Odlučivanje u prometu

2021-11-03

Branim hipotezu da je danas lako odlučivati u pitanjima prometnog inženjerstva.

Zastupnici alternativne hipoteze tvrde da je u prometu teško odlučivati i najčešće nastupaju s argumentima: prometni proces je neizvjestan, rezultatski i sigurnosno rizičan, suprotstavljenih ciljeva, stohastičan itd..

Promet (tehnologija prometa i transport) je tehnička znanost, a glavni alat tehničke znanosti je matematika. Inženjerima su brojevi slova, a gramatika je matematika. Zato promet niti kao proces, niti kao sustav, niti kao fenomen nije jednostavan. To je složena aktivnost, realna, opipljiva, vidljiva i osjetljiva, koja funkcionira u 3D ili 4D. Cestovni promet najčešće u 3D: vremenska i dvije prostorne dimenzije. Prometni inženjeri bi rekli - jedinstvo tri osnovne veličine: populacija, prostora i vremena. Današnja ICT rješenja omogućuju praćenje sve tri veličine u realnom vremenu, na bilo koji način u bilo kojem formatu.

Prometni inženjeri "osuđeni" su na poznavanje različitih tehnika odlučivanja. Ako želimo izračunati učinkovitost (korisnost) i/ili vjerojatnost pojave nekog procesa treba nam statistika, a ako uz to želimo vidjeti financijske i ekonomske efekte treba nam i ekonomija; moramo znati pripremiti podatke za cost-benefit analizu. Prometna znanost ne postoji bez modeliranja i simulacija, a za to nam treba matematika i računarstvo (informatika). Prometni problemi su i prostorni problemi pa nam treba, osim poznavanja stručnih propisa, i dobro poznavanje propisa iz područja prostornog uređenja i građenja. Procesu odlučivanja pristupa se:

racionalno i logički (matematički),
eksperimentalno,
primjenom modela.

U knjizi Sikavica, P., Hunjak, T., Ređep Begičević, N., Hernaus, T.: Poslovno odlučivanje, Školska knjiga, Zagreb, 2014. na stranici 79 nalazi se sljedeći grafički prikaz. Držim da je to sve što jedan inženjer (ne) treba znati glede teorije odlučivanja.

Normativni pristup je matematika, odnosno njezine discipline, i tu dobivamo odgovor na pitanje kakvu odluku donijeti. Deskriptivni pristup nije inženjerska tema, tu se objašnjava kako je odluka donesena. Zanimljivo da ipak problemima često pristupamo deskriptivno: gledamo (analiziramo) postojeće stanje pokušavajući pronaći ono loše, ono što bi mogli popraviti. Ne ulazimo previše u razloge uzroka postojećeg stanja, tom koraku pristupamo plošno; najsretniji smo kada imamo dovoljno mjerljivih podataka o postojećem stanju. Suprotno tome, psiholozi i sociolozi se pitaju "zašto je to tako". Preskriptivni pristup je rješenje inženjerskog problema. Inženjeri najčešće ne uočavaju niti rade razliku između normativnog i preskriptivnog pristupa. Postoje i autori koji tvrde da su oba pristupa komplementarna. Inženjeri se većinom tako ponašaju: zaključak (odluka) normativnog pristupa predstavlja ulazni podatak (funkciju cilja, KPI - key performance indicator) u preskriptivnim modelima. Analitički hijerarhijski proces (AHP - analytic hierarchy process) je vjerojatno najčešće primjenjivana preskriptivna tehnika odlučivanja u inženjerskoj praksi, a u sebi sadrži isključivi normativni pristup u gradnji modela.

Zato se inženjeri većinom obrazuju i većinom u svom poslu koriste preskriptivne modele odlučivanja. Hrvatski prometni inženjeri upoznati su s teorijom igara te s AHP metodom. Drugo je pitanje što primjenjujemo i da li nekoga zanima što primjenjujemo. Budući da smo posljednjih 20-tak godina opremljeni moćnim i (relativno) financijskim dostupnim programskim rješenjima prometnog modeliranja svih razina, pitanje je gdje spadaju ti modeli? Spadaju u normativni pristup odlučivanja. Ako baš želimo teoretizirati: u teoriju racionalnog izbora. Priča se širi dalje, jer većina komercijalnih proizvoda ima i optimizacijske module, a to znači da se mogu koristiti u cijelom području odlučivanja.

