Статистический анализ и эконометрическое моделирование дорожно-транспортных происшествий в Ростовской области с января 2015 г. по сентябрь 2022 г

Автор: Закревская Екатерина Андреевна, Межевикина Дарья Дмитриевна

Журнал: Теория и практика общественного развития @teoria-practica

Статья в выпуске: 2, 2025 года.

Бесплатный доступ

В статье рассмотрены данные по количеству дорожно-транспортных происшествий в Ростовской области с января 2015 г. по сентябрь 2022 г. С помощью статистических и аналитических методов интерпретации (темпа роста, темпа прироста и относительной доли части в целом) получена фрагментарная картина дорожной ситуации в области за изучаемый период. С помощью статистических методов проанализирован ряд исходных данных в динамике, т. е. проведен расчет абсолютного изменения (как базисного относительно данных января 2015 г., так и цепного) коэффициентов роста и темпов прироста, которые смогли наглядно показать изменение количества аварий на дорогах региона. С помощью эконометрических методов (а именно - выравнивания исходного ряда, моделирования с помощью мультипликативных инструментов, а также домоделирования для уточнения уже имеющейся модели, исправления ошибки с помощью ARIMA) выявлена сезонность, присущая летнему периоду. По смоделированному ряду получены точечное и интервальное прогнозные значения, которые в полной мере могут оказать содействие в принятии дорожно-транспортной политики региона и организации профилактических мероприятий. По итогам исследования сформирована сравнительная характеристика собранных данных в рамках изучаемого периода (за январь 2015 г. по сравнению с величинами сентября 2022 г.), сделаны выводы о ключевых причинах происшествий на дорогах Ростовской области.

Еще

Дорожно-транспортное происшествие, ростовская область, статистическое исследование, эконометрическое моделирование, прогнозное значение, причины дтп

Короткий адрес: https://sciup.org/149147371

IDR: 149147371 | DOI: 10.24158/tipor.2025.2.14

Текст научной статьи Статистический анализ и эконометрическое моделирование дорожно-транспортных происшествий в Ростовской области с января 2015 г. по сентябрь 2022 г

Введение . Ростовская область насчитывает 4 млн 153 тыс. человек ¹ , и дорожно-транспортные происшествия для этого региона, к сожалению, не редкость. Изо дня в день в сводках новостей появляются сообщения о новых авариях с различным итогом: получением тяжелых травм, инвалидностью или летальным исходом. Основными причинами ДТП в Ростовской области выступают три фактора. Согласно данным правительства, наиболее частыми причинами аварий в Ростове и области стали несоблюдение ПДД, невнимательность и плохое самочувствие водителей, которое зачастую связано с погодными условиями ² . В Ростовской области с января 2015 г. по сентябрь 2022 г. произошло 1 486 аварий по вине водителей, в 79 из которых они были в состоянии алкогольного опьянения.

Объектом исследования стали дорожно-транспортные происшествия в Ростовской области с января 2015 г. по сентябрь 2022 г. Актуальность работы объясняется высоким удельным весом ДТП по вине водителей в общем их количестве на территории Ростовской области. В рамках исследования были проанализированы исходные данные о количестве ДТП в регионе с помощью статистических и эконометрических методов анализа.

Статистическое изучение количества дорожно-транспортных происшествий по вине водителей в Ростовской области с января 2015 г. по сентябрь 2022 г . Число ДТП в регионе за весь изучаемый период (январь 2015 г. – сентябрь 2022 г.) уменьшилось. В сентябре 2022 г. по сравнению с показателем января 2015 г. количество ДТП по вине водителей снизилось на 68 ед. (или на 26,25 %) и составило, по данным ГИБДД, 191 ед. ³ В среднем ежемесячно количество ДТП по вине водителей в Ростовской области уменьшалось на 0,74 ед., или на 0,33 %. Максимальное значение, на которое увеличилось число ДТП за весь рассматриваемый промежуток времени, по сравнению с данными января 2015 г. зафиксировано в сентябре 2015 г. – 215 происшествий (увеличение на 83,01 %). Максимальное сокращение количества ДТП в Ростовской области по вине водителей по сравнению с данными за январь 2015 г. наблюдалось в марте 2022 г. – 158 происшествий, или уменьшение на 61,004 % (таблица 1).

