Közúti baleseti veszteségek aktualizálása
1. Baleseti sérültekkel kapcsolatos veszteségek
A kutatási jelentés elején hangsúlyoznunk kell néhány dolgot.
Először is, olyan, hogy „az emberélet ára” nem létezik. A kutatás során azt próbáljuk – a témával foglalkozó többi kutatóval összhangban – kimutatni, hogy egy baleseti halál mekkora veszteséget jelent a társadalom, a gazdaság számára.
Az emberélet egyszeri és megismerhetetlen, s mint ilyen, fogalmilag eleve különbözik a pénztől.
A veszteségek meghatározására használt módszertan jelentős változásokon ment át az utóbbi évtizedekben, maga a szemlélet is változott. Így pl. kezdetben nem is próbálkoztak a kutatók a veszteségek emberi oldalának (fájdalom, gyász, stb.) meghatározásával, ma már ezeket is figyelembe veszik.
Annak hangsúlyozására, hogy statisztikai adatokról beszélünk, a szakma is az SVOL rövidítést használja, ami az élet statisztikai értékét jelenti (Statistical Value Of Life).
Fontos azt is hangsúlyozni, hogy a szakma (a közlekedésbiztonsági tevékenység) számára – ezt nyíltan ki kell mondani – a minél nagyobb értékek hasznosak. El kell oszlatnunk azt a félreértést is, hogy létezik „pontos baleseti veszteség”. Ilyen nincs. Becslésekről, közelítésekről beszélünk. A számok csupán azt mutatják, hogy az adott ország számára mennyire fontos a közúti biztonság.
Megítélésünk szerint a baleseti veszteségek egyedüli felhasználási területe a közlekedésbiztonsági intézkedések költség/haszon elemzése. Nem szabad összekeverni ezeket a tudományos módszerekkel meghatározott értékeket semmilyen biztosítási, vagy bírósági gyakorlatban előforduló számokkal.
Annak ellenére, hogy több mint 20 éve került kifejlesztésre, mai napig a COST 313 (Alfaro et al., 1994) irányelv tekinthető a legátfogóbb módszertannak a közúti balesetek veszteségeinek becslésére. Ezért ezt az irányelvet fogadták el a szakértők a legfontosabb módszertani alapnak a SafetyCube (Wijnen et al., 2017) c. kutatási projekt keretében is, annak ellenére, hogy időközben számos új megközelítést is alkalmaztak. A 2017. évi SafetyCube projekt keretében a közúti baleseti veszteségeket társadalmi-gazdasági veszteségként értelmezték és az alábbi fő tényezőket vették figyelembe:
- orvosi költségek (kórházba szállítás, kórházi kezelés költsége)
- termeléskieséssel kapcsolatos veszteség
- emberi veszteségek
- anyagi károkkal (főleg gépjárművekkel) kapcsolatos költségek
- adminisztratív költségek (rendőrség, tűzoltók, biztosító társaságok)
- egyéb költségek (temetési költségek, forgalmi torlódásból adódó veszteségek, stb.)
1.1 Baleseti sérültekkel kapcsolatos veszteségek az EU tagállamaiban
A SafetyCube projekt keretében a szakértők felmérték az EU tagállamaiban meghatározott veszteségértékeket. Valamennyi tagállam szolgáltatott információt Románia kivételével. Minden értéket Euro-ban adtak meg, 2015-ös árszinten, figyelembe véve a relatív kereseti eltéréseket.
1.1.1 A halálos sérültekkel kapcsolatos veszteségek
A felmérés szerint egy halálos áldozattal kapcsolatos veszteségérték 0,7 millió Euro-tól (Szlovákia) 3,0 millió Euro-ig terjed (Ausztria). Általánosságban megállapítható, hogy a halálos sérüléssel kapcsolatos veszteségek nagyobbak az észak- és nyugat-európai tagországokban, mint a dél- és kelet-európaiakban. (1. ábra)
1. ábra: Egy halálos áldozattal kapcsolatos baleseti veszteségek (millió Euro, 2015, PPP – purchasing power parity: vásárlóerő paritás – szerint korrigált értékek.)