Spominjanjem imenice optimizacije otvara se pomalo, neopravdano gurnuta u stranu, matematička disciplina operacijskih istraživanja, koju prometni inženjeri također poznaju, ali rjeđe koriste u svojoj praksi - tome svjedočim iz prve ruke. Međutim, operacijska istraživanja daju odgovor i na pitanje "što i kako napraviti da bi bilo bolje" pa spadaju i u preskriptivni pristup odlučivanju, jer se koriste u analizama odluke, a postoje brojni višekriterijski modeli koji pomažu kod donošenja odluka: višeatributna teorija vrijednosti kod koje svaki problem ima svoju funkciju vrijednosti (cilja), a upravo ih operacijska istraživanja povezuju u jedinstveno model odlučivanja (rješavanja). Operacijska istraživanja pokazuju da se neko znanstveno postignuće u teoriji i praksi odlučivanja ne može jednodimenzionalno klasificirati.

Možemo zaključiti da su hrvatski prometni inženjer dobro "naoružani" (obrazovani) potrebnim alatima za odlučivanje. To je prvi dio argumenata, recimo teoretski, za hipotezu da je danas jednostavno donijeti odluku u znanstvenostručnim poslovima prometa.

Odluku je, držim, lako donijeti, a teži dio posla je onaj koji je bio i prije: ulazni podatci. Svi mi koji se profesionalno bavimo prometom najčešće izgovaramo (ili promišljamo) najpoznatiju bezobraznu inženjersku uzrečicu (u različitim izričajima i oblicima): garbage in - garbage out. Ovo nije tema o prikupljanju podataka pa ću fokus vratiti na odlučivanje.

Vratimo se u zbilju kako bi asignirali opisane teoretske spoznaje u praksu. Prometni inženjeri obično uče da odluke mogu biti strateške, taktičke i operativne. Pri tome svaku odlikuju četiri značajke: važnost, složenost, vrijeme i troškovi.

Koji su najpoznatiji predstavnici pojedinih razina odluka u prometnom inženjerstvu?

Strateške odluke posljedica su (bar bi trebale biti) strateških dokumenata. Studije, prostorni planovi više razine, master planovi i sektorski planovi prometa (impact study) predstavljaju alate za donošenje odluka. Dokumente izrađuju eksperti prema određenim politikama, a o implementaciji odlučuju, odnosno strateške odluke provode nositelji (prometne) politike.

Taktičke odluke su posljedice projektnih rješenja za koje treba kraće vrijeme za prikupljanje podataka, promišljanje i provođenje rješenja. Mogu biti i posljedica promišljanja određene grupe ljudi koji kroz neformalne dokumente (osobne skice i izračune) odlučuju o (ne)promjenama. Taktičke odluke isto donose i provode stručne osobe.

Operativne odluke izvršavaju se na mjestima gdje je to moguće izvršiti. Najlakše je operativnu odluku donijeti na mjestu na kojem se prikupljaju podatci i s kojeg je moguće poslati i provesti neku računalnu naredbu - racionalnu odluku. Primjer takvog odlučivanja su prometni operateri u prometnom centru. Najteže je donijeti i provesti operativnu odluku temeljem prosudbe na terenu; nedostatni podatci, nejasna situacija, ponekad i kontradiktorne informacije.

Svi u prometu i oko prometa moraju donositi odluke, neke svjesno, a neke (operativne) automatizmom.

Imao sam (ne)sreću sudjelovati u sve tri razine. Na operativnoj razini sam 10-tak godina bio organizator specifičnog izvanrednog prijevoza putnika. Stotinu voznih jedinica s isto toliko vozačkih osobnosti, oko 3.500 putnika (različitih karaktera, odgoja, raspoloženja, tolerancije prema alkoholu), teški prometno tehnološki i zimski uvjeti; puno (previše) ulaznih veličina za isporuku (dobre) prosudbene odluke putem walkie-talkie uređaja u 2 - 3 sekunde. Zbog tog iskustva su prometni operateri, a poglavito prometni policajci osobe mojeg najdubljeg stručnog poštovanja.

Taktičke odluke su moj core business budući radim u projektnom uredu; projektni i konzalting problemi iz područja prometa i niskogradnje su moje svakodnevne zadaće. Sve ovdje napisano predstavlja arsenal kojim se redovito koristim.