Таблица 1 – Абсолютные и относительные базисные и цепные показатели динамики количества ДТП в Ростовской области по вине водителей с января 2015 г. по сентябрь 2022 г.4

Table 1 – Absolute and Relative Baseline and Chain Indicators of the Dynamics of the Number of Road Accidents in the Rostov Region Due to the Fault of Drivers from January 2015 to September 2022

Дата	Количество ДТП	Абсолютный прирост		Темп прироста
Дата	Количество ДТП	базисный	цепной	базисный	цепной
1	2	3	4	5	6
1 января 2015 г.	259,000	–	–	–	–
1 февраля 2015 г.	249,000	–10,000	–10,000	–3,861	–3,861
1 марта 2015 г.	312,000	53,000	63,000	20,463	25,301
1 апреля 2015 г.	297,000	38,000	–15,000	14,672	–4,808
1 мая 2015 г.	375,000	116,000	78,000	44,788	26,263
1 июня 2015 г.	398,000	139,000	23,000	53,668	6,133
1 июля 2015 г.	451,000	192,000	53,000	74,131	13,317
1 августа 2015 г.	458,000	199,000	7,000	76,834	1,552
1 сентября 2015 г.	474,000	215,000	16,000	83,012	3,493
1 октября 2015 г.	409,000	150,000	–65,000	57,915	–13,713
1 ноября 2015 г.	336,000	77,000	–73,000	29,730	–17,848
1 декабря 2015 г.	397,000	138,000	61,000	53,282	18,155
1 января 2016 г.	246,000	–13,000	–151,00	–5,019	–38,035
1 февраля 2016 г.	255,000	–4,000	9,000	–1,544	3,659
1 марта 2016 г.	253,000	–6,000	–2,000	–2,317	–0,784
1 апреля 2016 г.	291,000	32,000	38,000	12,355	15,020
1 мая 2016 г.	335,000	76,000	44,000	29,344	15,120
1 июня 2016 г.	391,000	132,000	56,000	50,965	16,716
1 июля 2016 г.	428,000	169,000	37,000	65,251	9,463
1 августа 2016 г.	454,000	195,000	26,000	75,290	6,075
1 сентября 2016 г.	463,000	204,000	9,000	78,764	1,982
1 октября 2016 г.	434,000	175,000	–29,000	67,568	–6,263
1 ноября 2016 г.	361,000	102,000	–73,000	39,382	–16,820

