Click here to load reader
Upload
truongthu
View
271
Download
6
Embed Size (px)
Citation preview
UNIVERZITET U BEOGRADU
FAKULTET ORGANIZACIONIH NAUKA
Marina P. Dobrota
STATISTIČKI PRISTUP FORMIRANJU
KOMPOZITNIH INDIKATORA ZASNOVAN NA
IVANOVIĆEVOM ODSTOJANJU
doktorska disertacija
Beograd, 2015
i
UNIVERSITY OF BELGRADE
FACULTY OF ORGANIZATIONAL SCIENCES
Marina P. Dobrota
A STATISTICAL APPROACH
TO COMPOSITE INDICATORS CONSTRUCTION
BASED ON IVANOVIĆ DISTANCE
Doctoral Dissertation
Belgrade, 2015
ii
Mentor:
____________________________________________ Prof. dr Milica Bulajić, redovni profesor
Univerziteta u Beogradu, Fakulteta organizacionih nauka
Članovi komisije:
____________________________________________ Prof. dr Milan Martić, redovni profesor
Univerziteta u Beogradu, Fakulteta organizacionih nauka
____________________________________________ Prof. dr Zoran Radojičić, vanredni profesor
Univerziteta u Beogradu, Fakulteta organizacionih nauka
____________________________________________ Doc. dr Veljko Jeremić, docent
Univerziteta u Beogradu, Fakulteta organizacionih nauka
____________________________________________ Prof. dr Srđan Bogosavljević, redovni profesor
Univerziteta u Beogradu, Ekonomskog fakulteta
Datum odbrane:
__________________
iii
STATISTIČKI PRISTUP FORMIRANJU KOMPOZITNIH
INDIKATORA ZASNOVAN NA IVANOVIĆEVOM ODSTOJANJU
Rezime:
Indikator ili pokazatelj predstavlja kvantitativnu ili kvalitativnu meru, koja
potiče iz niza činjenica, i može otkriti relativne informacije o entitetima, kao i
njihove pozicije u posmatranoj oblasti, što omogućuje njihovu međusobnu
komparaciju i rangiranje. Problem rangiranja entiteta je jedna od veoma
popularnih tema, i sreće se veoma često u raznim sferama društvenog delovanja,
bilo da se radi o obrazovnoj, zdravstvenoj, socio-ekonomskoj, tehnološkoj
razvijenosti. Kada su fenomeni složeni i višeslojni, rangiranje se često vrši
pomoću kompozitnih indikatora. Na taj način, entiteti koji se rangiraju, mogu se
porediti prema više kriterijuma a na osnovu zbirne skalarne vrednosti koja se
dobija kao rezultat kompozitnog indikatora.
Kompozitni indikator predstavlja agregirani indeks, koji sadrži
pojedinačne pokazatelje i njima odgovarajuće težinske koeficijente. On meri
višedimenzionalne koncepte koji ne mogu da se obuhvate jednim pokazateljem.
Sistem formiranja težinskih koeficijenata može biti zasnovan na različitim
metodama: analiza glavnih komponenata, faktorska analiza, analiza obavijanja
podataka (DEA), a svakako je najzastupljenija subjektivna metoda dodeljivanja
težinskih koeficijenta. U ovoj doktorskoj disertaciji predlaže se metoda za
formiranje kompozitnih indikatora koja se bazira na metodi Ivanovićevog
odstojanja (I-odstojanja), i koja je nazvana Kompozitni indikator baziran na
I-odstojanju (Composite I-distance Indicator (CIDI)).
Upotreba ove metode može kao rezultat dati preciznije težinske
koeficijente, koji se ne zasnivaju na subjektivnom doživljaju eksperta o
iv
pokazateljima iz kojih se sastoji kompozitni indikator, već se njihove vrednosti
dobijaju pomoću ove metode na jedan objektivan i transparentan način.
Vrednosti težinskih koeficijenata se računaju kao odgovarajući udeo svakog
pojedinačnog indikatora u odnosu na vrednosti I-odstojanja, i to na osnovu
Pirsonovih koeficijenata korelacije, koji govore o tome koliko je svaki pojedinačni
indikator značajan za evaluaciju performansi entiteta.
Bez obzira na model kreiranja, kompozitne indikatore karakteriše određeni
stepen nestabilnosti, koji se ogleda u promeni rezultata merenja i rangiranja, pri
promeni vrednosti težinskih koeficijenata. Budući da kvalitet modela zavisi od
ispravnosti pretpostavki, praksa dobrog modelovanja zahteva da se definiše nivo
poverenja u model, tako što će se oceniti neizvesnosti vezane za proces
modeliranja. Merenje stabilnosti kompozitnih indikatora vrši se pomoću analize
neizvesnosti i analize osetljivosti. Analiza osetljivosti je studija o tome kako se
može rasporediti varijabilitet na izlazu u odnosu na različite izvore varijabiliteta
u pretpostavkama. Analiza neizvesnosti ima za cilj da se kvantifikuje ukupna
neizvesnost u rangiranju, koja dolazi kao rezultat neizvesnosti u ulazima modela.