Imao sam prilike sudjelovati i u nekim strateškim dokumentima. Predanost problemu, iskorištavanje svih dostupnih inputa i raspoloživih resursa, donošenje odluka (rješenja) zasnovanih na ulaznim podatcima, dokazanoj metodologiji i znanju (znanosti), recept su za miran san nakon dugačkog i stresnog razdoblja sudjelovanja u takvom projektu.

Drugi dio argumenta, nazovimo ga metodološki, predstavljam ovdje. Glavni adut je informatika. Čovjek ne može memorijski i procesno pobijediti računala s adekvatnom senzorikom. Mentalna snaga i iskustvo sve manje znače u današnjim rješenjima pod kapom umjetne inteligencije, iako je ljudski faktor još uvijek nezaobilazan. U operativnim racionalnim odlučivanjima računala su nezaobilazna, a zbog rješenje umjetne inteligencije polako uzimaju primat i u prosudbenim operativnim odlukama. Kao dobar primjer kooperacije čovjeka i računala najčešće se navode cestovni tuneli. Oprema i senzorika tunela formiraju cjeloviti Incident Management sustav (servis) gdje računalo automatski mijenja uvjete prometovanja: od ograničenja brzine, zabrane pretjecanja pa sve do ograničavanja kretanja pojedinih kategorija vozila ili potpunog zatvaranja cijelog ili dijelova tunela. Sve to nadzire čovjek i ovisno o razini promjene (incidenta) ne poduzima ili poduzima akcije, ponekad i drastične; npr. uzbunjivanje specijalnih vatrogasnih postrojbi, procjena i uzbunjivanje potrebnog broja vozila hitne medicinske pomoći. Sve je to danas zbog ICT podrške puno lakše. Ali, čovjek odlučuje.

U prometnim mrežama već su danas prisutni on-line prometni modeli koji daju vjerodostojne kratkoročne (5 - 15 minuta) predikcije stanja; računala brzo uče, ljudskog faktora treba sve manje, ali ga još uvijek, itekako, ima.

Ovdje opet naglašavam jasnu distinkciju između procesa donošenja odluke i ulaznih veličina na kojima se zasniva donesena odluka.

Koji su konkretni alati i postupci koji olakšavaju donošenje odluka u prometu, a nisu isključivo vezani za snagu današnjih računala? Znanje i iskustvo koje smo sakupili zadnjih 150 godina suvremenog društva i 100-tinjak godina izučavanja prometa.

Glede metoda, prvo ću krenuti s meni poznatim najstarijim alatom. Pareto načelo (Vilfredo Federico Pareto, 1848. - 1923.) tvrdi da se za 20 % vremena može postići 80 % ciljeva i to je načelo do danas potvrđeno nebrojeno puta u mnogim ljudskim djelatnostima i različitim znanstvenim područjima. Bez obzira koliko puta potvrđeno, da li 20/80, 25/75 ili neka druga proporcija, ljudi jednostavno ne prihvaćaju taj pristup jer nije svojstven ljudskoj prirodi. A upravo taj pristup predstavlja najbolje odgovor na pitanja operativnog trenutnog odlučivanja: usredotočiti se na osnovni ili par osnovnih čimbenika čijom će se promjenom dogoditi najveća promjena. Često je ovo načelo učinkovito kod donošenja taktičkih odluka. I na najvišoj (strateškoj) razini Pareto odlučivanje ponekad ima svoju ulogu. Konkretan primjer Pareto načela je iz područja sigurnosti prometa. Bilten o sigurnosti cestovnog prometa u 2020. MUP-a RH (javno dostupan na Internetu) daje pregled zadnjih 10 godina. Analizirajući greške vozača može se napraviti sljedeći Pareto dijagram. Što nam podatci i dijagram pokazuju? U posljednjih 10 godina (od 2011. do 2020.) zbog grešaka vozača poginulo je 3.159 osoba. U statistici postoji 20 grešaka vozača, a Pareto dijagram pokazuje da četiri greške (20 %) uzrokuju 77 % smrtnih stradavanja.

Što bi ovdje bilo strateško promišljanje? Nameću se dvije mjere. Prva je već provedena u mnogim EU zemljama, dala je iznimne rezultate i glasi: prilagoditi zakonodavstvo (uskladiti postojeće, donijeti tehničke propise/uvjete) da se video i druge tehnologije u nadležnosti jedinica lokalne samouprave (prometna i komunalna redarstva) mogu koristiti u nadzoru Zakona o sigurnosti cestovnog prometa. Druga bi bila: izmijeniti (poboljšati) metodologiju očevida prometnih nesreća za minorizaciju uzroka "ostale pogreške vozača".