Продолжение таблицы 1

1	2	3	4	5	6
1 декабря 2016 г.	312,000	53,000	–49,000	20,463	–13,573
1 января 2017 г.	225,000	–34,000	–87,000	–13,127	–27,885
1 февраля 2017 г.	229,000	–30,000	4,000	–11,583	1,778
1 марта 2017 г.	245,000	–14,000	16,000	–5,405	6,987
1 апреля 2017 г.	259,000	0,000	14,000	0,000	5,714
1 мая 2017 г.	283,000	24,000	24,000	9,266	9,266
1 июня 2017 г.	319,000	60,000	36,000	23,166	12,721
1 июля 2017 г.	346,000	87,000	27,000	33,591	8,464
1 августа 2017 г.	396,000	137,000	50,000	52,896	14,451
1 сентября 2017 г.	417,000	158,000	21,000	61,004	5,303
1 октября 2017 г.	385,000	126,000	–32,000	48,649	–7,674
1 ноября 2017 г.	321,000	62,000	–64,000	23,938	–16,623
1 декабря 2017 г.	396,000	137,000	75,000	52,896	23,364
1 января 2018 г.	255,000	–4,000	–141,00	–1,544	–35,606
1 февраля 2018 г.	193,000	–66,000	–62,000	–25,483	–24,314
1 марта 2018 г.	210,000	–49,000	17,000	–18,919	8,808
1 апреля 2018 г.	260,000	1,000	50,000	0,386	23,810
1 мая 2018 г.	278,000	19,000	18,000	7,336	6,923
1 июня 2018 г.	282,000	23,000	4,000	8,880	1,439
1 июля 2018 г.	322,000	63,000	40,000	24,324	14,184
1 августа 2018 г.	326,000	67,000	4,000	25,869	1,242
1 сентября 2018 г.	309,000	50,000	–17,000	19,305	–5,215
1 октября 2018 г.	344,000	85,000	35,000	32,819	11,327
1 ноября 2018 г.	255,000	–4,000	–89,000	–1,544	–25,872
1 декабря 2018 г.	300,000	41,000	45,000	15,830	17,647
1 января 2019 г.	182,000	–77,000	–118,00	–29,730	–39,333
1 февраля 2019 г.	150,000	–109,000	–32,000	–42,085	–17,582
1 марта 2019 г.	218,000	–41,000	68,000	–15,830	45,333
1 апреля 2019 г.	216,000	–43,000	–2,000	–16,602	–0,917
1 мая 2019 г.	201,000	–58,000	–15,000	–22,394	–6,944
1 июня 2019 г.	245,000	–14,000	44,000	–5,405	21,891
1 июля 2019 г.	257,000	–2,000	12,000	–0,772	4,898
1 августа 2019 г.	258,000	–1,000	1,000	–0,386	0,389
1 сентября 2019 г.	257,000	–2,000	–1,000	–0,772	–0,388
1 октября 2019 г.	279,000	20,000	22,000	7,722	8,560
1 ноября 2019 г.	191,000	–68,000	–88,000	–26,255	–31,541
1 декабря 2019 г.	241,000	–18,000	50,000	–6,950	26,178
1 января 2020 г.	179,000	–80,000	–62,000	–30,888	–25,726
1 февраля 2020 г.	141,000	–118,000	–38,000	–45,560	–21,229
1 марта 2020 г.	141,000	–118,000	0,000	–45,560	0,000
1 апреля 2020 г.	108,000	–151,000	–33,000	–58,301	–23,404
1 мая 2020 г.	127,000	–132,000	19,000	–50,965	17,593
1 июня 2020 г.	194,000	–65,000	67,000	–25,097	52,756
1 июля 2020 г.	221,000	–38,000	27,000	–14,672	13,918
1 августа 2020 г.	223,000	–36,000	2,000	–13,900	0,905
1 сентября 2020 г.	219,000	–40,000	–4,000	–15,444	–1,794
1 октября 2020 г.	219,000	–40,000	0,000	–15,444	0,000
1 ноября 2020 г.	173,000	–86,000	–46,000	–33,205	–21,005
1 декабря 2020 г.	175,000	–84,000	2,000	–32,432	1,156
1 января 2021 г.	150,000	–109,000	–25,000	–42,085	–14,286
1 февраля 2021 г.	105,000	–154,000	–45,000	–59,459	–30,000
1 марта 2021 г.	115,000	–144,000	10,000	–55,598	9,524
1 апреля 2021 г.	128,000	–131,000	13,000	–50,579	11,304
1 мая 2021 г.	133,000	–126,000	5,000	–48,649	3,906
1 июня 2021 г.	164,000	–95,000	31,000	–36,680	23,308
1 июля 2021 г.	199,000	–60,000	35,000	–23,166	21,341
1 августа 2021 г.	216,000	–43,000	17,000	–16,602	8,543
1 сентября 2021 г.	183,000	–76,000	–33,000	–29,344	–15,278
1 октября 2021 г.	179,000	–80,000	–4,000	–30,888	–2,186
1 ноября 2021 г.	173,000	–86,000	–6,000	–33,205	–3,352
1 декабря 2021 г.	196,000	–63,000	23,000	–24,324	13,295
1 января 2022 г.	116,000	–143,000	–80,000	–55,212	–40,816
1 февраля 2022 г.	137,000	–122,000	21,000	–47,104	18,103
1 марта 2022 г.	101,000	–158,000	–36,000	–61,004	–26,277
1 апреля 2022 г.	168,000	–91,000	67,000	–35,135	66,337
1 мая 2022 г.	145,000	–114,000	–23,000	–44,015	–13,690
1 июня 2022 г.	188,000	–71,000	43,000	–27,413	29,655
1 июля 2022 г.	222,000	–37,000	34,000	–14,286	18,085
1 августа 2022 г.	218,000	–41,000	–4,000	–15,830	–1,802
1 сентября 2022 г.	191,000	–68,000	–27,000	–26,255	–12,385

