenja puta, i procenta njihovog
učešća u nezgodamamože biti kontroverzan jer je pod uticajemdrugih varijabli
kaoštosupređenakilometraža,tipsaobraćajniceiliiskustvo(Memon2012,Porter
2012).
Abdel‐Aty i Radwan (2000) su pokazali da PGDS, radijus horizontalne krivine,
širinasaobraćajnetrake,bankine,razdelnaostrva,tipputa(ruralni,urbani)kaoi
dužinadeonice imajuuticaj na frekvenciju saobraćajnihnezgoda. Predloženi fazi
0,00
10,00
20,00
30,00
40,00
50,00
0 1 2 3 4 5 6 8
Prosečneocenezakarakteristikeputa
11.Modelizaprocenusklonostikasaobraćajnimnezgodamabaziraninaanalizikarakteristikaizabranedeoniceputaiprimenifazilogike
338
modelkojiuključujeprocenuelemenataputajenajboljiuokvirukategorijemodela
kojitežedapredvidepovezanostizmeđuputnihkarakteristikaibrojasaobraćajnih
nezgoda, ali ipak manje pouzdan u odnosu na model koji koristi psihološke
instrumentekaoulaznepromenljive.Najverovatnijirazlogzatobimogaobitišto
suuformiranjumodelaupotrebljeniukupniskorovinaupitnicimakojiseodnose
nakombinacijuefekatarazličitihelemenataputainaopštuocenuopasnosti.Dalji
pravci istraživanja bili bi razmatranje pojedinačnih uticaja, ili određenih
specifičnih kombinacija elemenata puta i opažanja rizika date deonice, ili
poboljšanje, odnosno usavršavanje metodologije za procenu karakteristika puta
konstrukcijomboljihinstrumenatazanjihovuprocenu.
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
339
12.ZAKLJUČNARAZMATRANJA,DISKUSIJAIPRAVCIBUDUĆIHISTRAŽIVANJA
Prenegosepređenadiskusijudobijenihrezultata,korisnojejošjednomnapraviti
osvrt na najznačajnije rezultate istraživanja koji su dobijeni primenom različitih
metoda.
Najpre, kada je rečo terenskojproveribezbednosti saobraćajakoja je vršenana
odabranoj, rizičnoj deonici državnog puta IB reda broj 22, od naselja Žarkovo
(Beograd),doizlaskaiznaseljaĆelije,uočenesunepravilnostinaputuipopitanju
karakteristika saobraćajnog toka, što semože negativno odraziti na percepciju i
ponašanjevozača.
Onoštojezabeleženokaojedanodključnihproblemanaposmatranomdeluputa,
odnosi se pre svega na veliki broj priključaka ili isključenja, koja u velikojmeri
remete saobraćajni tok, dovode do zagušenja i celokupnu saobraćajnu situaciju
čineveomasloženom.Ovo jenaročitovelikiproblemnatačkamadeonicekojase
pruža kroz naseljena mesta, što zahteva posebnu opreznost vozača. Ovakve
okolnosti se nepovoljno odražavaju na percepciju vozača, naročito kada je reč o
ranjivim kategorijama učesnika u saobraćaju kao što su veoma mladi ili stariji
vozači. Kod mladih, rad moždanih struktura koje su zadužene za procesiranje
emocija (subkortikalna limbička regija, tj. amigdala) nadjačava rad kortikalnih
regija mozga koje su važne za kontrolu emocionalnih odgovora (prefrontalni
korteks)štodoprinosinestabilnostiponašanja.
Sadrugestrane,starijivozačiusledsopstvenihpsihomotornihograničenjanisuu
mogućnosti da na adekvatan način odgovore ovakvim složenim zahtevima. Obe
kategorije učesnika u saobraćaju mogu da imaju, često i nerealan odnos prema
sopstvenim vozačkim sposobnostima, što dodatno doprinosi pojavi nebezbednih
oblikaponašanjausaobraćaju.
Zatim, ono što takođe narušava bezbednost odnosi se na odsustvo adekvatnih
uslova za preticanje, kao što su nedostatak traka za preticanje, prevelika
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
340
frekvencija saobraćaja, naročito u određenim delovima dana, kao i uključenost
vozila poput kamiona sa prikolicom, autobusa, pa i poljoprivrednih vozila. Sve
nabrojano, takođe može da pokrene donošenje rizičnih odluka vozača, što u
krajnjoj liniji, mesta u saobraćajnom toku sa nabrojanim karakteristikama čini
potencijalnimcrnimtačkama.
Sve ovo, sa druge strane, može da uslovi donošenje rizičnih odluka u smislu
preuzimanja nebezbednih manevara u vožnji, potkrepljeno bazičnim
karakteristikama ličnosti kao što su sklonost ka impulsivnom i agresivnom
ponašanju.
Analizom demografskih podataka, kao i na osnovu rezultata neparametrijskih
testova, dobijeni su značajni podaci koji pružaju širu sliku o vozačkoj istoriji
ispitanika,aliipercepcijivozačanaposmatranomdeluputa.Najpre,interesantno
jeuočitidačak13,4%vozačaizukupnoguzorkanavodidajedoživelonezgodena
posmatranom delu puta (u rasponu od 1 do 3 nezode). Nesumnjivo, reč je o
velikom broju nezgoda spram veličine uzorka obuvaćenog istraživanjem. Zatim,
onošto jetakođeupadljivo jedačak66,2%vozača izjavljujeda jeosnovniuzrok
povećanogbrojanezgodanaovojdeoniciupravo ljudski faktor.Ovakvirezulatati
potkrepljuju podatke već pomenutih istraživanja u pregledu literature, ali i
činjenicudajenaovojdeoniciidentifikovanvelikibrojopasnihmestasobziromda
27,2%vozačanavodiputkaoosnovnirazlognastankanezgoda.Kadaseposmatra
prosečan broj konflikata koje su ispitanici prijavljivali u toku jednog putovanja,
dolazisedobrojkekojasekrećeuopseguod4‐8konfliktnihsituacijazakojuse
opredelioubedljivonajvećibrojispitanika.Ovojesvakakopotvrdadajeodabrana
adekvatna deonica puta kao predmet istraživanja, usled rizika kojima su vozači
izloženi. Kada je reč o prosečnoj brzini kretanja koju su vozači prijavljivali u
samoizveštajima, upadljiva je distorzija između samopercepcije vlastite brzine
kretanja i procenebrzinekretanjaostalih vozačau saobraćajnom toku.Naime,u
ovom slučaju je uočeno odsustvo kritičkog osvrta na sopstvene izbore brzina
kretanja, dok su, sa druge strane ispitanici pokazali veoma izražen kritički stav
prema brzini kretanja drugih vozača. Ovo je zanimljiv podatak koji se može
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
341
tumačitiuskladusarezultatimadobijenimuUpitnikuosamopercepcijivozačkih
sposobnosti,gdejetakođeuočenoneslaganjeurezultatimasamoproceneiprocene
drugihučesnikausaobraćaju.
Ukoliko posmatramo rezultate korelacione analize, moguće je uočiti da su
najznačajnije korelacije zabeležene između skorova BIS‐11 upitnika za procenu
impulsivnostiiADBQupitnikazaprocenuagresivnostiuvožnji.Oviupitnicimere
slične fenomene u ponašanju, otuda pokazuju povezanost, kako za ukupne
skorove, tako i za pojedine dimenzije upitnika. Upitnik DAQ za procenu stavova
prema riziku, kao i Upitnik samopercepcije vozačkih sposobnosti nisu pokazali
značajnije korelacije sa ostalim upitnicima, kao ni međusobno. Ovakav podatak
ukazuje da se u okviru praktične primene ovih instrumenata, najbolji rezultati
mogu postići istovremenom upotrebom upitnika za procenu impulsivnosti sa
upitnikomzaprocenuagresivnosti,kakobisedobili štopreciznijipodacioovim
veomasličnimkategorijamaponašanja.
Srž istraživanja u doktorskoj disertaciji, svakako predstavlja razvoj modela
ponašanja vozača, kao i percepcije opasnih mesta i putnih karakteristika. Cilj
istraživanjajeformiranjeoptimalnogmodelazapredikcijusklonostikanezgodama
vozača, odnosno najbolje kombinacije prediktorskih varijabli iz domena
psihološkihkarakteristikavozačakaoinjihovepercepcijeopasnihmestanaputu.
Upitnik BIS‐11, jedan od najčešće korišćenih instrumenata za procenu
impulsivnostipokazao jeporedvisokepozdanosti skale idobruprediktivnumoć
kadajerečosaobraćajnimnezgodamakojesuvozačiimaliusopstvenojvozačkoj
istoriji. Takođe,ADBQupitnik zaprocenu agresivnogponašanja karakterističnog
zasituacijeuvožnji, jepokazaoveomadobru, tj.približno istuvrednostusmislu
prediktivnog karaktera pri opisivanju nastanka saobraćajnih nezgoda. Iz tih
razloga preporučuje se zajednička upotreba ovih skala u svim situacijama koje
zahtevaju predikciju nezgoda koje vozači mogu iskusiti u budućem vozačkom
iskustvu. Naročito je važno istaći da je ADBQ upitnik, kao do sada nedovoljno
korišćen i relativno nov alat za procenu agresivnosti u vožnji, pokazao dobre
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
342
karakteristikeufunkcijikreiranjamodelaponašanjavozača,tebise,stoga,trebalo
fokusiratinanjegovuučestalijuupotrebuusvrhenaučnihistraživanja.
Posmatrajući dva osnovnamodela percepcije vozača u odnosu na opasnamesta
deonice, kao i u odnosu na razmatrane elemente puta, sa stanovišta različitih
kategorijavozača,dobijenisuveomakorisnipodacikojisemoguimplementiratiu
naučnoj i stručnoj praksi. Naime, korišćenjem standardne regresione analize
ustanovljeno je da je moguće izvesti zaključak da strožiji kriterijumi procene
opasnih mesta pokazuju povezanost sa većim brojem prijavljenih nezgoda. Na
osnovu ovih podataka se može zaključiti da negativno iskustvo proživljavanja
nezgoda u saobraćaju senzitivira vozače da formiraju strožije stavove prema
opasnimmestimanaputu.Sadrugestrane,važnojeistaćidajeuokvirudetaljnije
analize ustanovljeno da postoji značajno drugačije opažanje, tj. odnos između
percepcijeopasnihmestaidoživljenihnezgoda,izmeđuvozačarazličitihkategorija
(profesionalnihvozačaivozačaputničkihautomobila).
Ukoliko se posmatraju rezultati dobijeni konstrukcijom modela za percepciju
elemenata puta na posmatranoj deonici, moguće je, takođe, izvesti značajne
zaključke.Uovomslučaju, uočava sedaopažanjekarakteristikaputapredstavlja
relativno dobar prediktor saobraćajnih nezgoda, naime, vozači koji put ocenjuju
kao lošiji imajuvećibrojnezgoda. I uovommodelu, kao i uprethodnompostoji
značajna razlika u percepciji različitih kategorija vozača. Zapaža se da, u slučaju
vozačaputničkihvozila,boljeoceneputaodgovarajuneštovećembrojunezgoda
prijavljenihuUpitnikuistorijeučešćausaobraćajnimnezgodama.Sadrugestrane,
zaprofesionalnevozačeutvrđenajerelacijasuprotnogsmera.Naime,profesionalni
vozači koji put opažaju kao opasan ili loš, istovremeno imaju nešto veći broj
saobraćajnihnezgoda.
Sa tim u vezi, dobijene veoma visoke vrednosti koeficijenata determinacije u
modelima ukazuju da je neophodno sprovesti detaljniju analizu elemenata i
karakteristika puta, kao i procena njihove opasnosti od strane vozača. Naime, u
formiranjumodelaupotrebljenisuukupniskorovinaupitnicimakojiseodnosena
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
343
kombinaciju efekata različitih elemenata puta i na opštu ocenu opasnosti. Dalji
pravci istraživanja bili bi razmatranje pojedinačnih uticaja, ili određenih
specifičnih kombinacija elemenata puta i opažanja rizika date deonice. Ovako
visoki koeficijenti determinacije mogu da ukazuju i na to da je nepotrebno sve
nabrojane elemente uključiti u model, jer cilj regresione analize jeste pronaći
najjednostavnijimodel koji vrši predikciju varijable od interesa, u ovom slučaju,
saobraćajnihnezgoda.
U ovoj doktorskoj disertaciji predlažu se i testiraju različiti fazi logički modeli
čijom primenom se dolazi do informacije o sklonosti pojedinca ka saobraćajnim
nezgodama. Cilj predloženemetodologije je bio da se dođe do zaključka koji od
predloženih modela bi mogao najbolje da proceni sklonost pojedinca ka
saobraćajnim nezgodama. Karakteristika predloženih modela jeste da bi se oni
mogli koristiti kada se želi ispitati sklonost vozačakanezgodama, a dapri tome
nijepoznatovozačkoiskustvo,učestvovanjeusaobraćajnimnezgodama,itd.
Testirani su dvojaki fazi logičkimodeli. Sa jedne strane, kao ulazne promenljive
korišćeni su skorovi postignuti na korišćenim instrumentima zaprocenu ličnosti
(BIS‐11 upitnik za procenu impulsivnosti, ADBQ upitnik za procenu agresivnog
ponašanja u vožnji, Manchester DAQ upitnik za procenu rizika u vožnji, kao i
upitnik za samoprocenu sopstvenih vozačkih sposobnosti). Testirano je 308
modelaovogtipa.Sadrugestrane,kaoulaznepromenljivekorišćenisu rezultati
procene opasnih mesta na posmatranoj deonici puta, karakteristika puta, kao i
učestalostkorišćenjaposmatranedeonice.Testiranoje134modelaovogtipa.
Jedan od osnovnih zaključaka do kojih se došlo analizom svih 442 fazi logičkih
sistema jeste da je najbolju preciznost pri proceni sklonosti vozača ka
saobraćajnim nezgodama pokazao fazi logički sistem koji koristi sva četiri
instrumentazaprocenuličnostikaoulaznepromenljive.
Posmatrajući fazi logičke sisteme koji kao ulazne promenljive koriste skorove
postignutenakorišćeniminstrumentimazaprocenuličnosti,dolazisedozaključka
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
344
dasenemožekoristitijednafunkcijapripadnostikaonajboljazasvepromenljive.
Tako, promenljivu agresivnost u najvećem broju slučajeva (62,50%) najbolje
opisujufunkcijepripadnostioblikagaussmf;promenljivuimpulsivnostunajvećem
broju slučajeva (62,50%) najbolje opisuju funkcije pripadnosti oblika zmf, pimf,
smf; promenljivu Rizik u najvećem broju slučajeva najbolje opisuju funkcije
pripadnostioblikatrimf(50%)izmf,pimf,smf(50%);promenljivuSamoprocenau
najvećembrojuslučajeva(75%)najboljeopisujufunkcijepripadnostioblikatrimf;
dokpromenljivuNezgode,kada je rečoovom tipu fazi logičkih sistema,najbolje
opisuju funkcije pripadnosti oblika trimf (40%) i zmf, pimf, smf (40%). Takođe,
analizom ova 242 fazi logička sistema došlo se do zaključka da na rezultat fazi
logičkogsistemaznatnovišeutičeizborkoncepta(standardnadevijacija=73,594),
negoizborfunkcijapripadnosti(standardnadevijacija=5,706).Ovajrezultatjebio
odznačajazadaljuanalizuostalihfazilogičkihsistema.
Kadajesutestiranifazilogičkisistemikojikaoulaznepromenljivekoristeskorove
postignutenakorišćeniminstrumentimazaprocenuličnosti,adasudomeniovih
promenljivihdefinisaninaosnovuvrednostiizdostupneliterature,takođesedošlo
dozaključkada jekonceptukojempostoječetiriulaznepromenljivedaonajbolji
rezultat. Međutim, ipak lošiji nego u slučaju definisanja domena na osnovu
podatakaizistraživanja.
Kada je reč o fazi logičkim sistemima gde su kao ulazne promenljive korišćeni
rezultatiproceneopasnihmestanaposmatranojdeoniciputa,karakteristikaputa,
kaoiučestalostkorišćenjaposmatranedeonice,dolazisetakođedozaključkadase
nemožekoristitijednafunkcijapripadnostikaonajboljazasvepromenljive.Tako
promenljivu Opasna mesta najbolje opisuju funkcije pripadnosti oblika trimf u
100% slučajeva; promenljivu Karakteristike puta u najvećem broju slučajeva
(75%) najbolje opisuju funkcije pripadnosti oblika zmf, psigmf, sigmf; a
promenljivuUčestalostunajvećembrojuslučajeva(75%)takođenajboljeopisuju
funkcijepripadnostioblikazmf,psigmf,sigmf.Kodpomenutihfazilogičkihsistema,
promenljivaNezgode jeunajvećembrojuslučajevanajboljeopisanakorišćenjem
funkcijapripadnostioblikatrimf(42,86%)izmf,psigmf,sigmf(42,86%).
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
345
Posmatrajućinageneralnomnivou, analizomsvih fazi logičkih sistema,dolazi se
do zaključka da se promenljiva Nezgode najbolje opisuje u najvećem broju
slučajeva(43,48%)korišćenjemfunkcijapripadnostioblikatrimf;kaoifunkcijama
pripadnostioblikazmf,pimf,smfu26,09%slučajeva.
Do jednog od najvažnijih zaključaka u ovoj doktorskoj disertaciji se došlo
poređenjem rezultata primene fazi logike i hijerarhijske regresione analize.
Poređenjem najboljeg fazi logičkog sistema i rezultata hijerarhijske regresione
analize, zaključuje se da se veća preciznost u proceni sklonosti vozača ka
saobraćajnimnezgodamamožepostićiprimenomfazilogike.
Od originalnih ostvarenih naučnih doprinosa postignutih disertacijom trebalo bi
izdvojitinajznačajnije:
Definisana je originalnametodologija za procenu ponašanja u vožnji koja
uključujesetod9anketnihobrazaca.Uzorakvozačanakojemjetestiranai
verifikovana predložena metodologija podrazumeva 305 vozača (103
vozačaputničkihvozila,100vozačaautobusai102vozačateretnihvozila);
Definisani su originalni modeli koji doprinose obuhvatnijem objašnjenju
koncepta sklonosti vozača ka učestvovanju u saobraćajnim nezgodama i
kvantifikuju pomenutu sklonost na osnovu poznavanja karakteristika
ličnosti koje se odnose na impulsivnost, agresivnost, sklonost ka
preuzimanjurizikauvožnjiistavovimaoličnimvozačkimkompetencijama
primenomhijerarhijskeregresioneanalizeilogističkebinarneregresije;
Izloženajesveobuhvatnaanalizarelacijaizmeđurazličitihinstrumenataza
procenuponašanja,odkojihsunekiveomačestokorišćeni,doksenekiod
njih, na osnovu detaljne analize rezultata mogu predložiti za upotrebu u
stručnojteorijiipraksi;
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
346
Definisanisuoriginalnimodelizaprocenusklonostivozačakaučestvovanju
u saobraćajnim nezgodama na osnovu procene rizika opasnih mesta i
elemenata puta posmatrane deonice primenom regresione analize i
logističkebinarneregresije;
Definisanjeoriginalanmodelzaprocenusklonostivozačakasaobraćajnim
nezgodama koji je baziran na korišćenju instrumenata za procenu
karakteristikaličnostiiprimenifazilogike.
Definisanjeoriginalanmodelzaprocenusklonostivozačakasaobraćajnim
nezgodamakojijebazirannaanalizikarakteristikaizabranedeoniceputai
primenifazilogike.
Spovedenojepoređenjerazličitihmetodologijazaprocenusklonostivozača
ka saobraćajnim nezgodama. Kao što je navedeno, u tom smislu se fazi
logikapokazalakaoboljialatuodnosunahijerarhijskuregresionuanalizu.
Konačno, predloženi modeli, daju doprinos dodatnom razjašnjenju uloge
ljudskog faktora u nastanku saobraćajnih nezgoda. Za potpunu analizu
uzrokanekesaobraćajnenezgode,nesumnjivo,najpreciznijepodatkemogu
pružitiobjektivnipokazateljidobijeni,npr. izpolicijskihizveštaja,akojise
odnose na stanje vozila, karakteristike puta ili prisustvo psihoaktivnih
supstanci u krvi vozača. Objektivni podaci neophodni za analizu
saobraćajnih nezgoda zavise od kvaliteta i dostupnosti baza podataka, a
očigledno su i nedovoljni za potpuno objašnjenje frekvencije, a pogotovo
uzrokanezgoda. Istraživanjemkoje je sprovedenouokviruovedoktorske
disertacijepokazanojedasu,poredkarakteristikaličnostivozača,njihova
subjektivnapercepcijakakokarakteristikaodređenihelemenataputa,takoi
procene sopstvenih sposobnosti i rizičnih ponašanja validni prediktori
sklonostikadoživljavanjusaobraćajnihnezgoda.Ovasaznanjaimajuveliku
praktičnu primenu za unapređenje programa obuke vozača početnika,
procedure selekcijeprofesionalnihvozača,planiranje specifičnih sadržaja
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
347
namenjenihodređenimgrupacijamavozača, poput onihkoji se odnosena
rehabilitacijuvozačakojimajeoduzetadozvola,itd.
Poredpraktičneprimenedobijenirezultatiomogućavajudefinisanjenovihpravaca
istraživanjauoblastisaobraćajnepsihologijeibezbednostisaobraćaja.Predloženi
modeli ponašanja mogu se dalje testirati i unapređivati uvođenjem dodatnih
prediktorskih varijabli, daljim istraživanjima koja bi obuhvatila veći broj
ispitanika,nesamovozača,većiostalihučesnikausaobraćaju.
Uprkosnastojanjudasesprovedemetodološkištopouzdanijeistraživanje,pojavila
suseodređenaograničenja.Glavnoograničenjeseodnosinanedostatakstrategije
prema određenim kriterijumima (kao što je na primer pol), koji ograničava
uopštavanje rezultata za celokupnu populaciju vozača. Pored toga, rezultati
istraživanja su dobijeni na osnovu podataka zabeleženih kroz samoizveštaje
vozača.Takavmetodprikupljanjapodataka,imakakoprednosti,takoinedostatke.
Može dovesti do distorzija u podacima zbog tendencije davanja društveno
poželjnihodgovora.Iakosuispitanicibiliupućeniuanonimankaraktertestiranja,
kao i garantovanu poverljivost dobijenih podataka, pretpostavlja se da su ipak
imali neku vrstu suzdržanosti u odgovaranju u odnosu na određene aspekte
ponašanja. To je posebno uočljivo kada su u pitanju profesionalni vozači, jer
istraživanja da pokazuju među ovom populacijom uvek postoji veće prisustvo
društvenopoželjnihodgovora.Zatim,kadajerečodobijenimmodelimapercepcije,
kao i ponašanja vozača, trebalo bi naglasiti da postoji ograničenje u smislu
generalizacije dobijenih rezultata na sve puteve na putnoj mreži. Ovim
istraživanjem obuhvaćena je deonica državnog puta IB reda broj 22, amotiv za
odabir konkretne deonice bio je prisustvo velikog broja opasnih mesta prema
analiziranim zvaničnim podacima. Prilikom planiranja budućih istraživanja u
kojima bi se verifikovali dobijeni modeli iz disertacije, bilo bi korisno proveriti
njihovu efikasnost i na drugim deonicama, kao i kategorijama puteva, sa
drugačijim karaktersitikama. Dalji pravci istraživanja se upravo preporučuju sa
ciljemeliminisanjailiminimziranjanekihodovihograničenja.
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
348
Vremensko‐prostorni aspekt analiza saobraćajnih nezgoda daje podatke koji su
pogodni za primenu regresionih metoda. Sa tim u vezi, dobijene veoma visoke
vrednosti koeficijenata determinacije u modelima ukazuju da je neophodno
sprovestidetaljnijuanalizuelemenataikarakteristikaputa,kaoiprocenanjihove
opasnosti od strane vozača. Naime, u formiranjumodela upotrebljeni su ukupni
skorovinaupitnicimakoji seodnosenakombinacijuefekatarazličitihelemenata
puta i na opštu ocenu opasnosti. Dalji pravci istraživanja bili bi razmatranje
pojedinačnih uticaja, ili određenih specifičnih kombinacija elemenata puta i
opažanja rizika date deonice. Ovako visoki koeficijenti determinacije mogu da
ukazujuinatodajenepotrebnosvenabrojaneelementeuključitiumodel,jercilj
regresione analize jeste pronaći najjednostavniji model koji vrši predikciju
varijable od interesa, u ovom slučaju, saobraćajnih nezgoda. Osim toga, kako je
vezaizmeđuPGDS(prosečnoggodišnjegdnevnogsaobraćaja)ibrojasaobraćajnih
nezgoda,kadaseuzimauobzirPGDSkaomera izloženostinanekojdeoniciputa
često nelinearna, u budućim istraživanjima ove problematike potrebno je
razmotritiiuvođenjenelinearnihmodela.
Nadalje, kako se saobraćajne nezgode mogu smatrati kao neprekidan slučajan
proces neophodno je analizirati ih i sa vremenskog aspekta. Naredni koraci u
budućimistraživanjimabitrebalodaobuvateiovajaspekt,tj.modelevremenskih
serija.
Sa druge strane, buduća istraživanja bi trebalo da se usmere na primenu
razmatranih instrumenata u svrhe utvrđivanja uticaja dodatnih
sociodemografskih odrednica kao i kros‐kulturalnih razlika u strukturi ili
izraženostipojedinihsocijalnihaksiomakojisurelevantnizabezbednuvožnju.
Među fenomenima koji se u stručnoj literaturi često dovode u vezu sa rizičnim
ponašanjem vozača, svakako bi bilo korisno uvođenje u model odnosa prema
traženju senzacija, osobini koja pokazuje značajne korelacije sa doživljavanjem
saobraćajnih nezgoda (Zuckerman, 2000). Takođe, preporučuje se testiranje
složenijihmodela,anaročitobitrebalotežitiodabirukombinacijainstrumenataili
12.Zaključnarazmatranja,diskusijaipravcibudućihistraživanja
349
dimenzijazakojećestandardnagreškabitištomanja,tetimepovećatipreciznost
modelaupredikcijisaobraćajnihnezgodaidrugihrizičnihoblikaponašanja.