Kombinacija analize neizvesnosti i osetljivosti omogućava da se izmeri robusnost
kompozitnih indikatora i poveća njihova transparentnost. Analize neizvesnosti i
osetljivosti se sprovode pomoću Monte Karlo simulacije.
Prednosti CIDI indikatora u odnosu na druge kompozitne indikatore,
kreirane pomoću linearne agregacije, sa dodeljivanjem težinskih koeficijenata od
strane eksperata, upravo je u tome što su CIDI težinski koeficijenti objektivni, i
zasnivaju se na metodi I-odstojanja koja rešava problem subjektivnog
dodeljivanja pondera. Prednost CIDI indikatora u odnosu na samo I-odstojanje
je u tome što je CIDI indikator kreiran pomoću metode agregacije, uz dodeljivanje
težinskih koeficijenta kreiranih na gore pomenut način. Ovo čini njegove
vrednosti direktno uporedivim sa indikatorom koji se nastoji poboljšati.
Analize će biti primenjene na postojeće kompozitne indikatore u oblasti
rangiranja IKT sistema i rangiranja univerziteta, prema QS i ARWU metodologiji,
v
pa radi poređenja, na predložene CIDI indikatore. Rezultati su u istraživanju
simulirani 10 000 puta kako bi se dobili što verodostojniji zaključci. U disertaciji
će biti prikazano da je CIDI metodologijom moguće kreirati stabilnije
kompozitne indikatore, sa manjim stepenom neizvesnosti u modelu. Veća
stabilnost CIDI indikatora biće pokazana pomoću Mann-Whitney testa.
U uvodnom poglavlju su opisani predmet i cilj istraživanja u doktorskoj
disertaciji, date su polazne hipoteze i metode istraživanja, i navedeni su sadržaj i
opis doktorske disertacije. Predstavljeni su i ključni problemi na čije će rešavanje
disertacija biti fokusirana. Drugo poglavlje je posvećeno konceptu kompozitnih
indikatora, načinima za formiranje istih, kao i aspektima o kojima je pri tome
neophodno voditi računa. U trećem i četvrtom poglavlju pažnja se posvećuje
multivarijacionoj statističkoj analizi i definisanju I-odstojanja kao baznog aspekta
metode predložene u disertaciji. U petom poglavlju opisani su glavni aspekti
analiza neizvesnosti i osetljivosti.
U šestom poglavlju dat je predlog metode Kompozitnog indikatora baziranog
na I-odstojanju (CIDI). Detaljno je opisan način kreiranja indikatora i navedene su
prednosti i poboljšanja koje se mogu ostvariti CIDI metodom. Opisan je i način
merenja neizvesnosti i osetljivosti CIDI indikatora, i predložena Mann-Whitney
metoda za testiranje razlika u osetljivosti CIDI u odnosu na originalne indikatore.
Sedmo poglavlje predstavlja širok spektar mogućnosti primene CIDI
metode. U okviru doktorske disertacija CIDI je primenjen na IDI, QS i ARWU
metode, a moguće je primeniti ga na sve indekse koji su slične višekriterijumske
prirode. Na kraju je dat zaključak sa odgovorom na pitanja u vezi sa postavljenim
ciljem i hipotezama, i pregled naučnih doprinosa koji su proistekli iz rada na
doktorskoj disertaciji. U prilogu je predstavljeno softversko rešenje za analize
neizvesnosti i osetljivosti, koje u velikoj meri olakšava istraživanje, vršenje
eksperimenata i simulaciju rezultata.
vi
Ključne reči:
kompozitni indikatori, multivarijaciona statistička analiza, Ivanovićevo
odstojanje, analiza neizvesnosti, analiza osetljivosti
Naučna oblast:
Tehničke nauke
Uža naučna oblast:
Računarska statistika
UDK broj:
_________________
vii
A STATISTICAL APPROACH TO COMPOSITE INDICATORS
CONSTRUCTION BASED ON IVANOVIĆ DISTANCE
Abstract:
An indicator or index represents a quantitative or qualitative measure that comes
from a series of facts, and is able to reveal relative information about the entities
and their positions in the area of interest, allowing for their mutual comparison
and ranking. Ranking of entities is a very popular topic, often pervading various
spheres of social activity: education, health, socio-economic and technological
development. When phenomena are complex and multivariate, ranking is often
performed with a tool of a composite indicator. This allows the comparison of
entities to be ranked by a number of criteria based on a cumulative scalar value
which is obtained as a result of a composite indicator.
The composite indicator is an aggregated index, consisting of individual
indicators and corresponding weighs. It can measure multidimensional concepts
that cannot be captured by a single indicator. The process of assigning weights
can be based on different methods: principal component analysis (PAC), factor
analysis (FA), data envelopment analysis (DEA), but the most common is a
biased method of assigning weight values. This doctoral dissertation proposes a
new method for creating a composite indicator based on the Ivanović distance
(I-distance). It is called the Composite I-distance Indicator (CIDI).