За анализируемый в данной статье период моменты, к которым относятся уровни ряда, расположены через равные промежутки, значит, средний уровень ряда рассчитывается следующим образом:

y = -

²⁵⁹ + 249 + 312 + 297 + … + 218 + ¹⁹¹

93-1

² = 258,8 ДТП.

Средние статистические значения по изучаемой теме с января 2015 г. по сентябрь 2022 г.

составили:

- среднее абсолютное отклонения ( Ay ): Ay = 1~~-~59 = -0,74 ;
– средний коэффициент снижения ( ^̅К^̅_р^̅ ): ^̅К^̅_р^̅ = ^93-1√ ¹⁹¹ = 0,997 ;
– средний темп снижения ( ^̅Т^̅_р^̅ ): ^̅Т^̅_р^̅ = ^̅К^̅_р^̅ × 100 = 0,997 × 100 = 99,7% ;
– средний темп снижения ( ^̅Т^̅_п^̅_р^̅ ): ^̅Т^̅_п^̅_р^̅ = 99,7 - 100 = -0,3% .

Таким образом, за рассматриваемый период наблюдается уменьшение количества ДТП в Ростовской области. Однако снижение также может быть связано с сокращением транспортных потоков в период пандемии COVID-19 начиная с 2019 г.

Наибольшую долю в структуре количества дорожно-транспортных происшествий по видам транспорта как в январе 2015 г., так и в январе 2021 г. занимают легковые автомобили. Данный показатель в январе 2015 г. составил 83,8 % от общей доли, а в январе 2021 г. – 83,97 %. На втором месте по количеству ДТП в Ростовской области находятся грузовые автомобили, в совокупности их доля равна 6,83 и 9,49 % в январе 2015 г. и январе 2021 г. соответственно от общего количества ДТП, совершенных в Ростовской области по вине водителей. Далее – категория автобусов, которая имеет 1,78 и 2,64 % соответственно; мотоциклы – 3,08 % в январе 2015 г. и 2,16 % в январе 2021 г.; мопеды и приравненные к ним транспортные средства – 3,77 и 1,16; трамваи – 0,07 и 0,00; троллейбусы – 0,05 и 0,21, тракторы и другие самоходные механизмы – 0,62 и 0,37 % (рисунок 1).

2015 год

2021 год

■ Легковые автомобили

0,05

3,08

1,78

3,77

0,07

6,83

83,80

2,16 1,16 0,21

0,00 0.37

2,64 0,37

9,49

83,97

■ Грузовые автомобили
■ Автобусы

Мотоциклы

■ Мопедов и приравненных к ним транспортных средств
■ Трамвай
■ Троллейбусы
■ Тракторов и других самоходных механизмов

Рисунок 1 – Транспортная структура количества ДТП в Ростовской области по вине водителей в январе 2015 г. и январе 2021 г., %

Figure 1 – Transportation Structure of the Number of Road Accidents in Rostov Region Due to Drivers’ Fault in January 2015 and January 2021, %

Показатели изменения структуры и явления свидетельствуют о тождественности изучаемых структур в январе 2015 г. и январе 2021 г. соответственно:

– линейный коэффициент абсолютных структурных сдвигов 0,0096;

– квадратический коэффициент абсолютных структурных сдвигов 0,014;

– коэффициент Лоренца 0,039;

– интегральный коэффициент структурных различий Гатева 0,033;

– индекс структурных различий Салаи 0,538 (не является информативным, так как количество групп больше 6, следовательно критерий Салаи не предоставит достоверной информации);

– индекс структурных сдвигов Рябцева 0,023.