Što bi ovdje bilo taktičko promišljanje? Instalirati nadzornu opremu na 20-tak % najkritičnijih dionica (točaka) u Hrvatskoj s motrišta smrtnih stradavanja u promijenjenim vremenskim uvjetima. Pojačati promidžbu o utjecaju vremenskih (ne)prilika na sigurnost prometa.

Što bi bilo operativno promišljanje? Odmah pojačati kapacitete (patrole, kontrole) u pogoršanim vremenskim uvjetima na kritičnim dionicama (točkama).

Zašto držim Pareto načelo jako važnim, poglavito u hrvatskim uvjetima?

Strateška odluka bi trebala promovirati najbolje, svi to želimo i tome težimo, ali često takva odluka nije realna niti u vremenskom, niti financijskom, niti provedbenom smislu. Koliko onda takva odluka ima smisla? Zadovoljili smo svoju taštinu i "pravila struke", predložili smo "najbolja rješenja" koja sadrže jako puno (teško provedivih) aktivnosti i zato ništa od toga neće biti provedeno. Zbog toga i na strateškoj razini nije zgoreg ponekad pomisliti i promisliti o Pareto načelu, usredotočiti se na nekoliko aktivnosti ili rješenje koje će polučiti 70 - 80 % učinaka, jer (dovoljno) dobro je uvijek bolje od 0 % najboljeg.

Svi mi s puno godina staža barem jednom smo svjedočili ovakvoj ili sličnoj situaciji. Planira se alternativa koridoru AB preko točaka CD. Nema novaca, problem s otkupom zemljišta za uspostavu potrebne širine koridora, ..., i zato se radi "etapa" (označeno plavom bojom): puni profil CE i privremeni spoj na AB preko točke F. To privremeno traje 20-tak i više godina: nismo spojili CD i cijelo vrijeme postoji problematična točka F koja narušava kvalitetu koridora AB. Umjesto nove kvalitete prometno smo pogoršali situaciju cijelog područja. Mogli smo spojiti CD sa skromnijim elementima (crveno) što bi na početku sigurno funkcioniralo, a tijekom vremena prema potrebi dograditi problematična mjesta ili cijeli koridor.

Matematičari bi to još ekstremnije izrekli. Ako promatramo limes razlomka između prihvatljivog i "optimalnog" rješenja pri čemu "optimalno" teži prema nuli (neće se započeti ili se neće izgraditi do neke smislene cjeline), limes takvog razlomka teži u beskonačno. Običnim jezikom: beskonačno puta je bolje imati dobro rješenje (ne najbolje) koje kasnije možemo poboljšati i dograditi (rekonstruirati) nego maštati o nečemu za što nema novaca, vremena ni prostora za realizaciju. Isto tako, matematika nas uči da limes istog razlomka gdje u brojniku imamo loše rješenje teži u minus beskonačno, a to je primjer na gornjoj slici.

Glede strateškog odlučivanja, gdje god mogu, osobno preferiram AHP metodu. Teško će me netko uvjeriti u suprotno kada treba donijeti mjerljivu stratešku odluku, a takve su, hvala Bogu, gotovo sve u inženjerskoj praksi. Literatura najčešće donosi sljedeće nedostatke (slabosti) AHP metode:

ne mogu se uspoređivati nemjerljive veličine - neusporedive alternative,
nije prihvatljiva na većem skupu podataka (kriterija i alternativa), većem od sedam;
ponekad je teško postići konzistentnost u promišljanju,
potrebno obaviti velik broj uspoređivanja,
presudan ljudski faktor u stvaranju, razvoju i rješenju modela.