The use of this method typically results in more accurate weights not based
on the biased experience that experts have on indicators that constitute one
composite indicator. Their values are obtained using the CIDI method in an
objective and transparent manner. The values of the weights are calculated as the
respective share of each indicator in relation to the value of the I-distance. Shares
are based on the sum of Pearson correlation coefficients that can show the
importance of each indicator in the process of evaluation of entities performance.
viii
Regardless of the model of construction, composite indicators are
characterized by a certain degree of instability, reflected in the change of results
and rankings when the values of weights change. Since the quality of a model
depends on the validity of the modeling assumptions, good modeling practice
requires the specification of the level of confidence in a model in order to assess
the uncertainty related to the modeling process. Measuring the stability of a
composite indicator is performed by using uncertainty and sensitivity analyses.
Sensitivity analysis is the study on how the variance in output can be deployed
in regard to different sources of variance in model assumptions. Uncertainty
analysis quantifies the overall uncertainty in rankings, which comes as a result of
the uncertainty in the model inputs. The combination of uncertainty and
sensitivity analyses allows measuring of robustness of composite indicators and
increases their transparency. Uncertainty and sensitivity analyses are carried out
using Monte Carlo simulation.
Benefits of the CIDI indicator compared against other composite indicators
formed by linear aggregation method and weights assigned by experts lie in
impartiality of CIDI weights and the fact that it is based on an objective I-distance
method. The advantage of the CIDI indicator compared to I-distance is in that the
CIDI indicator is created by the method of linear aggregation with the assignment
of the aforementioned weights. This makes its values directly comparable to the
original indicator that one wants to improve.
The analyses will be applied to existing composite indicators in the field of
ICT development and ranking of universities according to the QS and ARWU
methodology. The results will be compared with the proposed CIDI indicator.
The survey was simulated 10 000 times in order to obtain reliable conclusions.
The dissertation shows that the CIDI methodology can create a stable composite
indicator, with a lower degree of uncertainty in the model. Greater stability of the
CIDI indicators will be demonstrated by the Mann-Whitney test.
ix
The first chapter describes the object and the purpose of the research in
doctoral dissertation, giving the initial hypotheses and research methods, and
listing the contents and description of the doctoral dissertation. Key problems
that are in the focus of the dissertation are presented in this section. The second
chapter is dedicated to the concept of composite indicators, methods for their
construction, and aspects that are necessary to be taken into account. The third
and fourth sections highlight multivariate statistical analysis and define I-
distance as a basic aspect of the method proposed in the dissertation. Fifth
chapter summarizes the main aspects of uncertainty and sensitivity analyses.
The sixth chapter proposes the Composite I-distance Indicator (CIDI). It
gives a detailed description of the method for creating a composite indicator, as
well as advantages and improvements that can be achieved using the CIDI. It
also describes the process of measuring uncertainty and sensitivity of CIDI
indicators, and suggests the Mann-Whitney method for testing differences in the
uncertainty of CIDI compared to the original indicator.
Chapter seven presents a wide range of application possibilities of CIDI
methodology. As the part of the doctoral dissertation, the CIDI is applied to the
IDI, QS, and ARWU methods; yet, it is possible to apply CIDI to each similar
multi-criteria index. Finally, a conclusion is given, answering questions related
to the course objectives and hypotheses, as well as the review of scientific
contributions that have emerged from this doctoral dissertation. The enclosure
presents the software for the uncertainty and sensitivity analyses that greatly
facilitates research, conducting experiments, and simulating results.