Az eltéréseket három tényezővel magyarázzák:
- eltérés a halálos sérült definíciójában;
- eltérés a figyelembe vett veszteségtényezőkben;
- módszertani különbségek.
1.1.2 A súlyos sérültekkel kapcsolatos veszteségek
A súlyos sérült személy veszteségértéke a halálos sérült veszteségértékének 2,5-34%-a. Noha ezek az értékek meglehetősen nagy szórást mutatnak, az országok háromnegyedénél a halálos áldozat veszteségértékének 10 és 20%-a közé esik a súlyos sérültek vesztesége. (Mivel a hazai érték is alig haladja meg a 20%-ot, úgy hisszük, hogy a magyar érték egyáltalán nem kirívó.) A tényleges, pénzben kifejezett értékek nagyon nagy különbségeket mutatnak. A súlyos sérültek vesztesége Lettországban a legkisebb (28.000.- Euro) és Észtországban a legnagyobb (959.000.- Euro). Lengyelországot azért hagyták ki az elemzésből, mert ott a súlyos sérültekre meghatározott veszteségérték – egyedülálló és szakmailag elfogadhatatlan módon – nagyobb volt a halálos áldozatokra meghatározott értéknél.
2. ábra: Súlyos sérültek veszteségértéke a halálos áldozatok veszteségértékének %-ában (Lengyelország kivételével)
1.1.3 A könnyű sérültekkel kapcsolatos veszteségek
A könnyű sérültek veszteségértékeit szintén a halálos áldozatokra meghatározott érték százalékában hasonlították össze (3. ábra).
3. ábra: Könnyű sérültek veszteségértéke a halálos áldozatok veszteségértékének %-ában
2. A hazai értékek aktualizálása
A fenti összehasonlításokból is látható, hogy míg a halálos és súlyos sérültekre vonatkozó veszteségérték euro konformnak mondható, addig a könnyű sérültek vesztesége túlságosan alacsony. Ennek az az oka, hogy az általunk használt McMahon-Dahdah módszer nem ad becslést ezekre, illetve a régi érték aktualizálása elmaradt. Ezért a téma keretében olyan modell került kidolgozásra, amely lehetővé teszi a könnyű sérültek fajlagos (KSV) és euro konformnak mondható veszteségének meghatározását.
A halálos és súlyos sérülés statisztikai veszteségértékeinek becsült értékei a McMahon-Dahdah (McMahon és Dahdah, 2008) módszertan alapján, a könnyű sérülés statisztikai veszteségének becsült értékei pedig a KTI által kidolgozott módszertan (Sipos, 2019) kerültek meghatározásra az alábbiak szerint:
1. táblázat: A halálos, súlyos és könnyű sérülés statisztikai veszteségértékei
| Halálos áldozat statisztikai veszteségértéke [Ft/áldozat] (McMahon-Dahdah módszertan alapján) |
Súlyos sérülés statisztikai veszteségértéke [Ft/sérült] (McMahon-Dahdah módszertan alapján) |
Könnyű sérülés statisztikai veszteségértéke [Ft/sérült] (KTI modell alapján) |
|
| 2001 | 105 622 069 | 25 651 074 | 4 314 969 |
| 2002 | 119 967 465 | 29 134 956 | 4 511 867 |
| 2003 | 131 753 255 | 31 997 219 | 4 684 499 |
| 2004 | 145 530 301 | 35 343 073 | 4 930 038 |
| 2005 | 155 857 427 | 37 851 089 | 4 993 480 |
| 2006 | 167 774 404 | 40 745 212 | 5 159 336 |
| 2007 | 177 778 837 | 43 174 860 | 5 264 205 |
| 2008 | 188 546 783 | 45 789 933 | 5 294 786 |
| 2009 | 183 395 509 | 44 538 909 | 5 311 985 |
| 2010 | 189 361 429 | 45 987 776 | 5 191 598 |
| 2011 | 197 495 160 | 47 963 110 | 5 101 529 |
| 2012 | 202 003 942 | 49 058 100 | 5 149 109 |
| 2013 | 212 729 496 | 51 662 878 | 5 257 350 |
| 2014 | 228 306 281 | 55 445 811 | 5 451 745 |
| 2015 | 239 705 847 | 58 214 277 | 5 470 914 |
| 2016 | 252 640 814 | 61 355 626 | 5 701 290 |
| 2017 | 273 264 044 | 66 364 125 | 5 954 611 |
Prof. Dr. Holló Péter; Dr. Sipos Tibor
Felhasznált irodalom
Alfaro, J.-L., Chapuis, M., Fabre, F., 1994. COST 313. Socioeconomic cost of road accidents. Report EUR 15464 EN, Commission of the European Communities. Brüsszel, Belgium.