Prvi nedostatak nije prisutan u inženjerskoj praksi. Drugom nedostatku je doskočeno na sljedeći (jednostavan) način. Stvaraju se klasteri (grupe) s 5 - 7 podataka s pivot podatkom koji povezuje susjedne grupe: najslabiji element prethodne grupe je ujedno najbolji element sljedeće grupe. U jednoj studiji smo tom metodom objektivno vrednovali vrlo zahtjevnih i različitih 19 alternativa. Prof. Thomas L. Saaty, tvorac AHP metode, predložio je da omjer konzistencije ne smije biti veći od 0,10. Recentni prijedlozi, upravo zbog prigovora teškog postizanja konzistentnosti ocjenjivanja, idu za dizanjem praga na 0,20 kod matrica većih dimenzija. Klasterizacijom se može doskočiti ovom problemu, a opet čuvajući visoki omjer konzistencije od 0,10. Glede velikog broja uspoređivanja, tome nema prigovora, to se mora napraviti. Ako imamo pet kriterija i šest alternativa, moramo ukupno napraviti 85 uspoređivanja kroz šest matrica koje moraju ima omjer konzistencije manji od 0,10. Danas se predlažu neki postupci koji smanjuju taj (nekima zamoran) proces, ali tradicionalisti (kao ja) uživaju u tome jer, osim korisnog posla, stječemo novo iskustvo i spoznajemo osobne predrasude - gradimo sebe kao bolje stručnjake. Za ubrzanje i poboljšanje konzistencije uspoređivanja postoji jednostavan trik: odmah na početku hijerarhijski posložiti kriterije i alternative. Da li je ljudski faktor prednost ili nedostatak, stvar ukusa. Ako problemu pristupaju stručni i odgovorni ljudi onda ne govorimo o nedostatku.

Zašto osobno držim AHP metodu kvalitetnim inženjerskim alatom:

postupak je jednostavan, intuitivan, logičan; koristi matrični račun,
lako se aplicira u tablični kalkulator; nisu potrebni skupi programski paketi,
moguće je rangirati, odrediti važnost kriterija,
dozvoljava mali interval nekonzistencije što cijelom modelu daje dozu ljudskosti (subjektivnosti) u odlučivanju,
lako otkriva pristranost (nekonzistentnost) u ocjenjivanju/uspoređivanju,
moguće je grupno odlučivanje,
rezultat je jasan, brojčano iskazan, mjerljiv i usporediv,
provedba analize osjetljivosti i rezultata modela pokazuje koliko je model (zaključak) robustan glede donošenja konačne odluke,
lako se objasni donositeljima odluka koji nemaju svi stručna znanja,
svaku promjenu stava (mišljenja, ocjene) vrlo je lako izvesti i dokazati da li su takve promjene konzistentne (nepristrane).

Glede grupnog odlučivanja, lako se mjere suprotstavljena mišljenja, ali ne aritmetičkom sredinom. U slučaju da dvije osobe suprotno vrednuju dva kriterija: prva osoba može dati ocjenu 9 što znači da je kriterij (pokazatelj) A ekstremno važniji od kriterija B, dok druga osoba može imati suprotno mišljenje pa će dati ocjenu 1/9. Aritmetička sredina je 5/9 što ne odgovara Saatyevoj skali. Točnu procjenu daje geometrijska sredina; rješenje je 1, a to je ocjena jednake važnosti. U praksi se približavaju stajališta ekstremnih odluka, jer ne mogu oba stava biti u pravu. Ili se stavovi približuju ili se isključuje jedan stručnjak iz procesa odlučivanja. Druga prednost je matematička pozadina cijelog postupka gdje jedna od važnijih propozicija kaže: ako iz više konzistentnih matrica napravimo novu gdje će svaki član nove matrice predstavljati geometrijsku sredinu odgovarajućih članova prethodnih matrica, ta nova matrica će također biti konzistentna. Odmah dobivamo konzistentno razmišljanje grupe stručnjaka.

Sljedeći primjer je konkretan model, poopćen zbog zaštite interesa investitora i mojih ugovornih obveza. Pretpostavka je nepromjenjivosti ocjenjivanja pojedinih alternativa (varijanti) po pojedinom kriteriju, jer su u inženjerskoj praksi poznate prednosti i nedostaci pojedinih alternativa (rješenja). Npr., sigurnost prometa ima jednake (univerzalne) i lako mjerljive pokazatelje pa bilo kakvo rješenje od strane različitih stručnjaka mora biti (pod)jednako vrednovano. U slučaju većih razlika prije se radi o deficitu znanja pojedinca nego u sukobu koncepcija. Primjer vrednuje četiri varijante nekog rješenja po šest različitih kriterija. Svi pokazani rezultati imaju omjer konzistencije manji od 0,10. Kriteriji su vrednovani na sljedeći način.