Imajući u vidu činjenicu da su saobraćajne nezgode relativno izolovani događaji,
može se zaključiti da nije jednostavno odrediti prediktivnu sposobnost osobina
ličnosti pošto one koreliraju sa brojnim drugim faktorima. Ipak, uprkos tome,
nalaziovedisertacijeukazujunavažnuulogupojedinihličnihsvojstavaurizičnim
ponašanjimausaobraćaju.Ovakvinalazimogunaćisvojupraktičnuprimenljivost
zarazličitesvrhe.
Najpre, rezultati dobijeni proverom bezbednosti saobraćaja na posmatranoj
deonicikojausledpovećanogbrojaopasnihmestaspadeurizičnije,omogućavaju
preduzimanje konkretnih protivmera u smislu unapređenja bezbednosti
saobraćaja. Zatim, na osnovu rezultata ovog istraživanja kriterijumi za selekciju
profesionalnih vozača mogli bi biti znatno unapređeni. Ovakvo unapređeno
testiranje za buduće profesionalne vozače podrazumevalo bi primenu
instrumenatazaprocenukarakteristikaličnostivozačazajednosapsihomotornim
ikognitivnimtestovimakojiomogućavajuegzaktnijuprocenusposobnostivozača.
Ovirezultatibilibiodnaročitogznačajazakompanijekojeimajustalnodefinisane
rutevožnje,kakonaproučavanojdeonici,takoinaostalimdelovimaputnemreže.
Dalje, ovi rezultati mogu naći svoju primenu u izradi programa za prevenciju
nezgodaikršenjazakona,uprogramimazarehabilitacijuvozačakojimajeoduzeta
vozačka dozvola, u procesima i obuke kandidata za vozačku dozvolu, kao i u
promovisanju bezbednijih stilova vožnje, u skladu sa karakteristikama ličnosti
vozača.
Literatura
350
LITERATURA
AAA Foundation for Traffic Safety. 2009. Aggressive Driving Research Update,
http://www.aaafoundation.org/pdf/AggressiveDrivingResearchUpdate2009 [28.
Maj,2015].
AAMI.2009.OurRoadsofrage.CrashIndex:AnnualRoadSafetyIndex.AAMI
Abdel‐Aty, M., Radwan, E., 2000. Modeling traffic accident occurrence and
involvement,AccidentAnalysisandPrevention32,633–642.
ABS – Agencija za bezbednost saobraćaja 2017. Statistički izveštaj o stanju
bezbednosti saobraćaja u Republici Srbiji u 2016. godini,
http://www.abs.gov.rs/statisticki‐izvestaji[Jul22,2017].
Ahmed, N., Andersson, R. 2002. Differences in cause‐specific patterns of
unintentional injury mortality among 15–44‐year‐olds in income‐based country
groups,AccidentAnalysisandPrevention,34(4),541‐551.
AndersonC.A.,BushmanB.J.2002.HumanAggression,AnnualReviewofPsychology
53,27‐51,doi:10.1146/annurev.psych.53.100901.135231
Antonini,A.,Siri,C.,Santangelo,G.,Cilia,R.,Poletti,M.,Canesi,M.,Barone,P.2011.
Impulsivity and compulsivity in drug‐naïve patients with Parkinson’s disease,
MovementDisorders,26,464–468.
Arthur J., W., Bell, S.T., Edwards, B.D., Day, E.A., Tubré, T.C., Tubré, A.H. 2005.
Convergence of self‐report and archival crash involvement data: A two‐year
longitudinalfollowup,HumanFactors,47,303–313.
Literatura
351
Bagozzi,R.; Yi, Y. 2012. Specification, evaluation, and interpretationof structural
equationmodels, Journal of theAcademyofMarketingScience,40(1), 8–34,doi:
10.1007/s11747‐011‐0278‐x
Bahar,G.M.P. 2009.HighwaySafetyManualKnowledgeBase.Washington,D.C.:
NationalCooperativeHighwayResearchProgram.
Bandura,A.1977.Sociallearningtheory.EnglewoodCliffs,NJ:PrenticeHall.
BarrattE.S.1965.Factoranalysisofsomepsychometricmeasuresofimpulsiveness
andanxiety,PsychologicalReports,16,547–554.
Barratt, E. S., Slaughter, L. 1998. Defining, measuring, and predicting impulsive
aggression:Aheuristicmodel,BehaviorScienceLaw,16,285–302.
Baron,R.A.,Richardson,D.R.1994.HumanAggression:NaturalisticApproaches.
Routledge,Londres,GreatBritain,25–41.
Baumeister,R.E,Heatherton,T.E,Tice,D.M.1996.Whenegothreatsleadtoself‐
regulationfailure:Negativeconsequencesofhighself‐esteem,JournalofPersonality
andSocialPsychology,64,141‐156.
Benfield, J. A., Szlemko, W. J., Bell, P. A., 2007. Driver personality and
anthropomorphicattributionsofvehiclepersonalityrelatetoreportedaggressive
drivingtendencies,PersonalityandIndividualDifferences,42(2),247–258.
Berkowitz, L., Heimer, K. 1989. On the construction of the anger experience:
Aversiveeventsandnegativeprimingintheformationoffeelings.InL.Berkowitz
(Ed.),Advancesinexperimentalsocialpsychology."Vol.22(pp.1‐37).NewYork:
AcademicPress.
Literatura
352
Bjørnskau, T. 1994. Hypotheses on risk compensation, Proceedings of the
ConferenceRoadSafety inEurope, StrategicHighwayResearchProgram (SHRP),
Lille,France,81‐98.
Bone, S.A.,Mowen, J.C., 2006. Identifying the traitsofaggressiveanddistracted
drivers:Ahierarchicaltraitmodelapproach,JournalofConsumerBehaviour,5(5),
454–464,doi:10.1002/cb.193
Botticher, A., Van Der Molen, H. 1985. Risicmodellen als determinaten van
woorlichtingenandereverkeersveilligheidsmaatregelen.TrafficResearchCentrev
ReportVK85‐21.Groningen.
Boyce,T.E.,Geller,E.,S.2001.Appliedbehavioranalysisandoccupationalsafety:
The challenge of response maintenance, Journal of Organizational Behavior
Management,21,31‐60.
Brill,J.C.,Mouloua,M.,Shirkey,E.2009.PredictivevalidityoftheAggressiveDriver
Behavior Questionnaire (ADBQ) in a simulated environment. Proceedings of the
53rdAnnualMeetingoftheHumanFactorsandErgonomicsSociety,1334‐1337.
Brill, J. C., Mouloua, M. 2011. Exploration of the Factor Structure and Internal
ConsistencyoftheAggressiveDrivingBehaviorQuestionnaire(ADBQ).Proceedings
ofthe55thAnnualMeetingoftheHumanFactorsandErgonomicsSociety,1361‐
1365.
BrudeU.,LarssonJ.2000.Whatroundaboutdesignprovidesthehighestpossible
safety?NordicRoadandTransportResearch,12,17–21.
Burgess,C.,Webley,P.2000.EvaluatingtheeffectivenessoftheUnitedKingdom’s
NationalDriverImprovementScheme,SchoolofPsychology,UniversityofExeter.
Literatura
353
Bushman, B. J., Anderson, C. A. 2001. Media violence and the American public:
Scientificfactsversusmediamisinformation,AmericanPsychologist,56,477‐489.
Canan,F.2017.Therelationshipbetweensecond‐to‐fourthdigit(2D:4D)ratiosand
problematic and pathological Internet use among Turkish university students,
Journalofbehavioraladdictions,6(1),30‐41.
Canppada,N.,J.Scuily,S.Newstead,B.Corben.2007.FindingsontheEffectiveness
ofIntersectionTreatmentsIncludedintheVictorianStatewideAccidentBlackSpot
Program.Melbourne.AustralasianCo.
CavalloV.E.,CohenA.S.2001.Perception.In:BarjonetPE.(eds)TrafficPsychology
Today.Springer,Boston,MA
Chan, Y., Yoon, J., Wu, J. T., Kim, H. J., Pan, K. T., Yim, J., Chien, C. T. 2008.
SupplementaryMaterial,JournalofCellScience,121(19).
Chen,C.,Li,C.,Wang,H.,Ou, J. J.,Zhou,J.S.,Wang,X.P.2014.CognitiveBehavioral
Therapy to Reduce Overt Aggression Behavior in Chinese Young Male Violent
Offenders,Aggressivebehavior,40,329–336.
ChenL.,MayA.,AuslanderD.1990.FreewayRampControlUsingFuzzySetTheory
forInexactReasoning,TransportationResearchPartA:PolicyandPractice,24,15‐
25.
Chenani,S.B.,Maksimainen,M.,Tetri,E.,Kosonen,I.,Luttinen,T.2016.Theeffects
of dimmable road lighting: a comparison of measured and perceived visibility,
TransportationResearchPartF:TrafficPsychologyandBehaviour,43,141‐156.
Choi, S.W. 2014. Similarities and differences among Internet gaming disorder,
gambling disorder and alcohol use disorder: A focus on impulsivity and
compulsivity,JournalofBehavioralAddictions,3(4),246–253.
Literatura
354
ChongL., AbbasM.M., FlintschA.M.,HiggsB. 2013.A rule‐basedneural network
approachtomodeldrivernaturalisticbehaviorintraffic,TransportationResearch
PartC:EmergingTechnologies,32,207–223.
Clarke,S.2006.Therelationshipbetweensafetyclimateandsafetyperformance:a
meta‐analyticreview,JournalofOccupationalHealthPsychology,11(4),315‐327.
ConnorM.D., JonathanR.T.,DavidsonM.D2003.Developmentofanewresilience
scale:TheConnor‐DavidsonResilienceScale(CD‐RISC),DepressionandAnxiety,18
(2),76–82.
Crick, N.R., Dodge, K.A. 1994. A review and reformulation of social‐information
processingmechanismsinchildren’sdevelopment,PsychologicalBulletin,115,74–
101.
Crick, N. R., Dodge, K. A. 1996. Social information‐processing mechanisms on
reactiveandproactiveaggression,ChildDevelopment,67,993–1002.
Critchfield, K. L., Levy, K. N., J. F. 2004. The relationship between impulsivity,
aggression, and impulsive–aggression in borderline personality disorder: An
empirical analysis of self–reportmeasures, Journal of Personality Disorders, 18,
555–570.
Cuttler,C.,O’connell,D.,Marcus,D.K.2016.RelationshipsBetweenDimensionsof
ImpulsivityandProspectiveMemory,EuropeanJournalofPersonality,30,83–91.
Čičević,S.,Čubranić‐Dobrodolac, M.2008.DistributionofLearningStylesAmong
Young Drivers, MicroCAD. International Scientific Conference, Miskolc, Hungary,
127‐133.
Literatura
355
Čičević, S., Tubić, V., Nešić, M., Čubranić‐Dobrodolac, M. 2011. Young drivers
perceptual learning style preferences and traffic accidents, Promet – Traffic and
Transportation,23(3),225–233.
Čičević,S.,Marković,M.,Jocić,D.,Obradović,F.,Čubranić‐Dobrodolac,M.,Lipovac,
K., Trifunović, A. 2014. Uticaj posmatranja agresivnih scena na sklonost ka
agresivnom ponašanju mladih vozača. Knjiga rezimea 62. Naučno‐stručni skup
psihologaSrbija,Profesionalnirazvojpsihologa,Zlatibor,28‐31.05.2014.pp.94.
Čičević,S.,Čubranić‐Dobrodolac,M.,Trifunović,A.2015.Ispitivanjeprocenebrzine
kretanja vozila. X International Conference Jubilee Raod Safety in Local
Communities,BSLZ2015,pp.251‐360,22‐25April,Kragujevac,Srbija.
Čubranić‐Dobrodolac, M., Čičević, S. 2017a. Model za procenu sklonosti ka
saobraćajnim nezgodama baziran na korišćenju instrumenata za procenu
karakteristika ličnosti iponašanjavozača iprimeni fazi logike,ZbornikradovaVI
međunarodnakonferencija„Bezbjednostsaobraćajaulokalnojzajednici“,75‐80,26.
i27.oktobar2017,BanjaLuka,BiH.
Čubranić‐Dobrodolac, M., Čičević, S. 2017b. Uticaj percepcije opasnih mesta na
incidenciju nezgoda u saobraćaju, Zbornik radova V naučno‐stručni skup „Put i
životnasredina“,194‐200,28.i29.septembar2017,Vršac,Srbija.
Čubranić‐Dobrodolac,M.,Čičević,S.,Tubić,V.2010.Percepcijarizikamladihvozača,
Knjigaapstraktasa9.savetovanjaotehnikamaregulisanjasaobraćajaIndikatoriu
saobraćajnominženjerstvu,Subotica,Srbija,38‐43.
Čubranić‐Dobrodolac,M.,Čičević,S.,Dobrodolac,M.2013.Therisksassociatedwith
usingamobilephonebyyoungdrivers,Transport,28(4),381–388.
Literatura
356
Čubranić‐Dobrodolac,M.,Čičević,S.,Lipovac,K.,BorisAntić,B.,Trifunović,A.2014.
Odnos između elemenata puteva i percepcije rizika vozača. Knjiga rezimea 62.
Naučno‐stručni skuppsihologa Srbija,Profesionalni razvojpsihologa, Zlatibor, 28‐
31.05.2014.pp.96.
Čubranić‐Dobrodolac,M.,Čičević,S., Lipovac,K.,Trifunović,A.2014.Sklonostka
preuzimanjurizikauvožnjimladihvozača.Knjigarezimea62.Naučno‐stručniskup
psihologaSrbija,Profesionalnirazvojpsihologa,Zlatibor,28‐31.05.2014.pp.95.
Čubranić‐Dobrodolac,M.,Čičević,S.,Lipovac,K.,BorisAntić,B.,Trifunović,A.2014.
Odnos između elemenata puteva i percepcije rizika vozača. Knjiga rezimea 62.
Naučno‐stručniskuppsihologaSrbija,Profesionalnirazvojpsihologa,Zlatibor,28‐
31.05.2014.pp.96.
ČubranićDobrodolac,M.,Čičević,S.,Antić,B.,Lipovac,K.,Trifunović,A.2015.Prikaz
metrijskih karakteristika različitih verzija DBQ (Manchester Driver Behaviour
Questionnaire)upitnika.Knjigarezimea63.Naučno‐stručniskupSaborpsihologa
Srbije‐Strukovniidentitetpsihologaimeđuresornasaradnja,Zlatibor,27–30.maj,
2015.
ČubranićDobrodolac,M.,Čičević,S.,Nešić,M.2015.Theimpactofimpulsivenesson
roadtrafficaccidentsanddriverbehavior,11thInternationalConference,Daysof
appliedpsychology,67‐69,FacultyofPhilosophy,September25th‐26th2015,Niš,
Serbia.
Čubranić‐Dobrodolac,M. Lipovac, K., Čičević, S., Tubić, V. 2015. Percepcija rizika
vozačainjenuticajnanastanaksaobraćajnihnezgoda.InProceedingsofTheFirst
SerbianRoadCongress,5.i6.ЈuneBeograd,Srbija.pp.1098‐1105
Literatura
357
Čubranić‐Dobrodolac,M.,Lipovac,K.,Čičević,S.2016.Odnosizmeđuimpulsivnosti
kaoosobineličnostiiagresivnogponašanjauvožnji,XImeđunarodnakonferencija
„Bezbednostsaobraćajaulokalnojzajednici“,161‐167,13.‐16.april2016,Vrnjačka
Banja,Srbija.
Čubranić‐Dobrodolac,М.,Lipovac,К,Čičević,S.,Antić,B.2017.Amodelfortraffic
accidentspredictionbasedondriverpersonalitytraitsassessment,Promet–Traffic
andTransportation29(6),631–642.
Dahlen, E. R. 2012. Taking a look behind the wheel: An investigation into the
personalitypredictorsofaggressivedriving,AccidentAnalysisandPrevention,45,
1–9.
Dahlen,E.R.,Martin,R.C.,Ragan,K.,Kuhlman,M.M.2005.Drivinganger,sensation
seeking,impulsiveness,andboredompronenessinthepredictionofunsafedriving,
AccidentAnalysisandPrevention,37,341–348.
Davey, J., Freeman, J., Wishart, D., 2007. An Application of the Driver Attitude
QuestionnairetoExamineDrivingBehaviourswithinanAustralianOrganisational
FleetSetting,http://acrs.org.au/files/arsrpe/RS060039.pdf
Deffenbacher,J.L.,Oetting,E.R.,Lynch,R.S.1994.Developmentofadrivinganger
scale,PsychologicalReports,74,83–91.
Deffenbacher, J.L., Huff, M.E., Lynch, R.S., Oetting, E.R., Salvatore, N.F., 2000.
Characteristics and treatment of high‐anger drivers, Journal of Counseling
Psychology,47,5–17,doi:10.1037/0022‐0167.47.1.5.
Deffenbacher, J.L.,Lynch,R.S.,Oetting,E.R., Swaim,R.C.,2002.TheDrivingAnger
ExpressionInventory:Ameasureofhowpeopleexpresstheirangerontheroad,
Behaviour Research and Therapy, 40, 717–737, doi:10.1016/S0005‐
7967(01)00063‐8.
Literatura
358
Deffenbacher, J.L., Lynch, R.S., Richards, T.L. 2003. Anger aggression and risky
behavior: a comparison of high and low anger drivers, Behavior research and
Therapy,41,701‐718.
Deffenbacher,J.L.,RichardsT.L.,FilettiL.B.,LynchR.S.2007.Angrydrivers:atest
ofstate‐traittheoryExpressionInventory:Ameasureofhowpeopleexpresstheir
anger on the road, Behaviour Research and Therapy, 40, 717–737, doi:
10t.1016/S0005‐7967(01)00063‐8.
DeOña,J.,Lopez,G.,Mujalli,R.,Calvo,F.J.,2013.Analysisoftrafficaccidentsonrural
highwaysusinglatentclassclusteringandbayesiannetworks,AccidentAnalysisand
Prevention,51,1–10,doi:10.1016/j.aap.2014.09.020
Dollard,J.,Doob,L.,Miller,N.,Mowrer,O.,Sears,R.1939.Frustrationandaggression.
NewHaven,CT:YaleUniversityPress.
Donges,E.1999.Aconceptual frameworkforactivesafety inroadtraffic,Vehicle
SystemDinamics,32(2/3),113‐128.
Driss, M., Saint‐Gerand, T., Benabdeli, K., Hamadouche, M.A. 2015. Traffic safety
predictionmodel for identifying spatial degrees of exposure to the risk of road
accidentsbasedonfuzzylogicapproach,GeocartoInternational,30(3),243‐257.
Dudek, D., Siwek, M., Jaeschke, R., Drozdowicz, K., Styczeń, K., Arciszewska, A.,
Chrobak, A.A., Rybakowski, J.K. 2016. A web‐based study of bipolarity and
impulsivity in athletes engaging in extreme and high‐risk sports, Acta
Neuropsychiatrica,28,3,179‐183.
Dula, C. S., Ballard, M. E. 2003. Development and evolution of a measure of
dangerous, aggressive, negative emotional, and risky driving, Journal of Applied
SocialPsychology,33(2),263‐282.
Literatura
359
Dula,C.S.,Geller,E.S.2004.Risky,aggressive,oremotionaldriving:Addressingthe
needforconsistentcommunicationinresearch,JournalofSafetyResearch,34,559–
566.
Dulisse, B. (1997). Methodological issues in testing the hypothesis of risk
compensation,AccidentAnalysisandPrevention,29(3),285‐292.
Dupont,E.,Martensen,H.,Papadimitriou,E.,Yannis,G.2010.Riskandprotection
factorsinfatalaccidents,AccidentAnalysisandPrevention,42(2),645‐653.
Effati,M.,Rajabi,M.A.,Samadzadegan,F.,Blais,R.2012DevelopingaNovelMethod
for Road Hazardous Segment Identification Based on Fuzzy Reasoning and GIS,
JournalofTransportationTechnologies,2,32‐40.
Eiksund, S. 2009. A geographical perspective on driving attitudes and behaviour
amongyoungadultsinurbanandruralNorway,SafetyScience,47(4),529‐536.
Elander,J.,West,R.,French,D.1993.BehaviouralCorrelates:IndividualDifferences
inRoad‐TrafficCrashRisk:AnExaminationofMethodsandFindings,Psychological
Bulletin,113(2),279‐294.
Elliott,D.,Elliott,B.,Lysaght,A.1995.OlderDriverRisksandCountermeasures,
Elliott&ShanahanResearchforTheFederalOfficeofRoadSafety
Elvik,R.,Vaa,T.2004.TheHandbookofRoadSafetyMeasures,Elsevier
Evans,L.1991.TrafficSafetyandtheDriver.NewYork:VanNostrandReinhold.
Evans,T.2017.Extended“TimedUpandGo”assessmentasaclinicalindicatorof
cognitivestateinParkinson'sdisease,JournaloftheNeurologicalSciences,375,86‐
91.
Literatura
360
Farr,O.M.,Hu,S.,Zhang,S.,Li,C.S.R.2012.Decreasedsaliencyprocessingasaneural
measureofBarrattimpulsivityinhealthyadults,NeuroImage,63,1070–1077.
Feindler,E.,Guttman,J.1994.Cognitive‐behavioralangercontroltrainingforgroups
ofadolescents.InC.W.LeCroy(Ed.),Handbookofchildandadolescenttreatment
manuals(pp.170‐199).NewYork:LexingtonBooks.
Fernandes, R., Job, R.F. S., Hatfield, J., 2007. A challenge to the assumed
generalizability of prediction and countermeasure for risky driving: Different
factorspredictdifferentriskydrivingbehaviors,JournalofSafetyResearch,38,59‐
70,doi:10.1016/j.jsr.2006.09.003
Florez,G.,Saiz,P.A.,Santamaria,E.M.,Alvarez,S.,Nogueiras,L.,Arrojo,M.2016.
Impulsivity, implicit attitudes and explicit cognitions, and alcohol dependenceas
predictorsofpathologicalgambling,PsychiatryResearch,245,392‐397.
FossatiA.,DiCeglie,A.,Acquarini,E.,Barratt,E.S.2001.Psychometricpropertiesof
an Italian version of the Barratt Impulsiveness Scale‐11 (BIS‐11) in nonclinical
subjects,JournalofClinicalPsychology,57,815–828.
Fox, S., Hammond, S. 2017. Investigating the multivariate relationship between
impulsivityandpsychopathyusingcanonicalcorrelationanalysis,Personalityand
individualdifferences,111,187‐192.
FridstrømL.,IfverJ.,IngebrigtsenS.,KulmalaR.,ThomsenL.K.1995.Measuringthe
ContributionofRandomness,Exposure,Weather,andDaylighttotheVariationin
RoadAccidentCounts,AccidentAnalysis&Prevention,27(1),1‐20.
Fuller,R.2005.Towardsageneraltheoryofdriverbehavior,AccidentAnalysisand
Prevention,37(3),461‐472.
Literatura
361
FurnhamA,SaipeJ.1993.PersonalityCorrelatesofConvictedDrivers,Personality
andIndividualDifferences,14,329–336.
GaberM.,WahaballaA.M.,OthmanA.M.,DiabA.2017.Trafficaccidentsprediction
model using fuzzy logic: Aswan desert road case study, Journal of Engineering
Sciences,45(1),28–44.
Ge,Y.,Zhang,Q.,Zhang,J.,Zhao,W.,Yu,T.,Zhang,K.,Qu,W.,2016.Validationofthe
Driver’s Angry Thoughts Questionnaire (DATQ) in a Chinese sample, Accident
AnalysisandPrevention,95,362–372,doi:10.1016/j.aap.2016.04.025
Geen,R.G.2001.Humanaggression(2nded.).Philadelphia:OpenUniversityPress.
Gibson, J. J. 1986. The ecological approach to visual perception, Hillsdale, NJ:
LawrenceErlbaumAssociates,Inc.
Gichaga,F. J.2017.The impactof road improvementsonroadsafetyandrelated
characteristics,IATSSResearch,40(2),72‐75.
Gordhamer,S.A.,Martinex,F.H.,Petrilli,R.T.,Lynch,R.S.,Deffenbacher,J.L.1999.
Characteristicsofindividualswithhighandlowdrivinganger.Paperpresentedat
the69thAnnualConventionoftheRockyMountainPsychologicalAssociation,Fort
Collins,CO.
Gordon,M.2007.Evaluatingtheballoonanaloguerisktask(Bart)asapredictorof
risk taking inadolescentandadultmaledrivers,Master thesis,TheUniversityof
Waikato.
Gülec,H.,Tamam,L.,Gülec,M.Y.,Turhan,M.,Karakus,G.,Zengin,M.,Stanford,M.S.
2008.PsychometricpropertiesoftheTurkishversionoftheBarrattimpulsiveness
scale‐11,BulletinofClinicalPsychopharmacology,18,251–258.
Literatura
362
Gurda,A.2012.EvaluatingThePsychometricPropertiesOfTheAggressiveDriving
Behavior Questionnaire (ADBQ). A thesis submitted in partial fulfillment of the
requirementsfortheHonorsintheMajorPrograminPsychologyIntheCollegeof
SciencesAnd inTheBurnettHonorsCollegeAt theUniversity of Central Florida
Orlando,Florida
HaddonW. 1970. On the escape of tigers: an ecologic note. American Journal of
PublicHealth60,2229–2234.
Hale,A.R.,Stoop,J.,Hommels,J.1990.Humanerrormodelsaspredictorsofaccident
scenarios fordesigners in road transportsystems,Ergonomics,33(10‐11),1377‐
1387.
Hansen,C.P.1988.Personalitycharacteristicsoftheaccidentinvolvedemployee,
JournalofBusinessandPsychology,2,246–365.
Harms, C., Jackel, L.,Montag, C. 2017. Reliability and completion speed in online
questionnaires under consideration of personality, Personality and individual
differences,111,281‐290.
Harre,R.,Lamb,R.1983.Theencyclopedicdictionaryofpsychology.GreatBritain:
BasilBlackwellPublisherLimited.
Hartmann,A.S.,Rief,W.,Hilbert,A.2011.PsychometricpropertiesoftheGerman
version of the Barratt Impulsiveness Scale, Version 11 (BIS‐11) for adolescents,
PerceptualandMotorSkills,112,353–368.