x
Keywords:
Composite indicators, multivariate statistical analysis, Ivanović distance,
uncertainty analysis, sensitivity analysis
Scientific Area:
Technical Sciences
Specific Scientific Area:
Computational Statistics
UDK Number:
_________________
xi
SADRŽAJ
1 UVOD ............................................................................................................................................... 1
1.1 PОLАZNЕ HIPОTЕZЕ ....................................................................................................................... 6
1.2 МЕTОDЕ ISTRАŽIVАNJА ................................................................................................................. 7
2 KOMPOZITNI INDIKATORI ..................................................................................................... 8
2.1 TEORIJSKI OKVIR .......................................................................................................................... 15
2.2 IZBOR INDIKATORA ...................................................................................................................... 17
2.3 OBRADA NEDOSTAJUĆIH PODATAKA .......................................................................................... 18
2.4 NORMALIZACIJA .......................................................................................................................... 19
2.5 TEŽINSKI KOEFICIJENTI ................................................................................................................ 25
2.6 METODE AGREGACIJE .................................................................................................................. 27
3 MULTIVARIJACIONA ANALIZA ........................................................................................... 31
3.1 ANALIZA GLAVNIH KOMPONENATA .......................................................................................... 36
3.2 FAKTORSKA ANALIZA.................................................................................................................. 40
3.2.1 Određivanje broja faktora ................................................................................................... 42
3.2.2 Faza rotacije ........................................................................................................................ 44
3.3 KLASTER ANALIZA....................................................................................................................... 45
3.3.1 Mere sličnosti i razlike između entiteta .............................................................................. 48
3.3.2 Mere sličnosti i razlike između grupa ................................................................................ 50
3.3.3 Određivanje broja grupa (klastera) ..................................................................................... 53
3.4 ANALIZA OBAVIJANJA PODATAKA (DEA) .................................................................................. 54
3.4.1 Merenje efikasnosti pomoću analize obavijanja podataka ................................................... 55
3.4.2 Osnovni DEA modeli ......................................................................................................... 57
4 IVANOVIĆEVO ODSTOJANJE ................................................................................................ 64
4.1 KVADRATNO I-ODSTOJANJE ........................................................................................................ 70
4.2 RANGIRANJE POMOĆU I-ODSTOJANJA ........................................................................................ 71
4.3 REDOSLED UKLJUČIVANJA VARIJABLI U OBRAZAC I-ODSTOJANJA ............................................. 73
5 ANALIZA NEIZVESNOSTI I ANALIZA OSETLЈIVOSTI .................................................. 75
5.1 OPŠTI OKVIR ANALIZA NEIZVESNOSTI I OSETLJIVOSTI ................................................................ 77
5.2 ANALIZA NEIZVESNOSTI ............................................................................................................. 79
xii
5.3 ANALIZA OSETLJIVOSTI ............................................................................................................... 83
5.4 PRIMENA ANALIZA NEIZVESNOSTI I OSETLJIVOSTI ..................................................................... 85
6 KOMPOZITNI INDIKATOR BAZIRAN NA I-ODSTOJANJU (COMPOSITE I-
DISTANCE INDICATOR (CIDI)) ...................................................................................................... 87
6.1 KREIRANJE TEŽINSKIH KOEFICIJENATA ....................................................................................... 89
6.2 PREDNOSTI CIDI INDIKATORA .................................................................................................... 91
6.3 ANALIZE NEIZVESNOSTI I OSETLJIVOSTI CIDI INDIKATORA....................................................... 91
6.4 TESTIRANJE ZNAČAJNOSTI RAZLIKE DEVIJACIJE RANGOVA ........................................................ 92
7 PRIMENA KOMPOZITNIH INDIKATORA BAZIRANIH NA I-ODSTOJANJU .......... 94
7.1 PRIMENA CIDI NA RANGIRANJE IKT SISTEMA – IDI INDEKS ..................................................... 95
7.1.1 IDI metodologija ................................................................................................................. 97
7.1.2 Kompozitni IDI indikator baziran na I-odstojanju ........................................................... 100
7.1.3 Neizvesnost i osetljivost rangiranja prema zvaničnoj IDI i CIDI metodologiji ............... 105
7.2 PRIMENA CIDI NA RANGIRANJE UNIVERZITETA - QS RANGIRANJE ........................................ 112
7.2.1 Metodologija QS rangiranja ............................................................................................. 115
7.2.2 Kompozitni QS indikator baziran na I-odstojanju ........................................................... 117
7.2.3 Neizvesnost i osetljivost rangiranja prema zvaničnoj QS i CIDI metodologiji ................ 122
7.3 ARWU RANG LISTA, ALTERNATIVNA RANG LISTA I CIDI ...................................................... 131
7.3.1 Metodologija ARWU rangiranja (6 indikatora) ............................................................... 132
7.3.2 Metodologija Alternativnog rangiranja (4 indikatora) .................................................... 134
7.3.3 Kompozitni Alternativni ARWU indikator baziran na I-odstojanju ............................... 135
7.3.4 Neizvesnost i osetljivost rangiranja prema ARWU metodologiji, Alternativnom
rangiranju i CIDI metodologiji ....................................................................................................... 138
8 ZAKLЈUČAK ............................................................................................................................... 150
8.1 DOPRINOSI DOKTORSKE DISERTACIJE ........................................................................................ 153
9 LITERATURA .............................................................................................................................. 155
PRILOG A - SOFTVERSKO REŠENJE ZA CIDI INDIKATORE I ANALIZE NEIZVESNOSTI
I OSETLJIVOSTI .................................................................................................................................. 174
PRILOG B – TABELE SA CIDI REZULTATIMA .......................................................................... 187
BIOGRAFIJA ......................................................................................................................................... 204
1
1 UVOD
Merenje performansi entiteta, sa ciljem evaluacije, poređenja i rangiranja, je
veoma važan cilj. "Čovek ima potrebu da pravi poređenja... Ova poređenja su
važna jer pozicija u rangiranju utiče na uverenja pojedinca o sebi i svojim
sposobnostima" (Murphy & Weinhardt, 2013, p. 2). Ovakav stav može da se
projektuje sa pojedinaca i na druge entitete, kao što su organizacije, preduzeća,
privredni subjekti, sportske ekipe, univerziteti i/ili države. Poređenje i rangiranje
predstavljaju važan izazov za entitete koji se analiziraju, jer će oni uvek nastojati
da poboljšaju svoje pozicije i učine ih jačim i boljim.