Rješenje modela su težinska učešća pojedine varijante (alternative). Jasno je da izboru najviše kumuju utjecaji kriterija K1 i K3. Oni su iz nekog razloga najvažniji, a posljedica toga je izbor varijante 3 kao najbolje.

Analiza osjetljivosti pokazuje robusnost modela. Jedino je osjetljiv poredak varijanti 2 i 3 glede prvog kriterija. Prvi kriterij bi morao biti drastično manji za 0,2451 da te dvije varijante promijene redoslijed.

Ako postavimo sve kriterije jednako važne (svaki vrijedi 0,1667) opet ćemo dobiti varijantu 3 kao najbolju s nešto manjom razlikom prema varijanti 2.

Budući da su kriteriji K5 i K6 najslabiji, potpuno suprotno mišljenje bi bilo da u oni najbolji, a da su kriteriji K1 i K3 najslabiji. To je najlakše postići invertiranjem svih vrijednosti u matrici kriterija. I u tom slučaju je najbolja varijanta 3.

Ovo je dokaz zašto cijenim i često koristim AHP metodu. Otvorena, razumljiva, jednostavna i neumoljiva. Ovaj model pokazuje da ponekad i pristrano (nestručno) mišljenje ne može promijeniti krajnji rezultat.

SWOT analiza isto se može kvantificirati i takvim vrednovanjem donositi određeni mjerljivi zaključci - odluke. Nije mi poznato zašto se to rijetko čini, zašto uvijek SWOT analiza ostaje na opisnim (nemjerljivim) stavovima koji se interpretiraju i uobličuju prema osobnim preferencijama autora. Moguće je napraviti objektivnu analizu SWOT matrice kroz kvantifikaciju njezinih atributa. Za razliku od AHP ovdje treba promatrati istovremeno sve atribute svih članova matrice (snage, slabosti, prilike, prijetnje) što vodi prema nekonzistentnom promišljanju. Tome se može doskočiti na sljedeči način: izabrati najjači atribut svakog člana matrice, vrednovati ta četiri atributa i nakon toga je puno lakše (i objektivnije) vrednovati ostale atribute unutar svakog člana matrice. Ovdje se prikazuje jedan primjer iz prakse, poopćen glede zaštite vlasničkih prava investitora. Za određen problem napravljena je SWOT analiza na način da se svaki atribut vrednuje od 1 (slab utjecaj) do 10 (izniman utjecaj). Prikazani su završni rezultati za svaki član matrice. Sudjelovalo je više osoba u ocjenjivanju pa se kroz elementarne statističke pokazatelje procijenila objektivnost ocjenjivanja i pronašle opće ocjene svakog člana matrice. Sve ocjene atributa nalaze se unutar tri standardna odstupanja (tri sigma) srednje vrijednosti člana matrice.

Prethodne tablice pokazuju da su definirane i istražene četiri unutarnje snage i pet slabosti, te vanjskih osam prilika i sedam prijetnji. Za svaki član matrice izračunata je srednja vrijednost njezinih atributa, a moguće strategije predstavljaju umnoške srednjih vrijednosti članova matrice. Najbolje je primijeniti strategiju min - max: minimiziranjem vlastitih slabosti maksimalno iskoristiti vanjske prilike, Nije daleko ni strategija max-max, kao i ostale dvije strategije.

Moguće je provesti parcijalno ispitivanje svih strategija. Ovdje se prikazuje tablica za min-max. Crvenom bojom je označeno deset najvećih odnosa. Ta analiza pokazuje na koje atribute posebno i njihove međusobne odnose s atributima drugih članova matrice treba posebno obratiti pažnju.

Nadalje, kada se analiziraju sve četiri strategije dobivaju se četiri tablice iz kojih se mogu izlučiti atributi s učestalostima pojavljivanja, a to je ipak neka mjera što bi najviše utjecalo na željeni rezultat (crvenom bojom označeno prvih pet najspominjanijih; četiri ih dijeli peto mjesto).

Ovaj konkretan primjer pokazuje kako se SWOT analiza iz jednog primarno subjektivnog pristupa može transformirati u objektivan alat ocjenjivanja, istraživanja, uspoređivanja i nalaženja najvažnijih atributa problema unutar sustava i njegove okoline. Dobiva se niz različitih konkretnih, mjerljivih i razumljivih tablica, a za to je je bilo potrebno na početku samo malo koncentracije i objektivnosti. Budući je sve kvantificirano i povezano (u tabličnom kalkulatoru) svaka promjena stava daje trenutačno novu sliku promišljanja.