Hennessy,D.A.,Wiesenthal,D.L.1997.Therelationshipbetweentrafficcongestion,
driverstress,anddirectversusindirectcopingbehaviors,Ergonomics,40,348‐361.
Hennessy,D.A.,Wiesenthal,D.L.1999.Trafficcongestion,driverstress,anddriver
aggression,AggressiveBehavior,25,409‐423.
Literatura
363
Herrera‐Diaz,A.2016.FunctionalConnectivityandQuantitativeEEGinWomenwith
AlcoholUseDisorders:AResting‐StateStudy,Braintopography,29,3,368‐381.
Het Rot, M., Moskowitz. D., Simon N. 2014. Young Impulsive behaviour in
interpersonal encounters:Associationswithquarrelsomenessandagreeableness,
BritishJournalofPsychologyImpulsivityandsocialinteractions,106(1),152‐161.
Hosseinpour, M., Yahaya, A.S., Ghadiri, S.M., Prasetijo, J. 2013. Application of
AdaptiveNeuro‐FuzzyInferenceSystemforRoadAccidentPrediction,KSCEJournal
ofCivilEngineering,17(7),1761‐1772.
Huesmann, L. R. 1998. The role of social information processing and cognitive
schema in theacquisitionandmaintenanceofhabitualaggressivebehavior. InR.
Geen&E.Donnerstein(Eds.)
http://www.who.int/violence_injury_prevention/road_safety_status/country_prof
iles/austria.pdf.
http://www.who.int/violence_injury_prevention/road_safety_status/2009/en/ind
ex.html
http://www.putevisrbije.rs/images/pdf/brojanje/2015/tabela_saobracajnog_opte
recenja_na_dp_IBreda_preliminarni_rezultati.pdf(pristupano04.01.2016)
iRAP.2009.iRAPSerbiaResults,dostupnona:http://www.irap.net/en/about‐irap‐
3/assessment‐reports(pristupano05.08.2016)
iRAP. 2014. Pilot Project: Ibarska Magistrala, Serbia, dostupno na:
http://www.irap.net/en/about‐irap‐3/assessment‐reports (pristupano 05.08.
2016)
Jakubczyk,A.2013.Impulsivity,riskybehaviorsandaccidentsinalcohol‐dependent
patients,AccidentAnalysisandPrevention,51,150–155.
Literatura
364
Jakubczyk,A.,Brower,K.J.,Kopera,M.,Krasowska,A.,Michalska,A.,Loczewska,A.,
Majewska,A.,Ilgen,M.,Fudalej,S.,Wojnar,M.2016.Physicalpainandimpulsivityin
alcohol‐dependentpatients,AddictionResearchandTheory,24(6),458‐465.
Jakuszkowiak‐Wojten,K.,Landowski,J.,Wiglusz,M.S.,Cubała,W.J.2017.Impulsivity
indrug‐naïvepanicdisorder,TheEuropeanJournalofPsychiatry,31,2,45–49.
Jevtić,V.,Vujanić,M.,Lipovac,K.,Jovanović,D.,Stanojević,P.2012.Theinfluenceof
motives on risky behavior in traffic: Comparison between motorcyclists and
passenger car drivers, Scientific Research and Essays, 7(10), 1134‐1140, doi:
10.5897/SRE11.1004.
Joireman, J.A., Anderson, J., Strathman, A. 2003. The aggression paradox:
Understandinglinksamongaggression,sensationseeking,andtheconsiderationof
futureconsequences,JournalofPersonalityandSocialPsychology,84,1287–1302.
Jonah,B.A.1997.Sensationseekingandriskydriving:areviewandsynthesisofthe
literature,AccidentAnalysisandPrevention,29,651–665.
Jovanovic, D., Lipovac, K., Stanojevic, P., Stanojevic, D., 2011. The effects of
personality traits on driving‐related anger and aggressive behaviour in traffic
among Serbian drivers, Transportation Research Part F: Traffic Psychology and
Behaviour,14(1),43–53,doi:10.1016/j.trf.2010.09.005
Jovanovic,D.,Stanojevic,P.,Jakšić,D.2014.Theinfluenceofriskperceptionandself‐
assessed driving abilities on the behavior of young drivers, XII International
Symposium"ROADACCIDENTSPREVENTION2014"HotelJezero,BorskoJezero,9
i10oktobar2014.
JP“PuteviSrbije,2017. TabelasaobraćajnogopterećenjanadržavnimputevimaIB
reda,http://www.putevi‐srbije.rs/index.ph
Literatura
365
Kam,J.W.Y.,Dominelli,R.,Carlson,S.R.2102.Differentialrelationshipsbetweensub‐
traitsofBIS‐11 impulsivityandexecutiveprocesses:AnERPstudy, International
JournalofPsychophysiology,85,174–187.
Kanaan,A.,Huertas,P., Santiago,A., Sanchez, J.A.,Martinez,P.2009. Incidenceof
differenthealth factorsand their influenceon trafficaccidents in theprovinceof
Madrid, Spain. Legal Medicine (Tokyo), 11(Suppl 1), S333–336. doi:
10.1016/j.legalmed.2009.01.010
Karli,P.1991.Animalandhumanaggression, OxfordSciencePublications
Krahé,B.,Fenske,I.2002.Predictingaggressivedrivingbehavior:theroleofmacho
personality,age,andpowerofcar,AggressiveBehavior,28,21–29.
Koushki,P.A.,Bustan,M.2006.Smoking,beltuse,androadaccidentsofyouth in
Kuwait,SafetyScience,44(8),733‐746.
Lajunen,T.,Parker,D.,Summala,H.1999.Does trafficcongestion increasedriver
aggression?TransportationResearchPartF:TrafficPsychologyandBehaviour,2
(4),225‐236,doi:10.1016/S1369‐8478(00)00003‐6
Lajunen,T.,Parker,D.,Stradling,S.G.1998.Dimensionsofdriveranger,aggressive
and highway code violations and their mediation by safety orientation,
TransportationResearchPartF:TrafficPsychologyandBehaviour,1(2),107‐121.
doi:10.1016/S1369‐8478(98)00009‐6
LawtonR.,Nutter,A.2002.Acomparisonofreportedlevelsandexpressionofanger
ineverydayanddrivingsituations,BritishJournalofPsychology,93,407‐423
Li,C.S.,Chen,S.H.2007.Obsessive‐compulsivenessandimpulsivityinanon‐clinical
populationofadolescentmalesandfemales,PsychiatryResearch,149,129–138.
Literatura
366
Lindstrøm, J. C.,Wyller, N. G., Halvorsen,M.M., Hartberg, S., Lundqvist, C. 2017.
Psychometric properties of a Norwegian adaption of the Barratt Impulsiveness
Scale‐11inasampleofParkinsonpatients,headachepatients,andcontrols,Brain
andBehavior,7,8,doi:10.1002/brb3.605
Lipovac,К.2008.Bezbednostsaobraćaja,JPSlužbenilist,Beograd.
Lipovac, K., Jovanović, D., Stanojević, P. 2011. Uzroci nasilničkog ponašanja u
saobraćaju. Zbornik radova, Međunarodna naučno ‐ stručna konferencija
Nasliničkikriminalitet,BanjaLuka.
Lipovac,K.,Trifunović,A.,Čičević,S.,Čubranić‐Dobrodolac,M.2015PrimenaRSI‐
proverebezbednostisaobraćajanadeonicidržavnogputaM22.Zbornikradova,IV
MeđunarodnakonferencijaBezbjednostsaobraćajaulokalnojzajednici,pp.63‐70,
BanjaLuka,29.i30.oktobar2015
Ljuboja, J., Dubljanin, J., Obradović, M., Ljuboja, M. 2016. Višestruka linearna
regresija, autorizovana skripta, Univerzitet u Beogradu ‐ Matematički fakultet,
dostupno na http://www.matf.bg.ac.rs/p/files/1432029947‐63‐Visestruka_
linearna_regresija.pdf(pristupano15.5.2017)
Lonero,L.P.,Clinton,K.M.2008.ExtensiveSeriesofResearchandAnnualReports
for the 5‐Year Formative Evaluation of MPI’s High School Education Project.
Winnipeg,Manitoba:ManitobaPublicInsurance
Lower,M.,Magott,J.,Skorupski,J.2016.AnalysisofAirTrafficIncidentsusingevent
treeswithfuzzyprobabilities,FuzzySetsandSystems,293,50–79.
Lozano, J. H. 2015. Are impulsivity and intelligence truly related constructs?
Evidencebasedonthefixed‐linksmodel,PersonalityandIndividualDifferences85,
192–198.
Literatura
367
Lu,C.F.,Jia,C.X.,Xu,A.Q.,Dai,A.Y.,Qin,P.2012.Psychometriccharacteristicsof
ChineseversionofBarrattImpulsivenessScale‐11insuicidesandlivingcontrolsof
ruralChina,Omega,66,215–229.
Ludwig, W.V. 2013. Impulsivity, self‐control, and hypnotic suggestibility,
ConsciousnessandCognition,22,637–653.
Luengo‐FernandezR.,GrayA.M,RothwellP.M.2009.Costsofstrokeusingpatient‐
leveldata:Acriticalreviewoftheliterature.Stroke40:18–23.
Lyvers,M.,Basch,V.,Duff,H.,Edwards,M.S.2015.TraitImpulsivityPredictsD‐KEFS
TowerTest,PerformanceinUniversityStudents,Appliedneuropsychology:adult,
1–6,2014.
Lyvers,M.,Duff,H.,Basch,V.,Edwards,M.S.2012.Rashimpulsivenessandreward
sensitivity in relation to risky drinking by university students: Potential roles of
frontalsystems,AddictiveBehaviors,37,940–946.
Lyvers,M.,Makin,L.C.,Toms,E.Thorberg,F.A.,Samios,C.2014.TraitMindfulness
in Relation to Emotional Self‐Regulation and Executive Function Michael,
Mindfulness,5(6),619‐625.
Malesza,M.,Ostaszewski,P.2016.Darksideof impulsivity‐Associationsbetween
theDarkTriad,self‐reportandbehavioralmeasuresofimpulsivity,Personalityand
IndividualDifferences,88,197–201.
MamdaniE.,Assilan,S.1975.AnExperiment inLinguisticSynthesiswithaFuzzy
LogicController,InternationalJournalofMan‐MachineStudies,7,1‐13.
Marcus‐Newhall,A.,Pedersen,W.,Carlson,M.,Miller,N.2000.Displacedaggression
is alive and well: A meta‐analytic review, Journal of Personality and Social
Psychology,78(4),670‐689.
Literatura
368
Marczinski, C. A., Hertzenberg, H., Goddard, P., Maloney, S.F., Stamates, A. L.,
O'Connor,K.2016.Alcohol‐relatedFacebookactivitypredictsalcoholusepatterns
incollegestudents,Addictionresearchandtheory,24(5),398‐405.
Martínez‐Loredoa, V., Fernández‐Hermidaa, J.R., Fernández‐Artamendi, S.,
Carballoc,J.L.,García‐Rodríguez,O.2015.Spanishadaptationandvalidationofthe
BarrattImpulsivenessScaleforearlyadolescents(BIS‐11‐A),InternationalJournal
ofClinicalandHealthPsychology,15,274‐282.
McKenna,F.P.,Horswill,M.S.2006.Risktakingfromtheparticipant'sperspective:
Thecaseofdrivingandaccidentrisk,HealthPsychology,25(2),163‐170.
http://dx.doi.org/10.1037/0278‐6133.25.2.163
Meadows,M.2002.SpeedAwarenessTraining,Radprezentovanna67thRoadSafety
Congress,4–6mart,Stratford,UK.
Memon,A.Q,2012.Modellingroadaccidentsfromnationaldatasets:Acasestudyof
GreatBritain,PhDthesis,UniversityCollegeLondon,CentreforTransportStudies.
Mendel,J.M.1995.FuzzyLogicSystemsforEngineering:ATutorial,Proceedingsof
theIEEE,83,345‐377.
Michon, J.A. 1989. Explanatory pitfalls and rule‐based driver models, Accident
AnalysisandPrevention,21(4),341‐53.
Miles, D. E., Johnson, G. L. 2003. Aggressive driving behaviors: are there
psychological and attitudinal predictors?TransportationResearchPart F: Traffic
PsychologyandBehaviour,6,147–161.
Milošević, S. 2008. Percepcija, pažnja i psihomotorna aktivnost, Univerzitet u
Beogradu–Saobraćanifakultet
Literatura
369
Mizell,L.1997.Aggressivedriving.AggressiveDriving:ThreeStudies.Washington,
DC:AAAFoundationforTrafficSafety
Moan, I. S.,Norström,T., Storvoll, E. E. 2013.Alcohol use anddrunkdriving: the
modifyingeffectofimpulsivity,JournalofStudiesonAlcoholandDrugs,74(1),114‐
119.
Moeller,G.,Barratt,E.,Dougherty,D.,Schmitz,J.,Swann,A.2001.Psychiatricaspects
ofimpulsivity,AmericanJournalofPsychiatry,158,1783–1793.
Morean, M.E. 2014. Psychometrically Improved, Abbreviated Versions of Three
ClassicMeasuresofImpulsivityandSelf‐Control,PsychologicalAssessment,26(3),
1003‐1020.
Moretti, L., Cantisani, G., Di Mascio, P., Caro, S. 2017. Technical and economic
evaluation of lighting and pavement in Italian road tunnels, Tunnelling and
UndergroundSpaceTechnology,65,42‐52.
Morgan,B.B.R.,Sales,E.Glickman,A.S.1994.Ananalysisofteamevolutionand
maturation,JournalofGeneralPsychology,120,277‐291.
Moustafa,A.,Tindle,R.,Frydecka,D.,Misiak,B.2017.Impulsivityanditsrelationship
withanxiety,depressionandstress,ComprehensivePsychiatry,74,173‐179.
Näätänen,R.,Summala,H.1976.Road‐userbehaviorandtrafficaccidents,North‐
HollandPub.Co.
OECD. 1990. Behavioural adaptations to changes in the road transport system:
report. (92‐ 64‐13389‐5). Paris: Organisation for Economic Co‐operation and
DevelopmentRetrievedfromhttp://mirlyn.lib.umich.edu/Record/002210828.
Literatura
370
Ogden,B.D.2007.Railroad‐highwayGradeCrossingHandbook,2.FederalHighway
Administration,U.S.DepartmentofTransportation;Washington,D.C.
Özkan,T.,Lajunen,T.,Parker,D.,Sümer,N.,Summala,H.2010.Symmetricrelation‐
ship between self and others in aggressive driving across gender and countries,
TrafficInjuryPrevention,11,228–239.
Paaver,M.,Eensoo,D.,Kaasik,K.,Vaht,M.,Maestu,J.,Harro,J.2013.Preventingrisky
driving:Anovelandefficientbrief intervention focusingonacknowledgementof
personalriskfactors,AccidentAnalysisandPrevention,50,430–437.
Pallant,J.2010.SPSSSurvivalManual,prevod4.izdanja,Mikroknjiga.
Pappis, C., Mamdani, E. 1977. A Fuzzy Controler for a Traffic Junction, IEEE
TransactionsonSystems,ManandCybernetics,ASMC,7,707‐717.
Parker,D.,Lajunen,T.,Stradling,S.1998.Attitudinalpredictorsofinterpersonally
aggressive violations on the road, Transportation Research Part F: Traffic
PsychologyandBehaviour,1,11–24.
Parker, D., Stradling, S.G., Manstead, A. 1996. Modifying beliefs and attitudes to
exceeding thespeed limit:An interventionstudybasedon the theoryofplanned
behavior,JournalofAppliedSocialPsychology,26,1‐19.
Parkinson,B.2001.Angeronandofftheroad,BritishJournalofPsychology,92,507‐
526.
Patton, J. H., Stanford, M. S., Barratt, E. S. 1995. Factor structure of the Barratt
ImpulsivenessScale,JournalofClinicalPsychology51,768–774.
Literatura
371
Pedersen,W.,Gonzales,C.,Miller,N.2000.Themoderatingeffectoftrivialtriggering
provocationondisplacedaggression,JournalofPersonalityandSocialPsychology,
78(5),913‐927
Pešić, D.,Marković, N., Vujanić,M., Rosić,M. 2012. Importance of vertical traffic
signalization database development presented trough Alibunar municipality
section,XIInternationalSymposium"Roadaccidentsprevention2012",NoviSad.
PIARC.2007.Roadaccidentinvestigationguidelinesforroadengineers,WorldRoad
AssociationPIARCTechnicalCommittee‐3.1“RoadSafety”
Plutchik,R.,vanPraag,H.M.1995.Thenatureofimpulsivity:definitions,ontology,
genetics,andrelationstoaggression.InE.Hollander&D.J.Stein(Eds.),Impulsivity
andAggression,7–24.NewYork:Wiley.
PorterB.E.HandbookofTrafficPsychology.AcademicPress,2012.
Rasmussen,J.1987.TheDefinitionofHumanErrorandaTaxonomyforTechnical
SystemDesign.Rasmussen J,DuncanK,Leplat J, editors. InNewTechnologyand
HumanError.Chichester:Wiley.23‐30.
Renner,W.,Anderle,F.G.2000.Venturesomenessandextraversionascorrelatesof
juveniledrivers’trafficviolations,AccidentAnalysisandPrevention32,673–678.
Recarte,M.A.,Nunes,L.M.2000.Effectsofverbalandspatial‐imagerytasksoneye
fixationswhiledriving,JournalofExperimentalPsychology:Applied,6(1),31‐43.
Reason, J., Manstead, A., Stradling, S., Baxter, J., Campbell, K. 1990. Errors and
violationsontheroads:Arealdistinction?,Ergonomics,33(10/11),1315‐1332.
Literatura
372
Reise,S.P.,Moore,T.M.,Sabb,F.W.,Brown,A.K.,London,E.D.2013.TheBarratt
Impulsiveness Scale‐11: Reassessment of its structure in a community sample,
PsychologicalAssessment,25,631–642.
Reist, C., Mee, S., Fujimoto, K., Rajani, V., Bunney, W. E., Bunney, B.G. 2017.
Assessmentofpsychologicalpaininsuicidalveterans,Plosone,12(5).
Richter,P.,Wagner,T.,Heger,R.,Weise,G.1998.PsychophysiologicalAnalysisof
Mental Load during Driving on Rural Roads ‐ a Auasi‐Experimental Field Study,
Ergonomics,41(5),593–609.
Rico, E., Rosado, J., Cantón‐Cortés, D. 2017, Impulsiveness and Child‐to‐Parent
Violence:TheRoleofAggressor’sSex,TheSpanishJournalofPsychology,20,e15,
1–11.
Rothengatter, T. 2002. Drivers’ illusions‐‐nomore risk, Transportation Research
PartF:TrafficPsychologyandBehaviour,5(4),249‐258.
Rowland,B.,Davey,J.,Freeman,J.Wishart,D.2007.Aprofileoftaxidrivers'road
safety attitudes and behaviours: Is safety important? In Proceedings of 3rd
InternationalRoadSafetyConference,Perth,WA.
Rubio,G.,Jimenez,M.,Rodriguex‐Jimenez,R.,Martinez,I.,Iribarren,M.M.,Jimenez‐
Arriero,M.A.2007.Varietiesofimpulsivityinmaleswithalcoholdependence.The
role of cluster‐B personality disorder. Alcoholism: Clinical and Experimental
Research,31,1826–1832.
RSI. 2009. http://www.seetoint.org/wp‐content/uploads/downloads/2012/11/
862_ppr‐specific‐result12b‐rsi‐manual.pdf(pristupano14.03.2016)
Literatura
373
Ryan,K.K.,MacKillop,J.,Carpenter,M.J.2013.Therelationshipbetweenimpulsivity,
risk‐takingpropensityandnicotinedependenceamongolderadolescentsmokers,
AddictiveBehaviors,38,1431–1434.
Ryb,G.E.2006.Riskperceptionandimpulsivity:associationwithriskybehaviors
andsubstanceabusedisorders,AccidentAnalysisandPrevention,38(3),567‐573.
Sârbescu, P., Stanojevic, P., Jovanovic, D., 2014. A cross‐cultural analysis of
aggressive driving: Evidence from Serbia andRomania, TransportationResearch
Part F: Traffic Psychology and Behaviour, 24, 210‐217, doi:
10.1016/j.trf.2014.04.002
Sasaki,T.,Akiyama,T.1986.DevelopmentofFuzzyTrafficControlSystemonUrban
Expressway, Preprints of the Fifth IFAC/IFIP/IFORS International Conference in
TransportationSystems,Vienna,Austria:IFAC,333‐338.
Scott‐Parker,B.,Watson,B.,King,M.J.2009.Understandingthepsychosocialfactors
influencingtheriskybehaviourofyoungdrivers,TransportationResearchPartF:
TrafficPsychologyandBehaviour,12,470‐482,doi:10.1016/j.trf.2009.08.003
SelviÖ.2009.Trafficaccidentpredictionsbasedonfuzzylogicapproachforsafer
urban environments, case study: Izmir metropolitan area, doktorska disertacija,
İzmirInstituteofTechnology,Izmir,Turska.
Slovic,P.1993.Perceivedrisk,trust,anddemocracy,RiskAnalysis,13,675‐682.
Schneider,W.,R.M. Shiffrin. 1977. Controlled and automatic human information
processing:1.Detection,search,andattention,PsychologicalReview,84,1‐66.
Literatura
374
Shalmani,T.J.,Vahdany,F.,Divsar,H.2015.Ontherelationshipbetweencognitive
style (field‐dependence/independence) and translation achievement of Iranian
translationstudents,InternationalJournalofResearchStudiesinPsychology,4(3),
67‐76.
Shesterov, E., Mikhailov, A. 2017. Accident Rates at Signalized Intersections,
TransportationResearchProcedia,20,613‐617.
Shinar, D. 1998. Aggressive driving: The contribution of the drivers and the
situation,TransportationResearchPartF:TrafficPsychologyandBehaviour,1(2),
137‐160,doi:10.1016/S1369‐8478(99)00002‐9
Shinar,D.,Compton,R.2004.Aggressivedriving:anobservationalstudyofdriver,
vehicle,andsituationalvariables,AccidentAnalysisandPrevention,36,429–437.
Slavinskienė, J., Žardeckaitė‐Matulaitienė, K., Markšaityte, R., Šeibokaitė, R.,
Endriulaitienė,R.2016.Proceedingsofthe20thinternationalscientificconference
transport means 2016, Book Series: Transport Means ‐ Proceedings of the
InternationalConference,495‐498.
Smulders, K., Esselink, R. A., Cools, R., Bloem, B. R. 2014. Trait impulsivity is
associatedwiththeriskoffallsinParkinson’sdisease,PLOSONE,9(3),e91190.
Soeiro‐De‐Souza,M.G.,Stanford,M.S.Bio,D.S.,Machado‐Vieira,R.,Moreno,R.A.
2013.AssociationoftheCOMTMet158allelewithtraitimpulsivityinhealthyyoung
adults,Molecularmedicinereports,7,1067‐1072.
Stanford,M.S.,Barratt,E.S.,1992.Impulsivityandthemulti‐impulsivepersonality
disorder,PersonalityandIndividualDifferences,13,831–834.
Literatura
375
Stanford,M.S.,Greve,K.W.,Boudreanx, J.K.,Mathias,C.W.,Brumbelow, J.L.1996.
Impulsiveness and risk‐taking behavior: comparison of high‐school and college
students using the Barratt impulsiveness Scale, Personality and Individual
Differences,21,1075–1973.
StanfordM.S.,MathiasC.W.,DoughertyD.M.,LakeS.L.,AndersonN.E.,PattonJ.H.
2009. Fifty years of the Barratt Impulsiveness Scale: An update and review,
PersonalityandIndividualDifferences,47,385–395.
Steinberg, L., Sharp, C., Stanford,M. S., Tharp, A. T. 2013. New tricks for an old
measure: The development of the Barratt Impulsiveness ScaleBrief (BIS‐Brief),
PsychologicalAssessment,25,216–226.
SZO‐Svetskazdravstvenaorganizacija(WorldHealthOrganisation),RoadTraffic
Injuries2014,
http://apps.who.int/iris/bitstream/10665/112738/1/9789240692671_eng.pdf.
[August,17,2015].
Tamam,L.,Palataci,O.,Keskin,N.2017.Prevalenceandcharacteristicsofimpulse
controldisordersinagroupofmedicalstudents,AnatolianJournalofPsychiatry,18
(2),113‐120.
Tang,Z.X.,Zhang,H.J.Yan,A.,Qu,C.2017.TimeIsMoney:TheDecisionMakingof
SmartphoneHighUsersinGainandLossIntertemporal,Frontiersinpsychology,8,
363.
Tasca, L. 2001. A review of the literature on aggressive driving research. In:
Aggressive Driving Issues Conference, Dostupno na:
http://www.aggressive.drivers.com/papers/tasca/tasca‐paper.html. [Avgust, 20,
2015].
Literatura
376
Taylor, M. C., Lynam, D. A., Baruya, A. 2000. The effect of drivers’ speed on the
frequencyofroadaccidents.TRLReportTRL421.TRLLimited,Wokingham.
Tedeschi, J. T., Felson, R. B. 1994. Violence, aggression and coercive actions.
Washington,DC:APA.
Tenjović,L.(2015).Multivarijaciona‐statisticka‐analiza,dostupnona:
http://www.ef.uns.ac.rs/Download/multivarijaciona‐statisticka‐analiza/2013‐02‐
08‐Logisticka‐regresija.pdf(pristupano25.06.2017.)
Tenjović, L. (2002). Statistika u psihologiji – priručnik. Beograd: Centar za
primenjenupsihologijuDruštvapsihologaSrbije.
Teodorović,D.,Babić,O.1993.FuzzyInferenceApproachtotheFlowManagement
ProbleminAirTrafficControl,TransportationPlanningandTechnology,17,165‐
178.
Teodorović,D.,KikuchiS.1994.Fuzzyskupoviiprimeneusaobraćaju,Saobraćajni
fakultet,Beograd.