U opštem smislu, indikator ili pokazatelj predstavlja kvantitativnu ili
kvalitativnu meru, koja potiče iz niza činjenica, i može otkriti relativne
informacije o entitetima, kao i njihove pozicije u posmatranoj oblasti. Indikator
kao mera, može da ukaže na pravac promena u nekoj oblasti, ili vezanih za neki
fenomen, u različitim jedinicama kroz vreme. Indikatori su veoma korisni za
identifikovanje trendova i usmeravanje pažnje na određena pitanja od interesa.
Kompozitni indikator predstavlja agregirani indeks, koji sadrži
pojedinačne pokazatelje i njima odgovarajuće težinske koeficijente, koji obično
predstavljaju relativnu važnost svakog pokazatelja. On se formira kada se
pojedinačni pokazatelji integrišu u jedinstveni indeks. Kompozitni indikator
meri višedimenzionalne koncepte koji ne mogu da se obuhvate jednim
pokazateljem, na primer konkurentnost, industrijalizacija, održivost, tržišna
integracija, društvo bazirano na znanju, itd.
Najjednostavniji primer formiranja kompozitnog indikatora predstavlja
suma (linearna kombinacija) od k promenljivih, ponderisanih odgovarajućim
težinskim koeficijentima (Paruolo, Saisana, & Saltelli, 2013). Promenljive koje
čine linearnu kombinaciju moraju biti normalizovane. Najčešći pristup za
normalizaciju originalne promenljive je po Min-Max metodi normalizacije
(Bandura, 2008), kada će sve vrednosti varirati u intervalu [0,1].
2
Bitno je primetiti da normalizacija podrazumeva fiksnu skalu pojedinačnih
pokazatelja, što može biti korisno za poređenje sličnih indikatora. Međutim,
ovakva normalizacija ne podrazumeva standardizaciju različitih promenljivih,
koje u opštem slučaju imaju različite srednje vrednosti iµ i standardna
odstupanja iσ . Zbog toga je popularna alternativa Min-Max normalizacije
upravo standardizacija. Nakon standardizacije, sve vrednosti ijx imaju istu
srednju vrednost 0µ = i standardno odstupanje 1σ = , uklanjajući izvor
heterogenosti među varijablama. Obe transformacije su invarijantne u odnosu na
izbor jedinice merenja (Hand, 2009).
Sistem formiranja težinskih koeficijenata može biti zasnovan na različitim
metodama. Analiza glavnih komponenata, a posebno faktorska analiza, grupišu
pojedinačne indikatore koji su kolinearni, kako bi se formirao kompozitni
indikator koji teži da obuhvati što više informacija zajedničkih pojedinačnim
indikatorima. Svaki faktor (koji se obično procenjuje koristeći analizu glavnih
komponenata) otkriva skup indikatora sa kojima ima najbolju asocijaciju. Ideja
analize glavnih komponenata i faktorske analize je da se pokrije najveći mogući
varijabilitet skupa indikatora, koristeći najmanji mogući broj faktora. Kompozitni
indikatori kreirani na taj način, ne zavise od dimenzija skupa podataka, već se
zasnivaju na "statističkim" dimenzijama podataka. Prema ovim analizama,
težinski koeficijenti služe samo da isprave preklapanje informacija između dva
ili više korelisanih indikatora i nisu mera teorijskog znanja o pridruženim
indikatorima. Ako ne postoji korelacija između pokazatelja, onda se težinski
koeficijenti ne mogu proceniti ovom metodom.
Kompozitni indikatori se takođe mogu formirati na osnovu analize
obavijanja podataka (DEA) (Cherchye et al., 2007; Filippetti & Peyrache, 2011;
Lauer, Knox Lovell, Murray, & Evans, 2004; Mizobuchi, 2014), koja pomoću
linearnog programiranja procenjuje granicu efikasnosti, koja bi se koristila kao
referentna za merenje relativnih performansi posmatranih entiteta. To zahteva
3
formiranje referentnog entiteta (granice) i merenje rastojanja između entiteta u
multidimenzionalnom okviru. Skup težinskih koeficijenata za svaki entitet zavisi
od njegove pozicije u odnosu na granicu, a referentni entitet odgovara idealnoj
poziciji sa sličnom "kombinacijom" indikatora (Martić, 1999). Referentni entitet
može odrediti i donosilac odluke (Korhonen, Tainio, & Wallenius, 2001), koji će
locirati cilj na granici efikasnosti sa najpoželjnijom kombinacijom pojedinačnih
indikatora.
Pri kreiranju kompozitnih indikatora, DEA pomaže da se prevaziđu neka
ključna ograničenja, kao što su neželjena zavisnost rezultata od prethodne
normalizacije indikatora ili subjektivne prirode formiranja težinskih koeficijenata
(Cherchye et al., 2007; Cherchye, Moesen, Rogge, & Van Puyenbroeck, 2011).