Prethodna tema pokazala je moju zaljubljenost u operacijska istraživanja. Matematičko programiranje može poslužiti za provedbu svih razina odlučivanja:

formira se funkcija cilja sa željenim (izabranim) veličinama i pridruženim koeficijentima; odredili smo strategiju (smjer) rješenja problema: koje veličine i u kojem smjeru idemo, maksimiziramo pozitivne ili minimiziramo negativne učinke,
stvaramo međusobne odnose između veličina kroz matricu koeficijenata; to je taktička razina gdje stvaramo konkretni mikrosvijet istraživanog problema (sustava),
aktualne granice rješenja definiraju se vektorom ograničenja; to je operativna razina gdje želimo sustav uskladiti sa zahtjevima određenog trenutka ili stanja.

Ostalo je još puno mogućnosti - alata za donošenje odluka. Spomenut ću još samo dva. Statistika i prometni modeli (simulacije). U dosta prijašnjih tema donosio sam zaključke koje držim objektivnim i apsolutnim upravo primjenom (deskriptivnog) statističkog alata. Na hrvatskom tržištu postoji zaista puno kvalitetnih knjiga iz područja primjene statistike u odlučivanju i upravljanju. Sve je prisutnije i statističko učenje. Slikoviti primjer je tema koja je obrađivala primjenu zakona velikih brojeva u sigurnosti prometa: podatci o poginulima u Hrvatskoj, SRNJ i Švedskoj obrađeni su deskriptivom statistikom, statističko odlučivanje provedeno je slabom formom zakona velikih brojeva pri čemu je ocjenjivač modela bila Čebiševljeva nejednakost.

Glede prometnih modela imam ambivalentan stav. U tvrtki ih često koristimo. S druge strane, malo sam previše "upoznao" prometnih modela i simulacija koje svrstavam pod: zlouporaba, ili još gore - neznanje. Poslije 2010. godine to je poprimilo epidemiološke razmjere pa više nitko nije (opravdano) vjerovao tim "umotvorinama". U mojoj tvrtki smo i dalje koristili snagu tih moćnih (i skupih) softwarea, samo nismo otkrivali pozadinu rješenja da nas ne bi povezivali sa "stručnjacima". Zadnjih par godina se situacija promijenila bitno nabolje i opet možemo otvoreno prezentirati kreirani prometni model ili simulaciju sa različitim scenarijima (varijantama) prema zahtjevima projektnog zadatka. Iza savjesnog pristupa, koji se mjeri u brojnim inženjer-satima, stoji puno brojeva (argumenata) pa svaka dobronamjerna kritika dobiva brzi odgovor, pojašnjenje ili poboljšanje modela. Današnji programski paketi za prometno planiranje, modeliranje i simulacije zaista mogu sve; mogu se birati i kulturološki uvjetovana ponašanja. Kada kupujete takve pakete, kažete od kuda ste, za što ćete i gdje ćete software koristiti pa shodno tome dobivate (i naravno doplaćujete) takva obilježja: tipove i vrste vozila s određenim voznim karakteristikama i provoznostima, karaktere sudionika u prometu, atribute okoline (cesta i oblici oznaka na kolniku, izgled prometne opreme, vegetacija i sl.), modeliranje stavova o javnom prijevozu i korištenju bicikala ... kako sam prije rekao - baš sve!

Obzirom na cijelu zavrzlamu, kratko ću ilustrirati kako to izgleda. Iz razumljivih razloga ne prikazujem komercijalna rješenja. Kolega Josip (za što mu posebno zahvaljujem) dozvolio mi je prikazati njegov 4-stupanjski prometni model Samobora i Svete Nedelje (gradova zapadno od Zagreba) iz diplomskog rada koji je obrađivao primjenu ITS tehnologija u izradi prometnih modela gradova. Prikazan je model (prometna mreža i zone) s posebnim prikazima generiranja, distribucije i asignacije putovanja.

Kolega Kristijan (i njemu posebno zahvaljujem) dozvolio mi je prikazati mikrosimulacijski model iz diplomskog rada koji se odnosi na područje Tržnice Branimirova u Zagrebu.