Teodorović,D.,Kikuchi,S.1990.TransportationRouteChoiceModelUsingFuzzy
Inference Technique, In: Proceedings of ISUMA 90 – Proceedings of the First
International Symposium onUncertaintyModeling and Analysis, IEEE Computer
SocietyPress,CollegePark,USA,140‐145.
Teodorović,D.,Šelmić,M.2012.Računarskainteligencijausaobraćaju,Saobraćajni
fakultet,Beograd.
ThompsonReutersWebofScience(2017)www.webofknowledge.com
Tojagić,M.2015.Bezbednostdrumskogsaobraćaja,EvropskiuniverzitetBrčko.
Literatura
377
Trpčevski, F. 2014. Analiza putne mreže Srbije sa stanovišta mikrostrukture i
makrostrikture,diplomskirad,907/1,Građevinskifakultet,UniverzitetuBeogradu.
Tronsmoen,T.2010.Associationsbetweendriver training,determinantsof risky
drivingbehaviourandcrashinvolvement,SafetyScience,48(1),35‐45.
Tzagarakis,C.,Pellizzer,G.,Rogers,R.D.2013.Impulsivitymodulatesperformance
underresponseuncertaintyinareachingtask,ExperimentalBrainResearch,225,
227–235.
Ulleberg P, Rundmo T. 2003. Personality, Attitudes and Risk Perception as
Predictors of Risky Driving Behaviour among Young Drivers, Safety Science, 41,
427–443.
UN – Ujedinjene Nacije 2010. Rezolucija 64/255 – Unapređenje bezbednosti
saobraćajanaputevima.
http://www.un.org/en/ga/search/view_doc.asp?symbol=A/RES/64/255 [Jun, 17,
2016].
Underwood G, Chapman P, Wright S, Crundall D. 1999. Anger while driving,
Transport Research Part F – Traffic Psychology and Behaviour, 2, 55 ‐ 68. doi:
10.1016/S1369‐8478(99)00006‐6
VanVuuren,S.J.2012.ExploringtheRelationshipbetweenSpeedChoiceBehaviour,
HazardPerceptionandIndividualDifferences,Masterthesis,UniversityofWaikato
VCCAV‐VictorianCommunityCouncilAgainstViolence.1999.Aggressionand/or
violence associated with motor vehicle use. Melbourne: Victorian Community
CouncilAgainstViolence
Literatura
378
Victorian Community Council Against Violence, dostupna na:
http://www.aic.gov.au/media_library/conferences/prosecuting/dixon.pdf
[Decembar,17,2015].
Von Diemen, L., Szobot, C. M., Kessler, F., Pechansky, F. 2007. Adaptation and
construct validation of the Barratt Impulsiveness Scale (BIS 11) to Brazilian
Portugueseforuseinadolescents,RevistaBrasileiradePsiquiatria,29,153–156.
Vujanić, M., Marković, N. 2014. Veštačenje saobraćajnih nezgoda i primena na
unapređenjebezbednostisaobraćaja.Prvisrpskikongresoputevima,Beograd.
Vukadinović,K.,Teodorović,D.1994.AFuzzyApproachtotheVesselDispatching
Problem,EuropeanJournalofOperationalResearch,76,155‐164.
Vukobrat, S.,Mitrović,D.2008.Osobine ličnosti iponašanjevozačau saobraćaju,
Primenjenapsihologija,2(1),25–44.
Wahlberg,A.E.2001.Thetheoreticalfeaturesofsomecurrentapproachestorisk
perception,JournalofRiskResearch,237,250.
Wang, L.X.,Mendel, J. 1992.GeneratingFuzzyRulesByLearning fromExamples,
IEEETransactionsonSystems,ManandCybernetics,22,1414‐1427.
Waylen,A.E.,McKenna,F.P.2008.Riskyattitudestowardsroaduseinpre‐drivers,
AccidentsAnalysisandPrevention,40(3),905‐911.doi:10.1016/j.aap.2007.10.005.
Weiner,L.,Wittmann,M.,Bertschy,G.,Giersch,A.2016.DispositionalMindfulness
andSubjectiveTimeinHealthyIndividuals,Frontiersinpsychology,7,786.
Weller,G.,Schlag,B.,Gatti,G.,Jorna,R.,&vandeLeur,M.(2006).HumanFactorsin
RoadDesign. State of the art and empirical evidence. Road Infrastructure Safety
Protection–CoreResearchandDevelopmentforRoadSafetyinEurope.
Literatura
379
Wiesenthal,D.L.,Hennessy,D.A.1999.Trafficcongestion,driverstress,anddriver
aggression,AggressiveBehavior,25,409‐423.
Wilbertz, T. 2014. Response inhibition and its relation to multidimensional
impulsivity,NeuroImage,103,241–248.
Wilde, G.J. S. 1988. Risk homeostasis theory and traffic accidents: Propositions,
deductionsanddiscussionofdissensioninrecentreactions,Ergonomics,31,441‐
468.
Wilde,G.J.S.2002.Doesriskhomeostasistheoryhaveimplicationsforroadsafety?
BritishMedicalJournal,324.
Wishart, D., Davey, J., Freeman, J. 2006. An application of the driver attitude
questionnaire toexaminedrivingbehaviourswithinanAustralianorganisational
fleet setting, In Proceedings Road Safety Research, Policing and Education
Conference,GoldCoast,Queensland.
Wolff,M.,Kronke,K.M.,Goschke,T. 2016.Trait self‐control is predictedbyhow
rewardassociationsmodulateStroopinterference,PsychologicalResearch,80(6),
944‐951.
Xiaxia J.,YanpingH. 2016.PredictionofBMIby impulsivity,eatingbehaviorand
activity level, International Seminar on Social Science andHumanistic Education
(SSHE),Jakarta,INDONESIA,Nov.19‐20,2015
Xu, J., Li, J., Jiang,L.2014.Theeffectsof situational factorsand impulsivenesson
drivers’intentionstoviolatetrafficrules:Differenceofdrivingexperience,Accident
AnalysisandPrevention,62,54–62
Literatura
380
Yannis,G.,Louca,G.,Kanellaidis,G.,Sardi,G.M.2004.Whydodriversexceedspeed
limits,pp.101‐123.Chapter4inCauzard,J.‐P.(Ed.).Europeandriversandroadrisk.
Part2Reportonin‐depthanalyse.INRETS,Arcueil,France.49‐1152.
Yagil, D. 2001. Interpersonal antecedents of drivers’ aggression, Transportation
ResearchPartF:TrafficPsychologyandBehaviour,4,119–13.
Zadeh,L.1965.Fuzzysets,InformationandControl,8,338‐353.
Zaman,M.B.,Kobayashi,E.,Wakabayashi,N.,Khanfir,S.,Pitana,T.,Maimun,A.2014.
FuzzyFMEAmodelforriskevaluationofshipcollisionsintheMalaccaStrait:based
onAISdata,JournalofSimulation,8,91–104.
Zhu,X.,Cortes,C.R.,Mathur,K.,Tomasi,D.,Momenan,R.2017.Model‐freefunctional
connectivityandimpulsivitycorrelatesofalcoholdependence:aresting‐statestudy,
Addictionbiology,22,1,206‐217.
Zillmann D. 1988. Cognition‐excitation interdependences in aggressive behavior,
AggressiveBehavior,14(1),51–64.
Zillmann,A,Katcher,H.,Milavsky,B.1972.Excitationtransferfromphysicalexercise
tosubsequentaggressivebehavior,JournalofExperimentalSocialPsychology,8(3),
247‐259,doi:10.1016/S0022‐1031(72)80005‐2
Zimmermann,H.J.1991.FuzzySetTheoryandItsApplications,Boston:Kluwer.
Zuckerman,M.2000.Areyouarisktaker?,PsychologyToday,Nov/Dec,52‐57,82‐
87.
Prilog A
381
Prilog A – Loglinearni modeli
Prilog A.1. – Tabela kontigencija i reziduala za ADBQ upitnik (najviši hijerarhijski model)
Kategorije vozača Nezgode ADBQ Observed Expected Residuals Std. Residuals
Counta % Count %
Vozači putničkih
vozila
nijedna
1,00 24,000 7,9% 24,000 7,9% ,000 ,000
2,00 11,000 3,6% 11,000 3,6% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 7,000 2,3% 7,000 2,3% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 13,000 4,3% 13,000 4,3% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 2,000 0,7% 2,000 0,7% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 14,000 4,6% 14,000 4,6% ,000 ,000
2,00 32,000 10,5% 32,000 10,5% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 23,000 7,5% 23,000 7,5% ,000 ,000
3,00 7,000 2,3% 7,000 2,3% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 7,000 2,3% 7,000 2,3% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 3,000 1,0% 3,000 1,0% ,000 ,000
3,00 2,000 0,7% 2,000 0,7% ,000 ,000
12-15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
382
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 34,000 11,1% 34,000 11,1% ,000 ,000
3,00 13,000 4,3% 13,000 4,3% ,000 ,000
4-7
1,00 2,000 0,7% 2,000 0,7% ,000 ,000
2,00 4,000 1,3% 4,000 1,3% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
a. For saturated models, ,000 has been added to all observed cells.
Prilog A
383
Prilog A.2. – Tabela kontigencija i reziduala za ADBQ upitnik (niži hijerarhijski model)
Kategorije vozača Nezgode ADBQ Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
nijedna
1,00 24,000 7,9% 21,398 7,0% 2,602 ,562
2,00 11,000 3,6% 14,342 4,7% -3,342 -,882
3,00 5,000 1,6% 4,290 1,4% ,710 ,343
1-3
1,00 7,000 2,3% 8,479 2,8% -1,479 -,508
2,00 35,000 11,5% 30,777 10,1% 4,223 ,761
3,00 13,000 4,3% 15,719 5,2% -2,719 -,686
4-7
1,00 ,000 0,0% 1,118 0,4% -1,118 -1,057
2,00 2,000 0,7% 2,886 0,9% -,886 -,521
3,00 6,000 2,0% 3,992 1,3% 2,008 1,005
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 14,000 4,6% 11,995 3,9% 2,005 ,579
2,00 32,000 10,5% 33,107 10,9% -1,107 -,192
3,00 5,000 1,6% 5,881 1,9% -,881 -,363
1-3
1,00 1,000 0,3% 1,514 0,5% -,514 -,418
2,00 23,000 7,5% 22,633 7,4% ,367 ,077
3,00 7,000 2,3% 6,865 2,3% ,135 ,052
4-7
1,00 ,000 0,0% ,639 0,2% -,639 -,799
2,00 7,000 2,3% 6,788 2,2% ,212 ,081
3,00 6,000 2,0% 5,577 1,8% ,423 ,179
8-11
1,00 ,000 0,0% ,856 0,3% -,856 -,925
2,00 3,000 1,0% 2,467 0,8% ,533 ,340
3,00 2,000 0,7% 1,677 0,5% ,323 ,249
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
384
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 4,000 1,3% 8,606 2,8% -4,606 -1,570
2,00 35,000 11,5% 30,551 10,0% 4,449 ,805
3,00 5,000 1,6% 4,830 1,6% ,170 ,078
1-3
1,00 4,000 1,3% 2,007 0,7% 1,993 1,407
2,00 34,000 11,1% 38,590 12,7% -4,590 -,739
3,00 13,000 4,3% 10,416 3,4% 2,584 ,801
4-7
1,00 2,000 0,7% ,243 0,1% 1,757 3,561
2,00 4,000 1,3% 3,326 1,1% ,674 ,370
3,00 ,000 0,0% 2,432 0,8% -2,432 -1,559
8-11
1,00 1,000 0,3% ,144 0,0% ,856 2,257
2,00 ,000 0,0% ,533 0,2% -,533 -,730
3,00 ,000 0,0% ,323 0,1% -,323 -,568
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
385
Prilog A.3. – Tabela kontigencije i reziduala za BIS 11 upitnik (najviši hijerarhijski model)
Kategorije vozača Nezgode BIS-11 Observed Expected Residuals Std. Residuals
Counta % Count %
Vozači putničkih
vozila
nijedna
1,00 24,000 7,9% 24,000 7,9% ,000 ,000
2,00 11,000 3,6% 11,000 3,6% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 7,000 2,3% 7,000 2,3% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 13,000 4,3% 13,000 4,3% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 2,000 0,7% 2,000 0,7% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 14,000 4,6% 14,000 4,6% ,000 ,000
2,00 32,000 10,5% 32,000 10,5% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 23,000 7,5% 23,000 7,5% ,000 ,000
3,00 7,000 2,3% 7,000 2,3% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 7,000 2,3% 7,000 2,3% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 3,000 1,0% 3,000 1,0% ,000 ,000
3,00 2,000 0,7% 2,000 0,7% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
386
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 34,000 11,1% 34,000 11,1% ,000 ,000
3,00 13,000 4,3% 13,000 4,3% ,000 ,000
4-7
1,00 2,000 0,7% 2,000 0,7% ,000 ,000
2,00 4,000 1,3% 4,000 1,3% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
a. For saturated models, ,000 has been added to all observed cells.
Prilog A
387
Prilog A.4. – Tabela kontigencije i reziduala za BIS 11 upitnik (niži hijerarhijski model)
Kategorije vozača Nezgode BIS 11 Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
nijedna
1,00 24,000 7,9% 21,398 7,0% 2,602 ,562
2,00 11,000 3,6% 14,342 4,7% -3,342 -,882
3,00 5,000 1,6% 4,290 1,4% ,710 ,343
1-3
1,00 7,000 2,3% 8,479 2,8% -1,479 -,508
2,00 35,000 11,5% 30,777 10,1% 4,223 ,761
3,00 13,000 4,3% 15,719 5,2% -2,719 -,686
4-7
1,00 ,000 0,0% 1,118 0,4% -1,118 -1,057
2,00 2,000 0,7% 2,886 0,9% -,886 -,521
3,00 6,000 2,0% 3,992 1,3% 2,008 1,005
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 14,000 4,6% 11,995 3,9% 2,005 ,579
2,00 32,000 10,5% 33,107 10,9% -1,107 -,192
3,00 5,000 1,6% 5,881 1,9% -,881 -,363
1-3
1,00 1,000 0,3% 1,514 0,5% -,514 -,418
2,00 23,000 7,5% 22,633 7,4% ,367 ,077
3,00 7,000 2,3% 6,865 2,3% ,135 ,052
4-7
1,00 ,000 0,0% ,639 0,2% -,639 -,799
2,00 7,000 2,3% 6,788 2,2% ,212 ,081
3,00 6,000 2,0% 5,577 1,8% ,423 ,179
8-11
1,00 ,000 0,0% ,856 0,3% -,856 -,925
2,00 3,000 1,0% 2,467 0,8% ,533 ,340
3,00 2,000 0,7% 1,677 0,5% ,323 ,249
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
388
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 4,000 1,3% 8,606 2,8% -4,606 -1,570
2,00 35,000 11,5% 30,551 10,0% 4,449 ,805
3,00 5,000 1,6% 4,830 1,6% ,170 ,078
1-3
1,00 4,000 1,3% 2,007 0,7% 1,993 1,407
2,00 34,000 11,1% 38,590 12,7% -4,590 -,739
3,00 13,000 4,3% 10,416 3,4% 2,584 ,801
4-7
1,00 2,000 0,7% ,243 0,1% 1,757 3,561
2,00 4,000 1,3% 3,326 1,1% ,674 ,370
3,00 ,000 0,0% 2,432 0,8% -2,432 -1,559
8-11
1,00 1,000 0,3% ,144 0,0% ,856 2,257
2,00 ,000 0,0% ,533 0,2% -,533 -,730
3,00 ,000 0,0% ,323 0,1% -,323 -,568
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
389
Prilog A.5. – Tabela kontigencija i reziduala za DAQ upitnik (najviši hijerarhijski model)
Kategorije vozača Nezgode DAQ Observed Expected Residuals Std. Residuals
Counta % Count %
Vozači putničkih
vozila
Nijedna
1,00 24,000 7,9% 24,000 7,9% ,000 ,000
2,00 11,000 3,6% 11,000 3,6% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 7,000 2,3% 7,000 2,3% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 13,000 4,3% 13,000 4,3% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 2,000 0,7% 2,000 0,7% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
Nijedna
1,00 14,000 4,6% 14,000 4,6% ,000 ,000
2,00 32,000 10,5% 32,000 10,5% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 23,000 7,5% 23,000 7,5% ,000 ,000
3,00 7,000 2,3% 7,000 2,3% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 7,000 2,3% 7,000 2,3% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 3,000 1,0% 3,000 1,0% ,000 ,000
3,00 2,000 0,7% 2,000 0,7% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
390
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
Nijedna
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
1-3
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 34,000 11,1% 34,000 11,1% ,000 ,000
3,00 13,000 4,3% 13,000 4,3% ,000 ,000
4-7
1,00 2,000 0,7% 2,000 0,7% ,000 ,000
2,00 4,000 1,3% 4,000 1,3% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
a. For saturated models, ,000 has been added to all observed cells.
Prilog A
391
Prilog A.6. – Tabela kontigencija i reziduala za DAQ upitnik (niži hijerarhijski model)
Kategorije vozača Nezgode DAQ Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
nijedna
1,00 24,000 7,9% 21,398 7,0% 2,602 ,562
2,00 11,000 3,6% 14,342 4,7% -3,342 -,882
3,00 5,000 1,6% 4,290 1,4% ,710 ,343
1-3
1,00 7,000 2,3% 8,479 2,8% -1,479 -,508
2,00 35,000 11,5% 30,777 10,1% 4,223 ,761
3,00 13,000 4,3% 15,719 5,2% -2,719 -,686
4-7
1,00 ,000 0,0% 1,118 0,4% -1,118 -1,057
2,00 2,000 0,7% 2,886 0,9% -,886 -,521
3,00 6,000 2,0% 3,992 1,3% 2,008 1,005
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 14,000 4,6% 11,995 3,9% 2,005 ,579
2,00 32,000 10,5% 33,107 10,9% -1,107 -,192
3,00 5,000 1,6% 5,881 1,9% -,881 -,363
1-3
1,00 1,000 0,3% 1,514 0,5% -,514 -,418
2,00 23,000 7,5% 22,633 7,4% ,367 ,077
3,00 7,000 2,3% 6,865 2,3% ,135 ,052
4-7
1,00 ,000 0,0% ,639 0,2% -,639 -,799
2,00 7,000 2,3% 6,788 2,2% ,212 ,081
3,00 6,000 2,0% 5,577 1,8% ,423 ,179
8-11
1,00 ,000 0,0% ,856 0,3% -,856 -,925
2,00 3,000 1,0% 2,467 0,8% ,533 ,340
3,00 2,000 0,7% 1,677 0,5% ,323 ,249
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
392
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 4,000 1,3% 8,606 2,8% -4,606 -1,570
2,00 35,000 11,5% 30,551 10,0% 4,449 ,805
3,00 5,000 1,6% 4,830 1,6% ,170 ,078
1-3
1,00 4,000 1,3% 2,007 0,7% 1,993 1,407
2,00 34,000 11,1% 38,590 12,7% -4,590 -,739
3,00 13,000 4,3% 10,416 3,4% 2,584 ,801
4-7
1,00 2,000 0,7% ,243 0,1% 1,757 3,561
2,00 4,000 1,3% 3,326 1,1% ,674 ,370
3,00 ,000 0,0% 2,432 0,8% -2,432 -1,559
8-11
1,00 1,000 0,3% ,144 0,0% ,856 2,257
2,00 ,000 0,0% ,533 0,2% -,533 -,730
3,00 ,000 0,0% ,323 0,1% -,323 -,568
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
393
Prilog A.7. – Tabela kontigencija i reziduala za Upitnik samoprocene (najviši hijerarhijski model)
Kategorije vozača Nezgode samoprocena Observed Expected Residuals Std.
Residuals Counta % Count %
Vozači putničkih
vozila
nijedna
1,00 8,000 2,6% 8,000 2,6% ,000 ,000
2,00 28,000 9,2% 28,000 9,2% ,000 ,000
3,00 4,000 1,3% 4,000 1,3% ,000 ,000
1-3
1,00 6,000 2,0% 6,000 2,0% ,000 ,000
2,00 27,000 8,9% 27,000 8,9% ,000 ,000
3,00 22,000 7,2% 22,000 7,2% ,000 ,000
4-7
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 6,000 2,0% 6,000 2,0% ,000 ,000
3,00 2,000 0,7% 2,000 0,7% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 41,000 13,4% 41,000 13,4% ,000 ,000
3,00 10,000 3,3% 10,000 3,3% ,000 ,000
1-3
1,00 4,000 1,3% 4,000 1,3% ,000 ,000
2,00 20,000 6,6% 20,000 6,6% ,000 ,000
3,00 7,000 2,3% 7,000 2,3% ,000 ,000
4-7
1,00 10,000 3,3% 10,000 3,3% ,000 ,000
2,00 3,000 1,0% 3,000 1,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 3,000 1,0% 3,000 1,0% ,000 ,000
2,00 2,000 0,7% 2,000 0,7% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
394
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 32,000 10,5% 32,000 10,5% ,000 ,000
3,00 12,000 3,9% 12,000 3,9% ,000 ,000
1-3
1,00 6,000 2,0% 6,000 2,0% ,000 ,000
2,00 41,000 13,4% 41,000 13,4% ,000 ,000
3,00 4,000 1,3% 4,000 1,3% ,000 ,000
4-7
1,00 3,000 1,0% 3,000 1,0% ,000 ,000
2,00 3,000 1,0% 3,000 1,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 1,000 0,3% 1,000 0,3% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
a. For saturated models, ,000 has been added to all observed cells.
Prilog A
395
Prilog A.8. – Tabela kontigencija i reziduala za Upitnik samoprocene (niži hijerarhijski model)
Kategorije vozača Nezgode samoproce
na
Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
nijedna
1,00 24,000 7,9% 21,398 7,0% 2,602 ,562
2,00 11,000 3,6% 14,342 4,7% -3,342 -,882
3,00 5,000 1,6% 4,290 1,4% ,710 ,343
1-3
1,00 7,000 2,3% 8,479 2,8% -1,479 -,508
2,00 35,000 11,5% 30,777 10,1% 4,223 ,761
3,00 13,000 4,3% 15,719 5,2% -2,719 -,686
4-7
1,00 ,000 0,0% 1,118 0,4% -1,118 -1,057
2,00 2,000 0,7% 2,886 0,9% -,886 -,521
3,00 6,000 2,0% 3,992 1,3% 2,008 1,005
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 14,000 4,6% 11,995 3,9% 2,005 ,579
2,00 32,000 10,5% 33,107 10,9% -1,107 -,192
3,00 5,000 1,6% 5,881 1,9% -,881 -,363
1-3
1,00 1,000 0,3% 1,514 0,5% -,514 -,418
2,00 23,000 7,5% 22,633 7,4% ,367 ,077
3,00 7,000 2,3% 6,865 2,3% ,135 ,052
4-7
1,00 ,000 0,0% ,639 0,2% -,639 -,799
2,00 7,000 2,3% 6,788 2,2% ,212 ,081
3,00 6,000 2,0% 5,577 1,8% ,423 ,179
8-11
1,00 ,000 0,0% ,856 0,3% -,856 -,925
2,00 3,000 1,0% 2,467 0,8% ,533 ,340
3,00 2,000 0,7% 1,677 0,5% ,323 ,249
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
396
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 4,000 1,3% 8,606 2,8% -4,606 -1,570
2,00 35,000 11,5% 30,551 10,0% 4,449 ,805
3,00 5,000 1,6% 4,830 1,6% ,170 ,078
1-3
1,00 4,000 1,3% 2,007 0,7% 1,993 1,407
2,00 34,000 11,1% 38,590 12,7% -4,590 -,739
3,00 13,000 4,3% 10,416 3,4% 2,584 ,801
4-7
1,00 2,000 0,7% ,243 0,1% 1,757 3,561
2,00 4,000 1,3% 3,326 1,1% ,674 ,370
3,00 ,000 0,0% 2,432 0,8% -2,432 -1,559
8-11
1,00 1,000 0,3% ,144 0,0% ,856 2,257
2,00 ,000 0,0% ,533 0,2% -,533 -,730
3,00 ,000 0,0% ,323 0,1% -,323 -,568
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
397
Prilog A.9. – Tabela kontigencija i reziduala za procenu opasnih mesta (viši hijerarhijski model)
Kategorije vozača Nezgode Opasna
mesta
Observed Expected Residuals Std. Residuals
Counta % Count %
Vozači putničkih
vozila
nijedna
1,00 13,000 4,3% 13,000 4,3% ,000 ,000
2,00 24,000 7,9% 24,000 7,9% ,000 ,000
3,00 3,000 1,0% 3,000 1,0% ,000 ,000
1-3
1,00 20,000 6,6% 20,000 6,6% ,000 ,000
2,00 29,000 9,5% 29,000 9,5% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
4-7
1,00 5,000 1,6% 5,000 1,6% ,000 ,000
2,00 2,000 0,7% 2,000 0,7% ,000 ,000
3,00 1,000 0,3% 1,000 0,3% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Voza?i Lasta
nijedna
1,00 8,000 2,6% 8,000 2,6% ,000 ,000
2,00 35,000 11,5% 35,000 11,5% ,000 ,000
3,00 8,000 2,6% 8,000 2,6% ,000 ,000
1-3
1,00 6,000 2,0% 6,000 2,0% ,000 ,000
2,00 18,000 5,9% 18,000 5,9% ,000 ,000
3,00 7,000 2,3% 7,000 2,3% ,000 ,000
4-7
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 7,000 2,3% 7,000 2,3% ,000 ,000
3,00 5,000 1,6% 5,000 1,6% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 1,000 0,3% 1,000 0,3% ,000 ,000
3,00 4,000 1,3% 4,000 1,3% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
398
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Voza?i Milšped
nijedna
1,00 10,000 3,3% 10,000 3,3% ,000 ,000
2,00 28,000 9,2% 28,000 9,2% ,000 ,000
3,00 6,000 2,0% 6,000 2,0% ,000 ,000
1-3
1,00 13,000 4,3% 13,000 4,3% ,000 ,000
2,00 24,000 7,9% 24,000 7,9% ,000 ,000
3,00 14,000 4,6% 14,000 4,6% ,000 ,000
4-7
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 5,000 1,6% 5,000 1,6% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 1,000 0,3% 1,000 0,3% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
a. For saturated models, ,000 has been added to all observed cells.
