Detekcija veštačke mobilizacije, punjenja kutija i organizovanog preterivanja u izlaznosti
Uvod
Jedan od osnovnih indikatora mogućih izbornih manipulacija je ekstremno visoka izlaznost na pojedinim biračkim mestima. U demokratskim društvima, prosečna izlaznost varira između 50% i 75%, a čak i u uslovima snažne mobilizacije retko prelazi 90%. Kada se u okviru jednog izbornog korpusa pojave biračka mesta sa izlaznošću od 95%, 98% ili čak 100%, to ne samo da odstupa od očekivanog rasporeda, već sugeriše mogućnost veštačkog uvećavanja izlaznosti, bilo kroz prisilu, bilo kroz falsifikovanje.
Upravo ovakva mesta su „crvene zastavice“ za posmatrače i istraživače. Njihova identifikacija je jednostavna, a analitički okvir koji ih prepoznaje zasniva se na standardizaciji podataka i filtriranju ekstremnih vrednosti. Alat koristi statističku meru poznatu kao Z-poen, kojom se svaka posmatrana izlaznost poredi sa ukupnim rasporedom i identifikuju se oni slučajevi koji značajno odskaču.
Intuitivno objašnjenje
Zamislimo hipotetičku opštinu sa 50 biračkih mesta. Na većini mesta izlaznost je između 55% i 70%. Međutim, na 3 biračka mesta izlaznost je preko 98%, a u jednom čak 100%. I dok to samo po sebi ne mora značiti prevaru, kada se ovi rezultati poklapaju sa neuobičajeno visokim procentom glasova za jednu političku opciju, sumnja postaje osnovana.
Z-poeni omogućavaju kvantitativnu detekciju ovih „izlaznih ekstrema“. Oni pokazuju koliko je neka vrednost udaljena od proseka, izraženo u jedinicama standardne devijacije. U normalnom rasporedu, oko 99.7% svih vrednosti nalazi se unutar 3 standardne devijacije od sredine. Dakle, svaka vrednost sa Z > 3 je potencijalna anomalija.
Teorijska osnova
Z-poen se računa po sledećoj formuli: \(Z = \frac{X – \mu}{\sigma}\)
Gde je:
- \(X\) – posmatrana izlaznost na biračkom mestu
- \(\mu\) – srednja vrednost izlaznosti
- \(\sigma\) – standardna devijacija izlaznosti u celom skupu
Ova mera transformiše sve vrednosti tako da dobijemo standardizovan raspored sa sredinom 0 i standardnom devijacijom 1. Ekstremi se zatim lako uočavaju, svaka vrednost sa |Z| > 3 se smatra statistički neuobičajenom.
U realnim uslovima, izlaznosti iznad 95% predstavljaju Z-poene veće od 3 u gotovo svim rasporedima. Pojava više takvih vrednosti u okviru jedne izborne jedinice ukazuje na sistematsku devijaciju, a ne na slučajnu grešku.
Na Slici 1. data je ilustracija ekstremnih vrednosti van oblasti \(\pm 3 \sigma\) (tri standardne devijacije) gde vertikalne isprekidane crvene linije označavaju levu i desnu granicu. Sva biračka mesta koja su pozicionirana van ovih granica smatraju se prema ovom metodu ekstremnim vrednostima. Preporuka je da se posebna pažnja pokloni proveri rezultata izbora na ovim biračkim mestima. Na osnovu simuliranih podataka na Slici 1. moguće je identifikovati ukupno 4 biračka mesta sa ekstremnim vrednostima (zbir dva stubića desno od desne vertikalne linije).
Tipovi manipulacije koje otkriva
Filtriranje ekstremne izlaznosti može ukazivati na nekoliko tipova manipulacije:
- Punjenje glasačkih kutija: Birački listići ubacuju se bez prisustva pravih birača, najčešće pred zatvaranje biračkog mesta.
- Prisilna mobilizacija: Glasači (posebno u javnom sektoru) prisiljeni su da izađu na izbore i dokumentuju svoj dolazak.
- Lažno izveštavanje: Lokalni izborni odbori prijavljuju veće brojke nego što je realno registrovano.
Povezanost ekstremne izlaznosti sa velikom podrškom za samo jednu političku opciju dodatno pojačava verovatnoću manipulacije.
Primena u Excel-u i R-u
U Excel-u:
- Napravite kolonu sa izlaznostima po biračkom mestu.
- Izračunajte srednju vrednost: =AVERAGE(A2:A100)
- Izračunajte standardnu devijaciju: =STDEV.P(A2:A100)
- Za svaki red, izračunajte Z-poen: =(A2 – $B$1) / $B$2
(gde su B1 i B2 srednja vrednost i SD) - Obeležite sva mesta sa |Z| > 3
U R-u:
# df$izlaznost je kolona sa procentima izlaznosti
df$z <- scale(df$izlaznost)
df$ekstrem <- abs(df$z) > 3
# Vizualizacija
library(ggplot2)
ggplot(df, aes(x = izlaznost)) +
geom_histogram(binwidth = 2, fill = "steelblue", color = "white") +
geom_vline(xintercept = mean(df$izlaznost) + 3*sd(df$izlaznost), color = "red", linetype = "dashed") +
geom_vline(xintercept = mean(df$izlaznost) - 3*sd(df$izlaznost), color = "red", linetype = "dashed") +
labs(title = "Distribucija izlaznosti sa ekstremima", x = "Izlaznost (%)", y = "Broj biračkih mesta")Realni primeri i reference
U poznatom radu Klimeka i saradnika (2012), koji analizira desetine izbora u zemljama u razvoju i autoritarnim režimima, ekstremna izlaznost je identifikovana kao najpouzdaniji indikator sistematske izborne manipulacije. U okviru ruske Dume 2011. i ukrajinskih predsedničkih izbora 2004, autori su identifikovali „grupe/klastere“ biračkih mesta sa gotovo identičnim i neprirodno visokim procentima izlaznosti, često kombinovane sa visokim rezultatima za režimske kandidate.
Referenca
Klimek, P., Yegorov, Y., Hanel, R., & Thurner, S. (2012). Statistical detection of systematic election irregularities. Proceedings of the National Academy of Sciences, 109(41), 16469–16473.
https://doi.org/10.1073/pnas.1210722109
Takođe, slični obrasci zabeleženi su u Belorusiji 2020. godine, kada je opozicija dokumentovala više od 200 biračkih mesta sa 100% izlaznosti i 100% podrškom za Lukašenka, statistički gotovo nemoguć ishod.
Zaključak
Filtriranje ekstremne izlaznosti je jednostavan, ali moćan metod detekcije neregularnosti. Njegova primena ne zahteva kompleksne alate, ali pruža jasne signale kada biračka mesta „iskaču“ iz očekivanih obrazaca. U realnom vremenu, ovaj indikator omogućava posmatračima da brzo identifikuju sumnjive lokacije, zatraže dodatne podatke ili iniciraju posmatranje na licu mesta.