Эконометрическое моделирование дорожно-транспортных происшествий в Ростовской области с января 2015 г. по сентябрь 2022 г. На графике исходных данных заметно четкое снижение уровня ДТП по вине водителей (рисунок 2), что подтверждает темп прироста, который равен –0,33 %. Также на графике четко видна сезонность, которая соответствует летнему периоду. Следовательно, ряд необходимо сгладить для дальнейшего моделирования. Так как один год равен 12 месяцам, то сглаживать нужно по числу колебаний, т. е. 12-звенной скользящей средней.

ДТП по вине водителей

540,000

490,000

440,000

390,000

340,000

290,000

240,000

190,000

140,000

90,000

Рисунок 2 – График исходных данных количества ДТП в Ростовской области с января 2015 г. по сентябрь 2022 г.

Figure 2 – Graph of Baseline Data of the Number of Road Accidents in Rostov Region from January 2015 to September 2022

После сглаживания исходного ряда необходимо смоделировать данные (Капский, 2018). В нашем случае будет применена мультипликативная модель временного ряда из-за непостоянства характера колебаний, т. е. из-за уменьшения амплитуды. Для этого необходимо рассчитать сезонную компоненту на основании оценки (таблица 2).

Таблица 2 – Расчет сезонной компоненты

Корректирующий коэффициент равен:

Table 2 – Calculation of Seasonal Component

Месяц Год R Ш b Q. Ш m ^ Ш co О О ь s си £ 3 ® >S £ 5 § 5 CO C 5 8 s g О b m i l-О О Z Г CO ф 5 ° О £ Ш c ® * s §Л g g ? Q см co sr Ю co 00 1 – 0,689 0,680 0,821 0,719 0,912 0,894 0,692 5,407 0,772 0,776 2 – 0,716 0,704 0,629 0,606 0,729 0,63 0,812 4,828 0,690 0,693 3 – 0,712 0,764 0,702 0,899 0,741 0,698 0,597 5,113 0,730 0,734 4 – 0,818 0,818 0,887 0,909 0,58 0,792 – 4,804 0,801 0,804 5 – 0,936 0,904 0,963 0,866 0,694 0,831 – 5,194 0,866 0,870 6 – 1,100 1,013 1,001 1,079 1,081 1,019 – 6,293 1,049 1,053 7 – 1,219 1,082 1,172 1,145 1,26 1,241 – 8,347 1,192 1,198 8 1,228 1,301 1,240 1,208 1,152 1,291 1,348 – 8,786 1,255 1,261 9 1,248 1,332 1,318 1,151 1,166 1,287 1,137 – 8,689 1,241 1,247 10 1,299 1,254 1,222 1,288 1,312 1,289 1,104 – 8,599 1,228 1,234 11 0,933 1,054 1,019 0,973 0,931 1,012 1,053 – 6,976 0,997 1,001 12 1,108 0,925 1,265 1,166 1,206 1,029 1,183 – 7,882 1,126 1,131 к =

0,772 + 0,69 + 0,73 + 0,801 + 0,866 + 1,049 + 1,192 + 1,255 + 1,241 + 1,228 + 0,997 + 1,126 ^.

Далее с помощью корректирующего коэффициента по формулам строим мультипликативную модель временного ряда и получаем следующую формулу, в которой все коэффициенты значимы (проверены с помощью критерия Стьюдента):

y_t = (395,37 + (-2,869) * t) * S_t ,

' 0,772,январь

0,690, февраль 0,730, март 0,801, апрель

0,866, май где St = -

1,049, июнь

1,192, июль

1,255, август

1,241, сентябрь 1,228, октябрь 0,997, ноябрь

1,126, декабрь

На основании приведенной формулы мультипликативной модели строим смоделированный ряд и находим ошибку (рисунок 3).