Prilog A
399
Prilog A.10. – Tabela kontigencija i reziduala za procenu opasnih mesta (niži hijerarhijski model)
Kategorije vozača Nezgode Opasna
mesta
Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
Nijedna
1,00 13,000 4,3% 14,757 4,8% -1,757 -,457
2,00 24,000 7,9% 21,359 7,0% 2,641 ,571
3,00 3,000 1,0% 3,883 1,3% -,883 -,448
1-3
1,00 20,000 6,6% 20,291 6,7% -,291 -,065
2,00 29,000 9,5% 29,369 9,6% -,369 -,068
3,00 6,000 2,0% 5,340 1,8% ,660 ,286
4-7
1,00 5,000 1,6% 2,951 1,0% 2,049 1,192
2,00 2,000 0,7% 4,272 1,4% -2,272 -1,099
3,00 1,000 0,3% ,777 0,3% ,223 ,253
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 8,000 2,6% 7,650 2,5% ,350 ,127
2,00 35,000 11,5% 31,110 10,2% 3,890 ,697
3,00 8,000 2,6% 12,240 4,0% -4,240 -1,212
1-3
1,00 6,000 2,0% 4,650 1,5% 1,350 ,626
2,00 18,000 5,9% 18,910 6,2% -,910 -,209
3,00 7,000 2,3% 7,440 2,4% -,440 -,161
4-7
1,00 1,000 0,3% 1,950 0,6% -,950 -,680
2,00 7,000 2,3% 7,930 2,6% -,930 -,330
3,00 5,000 1,6% 3,120 1,0% 1,880 1,064
8-11
1,00 ,000 0,0% ,750 0,2% -,750 -,866
2,00 1,000 0,3% 3,050 1,0% -2,050 -1,174
3,00 4,000 1,3% 1,200 0,4% 2,800 2,556
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
400
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 10,000 3,3% 10,353 3,4% -,353 -,110
2,00 28,000 9,2% 24,588 8,1% 3,412 ,688
3,00 6,000 2,0% 9,059 3,0% -3,059 -1,016
1-3
1,00 13,000 4,3% 12,000 3,9% 1,000 ,289
2,00 24,000 7,9% 28,500 9,3% -4,500 -,843
3,00 14,000 4,6% 10,500 3,4% 3,500 1,080
4-7
1,00 1,000 0,3% 1,412 0,5% -,412 -,347
2,00 5,000 1,6% 3,353 1,1% 1,647 ,899
3,00 ,000 0,0% 1,235 0,4% -1,235 -1,111
8-11
1,00 ,000 0,0% ,235 0,1% -,235 -,485
2,00 ,000 0,0% ,559 0,2% -,559 -,748
3,00 1,000 0,3% ,206 0,1% ,794 1,750
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
401
Prilog A.11. – Tabela kontigencija i reziduala za procenu karakteristika puta (viši hijerarhijski model)
Kategorije vozača Nezgode put Observed Expected Residuals Std. Residuals
Counta % Count %
Vozači putničkih
vozila
nijedna
1,00 14,000 4,6% 14,000 4,6% ,000 ,000
2,00 18,000 5,9% 18,000 5,9% ,000 ,000
3,00 8,000 2,6% 8,000 2,6% ,000 ,000
1-3
1,00 22,000 7,2% 22,000 7,2% ,000 ,000
2,00 19,000 6,3% 19,000 6,3% ,000 ,000
3,00 14,000 4,6% 14,000 4,6% ,000 ,000
4-7
1,00 7,000 2,3% 7,000 2,3% ,000 ,000
2,00 1,000 0,3% 1,000 0,3% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 17,000 5,6% 17,000 5,6% ,000 ,000
2,00 30,000 9,9% 30,000 9,9% ,000 ,000
3,00 4,000 1,3% 4,000 1,3% ,000 ,000
1-3
1,00 12,000 3,9% 12,000 3,9% ,000 ,000
2,00 10,000 3,3% 10,000 3,3% ,000 ,000
3,00 9,000 3,0% 9,000 3,0% ,000 ,000
4-7
1,00 11,000 3,6% 11,000 3,6% ,000 ,000
2,00 2,000 0,7% 2,000 0,7% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 5,000 1,6% 5,000 1,6% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
402
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 10,000 3,3% 10,000 3,3% ,000 ,000
2,00 26,000 8,6% 26,000 8,6% ,000 ,000
3,00 7,000 2,3% 7,000 2,3% ,000 ,000
1-3
1,00 21,000 6,9% 21,000 6,9% ,000 ,000
2,00 19,000 6,3% 19,000 6,3% ,000 ,000
3,00 11,000 3,6% 11,000 3,6% ,000 ,000
4-7
1,00 5,000 1,6% 5,000 1,6% ,000 ,000
2,00 1,000 0,3% 1,000 0,3% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
a. For saturated models, ,000 has been added to all observed cells.
Prilog A
403
Prilog A.12. – Tabela kontigencija i reziduala za procenu karakteristika puta (niži hijerarhijski model)
Kategorije vozača Nezgode put Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
nijedna
1,00 14,000 4,6% 12,239 4,0% 1,761 ,503
2,00 18,000 5,9% 22,090 7,3% -4,090 -,870
3,00 8,000 2,6% 5,672 1,9% 2,328 ,978
1-3
1,00 22,000 7,2% 22,080 7,3% -,080 -,017
2,00 19,000 6,3% 19,270 6,3% -,270 -,062
3,00 14,000 4,6% 13,650 4,5% ,350 ,095
4-7
1,00 7,000 2,3% 6,815 2,2% ,185 ,071
2,00 1,000 0,3% 1,185 0,4% -,185 -,170
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 17,000 5,6% 15,604 5,1% 1,396 ,353
2,00 30,000 9,9% 28,164 9,3% 1,836 ,346
3,00 4,000 1,3% 7,231 2,4% -3,231 -1,202
1-3
1,00 12,000 3,9% 12,445 4,1% -,445 -,126
2,00 10,000 3,3% 10,861 3,6% -,861 -,261
3,00 9,000 3,0% 7,693 2,5% 1,307 ,471
4-7
1,00 11,000 3,6% 11,074 3,6% -,074 -,022
2,00 2,000 0,7% 1,926 0,6% ,074 ,053
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 5,000 1,6% 5,000 1,6% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
404
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 10,000 3,3% 13,157 4,3% -3,157 -,870
2,00 26,000 8,6% 23,746 7,8% 2,254 ,462
3,00 7,000 2,3% 6,097 2,0% ,903 ,366
1-3
1,00 21,000 6,9% 20,474 6,7% ,526 ,116
2,00 19,000 6,3% 17,869 5,9% 1,131 ,268
3,00 11,000 3,6% 12,657 4,2% -1,657 -,466
4-7
1,00 5,000 1,6% 5,111 1,7% -,111 -,049
2,00 1,000 0,3% ,889 0,3% ,111 ,118
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 1,000 0,3% 1,000 0,3% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
405
Prilog A.13. – Tabela kontigencija i reziduala za procenu karakteristika puta (najniži hijerarhijski model)
Kategorije vozača Nezgode put Observed Expected Residuals Std. Residuals
Count % Count %
Vozači putničkih
vozila
nijedna
1,00 14,000 4,6% 13,667 4,5% ,333 ,090
2,00 18,000 5,9% 24,667 8,1% -6,667 -1,342
3,00 8,000 2,6% 6,333 2,1% 1,667 ,662
1-3
1,00 22,000 7,2% 18,333 6,0% 3,667 ,856
2,00 19,000 6,3% 16,000 5,3% 3,000 ,750
3,00 14,000 4,6% 11,333 3,7% 2,667 ,792
4-7
1,00 7,000 2,3% 7,667 2,5% -,667 -,241
2,00 1,000 0,3% 1,333 0,4% -,333 -,289
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 ,000 0,0% 2,000 0,7% -2,000 -1,414
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci autobusa
nijedna
1,00 17,000 5,6% 13,667 4,5% 3,333 ,902
2,00 30,000 9,9% 24,667 8,1% 5,333 1,074
3,00 4,000 1,3% 6,333 2,1% -2,333 -,927
1-3
1,00 12,000 3,9% 18,333 6,0% -6,333 -1,479
2,00 10,000 3,3% 16,000 5,3% -6,000 -1,500
3,00 9,000 3,0% 11,333 3,7% -2,333 -,693
4-7
1,00 11,000 3,6% 7,667 2,5% 3,333 1,204
2,00 2,000 0,7% 1,333 0,4% ,667 ,577
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 5,000 1,6% 2,000 0,7% 3,000 2,121
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15 1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog A
406
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Vozaci kamiona
nijedna
1,00 10,000 3,3% 13,667 4,5% -3,667 -,992
2,00 26,000 8,6% 24,667 8,1% 1,333 ,268
3,00 7,000 2,3% 6,333 2,1% ,667 ,265
1-3
1,00 21,000 6,9% 18,333 6,0% 2,667 ,623
2,00 19,000 6,3% 16,000 5,3% 3,000 ,750
3,00 11,000 3,6% 11,333 3,7% -,333 -,099
4-7
1,00 5,000 1,6% 7,667 2,5% -2,667 -,963
2,00 1,000 0,3% 1,333 0,4% -,333 -,289
3,00 ,000 0,0% ,000 0,0% ,000 ,000
8-11
1,00 1,000 0,3% 2,000 0,7% -1,000 -,707
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
12-15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
više od 15
1,00 ,000 0,0% ,000 0,0% ,000 ,000
2,00 ,000 0,0% ,000 0,0% ,000 ,000
3,00 ,000 0,0% ,000 0,0% ,000 ,000
Prilog B
407
PrilogB–FazipravilaPrilogB.1.–FazipravilaufazilogičkimsistemimaodLXIdoLXXVII1.If(AgresivnostisVNA)and(ImpulsivnostisVNI)then(NezgodeisVMBN)
2.If(AgresivnostisVNA)and(ImpulsivnostisNI)then(NezgodeisVMBN)
3.If(AgresivnostisVNA)and(ImpulsivnostisSI)then(NezgodeisMBN)
4.If(AgresivnostisVNA)and(ImpulsivnostisVI)then(NezgodeisSMBN)
5.If(AgresivnostisVNA)and(ImpulsivnostisVVI)then(NezgodeisSBN)
6.If(AgresivnostisNA)and(ImpulsivnostisVNI)then(NezgodeisVMBN)
7.If(AgresivnostisNA)and(ImpulsivnostisNI)then(NezgodeisVMBN)
8.If(AgresivnostisNA)and(ImpulsivnostisSI)then(NezgodeisMBN)
9.If(AgresivnostisNA)and(ImpulsivnostisVI)then(NezgodeisSMBN)
10.If(AgresivnostisNA)and(ImpulsivnostisVVI)then(NezgodeisSBN)
11.If(AgresivnostisSA)and(ImpulsivnostisVNI)then(NezgodeisMBN)
12.If(AgresivnostisSA)and(ImpulsivnostisNI)then(NezgodeisMBN)
13.If(AgresivnostisSA)and(ImpulsivnostisSI)then(NezgodeisSMBN)
14.If(AgresivnostisSA)and(ImpulsivnostisVI)then(NezgodeisSBN)
15.If(AgresivnostisSA)and(ImpulsivnostisVVI)then(NezgodeisSVBN)
16.If(AgresivnostisVA)and(ImpulsivnostisVNI)then(NezgodeisSMBN)
17.If(AgresivnostisVA)and(ImpulsivnostisNI)then(NezgodeisSMBN)
18.If(AgresivnostisVA)and(ImpulsivnostisSI)then(NezgodeisSBN)
19.If(AgresivnostisVA)and(ImpulsivnostisVI)then(NezgodeisSVBN)
20.If(AgresivnostisVA)and(ImpulsivnostisVVI)then(NezgodeisVBN)
21.If(AgresivnostisVVA)and(ImpulsivnostisVNI)then(NezgodeisSBN)
22.If(AgresivnostisVVA)and(ImpulsivnostisNI)then(NezgodeisSBN)
23.If(AgresivnostisVVA)and(ImpulsivnostisSI)then(NezgodeisSVBN)
24.If(AgresivnostisVVA)and(ImpulsivnostisVI)then(NezgodeisVBN)
25.If(AgresivnostisVVA)and(ImpulsivnostisVVI)then(NezgodeisVVBN)
Prilog B
408
PrilogB.2.–FazipravilaufazilogičkimsistemimaodLXXVIIIdoXCIII
1.If(AgresivnostisVNA)and(RizikisVNR)then(NezgodeisVMBN)
2.If(AgresivnostisVNA)and(RizikisNR)then(NezgodeisVMBN)
3.If(AgresivnostisVNA)and(RizikisSR)then(NezgodeisMBN)
4.If(AgresivnostisVNA)and(RizikisVR)then(NezgodeisSMBN)
5.If(AgresivnostisVNA)and(RizikisVVR)then(NezgodeisSBN)
6.If(AgresivnostisNA)and(RizikisVNR)then(NezgodeisVMBN)
7.If(AgresivnostisNA)and(RizikisNR)then(NezgodeisVMBN)
8.If(AgresivnostisNA)and(RizikisSR)then(NezgodeisMBN)
9.If(AgresivnostisNA)and(RizikisVR)then(NezgodeisSMBN)
10.If(AgresivnostisNA)and(RizikisVVR)then(NezgodeisSBN)
11.If(AgresivnostisSA)and(RizikisVNR)then(NezgodeisMBN)
12.If(AgresivnostisSA)and(RizikisNR)then(NezgodeisMBN)
13.If(AgresivnostisSA)and(RizikisSR)then(NezgodeisSMBN)
14.If(AgresivnostisSA)and(RizikisVR)then(NezgodeisSBN)
15.If(AgresivnostisSA)and(RizikisVVR)then(NezgodeisSVBN)
16.If(AgresivnostisVA)and(RizikisVNR)then(NezgodeisSMBN)
17.If(AgresivnostisVA)and(RizikisNR)then(NezgodeisSMBN)
18.If(AgresivnostisVA)and(RizikisSR)then(NezgodeisSBN)
19.If(AgresivnostisVA)and(RizikisVR)then(NezgodeisSVBN)
20.If(AgresivnostisVA)and(RizikisVVR)then(NezgodeisVBN)
21.If(AgresivnostisVVA)and(RizikisVNR)then(NezgodeisSBN)
22.If(AgresivnostisVVA)and(RizikisNR)then(NezgodeisSBN)
23.If(AgresivnostisVVA)and(RizikisSR)then(NezgodeisSVBN)
24.If(AgresivnostisVVA)and(RizikisVR)then(NezgodeisVBN)
25.If(AgresivnostisVVA)and(RizikisVVR)then(NezgodeisVVBN)
Prilog B
409
PrilogB.3.–FazipravilaufazilogičkimsistemimaodXCIVdoCIX
1.If(AgresivnostisVNA)and(SamoprocenaisVNS)then(NezgodeisSBN)
2.If(AgresivnostisVNA)and(SamoprocenaisNS)then(NezgodeisSMBN)
3.If(AgresivnostisVNA)and(SamoprocenaisSS)then(NezgodeisMBN)
4.If(AgresivnostisVNA)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(AgresivnostisVNA)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(AgresivnostisNA)and(SamoprocenaisVNS)then(NezgodeisSMBN)
7.If(AgresivnostisNA)and(SamoprocenaisNS)then(NezgodeisSMBN)
8.If(AgresivnostisNA)and(SamoprocenaisSS)then(NezgodeisMBN)
9.If(AgresivnostisNA)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(AgresivnostisNA)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(AgresivnostisSA)and(SamoprocenaisVNS)then(NezgodeisSVBN)
12.If(AgresivnostisSA)and(SamoprocenaisNS)then(NezgodeisSBN)
13.If(AgresivnostisSA)and(SamoprocenaisSS)then(NezgodeisSMBN)
14.If(AgresivnostisSA)and(SamoprocenaisVS)then(NezgodeisMBN)
15.If(AgresivnostisSA)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(AgresivnostisVA)and(SamoprocenaisVNS)then(NezgodeisVBN)
17.If(AgresivnostisVA)and(SamoprocenaisNS)then(NezgodeisSVBN)
18.If(AgresivnostisVA)and(SamoprocenaisSS)then(NezgodeisSBN)
19.If(AgresivnostisVA)and(SamoprocenaisVS)then(NezgodeisSMBN)
20.If(AgresivnostisVA)and(SamoprocenaisVVS)then(NezgodeisMBN)
21.If(AgresivnostisVVA)and(SamoprocenaisVNS)then(NezgodeisVVBN)
22.If(AgresivnostisVVA)and(SamoprocenaisNS)then(NezgodeisVBN)
23.If(AgresivnostisVVA)and(SamoprocenaisSS)then(NezgodeisSVBN)
24.If(AgresivnostisVVA)and(SamoprocenaisVS)then(NezgodeisSBN)
25.If(AgresivnostisVVA)and(SamoprocenaisVVS)then(NezgodeisSMBN)
Prilog B
410
PrilogB.4.–FazipravilaufazilogičkimsistemimaodCXdoCXXVI
1.If(ImpulsivnostisVNI)and(RizikisVNR)then(NezgodeisVMBN)
2.If(ImpulsivnostisVNI)and(RizikisNR)then(NezgodeisVMBN)
3.If(ImpulsivnostisVNI)and(RizikisSR)then(NezgodeisMBN)
4.If(ImpulsivnostisVNI)and(RizikisVR)then(NezgodeisSMBN)
5.If(ImpulsivnostisVNI)and(RizikisVVR)then(NezgodeisSBN)
6.If(ImpulsivnostisNI)and(RizikisVNR)then(NezgodeisVMBN)
7.If(ImpulsivnostisNI)and(RizikisNR)then(NezgodeisVMBN)
8.If(ImpulsivnostisNI)and(RizikisSR)then(NezgodeisMBN)
9.If(ImpulsivnostisNI)and(RizikisVR)then(NezgodeisSMBN)
10.If(ImpulsivnostisNI)and(RizikisVVR)then(NezgodeisSBN)
11.If(ImpulsivnostisSI)and(RizikisVNR)then(NezgodeisMBN)
12.If(ImpulsivnostisSI)and(RizikisNR)then(NezgodeisMBN)
13.If(ImpulsivnostisSI)and(RizikisSR)then(NezgodeisSMBN)
14.If(ImpulsivnostisSI)and(RizikisVR)then(NezgodeisSBN)
15.If(ImpulsivnostisSI)and(RizikisVVR)then(NezgodeisSVBN)
16.If(ImpulsivnostisVI)and(RizikisVNR)then(NezgodeisSMBN)
17.If(ImpulsivnostisVI)and(RizikisNR)then(NezgodeisSMBN)
18.If(ImpulsivnostisVI)and(RizikisSR)then(NezgodeisSBN)
19.If(ImpulsivnostisVI)and(RizikisVR)then(NezgodeisSVBN)
20.If(ImpulsivnostisVI)and(RizikisVVR)then(NezgodeisVBN)
21.If(ImpulsivnostisVVI)and(RizikisVNR)then(NezgodeisSBN)
22.If(ImpulsivnostisVVI)and(RizikisNR)then(NezgodeisSVBN)
23.If(ImpulsivnostisVVI)and(RizikisSR)then(NezgodeisVBN)
24.If(ImpulsivnostisVVI)and(RizikisVR)then(NezgodeisVVBN)
25.If(ImpulsivnostisVVI)and(RizikisVVR)then(NezgodeisVVBN)
Prilog B
411
PrilogB.5.–FazipravilaufazilogičkimsistemimaodCXXVIIdoCXLIII
1.If(ImpulsivnostisVNI)and(SamoprocenaisVNS)then(NezgodeisSBN)
2.If(ImpulsivnostisVNI)and(SamoprocenaisNS)then(NezgodeisSMBN)
3.If(ImpulsivnostisVNI)and(SamoprocenaisSS)then(NezgodeisMBN)
4.If(ImpulsivnostisVNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(ImpulsivnostisVNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(ImpulsivnostisNI)and(SamoprocenaisVNS)then(NezgodeisSMBN)
7.If(ImpulsivnostisNI)and(SamoprocenaisNS)then(NezgodeisSMBN)
8.If(ImpulsivnostisNI)and(SamoprocenaisSS)then(NezgodeisMBN)
9.If(ImpulsivnostisNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(ImpulsivnostisNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(ImpulsivnostisSI)and(SamoprocenaisVNS)then(NezgodeisSVBN)
12.If(ImpulsivnostisSI)and(SamoprocenaisNS)then(NezgodeisSBN)
13.If(ImpulsivnostisSI)and(SamoprocenaisSS)then(NezgodeisSMBN)
14.If(ImpulsivnostisSI)and(SamoprocenaisVS)then(NezgodeisMBN)
15.If(ImpulsivnostisSI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(ImpulsivnostisVI)and(SamoprocenaisVNS)then(NezgodeisVBN)
17.If(ImpulsivnostisVI)and(SamoprocenaisNS)then(NezgodeisSVBN)
18.If(ImpulsivnostisVI)and(SamoprocenaisSS)then(NezgodeisSBN)
19.If(ImpulsivnostisVI)and(SamoprocenaisVS)then(NezgodeisSMBN)
20.If(ImpulsivnostisVI)and(SamoprocenaisVVS)then(NezgodeisMBN)
21.If(ImpulsivnostisVVI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
22.If(ImpulsivnostisVVI)and(SamoprocenaisNS)then(NezgodeisVBN)
23.If(ImpulsivnostisVVI)and(SamoprocenaisSS)then(NezgodeisSVBN)
24.If(ImpulsivnostisVVI)and(SamoprocenaisVS)then(NezgodeisSBN)
25.If(ImpulsivnostisVVI)and(SamoprocenaisVVS)then(NezgodeisSMBN)
Prilog B
412
PrilogB.6.–FazipravilaufazilogičkimsistemimaodCXLIVdoCLVIII
1.If(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
2.If(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
3.If(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
4.If(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
7.If(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
8.If(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
9.If(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
12.If(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
13.If(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
14.If(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
15.If(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
17.If(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
18.If(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
19.If(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
20.If(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
21.If(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
22.If(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVBN)
23.If(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
24.If(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSBN)
25.If(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
Prilog B
413
PrilogB.7.–FazipravilaufazilogičkimsistemimaodCLIXdoCLXXV
1. If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVNR)then(NezgodeisVMBN)
2. If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisNR)then(NezgodeisVMBN)
3. If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisSR)then(NezgodeisVMBN)
4. If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVR)then(NezgodeisMBN)
5. If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVVR)then(NezgodeisSMBN)
6. If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVNR)then(NezgodeisVMBN)
7. If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisNR)then(NezgodeisVMBN)
8. If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisSR)then(NezgodeisMBN)
9. If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVR)then(NezgodeisMBN)
10. If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVVR)then(NezgodeisSMBN)
11. If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVNR)then(NezgodeisVMBN)
12. If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisNR)then(NezgodeisMBN)
13. If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisSR)then(NezgodeisSMBN)
14. If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVR)then(NezgodeisSMBN)
15. If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVVR)then(NezgodeisSBN)
16. If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVNR)then(NezgodeisMBN)
17. If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisNR)then(NezgodeisMBN)
18. If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisSR)then(NezgodeisSMBN)
19. If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVR)then(NezgodeisSBN)
20. If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVVR)then(NezgodeisSVBN)
21. If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVNR)then(NezgodeisMBN)
22. If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisNR)then(NezgodeisSMBN)
23. If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisSR)then(NezgodeisSBN)
24. If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVR)then(NezgodeisSBN)
25. If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVVR)then(NezgodeisVBN)
26. If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVNR)then(NezgodeisVMBN)
27. If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisNR)then(NezgodeisVMBN)
28. If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisSR)then(NezgodeisMBN)
29. If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVR)then(NezgodeisMBN)
30. If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVVR)then(NezgodeisSMBN)
31. If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVNR)then(NezgodeisVMBN)
32. If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisNR)then(NezgodeisVMBN)
33. If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisSR)then(NezgodeisMBN)
34. If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVR)then(NezgodeisMBN)
Prilog B
414
35. If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVVR)then(NezgodeisSMBN)
36. If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVNR)then(NezgodeisVMBN)
37. If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisNR)then(NezgodeisVMBN)
38. If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisSR)then(NezgodeisMBN)
39. If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVR)then(NezgodeisSMBN)
40. If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVVR)then(NezgodeisSBN)
41. If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVNR)then(NezgodeisVMBN)
42. If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisNR)then(NezgodeisMBN)
43. If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVNR)then(NezgodeisMBN)
44. If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisNR)then(NezgodeisSMBN)
45. If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisSR)then(NezgodeisSBN)
46. If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVR)then(NezgodeisSBN)
47. If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVVR)then(NezgodeisSVBN)
48. If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisSR)then(NezgodeisSMBN)
49. If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVR)then(NezgodeisSBN)
50. If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVVR)then(NezgodeisSVBN)
51. If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVNR)then(NezgodeisVMBN)
52. If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisNR)then(NezgodeisVMBN)
53. If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisSR)then(NezgodeisMBN)
54. If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVR)then(NezgodeisSMBN)
55. If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVVR)then(NezgodeisSBN)
56. If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVNR)then(NezgodeisVMBN)
57. If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisNR)then(NezgodeisVMBN)
58. If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisSR)then(NezgodeisMBN)
59. If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVR)then(NezgodeisSMBN)
60. If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVVR)then(NezgodeisSBN)
61. If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVNR)then(NezgodeisVMBN)
62. If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisNR)then(NezgodeisMBN)
63. If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisSR)then(NezgodeisSMBN)
64. If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVR)then(NezgodeisSBN)
65. If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVVR)then(NezgodeisSVBN)
66. If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVNR)then(NezgodeisVMBN)
67. If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisNR)then(NezgodeisMBN)
68. If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisSR)then(NezgodeisSMBN)
69. If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVR)then(NezgodeisSBN)
70. If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVVR)then(NezgodeisSVBN)
Prilog B
415
71. If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVNR)then(NezgodeisMBN)
72. If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisNR)then(NezgodeisSMBN)
73. If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisSR)then(NezgodeisSBN)
74. If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVR)then(NezgodeisSVBN)
75. If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVVR)then(NezgodeisVBN)
76. If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVNR)then(NezgodeisVMBN)
77. If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisNR)then(NezgodeisMBN)
78. If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisSR)then(NezgodeisMBN)
79. If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVR)then(NezgodeisSMBN)
80. If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVVR)then(NezgodeisSBN)
81. If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVNR)then(NezgodeisVMBN)
82. If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisNR)then(NezgodeisMBN)
83. If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisSR)then(NezgodeisSMBN)
84. If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVR)then(NezgodeisSBN)
85. If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVVR)then(NezgodeisSVBN)
86. If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVNR)then(NezgodeisMBN)
87. If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisNR)then(NezgodeisSMBN)
88. If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisSR)then(NezgodeisSBN)
89. If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVR)then(NezgodeisSBN)
90. If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVVR)then(NezgodeisSVBN)
91. If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVNR)then(NezgodeisMBN)
92. If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisNR)then(NezgodeisSMBN)
93. If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisSR)then(NezgodeisSBN)
94. If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVR)then(NezgodeisSVBN)
95. If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVVR)then(NezgodeisVBN)
96. If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVNR)then(NezgodeisMBN)
97. If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisNR)then(NezgodeisSMBN)
98. If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisSR)then(NezgodeisSBN)
99. If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVR)then(NezgodeisVBN)
100. If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVVR)then(NezgodeisVVBN)
101. If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVNR)then(NezgodeisMBN)
102. If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisNR)then(NezgodeisMBN)
103. If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisSR)then(NezgodeisSMBN)
104. If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVR)then(NezgodeisSBN)
105. If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVVR)then(NezgodeisSVBN)
106. If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVNR)then(NezgodeisMBN)
Prilog B
416
107. If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisNR)then(NezgodeisMBN)
108. If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisSR)then(NezgodeisSMBN)
109. If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVR)then(NezgodeisSBN)
110. If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVVR)then(NezgodeisSVBN)
111. If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVNR)then(NezgodeisMBN)
112. If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisNR)then(NezgodeisSMBN)
113. If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisSR)then(NezgodeisSBN)
114. If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVR)then(NezgodeisSVBN)
115. If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVVR)then(NezgodeisVBN)
116. If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVNR)then(NezgodeisMBN)
117. If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisNR)then(NezgodeisSMBN)
118. If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisSR)then(NezgodeisSBN)
119. If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVR)then(NezgodeisSVBN)
120. If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVVR)then(NezgodeisVBN)
121. If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVNR)then(NezgodeisSMBN)
122. If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisNR)then(NezgodeisSBN)
123. If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisSR)then(NezgodeisSVBN)
124. If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVR)then(NezgodeisVBN)
125. If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVVR)then(NezgodeisVVBN)
Prilog B
417
PrilogB.8.–FazipravilaufazilogičkimsistemimaodCLXXVIdoCXCII
1.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(SamoprocenaisVNS)then(NezgodeisSMBN)
2.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(SamoprocenaisNS)then(NezgodeisMBN)
3.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(SamoprocenaisSS)then(NezgodeisVMBN)
4.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(SamoprocenaisVNS)then(NezgodeisSBN)
7.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(SamoprocenaisNS)then(NezgodeisSMBN)
8.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(SamoprocenaisSS)then(NezgodeisMBN)
9.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(SamoprocenaisVNS)then(NezgodeisSVBN)
12.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(SamoprocenaisNS)then(NezgodeisSBN)
13.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(SamoprocenaisSS)then(NezgodeisSMBN)
14.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(SamoprocenaisVS)then(NezgodeisMBN)
15.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(SamoprocenaisVNS)then(NezgodeisVBN)
17.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(SamoprocenaisNS)then(NezgodeisSVBN)
18.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(SamoprocenaisSS)then(NezgodeisSBN)
19.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(SamoprocenaisVS)then(NezgodeisSMBN)
20.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(SamoprocenaisVVS)then(NezgodeisMBN)
21.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(SamoprocenaisVNS)then(NezgodeisVBN)
22.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(SamoprocenaisNS)then(NezgodeisSVBN)
23.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(SamoprocenaisSS)then(NezgodeisSBN)
24.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(SamoprocenaisVS)then(NezgodeisSMBN)
25.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(SamoprocenaisVVS)then(NezgodeisMBN)
26.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(SamoprocenaisVNS)then(NezgodeisSBN)
27.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(SamoprocenaisNS)then(NezgodeisSMBN)
28.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(SamoprocenaisSS)then(NezgodeisMBN)
29.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
30.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
31.If(AgresivnostisNA)and(ImpulsivnostisNI)and(SamoprocenaisVNS)then(NezgodeisSBN)
32.If(AgresivnostisNA)and(ImpulsivnostisNI)and(SamoprocenaisNS)then(NezgodeisSMBN)
33.If(AgresivnostisNA)and(ImpulsivnostisNI)and(SamoprocenaisSS)then(NezgodeisMBN)
34.If(AgresivnostisNA)and(ImpulsivnostisNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
Prilog B
418
35.If(AgresivnostisNA)and(ImpulsivnostisNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
36.If(AgresivnostisNA)and(ImpulsivnostisSI)and(SamoprocenaisVNS)then(NezgodeisSVBN)
37.If(AgresivnostisNA)and(ImpulsivnostisSI)and(SamoprocenaisNS)then(NezgodeisSBN)
38.If(AgresivnostisNA)and(ImpulsivnostisSI)and(SamoprocenaisSS)then(NezgodeisSMBN)
39.If(AgresivnostisNA)and(ImpulsivnostisSI)and(SamoprocenaisVS)then(NezgodeisMBN)
40.If(AgresivnostisNA)and(ImpulsivnostisSI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
41.If(AgresivnostisNA)and(ImpulsivnostisVI)and(SamoprocenaisVNS)then(NezgodeisVBN)
42.If(AgresivnostisNA)and(ImpulsivnostisVI)and(SamoprocenaisNS)then(NezgodeisSVBN)
43.If(AgresivnostisNA)and(ImpulsivnostisVI)and(SamoprocenaisSS)then(NezgodeisSBN)
44.If(AgresivnostisNA)and(ImpulsivnostisVI)and(SamoprocenaisVS)then(NezgodeisSMBN)
45.If(AgresivnostisNA)and(ImpulsivnostisVI)and(SamoprocenaisVVS)then(NezgodeisMBN)
46.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(SamoprocenaisVNS)then(NezgodeisVBN)
47.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(SamoprocenaisNS)then(NezgodeisSVBN)
48.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(SamoprocenaisSS)then(NezgodeisSBN)
49.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(SamoprocenaisVS)then(NezgodeisSMBN)
50.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(SamoprocenaisVVS)then(NezgodeisMBN)
51.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(SamoprocenaisVNS)then(NezgodeisSBN)
52.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(SamoprocenaisNS)then(NezgodeisSMBN)
53.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(SamoprocenaisSS)then(NezgodeisMBN)
54.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(SamoprocenaisVS)then(NezgodeisVMBN)
55.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
56.If(AgresivnostisSA)and(ImpulsivnostisNI)and(SamoprocenaisVNS)then(NezgodeisSBN)
57.If(AgresivnostisSA)and(ImpulsivnostisNI)and(SamoprocenaisNS)then(NezgodeisSBN)
58.If(AgresivnostisSA)and(ImpulsivnostisNI)and(SamoprocenaisSS)then(NezgodeisSMBN)
59.If(AgresivnostisSA)and(ImpulsivnostisNI)and(SamoprocenaisVS)then(NezgodeisMBN)
60.If(AgresivnostisSA)and(ImpulsivnostisNI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
61.If(AgresivnostisSA)and(ImpulsivnostisSI)and(SamoprocenaisVNS)then(NezgodeisSVBN)
62.If(AgresivnostisSA)and(ImpulsivnostisSI)and(SamoprocenaisNS)then(NezgodeisSBN)
63.If(AgresivnostisSA)and(ImpulsivnostisSI)and(SamoprocenaisSS)then(NezgodeisSMBN)
64.If(AgresivnostisSA)and(ImpulsivnostisSI)and(SamoprocenaisVS)then(NezgodeisMBN)
65.If(AgresivnostisSA)and(ImpulsivnostisSI)and(SamoprocenaisVVS)then(NezgodeisVMBN)
66.If(AgresivnostisSA)and(ImpulsivnostisVI)and(SamoprocenaisVNS)then(NezgodeisVBN)
67.If(AgresivnostisSA)and(ImpulsivnostisVI)and(SamoprocenaisNS)then(NezgodeisSVBN)
68.If(AgresivnostisSA)and(ImpulsivnostisVI)and(SamoprocenaisSS)then(NezgodeisSBN)
69.If(AgresivnostisSA)and(ImpulsivnostisVI)and(SamoprocenaisVS)then(NezgodeisSMBN)
70.If(AgresivnostisSA)and(ImpulsivnostisVI)and(SamoprocenaisVVS)then(NezgodeisMBN)
Prilog B
419
71.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
72.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(SamoprocenaisNS)then(NezgodeisVBN)
73.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(SamoprocenaisSS)then(NezgodeisSVBN)
74.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(SamoprocenaisVS)then(NezgodeisSBN)
75.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(SamoprocenaisVVS)then(NezgodeisSMBN)
76.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(SamoprocenaisVNS)then(NezgodeisVBN)
77.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(SamoprocenaisNS)then(NezgodeisSVBN)
78.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(SamoprocenaisSS)then(NezgodeisSBN)
79.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(SamoprocenaisVS)then(NezgodeisSMBN)
80.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(SamoprocenaisVVS)then(NezgodeisMBN)
81.If(AgresivnostisVA)and(ImpulsivnostisNI)and(SamoprocenaisVNS)then(NezgodeisVBN)
82.If(AgresivnostisVA)and(ImpulsivnostisNI)and(SamoprocenaisNS)then(NezgodeisVBN)
83.If(AgresivnostisVA)and(ImpulsivnostisNI)and(SamoprocenaisSS)then(NezgodeisSVBN)
84.If(AgresivnostisVA)and(ImpulsivnostisNI)and(SamoprocenaisVS)then(NezgodeisSBN)
85.If(AgresivnostisVA)and(ImpulsivnostisNI)and(SamoprocenaisVVS)then(NezgodeisSMBN)
86.If(AgresivnostisVA)and(ImpulsivnostisSI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
87.If(AgresivnostisVA)and(ImpulsivnostisSI)and(SamoprocenaisNS)then(NezgodeisVBN)
88.If(AgresivnostisVA)and(ImpulsivnostisSI)and(SamoprocenaisSS)then(NezgodeisSVBN)
89.If(AgresivnostisVA)and(ImpulsivnostisSI)and(SamoprocenaisVS)then(NezgodeisSBN)
90.If(AgresivnostisVA)and(ImpulsivnostisSI)and(SamoprocenaisVVS)then(NezgodeisSMBN)
91.If(AgresivnostisVA)and(ImpulsivnostisVI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
92.If(AgresivnostisVA)and(ImpulsivnostisVI)and(SamoprocenaisNS)then(NezgodeisVBN)
93.If(AgresivnostisVA)and(ImpulsivnostisVI)and(SamoprocenaisSS)then(NezgodeisVBN)
94.If(AgresivnostisVA)and(ImpulsivnostisVI)and(SamoprocenaisVS)then(NezgodeisSVBN)
95.If(AgresivnostisVA)and(ImpulsivnostisVI)and(SamoprocenaisVVS)then(NezgodeisSBN)
96.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
97.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(SamoprocenaisNS)then(NezgodeisVVBN)
98.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(SamoprocenaisSS)then(NezgodeisVBN)
99.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(SamoprocenaisVS)then(NezgodeisSVBN)
100.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(SamoprocenaisVVS)then(NezgodeisSBN)
101.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(SamoprocenaisVNS)then(NezgodeisVBN)
102.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(SamoprocenaisNS)then(NezgodeisSVBN)
103.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(SamoprocenaisSS)then(NezgodeisSBN)
104.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(SamoprocenaisVS)then(NezgodeisSMBN)
105.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(SamoprocenaisVVS)then(NezgodeisMBN)
106.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
Prilog B
420
107.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(SamoprocenaisNS)then(NezgodeisVBN)
108.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(SamoprocenaisSS)then(NezgodeisSVBN)
109.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(SamoprocenaisVS)then(NezgodeisSBN)
110.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(SamoprocenaisVVS)then(NezgodeisSMBN)
111.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
112.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(SamoprocenaisNS)then(NezgodeisVBN)
113.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(SamoprocenaisSS)then(NezgodeisSVBN)
114.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(SamoprocenaisVS)then(NezgodeisSBN)
115.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(SamoprocenaisVVS)then(NezgodeisSMBN)
116.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
117.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(SamoprocenaisNS)then(NezgodeisVVBN)
118.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(SamoprocenaisSS)then(NezgodeisVBN)
119.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(SamoprocenaisVS)then(NezgodeisSVBN)
120.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(SamoprocenaisVVS)then(NezgodeisSBN)
121.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(SamoprocenaisVNS)then(NezgodeisVVBN)
122.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(SamoprocenaisNS)then(NezgodeisVVBN)
123.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(SamoprocenaisSS)then(NezgodeisVBN)
124.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(SamoprocenaisVS)then(NezgodeisSVBN)
125.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(SamoprocenaisVVS)then(NezgodeisSBN)
Prilog B
421
PrilogB.9.–FazipravilaufazilogičkimsistemimaodCXCIIIdoCCVIII
1.If(AgresivnostisVNA)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
2.If(AgresivnostisVNA)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisMBN)
3.If(AgresivnostisVNA)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
4.If(AgresivnostisVNA)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(AgresivnostisVNA)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(AgresivnostisVNA)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
7.If(AgresivnostisVNA)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
8.If(AgresivnostisVNA)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
9.If(AgresivnostisVNA)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(AgresivnostisVNA)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(AgresivnostisVNA)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
12.If(AgresivnostisVNA)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
13.If(AgresivnostisVNA)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
14.If(AgresivnostisVNA)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
15.If(AgresivnostisVNA)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(AgresivnostisVNA)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
17.If(AgresivnostisVNA)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
18.If(AgresivnostisVNA)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
19.If(AgresivnostisVNA)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
20.If(AgresivnostisVNA)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
21.If(AgresivnostisVNA)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