Baranyai, D., Sipos, T., 2015. Revision of road traffic order, in: Proceedings of the XXth International Scientific Conference of Young Engeneers. Erdélyi Múzeum-Egyesület, Kolozsvár, Kolozsvár, Románia, pp. 67–70.
Chang, I., Kim, S.W., 2012. Modelling for identifying accident-prone spots: Bayesian approach with a Poisson mixture model. KSCE J. Civ. Eng. 16, 441–449. https://doi.org/10.1007/s12205-012-1513-9
Deublein, M., Schubert, M., Adey, B.T., Köhler, J., Faber, M.H., 2013. Prediction of road accidents: A Bayesian hierarchical approach. Accid. Anal. Prev. 51, 274–291. https://doi.org/10.1016/j.aap.2012.11.019
Dr. Jankó, D., Dr. Holló, P., 1986. Közúti baleseti veszteségek és csökkentésük lehetőségei, in: Közlekedéstudományi Intézet. Budapest, Magyarország.
Eenink, R., Reurings, M., Elvik, R., Cardoso, J., Wichert, S., Stefan, C., 2008. Accident prediction models and road safety impact assessment: recommendations for using these tools. Inst. Road Saf. Res. Leidschendam.
InDev Projekt [WWW Document], n.d. URL https://www.indev-project.eu/InDeV/EN/Home/home_node.html
ITF (2017), Road Safety Annual Report 2017, OECD Publishing, 2017. . Párizs.
Kateri, M., Agresti, A., 2010. A generalized regression model for a binary response. Stat. Probab. Lett. 80, 89–95. https://doi.org/10.1016/j.spl.2009.09.016
Lan, B., Persaud, B., 2012. Evaluation of Multivariate Poisson Log Normal Bayesian Methods for Before-After Road Safety Evaluations. J. Transp. Saf. Secur. 4, 193–210. https://doi.org/10.1080/19439962.2011.649194
McMahon, K., Dahdah, S., 2008. The true cost of road crashes – Valuing life and the cost of a serious injury.
Moksony, F., 2006. A Poisson-regresszió alkalmazása a szociológiai és demográfiai kutatásban. Demográfia 49, 366–382.
Prof. DSc. Holló, P., Hermann, I., 2013. A közúti közlekedési balesetek által okozott társadalmi-gazdasági veszteségek aktualizálása (Actualization of Social-Economic Losses Caused by Road Accidents). Közlekedéstudományi Szle. 22–27.
Sipos, T., 2011. Többlet baleseti kockázatot rejtő infrastruktúra-szakaszok kiválasztása, in: XII. RODOSZ. Kolozsvár, Románia, pp. 397–408.
Sipos, T., Török, Á., 2011. Hazai részvétel az EuroRAP programban: Veszélytérkép, fő hálózat közlekedésbiztonsági felülvizsgálata, in: X. RODOSZ Konferenciakötet: Romániai Magyar Doktorandusok És Fiatal Kutatók Szövetsége Konferencia. Clear Vision Könyvkiadó, pp. 387–396.
Sipos, T., 2019. Könnyű sérülés statisztikai veszteségértékének meghatározása, KTI kutatási témajelentés 2019.
Wijnen, W., Weimars, W., Vanden Berghe, W., Schoeters, A., Bauer, R., Carnis, L., Elvik, R., Theofilatos, A., Filtness, A., Reed, S., Perez, C., Martensen, H., 2017. Crash cost estimates for European countries, Deliverable 3.2 of the H2020 project SafetyCube. Belgium.
Yang, Z., Hardin, J.W., Addy, C.L., 2010. Score tests for overdispersion in zero-inflated Poisson mixed models. Comput. Stat. Data Anal. 54, 1234–1246. https://doi.org/10.1016/j.csda.2009.11.010