Мультипликативная модель

500,000

450,000

400,000

350,000

300,000

250,000

200,000

150,000

100,000

50,000

Рисунок 3 – График наложения построенной модели на исходный процесс и график ошибки построенной мультипликативной модели количества ДТП в Ростовской области по вине водителей, январь 2015 г. – сентябрь 2022 г.

Figure 3 – Graph of Overlay of the Constructed Model on the Initial Process and Error Graph of the Constructed Multiplicative Model of the Number of Accidents in Rostov Region due to the Fault of Drivers, January 2015 – September 2022

Далее проверяем ряд ошибки на нормальность закона распределения и стационарность (коэффициент вариации = 31 136,291 %; среднеквадратическое отклонение = 27,5; среднее значение ряда ошибки = 0,088; коэффициент эксцесса = –0,41; коэффициент асимметрии = 0,176). Исходя из рассчитанных коэффициентов, мы делаем вывод, что ряд ошибки распределен по нормальному закону, следовательно, применяем параметрические тесты на стационарность.

Тесты (тест Стьюдента для дисперсии и математического ожидания, тест Фишера для дисперсии и математического ожидания, тест Кокрейна, тест Бартлетта) показали, что в совокупности всех факторов ряд стационарен, следовательно, исходную ошибку ( y t -сезонность) можно до-моделировать с использованием моделей ARIMA. Для этого строим автокорреляционную (АКФ) и частную автокорреляционную функции (ЧАКФ) для ряда ошибки, чтобы определить модель ARIMA (рисунок 4).

Рисунок 4 – Автокорреляционная и частная автокорреляционная функции для ряда ошибки мультипликативной модели по данным о количестве ДТП в Ростовской области, январь 2015 г. – сентябрь 2022 г.

Figure 4 – Autocorrelation and Partial Autocorrelation Functions for the Error Series of the Multiplicative Model Based on Data on the Number of Road Accidents in Rostov Region, January 2015 – September 2022

По результатам теста Дики – Фуллера (проведен в программе GRETL) p меньше 0,05. Это означает, что все факторы значимы и ряд стационарен.

Исходя из графиков, представленных на рисунке 4, и результатов теста Дики – Фуллера, мы делаем вывод, что домоделировать необходимо с помощью модели AR(1):

а_г = p i = 0,5 ;

e_t = -0,073 + 0,5 x e_t-1

В итоге уравнение суммы сезонности и модели AR(1) выглядит следующим образом: e_t = y_t-y_t = -0,073 + 0,5 x e_t-1 = y_t - (395,37 + (-2,869) x t) x S_t =

= 0,073 + 0,5 x (y_t-1 - (395,37 + (-2,3869) x t) x S_t-1) ;

y_t = 395,37 x S_t - 2,869 xS_txt- 0,073 + 0,5 x y_t-1 - 199,1195S_t-1 + 1,4345 x t x S_t-1 .

Далее находим значения окончательной ошибки и проверяем ее на белый шум с помощью тестов на стационарность. Перед этим строим график и проверяем окончательную ошибку на нормальность закона распределения. Проверим ее на белый шум по критериям Стьюдента для математического ожидания и Фишера для дисперсии. Они показали, что дисперсия и математическое ожидание постоянны.

Ошибка является белым шумом, так как математическое ожидание и дисперсия постоянны. Кроме того, тест Пирсона показал, что все коэффициенты АКФ и ЧАКФ незначимы (автокорреляция отсутствует), следовательно, модель качественная.

Точечное прогнозирование производится на основании формулы и расчетов (таблица 3, рисунок 5). Прогнозируем на 12 месяцев:

yt = 395,37 x St - 2,869 x St x t - 0,073 + 0,5 x yt-1 - 199,1195St-1 + 1,4345 x t x St-1

Таблица 3 – Точечный прогноз количества ДТП по вине водителей в Ростовской области

Интервальные прогнозы

■ Нижняя граница

—•— Верхняя граница

Table 3 – Point Forecast of the Number of Accidents Caused by Drivers’ Fault in Rostov Region