Imperativ je da kompozitni indikatori ne proizvode samo rang liste, već
proizvode i zadovoljavajuće mere za određeni višedimenzionalni fenomen, ili
problem od interesa. Izgradnja kompozitnih indikatora može se opisati u
sledećih nekoliko koraka (Nardo et al., 2008):
1. Cilj: Šta treba meriti?
2. Da li već postoji mera za tu svrhu? Ako ne postoji, potrebno je definisati
skup skalarnih indikatora koji opisuju cilj.
3. Kako izabrati indikatore koji će predstavljati osnovu za izgradnju
kompozitnog indikatora?
4. Ako je početni skup indikatora veliki, pogodno ih je, kao privremeni korak,
grupisati po sličnosti.
4
5. Pošto su težinski koeficijenti često predmet istraživanja i polemike, dobra
praksa je da se testira robusnost1 i osetljivost kompozitnih indikatora u
odnosu na različite vrednosti težinskih koeficijenata.
Postoji veliki broj modela za formiranje kompozitnih indikatora. Predmet
istraživanja u doktorskoj disertaciji je pregledna analiza postojećih kompozitnih
indikatora, kao i metoda kojima se formiraju kompozitni indikatori za merenje
određenih karakteristika posmatranih entiteta. Poseban akcenat biće stavljen na
predlog modela za formiranje kompozitnih indikatora koji se bazira na metodi
Ivanovićevog odstojanja (I-odstojanja). Pregled metode I-odstojanja, kao osnove
za formiranje kompozitnih indikatora, biće posebno istaknut u doktorskoj
disertaciji. Upotreba metode, koja će biti predložena, može kao rezultat dati
preciznije težinske koeficijente, koji se ne zasnivaju na subjektivnom doživljaju
eksperta o pokazateljima iz kojih se sastoji kompozitni indikator, već se njihove
vrednosti dobijaju pomoću ove metode na jedan objektivan i transparentan
način.
Bez obzira na model kreiranja, kompozitne indikatore karakteriše određeni
stepen nestabilnosti, koji se ogleda u promeni rezultata merenja i rangiranja, pri
promeni vrednosti težinskih koeficijenata. Zbog toga će, u doktorskoj disertaciji,
velika pažnja biti usmerena na merenje stabilnosti i osetljivosti predloženih
kompozitnih indikatora. Merenje stabilnosti i entropije sistema vršiće se pomoću
analize neizvesnosti i analize osetljivosti.
Analiza osetljivosti se smatra neophodnom u ekonometrijskoj praksi
(Kennedy, 2003). Razvoj kompozitnih indikatora podrazumeva faze u kojima
moraju da se donesu subjektivne procene: izbor pojedinačnih indikatora, obrada
1 Jasnost, sveobuhvatnost
5
nedostajućih vrednosti, izbor modela agregacije, određivanje težinskih
koeficijenata koji stoje uz indikatore, itd. Svi ovi subjektivni izbori su osnova
kompozitnog indikatora i zajedno sa samim vrednostima indikatora, oblikuju
meru kompozitnog indikatora. Budući da kvalitet modela, takođe zavisi od
ispravnosti pretpostavki, praksa dobrog modelovanja zahteva da se definiše nivo
poverenja u model, tako što će se oceniti neizvesnosti vezane za proces
modeliranja i proceniti kvalitet subjektivnih izbora i odluka. To je upravo ono što
radi analiza osetljivosti: proučava odnose između ulaznih i izlaznih parametara
modela. Analiza osetljivosti se može definisati kao studija o tome kako se može
rasporediti varijabilitet na izlazu iz modela, kvalitativno ili kvantitativno, u
odnosu na različite izvore varijabiliteta u pretpostavkama modela, kao i o tome
kako kompozitni indikator zavisi od informacija iz kojih se sastoji (Nardo et al.,
2008). Analiza osetljivosti je usko povezana sa analizom neizvesnosti, čiji je cilj
da se kvantifikuje ukupna neizvesnost u rangiranju, koja dolazi kao rezultat
neizvesnosti u ulazima modela. Kombinacija analize neizvesnosti i osetljivosti
može da pomogne da se izmeri robusnost kompozitnih indikatora, da se poveća
transparentnost samog indikatora, da se identifikuje koji entiteti su favorizovani
ili oštećeni pod određenim pretpostavkama, kao i da pojasni određene nejasnoće
i polemike vezane za kompozitne indikatore.
U radu će biti opisano na koji način se analize neizvesnosti i osetljivosti
mogu primeniti na kompozitne indikatore. Ove analize biće primenjene na
postojeće kompozitne indikatore, i, radi poređenja, na predloženu metodu
kreiranja kompozitnog indikatora, koji se formiraju na osnovu I-odstojanja.