22.If(AgresivnostisVNA)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
23.If(AgresivnostisVNA)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
24.If(AgresivnostisVNA)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
25.If(AgresivnostisVNA)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
26.If(AgresivnostisNA)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
27.If(AgresivnostisNA)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
28.If(AgresivnostisNA)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
29.If(AgresivnostisNA)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
30.If(AgresivnostisNA)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
31.If(AgresivnostisNA)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
32.If(AgresivnostisNA)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
33.If(AgresivnostisNA)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
34.If(AgresivnostisNA)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
Prilog B
422
35.If(AgresivnostisNA)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
36.If(AgresivnostisNA)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
37.If(AgresivnostisNA)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
38.If(AgresivnostisNA)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
39.If(AgresivnostisNA)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
40.If(AgresivnostisNA)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
41.If(AgresivnostisNA)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
42.If(AgresivnostisNA)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
43.If(AgresivnostisNA)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
44.If(AgresivnostisNA)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
45.If(AgresivnostisNA)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
46.If(AgresivnostisNA)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
47.If(AgresivnostisNA)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
48.If(AgresivnostisNA)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
49.If(AgresivnostisNA)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
50.If(AgresivnostisNA)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
51.If(AgresivnostisSA)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
52.If(AgresivnostisSA)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
53.If(AgresivnostisSA)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
54.If(AgresivnostisSA)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
55.If(AgresivnostisSA)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
56.If(AgresivnostisSA)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
57.If(AgresivnostisSA)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSBN)
58.If(AgresivnostisSA)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
59.If(AgresivnostisSA)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
60.If(AgresivnostisSA)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
61.If(AgresivnostisSA)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
62.If(AgresivnostisSA)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
63.If(AgresivnostisSA)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
64.If(AgresivnostisSA)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
65.If(AgresivnostisSA)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
66.If(AgresivnostisSA)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
67.If(AgresivnostisSA)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
68.If(AgresivnostisSA)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
69.If(AgresivnostisSA)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
70.If(AgresivnostisSA)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
Prilog B
423
71.If(AgresivnostisSA)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
72.If(AgresivnostisSA)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVBN)
73.If(AgresivnostisSA)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
74.If(AgresivnostisSA)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSBN)
75.If(AgresivnostisSA)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
76.If(AgresivnostisVA)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
77.If(AgresivnostisVA)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
78.If(AgresivnostisVA)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSBN)
79.If(AgresivnostisVA)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSMBN)
80.If(AgresivnostisVA)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisMBN)
81.If(AgresivnostisVA)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
82.If(AgresivnostisVA)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
83.If(AgresivnostisVA)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
84.If(AgresivnostisVA)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSBN)
85.If(AgresivnostisVA)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
86.If(AgresivnostisVA)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
87.If(AgresivnostisVA)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
88.If(AgresivnostisVA)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSVBN)
89.If(AgresivnostisVA)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSBN)
90.If(AgresivnostisVA)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
91.If(AgresivnostisVA)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
92.If(AgresivnostisVA)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVBN)
93.If(AgresivnostisVA)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
94.If(AgresivnostisVA)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
95.If(AgresivnostisVA)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
96.If(AgresivnostisVA)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
97.If(AgresivnostisVA)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
98.If(AgresivnostisVA)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
99.If(AgresivnostisVA)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
100.If(AgresivnostisVA)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
101.If(AgresivnostisVVA)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
102.If(AgresivnostisVVA)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
103.If(AgresivnostisVVA)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSBN)
104.If(AgresivnostisVVA)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSMBN)
105.If(AgresivnostisVVA)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisMBN)
106.If(AgresivnostisVVA)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
Prilog B
424
107.If(AgresivnostisVVA)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
108.If(AgresivnostisVVA)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
109.If(AgresivnostisVVA)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSBN)
110.If(AgresivnostisVVA)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
111.If(AgresivnostisVVA)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
112.If(AgresivnostisVVA)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
113.If(AgresivnostisVVA)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSVBN)
114.If(AgresivnostisVVA)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSBN)
115.If(AgresivnostisVVA)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
116.If(AgresivnostisVVA)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
117.If(AgresivnostisVVA)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
118.If(AgresivnostisVVA)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
119.If(AgresivnostisVVA)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
120.If(AgresivnostisVVA)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
121.If(AgresivnostisVVA)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
122.If(AgresivnostisVVA)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
123.If(AgresivnostisVVA)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
124.If(AgresivnostisVVA)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
125.If(AgresivnostisVVA)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
Prilog B
425
PrilogB.10.–FazipravilaufazilogičkimsistemimaodCCIXdoCCXXV
1.If(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
2.If(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisMBN)
3.If(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
4.If(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
7.If(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
8.If(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
9.If(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
12.If(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
13.If(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
14.If(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
15.If(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
17.If(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
18.If(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
19.If(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
20.If(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
21.If(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
22.If(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
23.If(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
24.If(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
25.If(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
26.If(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
27.If(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
28.If(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
29.If(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
30.If(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
31.If(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
32.If(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
33.If(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
34.If(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
Prilog B
426
35.If(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
36.If(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
37.If(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
38.If(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
39.If(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
40.If(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
41.If(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
42.If(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
43.If(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
44.If(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
45.If(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
46.If(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
47.If(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
48.If(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
49.If(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
50.If(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
51.If(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
52.If(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
53.If(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
54.If(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
55.If(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
56.If(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
57.If(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSBN)
58.If(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
59.If(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
60.If(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
61.If(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
62.If(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
63.If(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
64.If(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
65.If(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
66.If(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
67.If(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
68.If(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
69.If(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
70.If(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
Prilog B
427
71.If(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
72.If(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVBN)
73.If(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
74.If(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSBN)
75.If(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
76.If(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
77.If(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
78.If(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSBN)
79.If(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSMBN)
80.If(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisMBN)
81.If(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
82.If(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
83.If(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
84.If(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSBN)
85.If(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
86.If(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
87.If(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
88.If(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSVBN)
89.If(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSBN)
90.If(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
91.If(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
92.If(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVBN)
93.If(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
94.If(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
95.If(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
96.If(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
97.If(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
98.If(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
99.If(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
100.If(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
101.If(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
102.If(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
103.If(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSBN)
104.If(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSMBN)
105.If(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisMBN)
106.If(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
Prilog B
428
107.If(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
108.If(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
109.If(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSBN)
110.If(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
111.If(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
112.If(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
113.If(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSVBN)
114.If(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSBN)
115.If(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
116.If(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
117.If(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
118.If(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
119.If(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
120.If(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
121.If(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
122.If(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
123.If(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
124.If(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
125.If(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
Prilog B
429
PrilogB.11.–FazipravilaufazilogičkimsistemimaodCCXXVIdoCCXLII
1.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVMBN)
2.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
3.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
4.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
5.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
6.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVMBN)
7.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
8.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
9.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
10.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
11.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisMBN)
12.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
13.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVMBN)
14.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
15.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
16.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisMBN)
17.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisMBN)
18.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
19.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
20.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
21.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
22.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisMBN)
23.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisMBN)
24.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
25.If(AgresivnostisVNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
26.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVMBN)
27.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
28.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
29.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
30.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
31.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
32.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisMBN)
33.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
34.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
35.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
36.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
37.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
38.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
39.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
Prilog B
430
40.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
41.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
42.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisMBN)
43.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
44.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
45.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
46.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
47.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
48.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisMBN)
49.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
50.If(AgresivnostisVNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
51.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
52.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisMBN)
53.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
54.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
55.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
56.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
57.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisMBN)
58.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
59.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
60.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
61.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
62.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
63.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVMBN)
64.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
65.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
66.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
67.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
68.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
69.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
70.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
71.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
72.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
73.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisMBN)
74.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
75.If(AgresivnostisVNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
76.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
77.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisMBN)
78.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
79.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
80.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
81.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
Prilog B
431
82.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
83.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
84.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
85.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
86.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSBN)
87.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSMBN)
88.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
89.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
90.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
91.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
92.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
93.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
94.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
95.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
96.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
97.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
98.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
99.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
100.If(AgresivnostisVNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
101.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
102.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
103.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
104.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
105.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
106.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
107.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
108.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
109.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
110.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
111.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
112.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
113.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
114.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
115.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
116.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
117.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
118.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
119.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
120.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
121.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
122.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
123.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
Prilog B
432
124.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
125.If(AgresivnostisVNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
126.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVMBN)
127.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
128.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
129.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
130.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
131.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
132.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisMBN)
133.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
134.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
135.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
136.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisMBN)
137.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
138.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVMBN)
139.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
140.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
141.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisMBN)
142.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisMBN)
143.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVMBN)
144.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
145.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
146.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
147.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisMBN)
148.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVMBN)
149.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
150.If(AgresivnostisNA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
151.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVMBN)
152.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
153.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
154.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
155.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
156.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
157.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
158.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
159.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
160.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
161.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisMBN)
162.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
163.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVMBN)
164.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
165.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
Prilog B
433
166.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
167.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisMBN)
168.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVMBN)
169.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
170.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
171.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
172.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisMBN)
173.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVMBN)
174.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
175.If(AgresivnostisNA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
176.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
177.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisMBN)
178.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
179.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
180.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
181.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
182.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisMBN)
183.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
184.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
185.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
186.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSBN)
187.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSMBN)
188.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
189.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
190.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
191.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
192.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
193.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
194.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
195.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
196.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
197.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
198.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisMBN)
199.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
200.If(AgresivnostisNA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
201.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
202.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
203.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
204.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisMBN)
205.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
206.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
207.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
Prilog B
434
208.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
209.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
210.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
211.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSBN)
212.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSMBN)
213.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
214.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
215.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
216.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
217.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
218.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
219.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
220.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
221.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
222.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
223.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
224.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
225.If(AgresivnostisNA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
226.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
227.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSBN)
228.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
229.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisMBN)
230.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
231.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
232.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSBN)
233.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
234.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
235.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
236.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
237.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
238.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
239.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
240.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
241.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
242.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
243.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
244.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
245.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
246.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
247.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
248.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
249.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
Prilog B
435
250.If(AgresivnostisNA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
251.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
252.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
253.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
254.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
255.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
256.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
257.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
258.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
259.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
260.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
261.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
262.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
263.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVMBN)
264.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
265.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
266.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
267.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
268.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
269.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
270.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
271.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
272.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
273.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisMBN)
274.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVMBN)
275.If(AgresivnostisSA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
276.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
277.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
278.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
279.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
280.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
281.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisMBN)
282.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVMBN)
283.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVMBN)
284.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
285.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
286.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSMBN)
287.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisMBN)
288.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVMBN)
289.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
290.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
291.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
Prilog B
436
292.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
293.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
294.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
295.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
296.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
297.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
298.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisMBN)
299.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
300.If(AgresivnostisSA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
301.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
302.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
303.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
304.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
305.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
306.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
307.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
308.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
309.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
310.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
311.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSBN)
312.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSMBN)
313.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
314.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
315.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
316.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
317.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
318.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
319.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
320.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
321.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
322.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
323.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
324.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
325.If(AgresivnostisSA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
326.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
327.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
328.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
329.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
330.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
331.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
332.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
333.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
Prilog B
437
334.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
335.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
336.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSBN)
337.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSMBN)
338.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
339.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
340.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
341.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
342.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
343.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
344.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
345.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
346.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
347.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
348.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
349.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
350.If(AgresivnostisSA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
351.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
352.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
353.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSBN)
354.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSMBN)
355.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisMBN)
356.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
357.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSBN)
358.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
359.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
360.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisMBN)
361.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
362.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
363.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSBN)
364.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSMBN)
365.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisMBN)
366.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
367.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
368.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
369.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
370.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
371.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
372.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
373.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
374.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
375.If(AgresivnostisSA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
Prilog B
438
376.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
377.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
378.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
379.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
380.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
381.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
382.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
383.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
384.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
385.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
386.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSBN)
387.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSMBN)
388.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisMBN)
389.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVMBN)