Период	Прогнозное значение	Сезонная оценка
–	–	1,247
94	170,368	1,234
95	130,505	1,001
96	139,363	1,131
97	92,619	0,776
98	79,940	0,693
99	82,021	0,734
100	87,325	0,804
101	91,804	0,870
102	108,147	1,053
103	119,488	1,198
104	122,155	1,261
105	117,218	1,247

CM CM

О CXI

00 о

Рисунок 5 – График нижней и верхней границ интервального прогноза ДТП в Ростовской области на 12 месяцев

Figure 5 – Graph of Lower and Upper Limits of Interval Forecast of Road Accidents in Rostov Region for 12 Months

Подводя итог, можно сказать, что количество дорожно-транспортных происшествий колеблется в допустимых пределах и по прогнозам не превышает 199 случаев в месяц. Таким образом, число ДТП в Ростовской области, скорее всего, будет снижаться.

Заключение . Вопросы безопасности дорожного движения входят в число наиболее актуальных, освещаются и регулируются ведущими международными организациями. По данным Международной организации здравоохранения и Всемирного банка, в результате дорожно-транспортных происшествий каждый год на дорогах мира гибнет значительное число людей, общая сумма убытков и потерь составляет более 500 млрд долл. США (Овчаров и др., 2019). Существуют различные способы возможного снижения количества ДТП: проверка знаний ПДД; повышение качества вождения; организация систем, контролирующих физическое состояние водителей; установка систем, контролирующих скорость автомобиля и его техническое состояние; еженедельный контроль состояния дорожного полотна и оборудования дорог (Короткий, Бахтеев, 2019).

Результатом исследования стал расчет основных показателей динамики количества дорожно-транспортных происшествий в Ростовской области с января 2015 г. по сентябрь 2022 г. В целом за весь период изучения число ДТП снижалось как в абсолютном выражении, так и в относительном (с 259 случаев в январе 2015 г. до 191 случая в сентябре 2022 г.). Максимальное увеличение количества ДТП по сравнению с данными января 2015 г. произошло в сентябре 2015 г. (возросло на 215 ед.), а снижение – в марте 2022 г. (уменьшилось на 158 случаев).

Основными категориями в изучении транспортной структуры ДТП были легковые, грузовые автомобили, автобусы, мотоциклы, мопеды и приравненные к ним транспортные средства, трамваи, тракторы и другие самоходные механизмы. Параметры структурных сдвигов не показывают практически никакого изменения отношений категорий в 2015 и 2021 гг., о чем свидетельствует значение коэффициента Рябцева, равное 0,02.

Расчеты, проведенные с использованием методов моделирования сезонности (мультипликативной модели временного ряда), и домоделирование ошибки с помощью модели AR(1) продемонстрировали, что перспективное количество дорожно-транспортных происшествий в Ростовской области на следующий период, т. е. на 12 месяцев, не превышает значение в 199 случаев в месяц.

Также стоит отметить существенный экономический ущерб от ДТП: ущерб в результате повреждения дорожного покрытия и дорожных сооружений; ущерб в результате временного или полного выбытия пострадавшего из сферы труда и производства; социально-экономические факторы при выплате пособий пострадавшим и получившим травмы гражданам в результате серьезного дорожно-транспортного происшествия. Минимизация количества дорожно-транспортных происшествий может положительно сказаться на экономической ситуации как отдельно взятого региона, так и государства в целом.

Список литературы Статистический анализ и эконометрическое моделирование дорожно-транспортных происшествий в Ростовской области с января 2015 г. по сентябрь 2022 г

Капский Д.В. Методология повышения качества дорожного движения : монография. Минск, 2018. 372 с.
Короткий А.А., Бахтеев О.А. Дорожно-транспортные происшествия: основные причины, анализ аварийности, методы снижения // Безопасность техногенных и природных систем. 2019. № 2. С. 50-55. https://doi.org/10.23947/2541-9129-2019-2-50-55.
Овчаров Е.Б., Добжанский А.В., Некрасов И.Б. Структурный анализ ДТП с особо тяжкими последствиями // Управление экономическими системами: электронный научный журнал. 2012. № 9 (45). С. 29.

Статья научная