Detekcija centralizovane kontrole rezultata i obrazaca fabrikovanih podataka
Uvod
Zamislimo da posmatramo sve rezultate izbora ne kao niz brojeva, već kao vizuelni otisak, sliku koja prikazuje kako se ponašanje birača raspoređuje kroz izlaznost i podršku za određene kandidate. U teorijski idealnoj situaciji, očekujemo da glasači u različitim delovima zemlje pokazuju nepredvidive obrasce: negde je izlaznost niska, podrška vlasti visoka; drugde su oba niska ili visoka. No, šta ako ta slika izgleda previše uredno, simetrično ili neprirodno linearno?
Upravo ovakve pojave prepoznaje metod poznat kao “izborni otisak prsta” (eng. election fingerprint), najčešće prikazan putem toplotnih mapa (eng. heatmaps) ili 2D dijagrama. On je koristan za otkrivanje centralizovane kontrole izbornih rezultata i obrazaca koji ukazuju na fabrikaciju podataka.
Intuitivno objašnjenje
Ova metoda koristi dve dimenzije, izlaznost i udeo glasova za određenu političku opciju, kako bi svako biračko mesto pozicionirala u dvodimenzionalni prostor. Kada se svi podaci za hiljade biračkih mesta prikažu u obliku gustine ili boje (toplote), dobijamo “mapu ponašanja” glasača.
U slobodnim izborima očekuje se asimetričan, razuđen raspored bez dominantnog obrasca. Suprotno tome, ako većina biračkih mesta grupiše oko jedne linije ili tačke – na primer, tamo gde je visoka izlaznost uvek praćena visokom podrškom samo jednoj partiji – to može ukazivati na falsifikovane obrasce ponašanja birača.
Ilustracija toplotne mape na osnovu simuliranih podataka data je na Slici 1. Najveća gustina, tj. najtamniji deo na Slici 1 je oko srednje vrednosti izlaznosti (70%) i srednje vrednosti udela glasova (50%). Može se reći da je na Slici 1 dat idealan primer toplotne mape u slučaju slobodnih i poštenih izbora.
Ukoliko je ova “mrlja” razvučena u pravcu gornjeg desnog ugla (100% izlaznost i 100% udeo glasova) imamo primer manipulisanih izbora za odnosnu stranku ili kandidata.
Teorijska osnova
Metod se temelji na dvodimenzionalnom rasporedu i vizualizaciji frekvencije podataka u prostoru (izlaznost, udeo glasova). Najčešće se koristi ocena jezgrom gustine (eng. kernel density estimation) ili frekvencijska mreža (eng. grid heatmap) da bi se prikazala gustina tačaka u svakom regionu dijagrama.
Za svako biračko mesto imamo:
- \(X_i\) = izlaznost (%)
- \(Y_i\) = udeo glasova za kandidata (%)
Gustina u tački \((x, y)\) može se aproksimirati kao:
\(f(x, y) = \frac{1}{nh^2} \sum_{i=1}^{n} K\left(\frac{x – X_i}{h}, \frac{y – Y_i}{h}\right)\)Gde je:
- \(K\) – funkcija jezgra (npr. Gaussova funkcija),
- \(h\) – širina prozora (eng. bandwidth),
- \(n\) – broj posmatranja, tj. broj biračkih mesta.
Kada su rezultati realni, gustoća je difuzna. Kada su konstruisani, pojavljuju se linearne trake, koncentrisane grupe/klasteri ili simetrični obrasci.
U posebnoj objavi u kojoj se detaljnije razmatra metodološki aspekt primene ovog forenzičkog alata, navedeni su robustni indikatori koje možemo izračunati nad istim podacima (ili direktno iz krive). Svi su dizajnirani da potvrde ili opovrgnu ono što „oko vidi“ na toplotnoj mapi.
Tipovi manipulacija koje otkriva
Metod je efikasan u otkrivanju:
- Centralizovanog „copy-paste“ kreiranja rezultata po uputstvu
- Fabrikacije glasova u poslednjem trenutku
- Ujednačenog, sumnjivo „urednog“ ponašanja biračkih mesta u celim opštinama
Ove pojave su posebno vidljive kada se manipulacija sprovodi na centralizovan način, gde lokalni odbori unose unapred zadate obrasce ponašanja.
Primena u Excel-u i R-u
U Excel-u:
Excel ima ograničene mogućnosti za ovu vrstu vizualizacije. Moguće je koristiti uslovno uređivanje (eng. conditional formatting) u pivot tabeli (ili pomoću dodataka), ali to nije potpuno funkcionalna toplotna mapa.
U R-u (preporučeno):
library(ggplot2)
# Generišemo podatke
df <- expand.grid(
izlaznost = seq(40, 100, by = 2),
glasovi = seq(10, 90, by = 2)
)
df$gustina <- with(df, dnorm(izlaznost, 70, 10) * dnorm(glasovi, 50, 15))
ggplot(df, aes(x = izlaznost, y = glasovi, fill = gustina)) +
geom_tile() +
scale_fill_gradient(low = "white", high = "darkred") +
labs(
title = "Toplotna mapa izlaznosti i udela glasova",
x = "Izlaznost (%)",
y = "Udeo glasova (%)"
) +
theme_minimal()Realni primeri i reference
Jedna od najuticajnijih primena ovog pristupa je upravo u radu Klimeka i saradnika (2012), gde autori analiziraju izborne otiske u desetak zemalja. U slučajevima kao što su Rusija i Uganda, pojavljuju se grupe biračkih mesta sa gotovo identičnim vrednostima, što ukazuje na fabrikaciju rezultata.
U njihovoj analizi ruskih izbora 2011, većina podataka se koncentrisala duž dijagonalne linije visoke izlaznosti i visokih rezultata za vladajuću stranku (Slika 2), što je gotovo nemoguće u normalnim uslovima.
Reference:
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, Myagkov, Ordeshook i Shakin (2009) koriste ovaj metod u analizi ruskih i ukrajinskih izbora i pokazuju kako se ponavljajući obrasci ponašanja mogu matematički razlikovati od normalne demokratske varijacije.
Myagkov, M., Ordeshook, P. C., & Shakin, D. (2009). The forensics of election fraud: Russia and Ukraine. Cambridge University Press. https://doi.org/10.1017/CBO9780511626807
Zaključak
Izborni otisak prsta pruža intuitivan, ali i formalno rigorozan način da se otkrije „previše uredno“ ponašanje u izbornim rezultatima. Kada se koristi u kombinaciji sa drugim indikatorima, kao što su Z-poeni ili korelacije, ovaj alat omogućava identifikaciju obrazaca koji nisu vidljivi iz prostih zbirnih tabela. U realnom vremenu, promene u strukturi otiska mogu čak signalizirati trenutak početka manipulacije.