1.1 Izborna forenzika i potreba za naprednim statističkim modelima
Savremena izborna forenzika suočava se sa složenim izazovom, kako statistički razlikovati regularne izborne procese od onih u kojima postoje indicije manipulacija. U svetu u kojem su izbori i dalje osnovni mehanizam legitimisanja političke vlasti, sposobnost da se prepoznaju anomalije u podacima o izlaznosti i rezultatima postaje ne samo akademsko pitanje, već i pitanje poverenja javnosti i stabilnosti demokratskih institucija.
Tradicionalni forenzički alati, poput Benfordovog zakona (Beber & Scacco, 2012), omogućavaju osnovni uvid u moguće nepravilnosti, ali njihova pouzdanost pri identifikaciji specifičnih obrazaca manipulacija je ograničena. Razvijeni su zato složeniji statistički pristupi, posebno oni koji mogu razlikovati više vrsta neregularnosti i kvantifikovati njihov doprinos ukupnom izbornom rezultatu (Cantú, 2019; Mebane i sar, 2022).
U okviru ovog napretka posebno se istakao pristup Waltera R. Mebanea Jr., koji je na osnovu modela konačne mešavine, MKM (eng. finite mixture models, FMM) razvio metod za formalno razdvajanje regularnih i neregularnih procesa u izbornim podacima. Ovi modeli predstavljaju temelj tzv. „druge generacije“ izbornih forenzičkih metoda (Mebane i sar, 2022).
1.2 Ograničenja tradicionalnih metoda
U ranim fazama razvoja discipline, izborna forenzika se oslanjala na jednostavne heurističke i deskriptivne pristupe: Benfordove testove raspodele cifara, histogram izlaznosti, i tzv. izborni otisci prstiju (eng. election fingerprints), dvodimenzionalne prikaze odnosa između izlaznosti i udela glasova za pobednika (Klimek et al., 2012). Iako su te metode značajno doprinele ranom otkrivanju anomalija, one su često patile od visokog stepena lažno pozitivnih signala, jer nisu mogle razlikovati prirodnu heterogenost biračkog ponašanja od stvarnih manipulacija (Deckert, Myagkov, & Ordeshook, 2011).
Na primer, u stabilnim demokratijama varijacije u izlaznosti mogu proizilaziti iz demografskih i socijalnih faktora, a ne iz prevara. Vizuelne anomalije u takvim slučajevima ne predstavljaju dokaze manipulacije. Kao što ističe Mebane i sar (2022), oslanjanje isključivo na jednostavne raspodele podataka ne omogućava razdvajanje signala od šuma. Potrebni su modeli koji tretiraju podatke kao rezultat više latentnih procesa, regularnih i neregularnih, i kvantifikuju njihovu međusobnu zastupljenost.
1.3 Koncept mešavine regularnih i neregularnih procesa
Modeli konačne mešavine (MKM) (eng. Finite Mixture Model – FMM) polaze od pretpostavke da su izborni podaci heterogeni i da ih generišu različiti latentni procesi (Mebane i sar, 2022). U „čistim“ izborima, raspodela izlaznosti i glasova za pobednika bi trebalo da odražava realne političke preferencije i demografske strukture. Međutim, kada se jave manipulacije, ubacivanje listića, veštačko povećanje izlaznosti ili namerno proglašavanje važećih listića nevažećim, posmatrani podaci postaju mešavina regularnog i neregularnog procesa.
Ovakav okvir omogućava istraživačima da kvantifikuju udeo glasova koji potiče iz svake latentne klase. Drugim rečima, umesto binarnog pitanja „da li postoje anomalije?“, MKM omogućava precizniji odgovor: „koliki deo glasova potiče iz sumnjivih procesa i kakav je njihov obrazac?“.
1.4 Mebaneov doprinos: Verovatnosna klasifikacija i udeo prevare
Mebaneov MKM model predstavlja prekretnicu u izbornoj forenzici jer uvodi probabilističku klasifikaciju biračkih mesta. Svakom biračkom mestu dodeljuje se skup posteriornih verovatnoća pripadnosti jednoj od nekoliko latentnih klasa:
- regularna mesta,
- mesta sa blagim manipulacijama (incremental fraud, ballot stuffing), i
- mesta sa ekstremnim manipulacijama (extreme fraud).
Model ne označava biračko mesto rigidno kao „regularno“ ili „sumnjivo“, već procenjuje verovatnoću da ono pripada svakoj od klasa. Na primer, može se zaključiti da postoji 70 % verovatnoće da se određeno mesto ponaša u skladu s obrascem ballot stuffing-a. Takav probabilistički okvir omogućava da se izračuna i fraud share što je engleski naziv za udeo prevare, tj. procenjeni udeo pobednikovih glasova koji potiče iz „sumnjivih“ klasa.
1.5 Empirijska ilustracija: Izbori u Rusiji
Analize ruskih izbora u periodu 2008–2021. često su ukazivale na neuobičajene obrasce izlaznosti, naročito koncentracije na okruglim vrednostima 90 %, 95 % i 100 %, uz gotovo apsolutne rezultate za vladajućeg kandidata (Enikolopov et al., 2013). Vizuelne metode mogu da ukažu na takve „šiljke“, ali ne mogu da procene njihov značaj po ishod. Primena MKM modela omogućila je kvantifikaciju: procenjeno je da između 15 % i 30 % glasova pobednika potiče iz latentnih klasa sa obrascima ballot stuffing-a ili ekstremne prevare. Ovaj rezultat menja ton analize, od spekulacije o prevari ka merenju njenog potencijalnog uticaja.
1.6 Od heuristike ka modelima druge generacije
Uvođenjem MKM-a, izborna forenzika prelazi iz faze heurističkih testova u fazu formalnog probabilističkog modeliranja. Dok su metode „prve generacije“, Benfordovi testovi i izborni otisci prstiju, fokusirane na detekciju anomalija, „druga generacija“ metoda (npr. MKM, modeli latentnih CRTA (eng. latent trait models), i nenadzirano otkrivanje anomalija (eng. unsupervised anomaly detection)) omogućava kvantifikaciju i interpretaciju anomalija u kontekstu izbornog ishoda.
U kriminologiji i forenzičkoj nauci modeli latentnih CRTA se koriste da objasni zašto neki pojedinci stalno i često čine krivična dela, dok drugi ostaju uglavnom nekonfliktni sa zakonom, kroz zajedničku podlogu, stabilnu latentnu sklonost ka kriminalu. U forenzičkoj nauci nenadzirano otkrivanje anomalija. odn. odstupanja označava pristup gde se algoritmi uče samo na „normalnim“ podacima i zatim automatski traže neuobičajene obrasce (anomalije) koji mogu ukazivati na prevaru, falsifikat, sumnjive transakcije ili druge forenzički relevantne pojave, bez prethodnog označavanja šta je tačno normalno a šta sporno.
Ova tranzicija predstavlja suštinski epistemološki pomak: od „da li ima prevare?“ ka „koliko je ima, gde je koncentrisana i kako utiče na legitimitet izbora“. Upravo u toj transformaciji leži doprinos Mebaneovog rada i značaj modela konačne mešavine za razvoj savremene izborne forenzike.