Sinergijska upotreba analiza neizvesnosti i osetljivosti, i ranije je korišćena za
procenu robusnosti kompozitnih indikatora (Saisana, Nardo, & Saltelli, 2005;
Saltelli et al., 2008), i pokazala se korisnom u razjašnjenju nekih polemika koje se
javljaju, vezanih za upotrebu kompozitnih indikatora, kao što je slučaj kod
Indeksa održivosti životne sredine (Saisana, Saltelli, & Tarantola, 2005), ili kod
rangiranja univerziteta (Saisana, D’Hombres, & Saltelli, 2011; Saisana &
D’Hombres, 2008).
6
Analize neizvesnosti i osetljivosti se sprovode pomoću Monte Karlo
simulacije, tako što se utiče na izvor neizvesnosti kako bi se uočili efekti sinergije
ulaznih faktora pod uticajem neizvesnosti. To podrazumeva analizu neizvesnosti
ulaznih faktora, da bi se definisalo koji sistem agregacije i koju šemu ponderacije
(kreiranja težinskih koeficijenata) bi bilo najbolje usvojiti.
1.1 Pоlаznе hipоtеzе
Osnovne hipoteze u ovoj doktorskoj disertaciji su sledeće:
• Metoda Ivanovićevo odstojanje može biti osnova za definisanje nove
metodologije formiranja kompozitnih indikatora.
• Većina ustanovljenih kompozitnih indikatora formiraju se tako što se
pojedinačnim indikatorima dodeljuju težinski koeficijenti na subjektivan
način. Primenom metode koja će biti predložena, moguće je uvesti
objektivnost u formiranje kompozitnog indikatora i određivanje težinskih
koeficijenata.
• Kompozitni indikatori formirani na osnovu Ivanovićevog odstojanja su
stabilniji od klasično ponderisanih indikatora. Formiranjem kompozitnih
indikatora na osnovu Ivanovićevog odstojanja može znatno biti smanjena
entropija sistema.
• Moguće je formirati takav kompozitni indikator na osnovu Ivanovićevog
odstojanja, čije vrednosti su normalizovane i koje, za razliku od samog I-
odstojanja, mogu biti uporedive po godinama posmatranja.
• Predloženi model se može primeniti na različite vrste organizacionih
jedinica i za rešavanje različitih vrsta problema.
7
1.2 Меtоdе istrаživаnjа
Osnovni metod istraživanja u doktorskoj disertaciji je sakupljanje i proučavanje
dostupne literature, njena analiza i sistematizacija, a sve to s ciljem da se pokaže
opravdanost i korisnost razvoja metodologije formiranja kompozitnih indikatora
koja se zasniva na Ivanovićevom odstojanju. Disertacija će se zasnivati na
primeni:
• Deskriptivnih metoda za analizu podataka (deskriptivne mere, mere
odstojanja, analiza ekstremnih vrednosti),
• Metoda i tehnika eksploratorne analize podataka,
• Metoda za statističku analizu i obradu podataka (korelaciona analiza,
parametarski i neparametarski testovi, analiza varijanse),
• Multivarijacionih statističkih analiza (faktorska analiza, analiza glavnih
komponenata, analiza grupisanja),
• Metode Ivanovićevog odstojanja,
• Metoda komparativne analize,
• Monte Karlo simulacije.
Disertacija će sadržati detaljnu analizu postojećih kompozitnih indikatora,
i njihovu komparaciju sa predloženim modelom. U okviru istraživanja, biće
sprovedeno pretraživanje i analiza relevantne literature u oblasti od interesa.
Doktorska disertacija će obuhvatati:
• Analizu i definisanje koncepta i strukture kompozitnih indikatora,
• Analizu postojećih metoda u oblasti kreiranja kompozitnih indikatora,
• Analizu postojećih kompozitnih indikatora u različitim oblastima i
komparaciju sa predloženim rešenjem,
• Analizu stabilnosti, neizvesnosti i osetljivosti predloženog rešenja.
8
2 KOMPOZITNI INDIKATORI
Problem rangiranja entiteta je jedna od veoma popularnih tema, i sreće se veoma
često u raznim sferama društvenog delovanja, bilo da se radi o obrazovnoj,
zdravstvenoj, socio-ekonomskoj, tehnološkoj razvijenosti, i slično (Langville &
Meyer, 2012; Pääkkönen & Seppälä, 2014; Scaratti & Calvo, 2012). Benini ih je čak
koristio za evaluaciju katastrofa (Benini, 2012). Rangiranje složenih, višeslojnih
fenomena često se vrši pomoću kompozitnih indikatora. Na taj način, entiteti koji
se rangiraju, mogu se porediti prema više kriterijuma a na osnovu zbirne skalarne
vrednosti koja se dobija kao rezultat kompozitnog indikatora (Bas Cerda, 2014;
Benito & Romera, 2011; Hudrlikova, Kramulova, & Zeman, 2013).