390.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
391.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSBN)
392.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSMBN)
393.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisMBN)
394.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
395.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
396.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
397.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
398.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
399.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisMBN)
400.If(AgresivnostisVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
401.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
402.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
403.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisMBN)
404.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVMBN)
405.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
406.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSBN)
407.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSMBN)
408.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisMBN)
409.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
410.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
411.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
412.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
413.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
414.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
415.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisMBN)
416.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
417.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSBN)
Prilog B
439
418.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSMBN)
419.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisMBN)
420.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
421.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
422.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSBN)
423.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSBN)
424.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSMBN)
425.If(AgresivnostisVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisMBN)
426.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
427.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSBN)
428.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
429.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisMBN)
430.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
431.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
432.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSBN)
433.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSMBN)
434.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisMBN)
435.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVMBN)
436.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisSVBN)
437.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSBN)
438.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSMBN)
439.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisMBN)
440.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisMBN)
441.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
442.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
443.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSBN)
444.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSBN)
445.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
446.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
447.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisSVBN)
448.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
449.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSBN)
450.If(AgresivnostisVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
451.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
452.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
453.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSBN)
454.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSBN)
455.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
456.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
457.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
458.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
459.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSBN)
Prilog B
440
460.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
461.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVBN)
462.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisSVBN)
463.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSBN)
464.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSBN)
465.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
466.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
467.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
468.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
469.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
470.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
471.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
472.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
473.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
474.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
475.If(AgresivnostisVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSBN)
476.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
477.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVBN)
478.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
479.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSBN)
480.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
481.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
482.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisSVBN)
483.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
484.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSBN)
485.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSBN)
486.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
487.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVVBN)
488.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSVBN)
489.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSVBN)
490.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSBN)
491.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
492.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
493.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
494.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
495.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
496.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
497.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
498.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVVBN)
499.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVBN)
500.If(AgresivnostisVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
501.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
Prilog B
441
502.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVBN)
503.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
504.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSBN)
505.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSMBN)
506.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
507.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
508.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
509.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
510.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSBN)
511.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVBN)
512.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
513.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisSVBN)
514.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSVBN)
515.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSBN)
516.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
517.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVBN)
518.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
519.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
520.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
521.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
522.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVBN)
523.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
524.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
525.If(AgresivnostisVVA)and(ImpulsivnostisVNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
526.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
527.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVBN)
528.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
529.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
530.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSBN)
531.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
532.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
533.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
534.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
535.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
536.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVBN)
537.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
538.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVBN)
539.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisSVBN)
540.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
541.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVBN)
542.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVBN)
543.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisSVBN)
Prilog B
442
544.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisSVBN)
545.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
546.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
547.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVBN)
548.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
549.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVBN)
550.If(AgresivnostisVVA)and(ImpulsivnostisNI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
551.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
552.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVBN)
553.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisSVBN)
554.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
555.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
556.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVBN)
557.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
558.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVBN)
559.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
560.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
561.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
562.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVBN)
563.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVBN)
564.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVBN)
565.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
566.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
567.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
568.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVBN)
569.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVBN)
570.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVBN)
571.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
572.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
573.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVBN)
574.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVBN)
575.If(AgresivnostisVVA)and(ImpulsivnostisSI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
576.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
577.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVVBN)
578.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVBN)
579.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisVBN)
580.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
581.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
582.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVVBN)
583.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVBN)
584.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisVBN)
585.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisVBN)
Prilog B
443
586.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
587.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVVBN)
588.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVVBN)
589.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVBN)
590.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVBN)
591.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
592.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
593.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVVBN)
594.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVBN)
595.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVBN)
596.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
597.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
598.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVVBN)
599.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVBN)
600.If(AgresivnostisVVA)and(ImpulsivnostisVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVBN)
601.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
602.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisNS)then(NezgodeisVBN)
603.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisSS)then(NezgodeisVBN)
604.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
605.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVNR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
606.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
607.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisNS)then(NezgodeisVBN)
608.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisSS)then(NezgodeisVBN)
609.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVS)then(NezgodeisSVBN)
610.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisNR)and(SamoprocenaisVVS)then(NezgodeisSVBN)
611.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
612.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisNS)then(NezgodeisVVBN)
613.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisSS)then(NezgodeisVVBN)
614.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVS)then(NezgodeisVBN)
615.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisSR)and(SamoprocenaisVVS)then(NezgodeisVBN)
616.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
617.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
618.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisSS)then(NezgodeisVVBN)
619.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVS)then(NezgodeisVBN)
620.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVR)and(SamoprocenaisVVS)then(NezgodeisVBN)
621.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVNS)then(NezgodeisVVBN)
622.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisNS)then(NezgodeisVVBN)
623.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisSS)then(NezgodeisVVBN)
624.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVS)then(NezgodeisVVBN)
625.If(AgresivnostisVVA)and(ImpulsivnostisVVI)and(RizikisVVR)and(SamoprocenaisVVS)then(NezgodeisVBN)
Prilog B
444
PrilogB.12.–FazipravilaufazilogičkimsistemimaodXLVIadoLXIa
1.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)then(NezgodeisSBN)
2.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)then(NezgodeisSMBN)
3.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)then(NezgodeisMBN)
4.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)then(NezgodeisVMBN)
5.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)then(NezgodeisVMBN)
6.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)then(NezgodeisSBN)
7.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)then(NezgodeisSMBN)
8.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)then(NezgodeisSMBN)
9.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)then(NezgodeisMBN)
10.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)then(NezgodeisVMBN)
11.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)then(NezgodeisSVBN)
12.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)then(NezgodeisSBN)
13.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)then(NezgodeisSMBN)
14.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)then(NezgodeisMBN)
15.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)then(NezgodeisVMBN)
16.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)then(NezgodeisVBN)
17.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)then(NezgodeisSVBN)
18.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)then(NezgodeisSBN)
19.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)then(NezgodeisSMBN)
20.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)then(NezgodeisMBN)
21.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)then(NezgodeisVVBN)
22.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)then(NezgodeisVBN)
23.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)then(NezgodeisSVBN)
24.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)then(NezgodeisSBN)
25.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)then(NezgodeisSMBN)
Prilog B
445
PrilogB.13.–FazipravilaufazilogičkimsistemimaodLXIIadoLXXVIIIa
1.If(Opasna__mestaisVNPR)and(UčestalostisVVU)then(NezgodeisSBN)
2.If(Opasna__mestaisVNPR)and(UčestalostisVU)then(NezgodeisSBN)
3.If(Opasna__mestaisVNPR)and(UčestalostisSVU)then(NezgodeisSMBN)
4.If(Opasna__mestaisVNPR)and(UčestalostisSU)then(NezgodeisMBN)
5.If(Opasna__mestaisVNPR)and(UčestalostisSNU)then(NezgodeisMBN)
6.If(Opasna__mestaisVNPR)and(UčestalostisNU)then(NezgodeisVMBN)
7.If(Opasna__mestaisVNPR)and(UčestalostisVNU)then(NezgodeisVMBN)
8.If(Opasna__mestaisNPR)and(UčestalostisVVU)then(NezgodeisSBN)
9.If(Opasna__mestaisNPR)and(UčestalostisVU)then(NezgodeisSBN)
10.If(Opasna__mestaisNPR)and(UčestalostisSVU)then(NezgodeisSMBN)
11.If(Opasna__mestaisNPR)and(UčestalostisSU)then(NezgodeisSMBN)
12.If(Opasna__mestaisNPR)and(UčestalostisSNU)then(NezgodeisMBN)
13.If(Opasna__mestaisNPR)and(UčestalostisNU)then(NezgodeisVMBN)
14.If(Opasna__mestaisNPR)and(UčestalostisVNU)then(NezgodeisVMBN)
15.If(Opasna__mestaisSPR)and(UčestalostisVVU)then(NezgodeisSVBN)
16.If(Opasna__mestaisSPR)and(UčestalostisVU)then(NezgodeisSBN)
17.If(Opasna__mestaisSPR)and(UčestalostisSVU)then(NezgodeisSMBN)
18.If(Opasna__mestaisSPR)and(UčestalostisSU)then(NezgodeisSMBN)
19.If(Opasna__mestaisSPR)and(UčestalostisSNU)then(NezgodeisMBN)
20.If(Opasna__mestaisSPR)and(UčestalostisNU)then(NezgodeisVMBN)
21.If(Opasna__mestaisSPR)and(UčestalostisVNU)then(NezgodeisVMBN)
22.If(Opasna__mestaisVPR)and(UčestalostisVVU)then(NezgodeisVVBN)
23.If(Opasna__mestaisVPR)and(UčestalostisVU)then(NezgodeisVBN)
24.If(Opasna__mestaisVPR)and(UčestalostisSVU)then(NezgodeisSVBN)
25.If(Opasna__mestaisVPR)and(UčestalostisSU)then(NezgodeisSBN)
26.If(Opasna__mestaisVPR)and(UčestalostisSNU)then(NezgodeisSMBN)
27.If(Opasna__mestaisVPR)and(UčestalostisNU)then(NezgodeisMBN)
28.If(Opasna__mestaisVPR)and(UčestalostisVNU)then(NezgodeisVMBN)
29.If(Opasna__mestaisVVPR)and(UčestalostisVVU)then(NezgodeisVVBN)
30.If(Opasna__mestaisVVPR)and(UčestalostisVU)then(NezgodeisVVBN)
31.If(Opasna__mestaisVVPR)and(UčestalostisSVU)then(NezgodeisVBN)
32.If(Opasna__mestaisVVPR)and(UčestalostisSU)then(NezgodeisSVBN)
33.If(Opasna__mestaisVVPR)and(UčestalostisSNU)then(NezgodeisSBN)
34.If(Opasna__mestaisVVPR)and(UčestalostisNU)then(NezgodeisSBN)
35.If(Opasna__mestaisVVPR)and(UčestalostisVNU)then(NezgodeisSMBN)
Prilog B
446
PrilogB.14.–FazipravilaufazilogičkimsistemimaodLXXIXadoXCIIIa
1.If(Karakteristike__putaisVNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
2.If(Karakteristike__putaisVNPK)and(UčestalostisVU)then(NezgodeisVVBN)
3.If(Karakteristike__putaisVNPK)and(UčestalostisSVU)then(NezgodeisVBN)
4.If(Karakteristike__putaisVNPK)and(UčestalostisSU)then(NezgodeisSVBN)
5.If(Karakteristike__putaisVNPK)and(UčestalostisSNU)then(NezgodeisSVBN)
6.If(Karakteristike__putaisVNPK)and(UčestalostisNU)then(NezgodeisSBN)
7.If(Karakteristike__putaisVNPK)and(UčestalostisVNU)then(NezgodeisSBN)
8.If(Karakteristike__putaisNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
9.If(Karakteristike__putaisNPK)and(UčestalostisVU)then(NezgodeisVVBN)
10.If(Karakteristike__putaisNPK)and(UčestalostisSVU)then(NezgodeisVBN)
11.If(Karakteristike__putaisNPK)and(UčestalostisSU)then(NezgodeisSVBN)
12.If(Karakteristike__putaisNPK)and(UčestalostisSNU)then(NezgodeisSBN)
13.If(Karakteristike__putaisNPK)and(UčestalostisNU)then(NezgodeisSBN)
14.If(Karakteristike__putaisNPK)and(UčestalostisVNU)then(NezgodeisSMBN)
15.If(Karakteristike__putaisSPK)and(UčestalostisVVU)then(NezgodeisVVBN)
16.If(Karakteristike__putaisSPK)and(UčestalostisVU)then(NezgodeisVBN)
17.If(Karakteristike__putaisSPK)and(UčestalostisSVU)then(NezgodeisSVBN)
18.If(Karakteristike__putaisSPK)and(UčestalostisSU)then(NezgodeisSBN)
19.If(Karakteristike__putaisSPK)and(UčestalostisSNU)then(NezgodeisSBN)
20.If(Karakteristike__putaisSPK)and(UčestalostisNU)then(NezgodeisSMBN)
21.If(Karakteristike__putaisSPK)and(UčestalostisVNU)then(NezgodeisMBN)
22.If(Karakteristike__putaisVPK)and(UčestalostisVVU)then(NezgodeisVBN)
23.If(Karakteristike__putaisVPK)and(UčestalostisVU)then(NezgodeisSVBN)
24.If(Karakteristike__putaisVPK)and(UčestalostisSVU)then(NezgodeisSVBN)
25.If(Karakteristike__putaisVPK)and(UčestalostisSU)then(NezgodeisSBN)
26.If(Karakteristike__putaisVPK)and(UčestalostisSNU)then(NezgodeisSBN)
27.If(Karakteristike__putaisVPK)and(UčestalostisNU)then(NezgodeisSMBN)
28.If(Karakteristike__putaisVPK)and(UčestalostisVNU)then(NezgodeisMBN)
29.If(Karakteristike__putaisVVPK)and(UčestalostisVVU)then(NezgodeisSVBN)
30.If(Karakteristike__putaisVVPK)and(UčestalostisVU)then(NezgodeisSBN)
31.If(Karakteristike__putaisVVPK)and(UčestalostisSVU)then(NezgodeisSMBN)
32.If(Karakteristike__putaisVVPK)and(UčestalostisSU)then(NezgodeisMBN)
33.If(Karakteristike__putaisVVPK)and(UčestalostisSNU)then(NezgodeisMBN)
34.If(Karakteristike__putaisVVPK)and(UčestalostisNU)then(NezgodeisVMBN)
35.If(Karakteristike__putaisVVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
Prilog B
447
PrilogB.15.–FazipravilaufazilogičkimsistemimaodXCIVadoCxa
1.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisVVU)then(NezgodeisVBN)
2.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisVU)then(NezgodeisVBN)
3.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
4.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisSU)then(NezgodeisSVBN)
5.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisSNU)then(NezgodeisSBN)
6.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisNU)then(NezgodeisSBN)
7.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVNPK)and(UčestalostisVNU)then(NezgodeisSMBN)
8.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisVVU)then(NezgodeisVBN)
9.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisVU)then(NezgodeisSVBN)
10.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
11.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisSU)then(NezgodeisSBN)
12.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisSNU)then(NezgodeisSBN)
13.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisNU)then(NezgodeisSMBN)
14.If(Opasna__mestaisVNPR)and(Karakteristike__putaisNPK)and(UčestalostisVNU)then(NezgodeisMBN)
15.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisVVU)then(NezgodeisVBN)
16.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisVU)then(NezgodeisSVBN)
17.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisSVU)then(NezgodeisSBN)
18.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisSU)then(NezgodeisSBN)
19.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisSNU)then(NezgodeisSMBN)
20.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisNU)then(NezgodeisMBN)
21.If(Opasna__mestaisVNPR)and(Karakteristike__putaisSPK)and(UčestalostisVNU)then(NezgodeisVMBN)
22.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisVVU)then(NezgodeisSVBN)
23.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisVU)then(NezgodeisSBN)
24.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisSVU)then(NezgodeisSMBN)
25.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisSU)then(NezgodeisMBN)
26.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisSNU)then(NezgodeisMBN)
27.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisNU)then(NezgodeisVMBN)
28.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
29.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisVVU)then(NezgodeisSBN)
30.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisVU)then(NezgodeisSMBN)
31.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisSVU)then(NezgodeisSMBN)
32.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisSU)then(NezgodeisMBN)
33.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisSNU)then(NezgodeisVMBN)
34.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisNU)then(NezgodeisVMBN)
35.If(Opasna__mestaisVNPR)and(Karakteristike__putaisVVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
36.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
37.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisVU)then(NezgodeisVBN)
38.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
39.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisSU)then(NezgodeisSBN)
40.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisSNU)then(NezgodeisSMBN)
Prilog B
448
41.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisNU)then(NezgodeisSMBN)
42.If(Opasna__mestaisNPR)and(Karakteristike__putaisVNPK)and(UčestalostisVNU)then(NezgodeisMBN)
43.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisVVU)then(NezgodeisVBN)
44.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisVU)then(NezgodeisVBN)
45.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
46.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisSU)then(NezgodeisSBN)
47.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisSNU)then(NezgodeisSMBN)
48.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisNU)then(NezgodeisSMBN)
49.If(Opasna__mestaisNPR)and(Karakteristike__putaisNPK)and(UčestalostisVNU)then(NezgodeisMBN)
50.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisVVU)then(NezgodeisVBN)
51.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisVU)then(NezgodeisSVBN)
52.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisSVU)then(NezgodeisSVBN)
53.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisSU)then(NezgodeisSBN)
54.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisSNU)then(NezgodeisSMBN)
55.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisNU)then(NezgodeisMBN)
56.If(Opasna__mestaisNPR)and(Karakteristike__putaisSPK)and(UčestalostisVNU)then(NezgodeisVMBN)
57.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisVVU)then(NezgodeisSBN)
58.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisVU)then(NezgodeisSMBN)
59.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisSVU)then(NezgodeisSMBN)
60.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisSU)then(NezgodeisMBN)
61.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisSNU)then(NezgodeisVMBN)
62.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisNU)then(NezgodeisVMBN)
63.If(Opasna__mestaisNPR)and(Karakteristike__putaisVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
64.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisVVU)then(NezgodeisSBN)
65.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisVU)then(NezgodeisSMBN)
66.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisSVU)then(NezgodeisMBN)
67.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisSU)then(NezgodeisVMBN)
68.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisSNU)then(NezgodeisVMBN)
69.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisNU)then(NezgodeisVMBN)
70.If(Opasna__mestaisNPR)and(Karakteristike__putaisVVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
71.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
72.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisVU)then(NezgodeisVBN)
73.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
74.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisSU)then(NezgodeisSVBN)
75.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisSNU)then(NezgodeisSBN)
76.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisNU)then(NezgodeisSMBN)
77.If(Opasna__mestaisSPR)and(Karakteristike__putaisVNPK)and(UčestalostisVNU)then(NezgodeisMBN)
78.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
79.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisVU)then(NezgodeisVBN)
80.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
81.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisSU)then(NezgodeisSBN)
82.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisSNU)then(NezgodeisSMBN)
Prilog B
449
83.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisNU)then(NezgodeisMBN)
84.If(Opasna__mestaisSPR)and(Karakteristike__putaisNPK)and(UčestalostisVNU)then(NezgodeisVMBN)
85.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisVVU)then(NezgodeisVBN)
86.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisVU)then(NezgodeisSVBN)
87.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisSVU)then(NezgodeisSBN)
88.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisSU)then(NezgodeisSBN)
89.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisSNU)then(NezgodeisSMBN)
90.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisNU)then(NezgodeisMBN)
91.If(Opasna__mestaisSPR)and(Karakteristike__putaisSPK)and(UčestalostisVNU)then(NezgodeisVMBN)
92.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisVVU)then(NezgodeisSVBN)
93.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisVU)then(NezgodeisSBN)
94.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisSVU)then(NezgodeisSMBN)
95.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisSU)then(NezgodeisMBN)
96.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisSNU)then(NezgodeisMBN)
97.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisNU)then(NezgodeisVMBN)
98.If(Opasna__mestaisSPR)and(Karakteristike__putaisVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
99.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisVVU)then(NezgodeisSBN)
100.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisVU)then(NezgodeisSMBN)
101.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisSVU)then(NezgodeisMBN)
102.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisSU)then(NezgodeisMBN)
103.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisSNU)then(NezgodeisVMBN)
104.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisNU)then(NezgodeisVMBN)
105.If(Opasna__mestaisSPR)and(Karakteristike__putaisVVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
106.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
107.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisVU)then(NezgodeisVBN)
108.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisSVU)then(NezgodeisVBN)
109.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisSU)then(NezgodeisSVBN)
110.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisSNU)then(NezgodeisSVBN)
111.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisNU)then(NezgodeisSBN)
112.If(Opasna__mestaisVPR)and(Karakteristike__putaisVNPK)and(UčestalostisVNU)then(NezgodeisSMBN)
113.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
114.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisVU)then(NezgodeisVBN)
115.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisSVU)then(NezgodeisSVBN)
116.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisSU)then(NezgodeisSBN)
117.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisSNU)then(NezgodeisSMBN)
118.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisNU)then(NezgodeisSMBN)
119.If(Opasna__mestaisVPR)and(Karakteristike__putaisNPK)and(UčestalostisVNU)then(NezgodeisMBN)
120.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisVVU)then(NezgodeisVVBN)
121.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisVU)then(NezgodeisVBN)
122.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisSVU)then(NezgodeisSVBN)
123.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisSU)then(NezgodeisSBN)
124.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisSNU)then(NezgodeisSBN)
Prilog B
450
125.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisNU)then(NezgodeisSMBN)
126.If(Opasna__mestaisVPR)and(Karakteristike__putaisSPK)and(UčestalostisVNU)then(NezgodeisMBN)
127.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisVVU)then(NezgodeisVBN)
128.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisVU)then(NezgodeisSVBN)
129.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisSVU)then(NezgodeisSBN)
130.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisSU)then(NezgodeisSBN)
131.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisSNU)then(NezgodeisSMBN)
132.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisNU)then(NezgodeisMBN)
133.If(Opasna__mestaisVPR)and(Karakteristike__putaisVPK)and(UčestalostisVNU)then(NezgodeisMBN)
134.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisVVU)then(NezgodeisSVBN)
135.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisVU)then(NezgodeisSBN)
136.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisSVU)then(NezgodeisSBN)
137.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisSU)then(NezgodeisSMBN)
138.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisSNU)then(NezgodeisMBN)
139.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisNU)then(NezgodeisMBN)
140.If(Opasna__mestaisVPR)and(Karakteristike__putaisVVPK)and(UčestalostisVNU)then(NezgodeisVMBN)
141.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
142.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisVU)then(NezgodeisVVBN)
143.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisSVU)then(NezgodeisVBN)
144.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisSU)then(NezgodeisVBN)
145.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisSNU)then(NezgodeisSVBN)
146.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisNU)then(NezgodeisSVBN)
147.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVNPK)and(UčestalostisVNU)then(NezgodeisSBN)
148.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisVVU)then(NezgodeisVVBN)
149.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisVU)then(NezgodeisVVBN)
150.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisSVU)then(NezgodeisVBN)
151.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisSU)then(NezgodeisSVBN)
152.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisSNU)then(NezgodeisSVBN)
153.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisNU)then(NezgodeisSBN)
154.If(Opasna__mestaisVVPR)and(Karakteristike__putaisNPK)and(UčestalostisVNU)then(NezgodeisSMBN)
155.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisVVU)then(NezgodeisVVBN)
156.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisVU)then(NezgodeisVBN)
157.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisSVU)then(NezgodeisSVBN)
158.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisSU)then(NezgodeisSVBN)
159.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisSNU)then(NezgodeisSBN)
160.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisNU)then(NezgodeisSMBN)
161.If(Opasna__mestaisVVPR)and(Karakteristike__putaisSPK)and(UčestalostisVNU)then(NezgodeisSMBN)
162.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisVVU)then(NezgodeisVVBN)
163.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisVU)then(NezgodeisVBN)
164.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisSVU)then(NezgodeisSVBN)
165.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisSU)then(NezgodeisSBN)
166.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisSNU)then(NezgodeisSMBN)
Prilog B
451
167.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisNU)then(NezgodeisSMBN)
168.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVPK)and(UčestalostisVNU)then(NezgodeisMBN)
169.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisVVU)then(NezgodeisVBN)
170.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisVU)then(NezgodeisSVBN)
171.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisSVU)then(NezgodeisSBN)
172.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisSU)then(NezgodeisSBN)
173.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisSNU)then(NezgodeisSMBN)
174.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisNU)then(NezgodeisSMBN)
175.If(Opasna__mestaisVVPR)and(Karakteristike__putaisVVPK)and(UčestalostisVNU)then(NezgodeisMBN)
Prilog C
452
PrilogC–VarijableufazilogičkimsistemimaPrilogC.1.–VarijablekojefigurišuufazilogičkimsistemimaodLXIdoLXXVIIFazi logički sistem LXI karakterišu funkcije pripadnosti u obliku trougla (trimf), kako za ulaznepromenljive, tako i za izlaznu. Ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVI,aizlaznapromenljivakaoufazilogičkomsistemuI.Kod fazi logičkog sistema LXII ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXIII ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu II, ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.Kod fazi logičkog sistemaLXIVulaznapromenljivaAgresivnost je definisanakaou fazi logičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXV ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu IV, ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXIX,aizlaznapromenljivakaoufazilogičkomsistemuV.Kod fazi logičkog sistemaLXVI ulaznapromenljivaAgresivnost je definisanakaou fazi logičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXVII ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu VI, ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXXI,aizlaznapromenljivakaoufazilogičkomsistemuVII.Kodfazi logičkogsistemaLXVIIIulaznapromenljivaAgresivnostjedefinisanakaoufazi logičkomsistemu VIII, ulazna promenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXIII, aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaLXIXulaznapromenljivaAgresivnost je definisana kao u fazi logičkom sistemu VIII, ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXXIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.Kod fazi logičkog sistema LXX ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXV,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXXI ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu X, ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXXV,aizlaznapromenljivakaoufazilogičkomsistemuXI.Kod fazi logičkogsistemaLXXIIulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemu XII, ulazna promenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXVII, aizlazna promenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXXIII ulaznapromenljiva Agresivnost je definisana kao u fazi logičkom sistemu XII, ulazna promenljivaImpulsivnost je definisana kao u fazi logičkom sistemu XXVII, a izlazna promenljiva kao u fazilogičkomsistemuXIII.
