ZNAČAJ KLASTER ANALIZE ZA PREPOZNAVANJE ENTITETA SA MEĐUSOBNO SLIČNIM PERFORMANSAMA U          BEZBEDNOSTI SAOBRAĆAJA

Rosić, Miroslav; Pešić, Dalibor; Kukić, Dragoslav

E03

ZNAČAJ KLASTER ANALIZE ZA PREPOZNAVANJE ENTITETA SA MEĐUSOBNO SLIČNIM PERFORMANSAMA U BEZBEDNOSTI SAOBRAĆAJA

SIGNIFICANCE OF CLUSTER ANALYSIS FOR RECOGNITION OF ENTITIES WITH MUTUALLY SIMILAR ROAD SAFETY PERFORMANCES

Miroslav Rosić, Dalibor Pešić, Dragoslav Kukić

Rosić, M., Pešić, D., Kukić, D., (2016). ZNAČAJ KLASTER ANALIZE ZA PREPOZNAVANJE ENTITETA SA MEĐUSOBNO SLIČNIM PERFORMANSAMA U BEZBEDNOSTI SAOBRAĆAJA. 11 th International Conference - Road Safety in Local Communities, Vrnjačka Banja.

Rezime: Većina istraživačkih postupaka u bezbednosti saobraćaja koji za cilj imaju poređenje određenih entiteta (država, opština, policijskih uprava) se svodi na grupisanje onih entiteta koji su međusobno slični, odnosno pripadaju istoj grupi po nivou bezbednosti saobraćaja. Grupisanje međusobno sličnih entiteta se koristi bez obzira da li se koriste vrednosti rizika, indikatora ili nekih drugih pokazatelja određenih entiteta. Značaj klasifikacije se ogleda ne samo kroz praktičan značaj u smislu kvalitetnije vizuelizacije rezultata, već se upravljanje bezbednošću saobraćaja i postavljanje ciljeva može definisati među sličnim entitetima unutar iste grupe. Postoje različite vrste klaster analiza sa različitim matematičkim modelima za određivanje međusobno sličnih entiteta, ali sve za cilj imaju grupisanje međusobno sličnih prepoznatih entiteta. Dosadašnje definisanja grupa se u nacionalnim okvirima najčešće svodilo na formiranje klasa jednake širine (bez obzira da li se koristi neki korektivni faktor ili se određuje odgovarajući početni prag i eliminacija ekstremnih vrednosti). Osnovna prednost takvog načina klasifikacije jeste nezavisnost od strukture podataka čija se klasifikacija vrši (može se postaviti teorijski), ali je osnovni nedostatak to što određeni poređeni entiteti mogu biti nepravedno svrstani u kategoriju kojoj ne pripadaju usled grubo definisanih granica klasa. U radu su prezentovane određene vrste klaster analiza i istaknute su prednosti i nedostaci klaster analize u odnosu na klasične načine klasifikacije unutar određene raspodele. Razlike između metoda grupisanja su prikazane na primeru opština i policijskih uprava u Republici Srbiji.

Ključne reči: grupisanje, klaster, rizik, poređenje, ocena

Abstract: Most researches in road safety field whose aim is a comparison of different entities (countries, municipalities, police departments or etc.) usually end up with grouping of mutually similar entities, which means grouping according to level of road safety. Grouping of mutually similar entities is used regardless road safety parameter in use (risk values, road safety performance indicators, composite indexes or etc.). Significance of classification can be viewed not only trough practical significance in terms of better visualization of results, but also trough the fact that road safety management and goals in road safety can be defined among similar entities inside same group. There are many different cluster analysis, but all of them have same aim to recognize groups of mutually similar entities. Current defining of groups in national limits is often being done by formation of classes with equal widths (regardless whether some correction factor or determination of sensitivity threshold and elimination of extreme values is being used). Main advantage of such classical approach is independence from data structure for which classification is being done (can be done theoretically), but main disadvantage is that some entities can be unjustly put in the category they don’t belong to because of roughly defined borders of classes. Different types of cluster analysis are presented in this paper and also advantages and disadvantages of cluster analysis are explained in comparison with classic approach of groups creation. Differences between methods are described at the example of municipalities and police departments in the Republic of Serbia.

Keywords: grouping, cluster, risk, comparison, evaluation

Presented by: Miroslav Rosić