Treći model je mezoskospke razine, nešto što je došlo primjenom računala. Jednostavno rečeno, mreža se može promatrati makroskopski, a pojedini elementi približno mikroskopski (pojednostavljeno promatranje pojedinačnog ili manje grupe vozila). Idealno za promatranje dijela prometne mreže za što su makroskopski pristupi pregrubi, a mikroskopski prezahtjevni (previše vremena i resursa za modeliranje).

Prikazujem još jedan prometni model za edukacijsku namjenu. Na lijevoj donjoj slici kružni tok prometa ima dobru razinu uslužnosti, a semaforizirano raskrižje zagušen zapadni i povećani rep čekanja na sjevernom privozu. Na desnoj slici obrnuta situacija: kružni tok ima neodrživo stanje na istočnom privozu, a na semaforu je stanje jako dobro. U oba primjera radi se samo o promjeni samo jednog parametra na svakom raskrižju. Dok sam bio dio obrazovnog procesa na Fakultetu prometnih znanosti Sveučilišta u Zagrebu, ovim primjerom sam ilustrirao zlouporabu i/ili neznanje u korištenju prometnih modela.

Alati za prometno modeliranje i simuliranje, u kojima su prometni modeli objektivno i savjesno razvijeni, omogućuju brzo donošenje najbolje pojedinačne (taktičke) ili grupne (strateške) odluke glede: javnog prijevoza, izgradnje prometne infrastrukture, razvoja nekog ITS servisa, promjene prometne politike (parkiranja, tarifa javnog prijevoza, organizacije prometa - npr. sustavi jednosmjernih ulica). Kuda je sve to otišlo pokazuju već danas uspješne komercijalne aplikacije prometnih modela u sustave upravljanja prometom u realnom vremenu. Imao sam priliku vidjeti u akciji dva takva rješenja. Prometni model prognozira za naredno razdoblje (obično 15 minuta) što će se dogoditi. Kako prikupljamo informacije, podatke i iskustvo, protekom vremena (1 - 2 godine) ti modeli postaju vrlo učinkoviti; teško je upotrijebiti riječ: nepogrešivi, ali recimo to ovako: postaju vrlo pouzdani prognozeri. Ako znamo što bi moglo biti za 15-tak minuta, možemo pravovremeno reagirati te informirati korisnike o budućem stanju.

Pred kraj, nešto o teoriji igara. U svojoj karijeri imao sam prilika, ali nisam imao sreće. Svaki put kada sam dobio zadaću za koju bi primjena teorije igara bila prikladna, zdrav razum i financijski interes presudio je - ne, jer je s druge strane sjedio investitor kojem bi bilo jako teško (nemoguće) objasniti da sam putem "igre" došao do rezultata. Po vječnom Murphyjevom zakonu, kada bi mi investitor bila osoba sklona takvim idejama, priroda problema nije nudila teoriju igara kao najbolji izbor pa, opet zbog vremena i financijskog interesa projekta, nisam primijenio. Budući se prometni problemi najčešće opisuju matričnim igrama, logično je pitanje zašto nisam problem kreirao kao matričnu igru, pretvorio je u problem linearnog programiranja i na kraju dobio rješenje; primijenio sam teoriju igara, bez da se zna za "igru". Sve to drži vodu do trenutka kada treba objasniti neke relacije (uvjete, ograničenja) bez uvlačenja teorije igara u obrazloženje, a to ne ide jer je upravo teorija igara generirala cijeli model. Tako je ova matematička disciplina ostala za mene izvan područja profesionalne primjene, za sada. Nema smisla ovdje "prodavati" neka opća teoretska rješenja. Nedavno smo dobili izvrstan sveučilišni udžbenik iz primjene teorije igara u prometu i logistici. Postoji još nekoliko, po mojem skromnom mišljenju, dobrih knjiga na hrvatskom jeziku o teoriji igara.

Na kraju, sve ovdje opisano sistematizirao sam u sljedećoj tablici. Vjerojatno bi netko drugi ovdje dopisao (opravdano) još 10 - 20 različitih modela, postupaka i metoda. Primjerice, u nekoj budućoj temi obradit ću Markovljeve lance, a to je isto praktična metoda za donošenje odluka.

Ovo su moji razlozi (argumenti) za obranu uvodne hipoteze. Po treći put u ovoj temi ponavljam, kako i na koji način prikupiti podatke da bi se moglo (kvalitetno) odlučiti, to je druga priča. Na sreću, svakim danom sve točnija i cjelovitija.