Prilog C
453
Kodfazi logičkogsistemaLXXIVulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemu XIV, ulazna promenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXIX, aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaLXXVulaznapromenljivaAgresivnost je definisana kao u fazi logičkom sistemu XIV, ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXXIX,aizlaznapromenljivakaoufazilogičkomsistemuXV.Kodfazi logičkogsistemaLXXVIulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemu IV, ulazna promenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXVIII, aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaLXXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu IV, ulazna promenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXVIII, aizlaznapromenljivakaoufazilogičkomsistemuIII.PrilogC.2.–VarijablekojefigurišuufazilogičkimsistemimaodLXXVIIIdoXCIIIFazilogičkisistemLXXVIIIkarakterišufunkcijepripadnostiuoblikutrougla(trimf),kakozaulaznepromenljive, tako i za izlaznu. Ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemu I, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, a izlaznapromenljivakaoufazilogičkomsistemuI.Kodfazi logičkogsistemaLXXIXulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemu II, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXII, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXXX ulazna promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,aizlaznapromenljivakaoufazilogičkomsistemuIII.Kodfazi logičkogsistemaLXXXIulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemu IV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXIV, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXXXII ulazna promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,aizlaznapromenljivakaoufazilogičkomsistemuV.KodfazilogičkogsistemaLXXXIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu VI, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXVI, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXXXIVulazna promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaLXXXVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema LXXXVIulazna promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaLXXXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu X, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XL, a izlaznapromenljivakaoufazi logičkomsistemuI.Kodfazi logičkogsistemaLXXXVIIIulaznapromenljiva
Prilog C
454
AgresivnostjedefinisanakaoufazilogičkomsistemuX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,aizlaznapromenljivakaoufazilogičkomsistemuXI.KodfazilogičkogsistemaLXXXIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu XII, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XLII, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema XC ulazna promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.Kod fazi logičkog sistema XCI ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemu XIV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XLIV, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema XCII ulazna promenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV,aizlaznapromenljivakaoufazilogičkomsistemuXV.Kod fazi logičkog sistemaXCIII ulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemu IV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, a izlaznapromenljivakaoufazilogičkomsistemuI.PrilogC.3.–VarijablekojefigurišuufazilogičkimsistemimaodXCIVdoCVIIIFazi logički sistemXCIVkarakterišu funkcijepripadnostiuobliku trougla (trimf), kako zaulaznepromenljive, tako i za izlaznu. Ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.Kod fazi logičkog sistema XCV ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema XCVI ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu II, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.Kod fazi logičkogsistemaXCVIIulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemuIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema XCVIII ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu IV, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuV.Kod fazi logičkog sistemaXCIXulaznapromenljivaAgresivnost je definisanakaou fazi logičkomsistemuVI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema C ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu VI, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaCIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LIII, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CII ulazna promenljiva
Prilog C
455
Agresivnost je definisana kao u fazi logičkom sistemu VIII, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.Kod fazi logičkog sistema CIII ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuX,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CIV ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu X, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.Kod fazi logičkog sistema CV ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CVI ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu XII, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.Kod fazi logičkog sistema CVII ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuXIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CVIII ulazna promenljivaAgresivnost je definisana kao u fazi logičkom sistemu XIV, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuXV.Kod fazi logičkog sistema CIX ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.PrilogC.4.–VarijablekojefigurišuufazilogičkimsistemimaodCXdoCXXVIFazi logički sistem CX karakterišu funkcije pripadnosti u obliku trougla (trimf), kako za ulaznepromenljive, tako i za izlaznu.Ulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemu XVI, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, a izlaznapromenljivakaoufazilogičkomsistemuI.Kod fazi logičkog sistemaCXI ulazna promenljiva Impulsivnost je definisana kao u fazi logičkomsistemuXVII, ulaznapromenljivaRizik je definisanakaou fazi logičkomsistemuXXXII, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXII ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,aizlaznapromenljivakaoufazilogičkomsistemuIII.Kodfazi logičkogsistemaCXIIIulaznapromenljivaImpulsivnost jedefinisanakaoufazi logičkomsistemuXIX, ulaznapromenljivaRizik je definisana kaou fazi logičkom sistemuXXXIV, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXIV ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,aizlaznapromenljivakaoufazilogičkomsistemuV.Kod fazi logičkog sistemaCXVulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemuXXI, ulaznapromenljivaRizik je definisana kaou fazi logičkom sistemuXXXVI, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXVI ulazna promenljiva
Prilog C
456
ImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaCXVIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,aizlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXVIII ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.Kodfazi logičkogsistemaCXIXulaznapromenljivaImpulsivnost jedefinisanakaoufazi logičkomsistemu XXV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XL, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXX ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,aizlaznapromenljivakaoufazilogičkomsistemuXI.Kodfazi logičkogsistemaCXXIulaznapromenljivaImpulsivnost jedefinisanakaoufazi logičkomsistemuXXVII, ulaznapromenljivaRizik je definisanakaou fazi logičkomsistemuXLII, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXII ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.KodfazilogičkogsistemaCXXIIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX, ulaznapromenljivaRizik je definisana kaou fazi logičkom sistemuXLIV, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXIV ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV,aizlaznapromenljivakaoufazilogičkomsistemuXV.KodfazilogičkogsistemaCXXVulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII, ulaznapromenljivaRizik je definisanakaou fazi logičkomsistemuXXXI, a izlaznapromenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXVI ulazna promenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXI,aizlaznapromenljivakaoufazilogičkomsistemuIII.PrilogC.5.–VarijablekojefigurišuufazilogičkimsistemimaodCXXVIIdoCXLIIIKodfazilogičkogsistemaCXXVIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XVI, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu XLVI, aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXXVIIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaSamoprocena jedefinisanakaou fazi logičkomsistemuXLVII,aizlazna promenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXIX ulaznapromenljiva Impulsivnost je definisana kao u fazi logičkom sistemu II, ulazna promenljivaSamoprocena je definisana kao u fazi logičkom sistemu XLVII, a izlazna promenljiva kao u fazilogičkomsistemuIII.KodfazilogičkogsistemaCXXXulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XIX, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu XLIX, a
Prilog C
457
izlazna promenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXXI ulaznapromenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XIX, ulazna promenljivaSamoprocena je definisana kao u fazi logičkom sistemu XLIX, a izlazna promenljiva kao u fazilogičkomsistemuV.KodfazilogičkogsistemaCXXXIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljiva kaou fazi logičkom sistemu I.Kod fazi logičkog sistemaCXXXIII ulaznapromenljivaImpulsivnost je definisana kao u fazi logičkom sistemu XXI, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaCXXXIVulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XXIII, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LIII, aizlazna promenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXXV ulaznapromenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXIII, ulazna promenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaCXXXVIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaou fazi logičkomsistemu I.Kod fazi logičkogsistemaCXXXVIIulaznapromenljivaImpulsivnost je definisana kao u fazi logičkom sistemuXXV, ulazna promenljiva Samoprocena jedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.KodfazilogičkogsistemaCXXXVIIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaSamoprocena jedefinisanakaou fazi logičkomsistemuLVII,aizlazna promenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXXXIX ulaznapromenljiva Impulsivnost je definisana kao u fazi logičkom sistemu XXVII, ulazna promenljivaSamoprocena je definisana kao u fazi logičkom sistemu LVII, a izlazna promenljiva kao u fazilogičkomsistemuXIII.Kod fazi logičkog sistemaCXLulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemu XXIX, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LIX, aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXLIulaznapromenljivaImpulsivnost jedefinisanakaou fazi logičkomsistemuXXIX,ulaznapromenljivaSamoprocena jedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuXV.KodfazilogičkogsistemaCXLIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaSamoprocena jedefinisanakaou fazi logičkomsistemuXLVI,aizlazna promenljiva kao u fazi logičkom sistemu I. Kod fazi logičkog sistema CXLIII ulaznapromenljiva Impulsivnost je definisana kao u fazi logičkom sistemu IV, ulazna promenljivaSamoprocena je definisana kao u fazi logičkom sistemu XLVI, a izlazna promenljiva kao u fazilogičkomsistemuI.
Prilog C
458
PrilogC.6.–VarijablekojefigurišuufazilogičkimsistemimaodCXLIVdoCLVIIIFazilogičkisistemCXLIVkarakterišufunkcijepripadnostiuoblikutrougla(trimf),kakozaulaznepromenljive, takoiza izlaznu.UlaznapromenljivaRizik jedefinisanakaoufazi logičkomsistemuXXXI, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemuXLVI, a izlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXLVulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazi logičkomsistemuXLVII,a izlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXLVIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.KodfazilogičkogsistemaCXLVIIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,ulaznapromenljivaSamoprocena jedefinisanakaoufazi logičkomsistemuXLIX,a izlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXLVIIIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuV.KodfazilogičkogsistemaCXLIXulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LI, a izlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuVII.Kod fazi logičkog sistemaCLIulaznapromenljivaRizik jedefinisanakaou fazi logičkomsistemuXXXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazi logičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLIIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaCLIIIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLIVulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.KodfazilogičkogsistemaCLVulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII,ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LVII, a izlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLVIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.KodfazilogičkogsistemaCLVIIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LIX, a izlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLVIIIulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuXV.
Prilog C
459
PrilogC.7.–VarijablekojefigurišuufazilogičkimsistemimaodCLIXdoCLXXVKod fazi logičkog sistemaCLIX ulazna promenljivaAgresivnost je definisana kao u fazi logičkomsistemu I,ulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemuXVI, ulaznapromenljivaRizikjedefinisanakaoufazi logičkomsistemuXXXI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,aizlaznapromenljivakao u fazi logičkom sistemu I. Kod fazi logičkog sistema CLXI ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,aizlaznapromenljivakaoufazilogičkomsistemuIII.Kod fazi logičkogsistemaCLXIIulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,aizlaznapromenljivakaoufazilogičkomsistemuI.Kodfazi logičkogsistemaCLXIIIulaznapromenljivaAgresivnost jedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX, ulaznapromenljivaRizik je definisana kaou fazi logičkom sistemuXXXIV, a izlaznapromenljivakaoufazilogičkomsistemuV.Kodfazi logičkogsistemaCXLIXulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLXVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,aizlaznapromenljivakaoufazilogičkomsistemuVII.Kodfazi logičkogsistemaCLXVIulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemuVIII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaCLXVIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazi logičkomsistemuXXV,ulaznapromenljiva Rizik je definisana kao u fazi logičkom sistemu XL, a izlazna promenljiva kao u fazilogičkomsistemuI.KodfazilogičkogsistemaCLXIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,aizlaznapromenljivakaoufazilogičkomsistemuXI.Kod fazi logičkog sistemaCLXXulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemuXII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaRizik jedefinisanakaou fazi logičkomsistemuXLII,a izlaznapromenljivakaou fazilogičkomsistemuI.KodfazilogičkogsistemaCLXXIulaznapromenljivaAgresivnostjedefinisanakao
Prilog C
460
u fazi logičkom sistemu XII, ulazna promenljiva Impulsivnost je definisana kao u fazi logičkomsistemuXXVII, ulaznapromenljivaRizik je definisanakaou fazi logičkomsistemuXLII, a izlaznapromenljivakaoufazilogičkomsistemuXIII.KodfazilogičkogsistemaCLXXIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX,ulaznapromenljivaRizikjedefinisanakaoufazi logičkomsistemuXLIV,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLXXIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX, ulaznapromenljivaRizik je definisana kaou fazi logičkom sistemuXLIV, a izlaznapromenljivakaoufazilogičkomsistemuXV.KodfazilogičkogsistemaCLXXIVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaRizikjedefinisanakaoufazi logičkomsistemuXXXI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLXXVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII, ulaznapromenljivaRizik je definisanakaou fazi logičkomsistemuXXXI, a izlaznapromenljivakaoufazilogičkomsistemuIII.PrilogC.8.–VarijablekojefigurišuufazilogičkimsistemimaodCLXXVIdoCXCIIKodfazilogičkogsistemaCLXXVIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu I,ulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemuXVI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCLXXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CLXXVIII ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.KodfazilogičkogsistemaCLXXIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CLXXX ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,ulaznapromenljivaSamoprocenajedefinisanakaoufazi logičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuV.KodfazilogičkogsistemaCLXXXIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CLXXXII ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazi
Prilog C
461
logičkomsistemuXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaCLXXXIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CLXXXIV ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaCLXXXVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazi logičkomsistemuXXV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CLXXXVI ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.KodfazilogičkogsistemaCLXXXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaou fazi logičkomsistemu I.Kod fazi logičkogsistemaCLXXXVIIIulaznapromenljivaAgresivnost jedefinisanakaoufazilogičkomsistemuXII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.KodfazilogičkogsistemaCLXXXIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXCulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XXIX, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LIX, aizlaznapromenljivakaoufazilogičkomsistemuXV.Kod fazi logičkog sistemaCXCI ulaznapromenljivaAgresivnost je definisanakaou fazi logičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CXCII ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuIII.
Prilog C
462
PrilogB.9.–VarijablekojefigurišuufazilogičkimsistemimaodCXCIIIdoCCVIIIKodfazi logičkogsistemaCXCIIIulaznapromenljivaAgresivnostjedefinisanakaoufazi logičkomsistemu I, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.Kodfazi logičkogsistemaCXCIVulaznapromenljivaAgresivnostjedefinisanakaoufazi logičkomsistemu II, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXII, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CXCV ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.Kodfazi logičkogsistemaCXCVIulaznapromenljivaAgresivnostjedefinisanakaoufazi logičkomsistemu IV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXIV, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CXCVII ulazna promenljiva Agresivnost jedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuV.KodfazilogičkogsistemaCXCVIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu VI, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXVI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCXCIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LI, a izlaznapromenljivakaoufazilogičkomsistemuVII.Kod fazi logičkog sistema CC ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemu VIII, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXVIII, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazi logičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.Kod fazi logičkog sistema CCII ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuI.Kod fazi logičkogsistemaCCIIIulaznapromenljivaAgresivnost jedefinisanakaou fazilogičkomsistemuX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.Kod fazi logičkog sistemaCCIVulaznapromenljivaAgresivnost je definisanakaou fazi logičkomsistemu XII, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XLII, ulazna
Prilog C
463
promenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LVII, a izlaznapromenljivakaoufazilogičkomsistemuXIII.Kod fazi logičkog sistemaCCVI ulaznapromenljivaAgresivnost je definisanakaou fazi logičkomsistemu XIV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XLIV, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LIX, a izlaznapromenljivakaoufazilogičkomsistemuXV.Kodfazi logičkogsistemaCCVIIIulaznapromenljivaAgresivnostjedefinisanakaoufazi logičkomsistemu IV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.PrilogC.10.–VarijablekojefigurišuufazilogičkimsistemimaodCCIXdoCCXXVKodfazi logičkogsistemaCCIXulaznapromenljivaImpulsivnost jedefinisanakaoufazi logičkomsistemu XVI, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.Kod fazi logičkog sistemaCCXulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemu XVII, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXII, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CCXI ulazna promenljiva Impulsivnost jedefinisana kao u fazi logičkom sistemu XVII, ulazna promenljiva Rizik je definisana kao u fazilogičkomsistemuXXXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.KodfazilogičkogsistemaCCXIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XIX, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXIV, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCXIIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XIX, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXIV, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuV.KodfazilogičkogsistemaCCXIVulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XXI, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXVI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CCXV ulazna promenljiva Impulsivnost jedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkom
Prilog C
464
sistemu XXXVI, ulazna promenljiva Samoprocena je definisana kao u fazi logičkom sistemu LI, aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaCCXVIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljivaRizik jedefinisanakaou fazi logičkomsistemuXXXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CCXVII ulazna promenljiva Impulsivnost jedefinisana kao u fazi logičkom sistemu XXIII, ulazna promenljiva Rizik je definisana kao u fazilogičkom sistemu XXXVIII, ulazna promenljiva Samoprocena je definisana kao u fazi logičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaCCXVIIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XXV, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XL, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CCXIX ulazna promenljiva Impulsivnost jedefinisana kao u fazi logičkom sistemu XXV, ulazna promenljiva Rizik je definisana kao u fazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.KodfazilogičkogsistemaCCXXulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XXVII, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XLII, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CCXXI ulazna promenljiva Impulsivnost jedefinisana kao u fazi logičkom sistemu XXVII, ulazna promenljiva Rizik je definisana kao u fazilogičkomsistemuXLII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.KodfazilogičkogsistemaCCXXIIulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XXIX, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XLIV, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazi logičkom sistemu I. Kod fazi logičkog sistema CCXXIII ulazna promenljiva Impulsivnost jedefinisana kao u fazi logičkom sistemu XXIX, ulazna promenljiva Rizik je definisana kao u fazilogičkomsistemuXLIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuXV.KodfazilogičkogsistemaCCXXIVulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemu XVIII, ulazna promenljiva Rizik je definisana kao u fazi logičkom sistemu XXXI, ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaou fazi logičkom sistemu I. Kod fazi logičkog sistema CCXXV ulazna promenljiva Impulsivnost jedefinisana kao u fazi logičkom sistemu XVIII, ulazna promenljiva Rizik je definisana kao u fazilogičkomsistemuXXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuIII.
Prilog C
465
PrilogB.11.–VarijablekojefigurišuufazilogičkimsistemimaodCCXXVIdoCCXLIIKodfazilogičkogsistemaCCXXVIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemu I,ulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemuXVI, ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCXXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCXXVIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVII,aizlaznapromenljivakaoufazilogičkomsistemuIII.KodfazilogičkogsistemaCCXXIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCXXXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLIX,aizlaznapromenljivakaoufazilogičkomsistemuV.KodfazilogičkogsistemaCCXXXIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuI.Kodfazi logičkog sistema CCXXXII ulazna promenljiva Agresivnost je definisana kao u fazi logičkomsistemuVI,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXI,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLI,aizlaznapromenljivakaoufazilogičkomsistemuVII.KodfazilogičkogsistemaCCXXXIIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIII,ulaznapromenljiva Rizik je definisana kao u fazi logičkom sistemu XXXVIII, ulazna promenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCXXXIVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuVIII,ulaznapromenljiva Impulsivnost jedefinisanakaou fazi logičkomsistemuXXIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXVIII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIII,aizlaznapromenljivakaoufazilogičkomsistemuIX.KodfazilogičkogsistemaCCXXXVulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazi logičkomsistemuXXV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuI.Kodfazi logičkog sistema CCXXXVI ulazna promenljiva Agresivnost je definisana kao u fazi logičkom
Prilog C
466
sistemuX,ulaznapromenljivaImpulsivnostjedefinisanakaoufazi logičkomsistemuXXV,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXL,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLV,aizlaznapromenljivakaoufazilogičkomsistemuXI.KodfazilogičkogsistemaCCXXXVIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuI.Kodfazi logičkogsistemaCCXXXVIIIulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemuXII,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXVII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLII,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLVII,aizlaznapromenljivakaoufazilogičkomsistemuXIII.KodfazilogičkogsistemaCCXXXIXulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuXIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuI.Kod fazi logičkog sistemaCCXLulaznapromenljivaAgresivnost jedefinisanakaou fazi logičkomsistemuXIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXXIX,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXLIV,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuLIX,aizlaznapromenljivakaoufazilogičkomsistemuXV.Kodfazi logičkogsistemaCCXLIulaznapromenljivaAgresivnost jedefinisanakaoufazi logičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuI.KodfazilogičkogsistemaCCXLIIulaznapromenljivaAgresivnostjedefinisanakaoufazilogičkomsistemuIV,ulaznapromenljivaImpulsivnostjedefinisanakaoufazilogičkomsistemuXVIII,ulaznapromenljivaRizikjedefinisanakaoufazilogičkomsistemuXXXI,ulaznapromenljivaSamoprocenajedefinisanakaoufazilogičkomsistemuXLVI,aizlaznapromenljivakaoufazilogičkomsistemuIII.
Biografijaautora
467
BIOGRAFIJAAUTORA
Mr Marjana Čubranić‐Dobrodolac rođena je 07.04.1978. godine u Požarevcu.
GimnazijujezavršilauPetrovcunaMlavi.DiplomiralajepsihologijunaFilozofskom
fakultetu Univerziteta u Beogradu 2005. godine. Odbranila je diplomski rad, sa
temomizoblastisaobraćajnepsihologije:„Osobine ličnosti vozačaisaobraćajne
nezgode“. Odbranila jemagistarsku tezu 2009. godine na Fakultetu za poslovne
studije Megatrend Univerziteta u Beogradu. Naziv magistarske teze je „Značaj
intervjuakaometodeprofesionalneselekcije“.
Od2005.godinejebilaangažovanakaosaradnikunastavinaKatedrizasaobraćajnu
psihologiju na Saobraćajnom fakultetu, na sledećim nastavnim predmetima:
Saobraćajna psihologija, Osnovi ergonomije, Ponašanje korisnika i Upravljanje
ljudskim resursima. U zvanje asistenta izabrana je 2010. godine. Oblasti
interesovanja kandidatkinje su: ponašanje vozača, percepcija, profesionalna
selekcijakadrova,umor,stresnaradu,ergonomija.
Udosadašnjemraduobjavilajekaoautorilikoautor66radova,odkojihje6radova
umeđunarodnimčasopisimakojisereferišuuWebofScienceindeksnojbaziiimaju
JCR impaktfaktor(M20),33radauzbornicimaradovasameđunarodnihnaučnih
skupova(M30),3monografijenacionalnogznačaja(M40),6radovaučasopisima
nacionalnogznačaja(M50)i18radovauzbornicimaskupovanacionalnogznačaja
(M60).Kaočlanistraživačkogtimaučestvovalajeuizradi7naučno‐istraživačkihi
stručnihprojekata.ČlanjeDruštvapsihologaSrbije.
U svojoj dosadašnjoj višegodišnjoj pedagoškoj praksi pozitivno je ocenjivana u
procesu evaluacije nastavnog rada od strane studenata, visokim prosečnim
ocenamakojesekrećuuopseguod4,23do4,97.
Kandidatkinjakoristiodgovarajućeprogramskepaketekojisujojpotrebniusvom
radu,kaoštosuMSOffice,SPSS,programizacrtanje,itd.Govoriipišeengleskijezik.
468
PRILOG1.Izjavaoautorstvu
PotpisanimrMarjanaV.Čubranić‐Dobrodolac
brojindeksa:
Studijskiprogram:________________
Izjavljujem
dajedoktorskadisertacijapodnaslovom:
UTICAJKARAKTERISTIKAPUTEVANAPERCEPCIJURIZIKAIPONAŠANJEVOZAČA
rezultatsopstvenogistraživačkograda, dapredloženadisertacijaucelininiudelovimanijebilapredloženazadobijanjebilo
kojediplomepremastudijskimprogramimadrugihvisokoškolskihustanova, dasurezultatikorektnonavedenii danisamkršioautorskapravaikoristiointelektualnusvojinudrugihlica.
UBeogradu,_________________
Potpisdoktorantkinje
mrMarjanaV.Čubranić‐Dobrodolac
469
PRILOG2.
Izjavaoistovetnostištampaneielektronskeverzijedoktorskograda
Imeiprezimeautora:mrMarjanaV.Čubranić‐Dobrodolac
Brojindeksa:
Studijskiprogram:________________
Naslovrada:
UTICAJKARAKTERISTIKAPUTEVANAPERCEPCIJURIZIKAIPONAŠANJEVOZAČA
Mentor:Prof.drSvetlanaČičević,redovniprofesorSaobraćajnogfakultetauBeogradu
PotpisanimrMarjanaV.Čubranić‐Dobrodolac
Izjavljujemdaještampanaverzijamogdoktorskogradaistovetnaelektronskojverzijikojusam predao za objavljivanje na portalu Digitalnog repozitorijuma Univerziteta uBeogradu. Dozvoljavamdaseobjavemoji ličnipodacivezanizadobijanjeakademskogzvanjadoktoranauka,kaoštosuimeiprezime,godinaimestorođenjaidatumodbranerada.
Ovi lični podaci mogu se objaviti na mrežnim stranicama digitalne biblioteke, uelektronskomkataloguiupublikacijamaUniverzitetauBeogradu.
UBeogradu,_________________
Potpisdoktorantkinje
mrMarjanaV.Čubranić‐Dobrodolac
470
PRILOG3.Izjavaokorišćenju
OvlašćujemUniverzitetskubiblioteku"SvetozarMarković"dauDigitalnirepozitorijumUniverzitetauBeograduunesemojudoktorskudisertacijupodnaslovom:UTICAJKARAKTERISTIKAPUTEVANAPERCEPCIJURIZIKAIPONAŠANJEVOZAČAkojajemojeautorskodelo.
Disertacijusasvimprilozimapredalasamuelektronskomformatupogodnomzatrajnoarhiviranje.
MojudoktorskudisertacijupohranjenuuDigitalnirepozitorijumUniverzitetauBeogradumogu da koriste svi koji poštuju odredbe sadržane u odabranom tipu licenceKreativnezajednice(engl.CreativeCommons)zakojusamseodlučila.
1.Autorstvo
2.Autorstvo–nekomercijalno
3.Autorstvo–nekomercijalno–bezprerade
4.Autorstvo–nekomercijalno–delitipodistimuslovima
5.Autorstvo–bezprerade
6.Autorstvo–delitipodistimuslovima
(Molimodazaokružitesamojednuodšestponuđenihlicenci,kratakopislicencidatjenapoleđinilista).
UBeogradu,_________________
Potpisdoktorantkinje
mrMarjanaV.Čubranić‐Dobrodolac
471
1.Autorstvo–Dozvoljavateumnožavanje,distribucijuijavnosaopštavanjedela,iprerade,akosenavede imeautorananačinodređenodstraneautora ilidavaoca licence, čak iukomercijalnesvrhe.Ovojenajslobodnijaodsvihlicenci.
2.Autorstvo–nekomercijalno.Dozvoljavateumnožavanje,distribucijuijavnosaopštavanjedela, iprerade,akosenavede imeautorananačinodređenodstraneautora ilidavaocalicence.Ovalicencanedozvoljavakomercijalnuupotrebudela.
3.Autorstvo–nekomercijalno–bezprerade.Dozvoljavateumnožavanje,distribucijuijavnosaopštavanje dela, bez promena, preoblikovanja ili upotrebe dela u svom delu, ako senavede imeautorananačinodređenodstraneautora ilidavaoca licence.Ova licencanedozvoljavakomercijalnuupotrebudela.Uodnosunasveostalelicence,ovomlicencomseograničavanajvećiobimpravakorišćenjadela.
4. Autorstvo – nekomercijalno – deliti pod istim uslovima. Dozvoljavate umnožavanje,distribucijuijavnosaopštavanjedela,iprerade,akosenavedeimeautorananačinodređenod strane autora ili davaoca licence i ako se prerada distribuira pod istom ili sličnomlicencom.Ovalicencanedozvoljavakomercijalnuupotrebudelaiprerada.
5.Autorstvo–bezprerade.Dozvoljavateumnožavanje, distribuciju i javno saopštavanjedela,bezpromena,preoblikovanjailiupotrebedelausvomdelu,akosenavedeimeautorananačinodređenodstraneautorailidavaocalicence.Ovalicencadozvoljavakomercijalnuupotrebudela.
6. Autorstvo – deliti pod istim uslovima. Dozvoljavate umnožavanje, distribuciju i javnosaopštavanjedela,iprerade,akosenavedeimeautorananačinodređenodstraneautorailidavaocalicenceiakosepreradadistribuirapodistomilisličnomlicencom.Ovalicencadozvoljavakomercijalnuupotrebudelaiprerada.Sličnajesoftverskimlicencama,odnosnolicencamaotvorenogkoda.