Kompozitni indikatori se sve više prepoznaju kao korisno sredstvo za
merenje i evaluaciju (Angelini, Bernini, & Guizzardi, 2013; Benini, 2012;
Castellano & Rocca, 2014; Salvati & Carlucci, 2014). Bandura (Bandura, 2008) u
svom preglednom radu navodi više od 160 različitih upotreba kompozitnih
indikatora. Oni pružaju jednostavna poređenja koja se mogu koristiti kao
ilustracija složenih i ponekad neuhvatljivih pitanja iz širokih domena, kao što su
zaštita životne sredine, ekonomija, društvo, tehnološki razvoj, itd. Interesovanje
za kompozitne indikatore poraslo je u poslednjih desetak godina, "možda kao još
jedan rezultat globalizacije, jer je brojeve lakše i jeftinije prevesti nego tekst, a
svakako mnogo lakše sakupiti.." (Benini, 2012, p. 10).
Za javnost je uglavnom lakše da tumači kompozitne indikatore nego da
identifikuje i prati zajedničke trendove u više zasebnih pokazatelja (Saltelli,
2007). Međutim, kompozitni indikatori mogu da stvore pogrešnu sliku o
fenomenu koji se istražuje, ako su loše konstruisani ili loše protumačeni. Njihovi
rezultati, koji daju "zbirnu sliku" fenomena, mogu dovesti do toga da korisnici
izvuku pojednostavljene analitičke zaključke (Bollen & Bauldry, 2011). Zato
njihovu relevantnost treba meriti u odnosu na problem ili fenomen koji je
9
predmet istraživanja. Glavne prednosti i mane korišćenja kompozitnih
indikatora su sledeće (Saisana & Tarantola, 2002):
Tabela 2.1 Prednosti i nedostaci kompozitnih indikatora
Prednosti
– Mogu da rezimiraju kompleksna, višedimenzionalna stanja u cilju podrške donosiocu
odluka.
– Imaju lakšu interpretaciju od skupa velikog broja pojedinačnih indikatora.
– Omogućavaju procenu napretka tokom vremena.
– Smanjuju obim podataka, bez gubitka informacija.
– Moguće je uključiti više informacija, a da se pri tome ne poveća obim podataka.
– Olakšavaju komunikaciju sa javnošću.
– Pojednostavljuju objašnjenje problema za širi auditorijum.
– Omogućavaju korisnicima da efikasno porede složene dimenzije.
Nedostaci
– Mogu da stvore pogrešnu sliku ako su loše formirani ili pogrešno protumačeni.
– Mogu dovesti do pojednostavljenih zaključaka.
– Mogu biti zloupotrebljeni ako proces formiranja nije transparentan i/ili se ne zasniva na
objektivnim principima.
– Izbor indikatora i težinskih koeficijenata može biti predmet polemike.
– Mogu da prikriju ozbiljne nedostatke u nekim dimenzijama i povećaju poteškoće
identifikacije odgovarajućih korektivnih mera, ako proces formiranja nije transparentan.
– Mogu da dovedu do neodgovarajućih zaključaka i akcija ako se ignorišu dimenzije
performansi koje je teško izmeriti.
Formiranje kompozitnih indikatora više zavisi od karakteristika
višedimenzionalne pojave koju treba izmeriti, nego od univerzalno prihvaćenih
naučnih pravila za njihovo formiranje (European Commission, 2004; Floridi et
al., 2011). Kompozitni indikatori su opšte prihvaćeni, jer veoma dobro služe
10
predviđenoj nameni (Rosen, 1991), a to je da pojednostave višedimenzionalnu
sliku posmatranog fenomena. Kao odgovor na polemiku oko toga da li su
kompozitni indikatori kao način merenja dobri ili loši, neki autori su primetili:
"Kada se govori o merenju određenih višedimenzionalnih pojava, pristalice
agregacije pri formiranju kompozitnih indikatora veruju da postoji
prednost u kombinovanju individualnih pokazatelja na određeni način,
kako bi se izvukla odgovarajuća suština pojave. Oni smatraju da takva
sumarna statistika može da prikaže realnost, a time i da skrene pažnju na
problem od interesa. Protivnici agregacije veruju da je dovoljno definisati
odgovarajući skup pojedinačnih indikatora koji mere neku problematiku, i
da ih ne treba kombinovati u kompozitni indikator. Njihov ključni prigovor
na agregaciju je subjektivnost u procesu formiranja težinskih koeficijenata"
(Sharpe, 2004, p. 5).
"[...] teško je zamisliti da će polemika o upotrebi kompozitnih indikatora
ikada biti rešena [...] neki autori se suprotstavljaju formiranju kompozitnih
indikatora, jer je po njima mnogo informacija "izgubljeno" ili "skriveno" iza
određenog načina uređivanja podataka. S druge strane, mogućnost da se
kompleksni i ponekad neuhvatljivi višekriterijumski procesi (npr.
održivost, ekonomsko tržište, itd.) rezimiraju u jednu formu, je veoma
primamljiva" (Saisana, Saltelli, et al., 2005, p. 308).
Autori Paruolo, Saisana i Saltelli (Paruolo et al., 2013) smatraju da
kompozitni indikatori agregiraju pojedinačne varijable sa ciljem da obuhvate
određene relevantne, a ipak možda latentne, dimenzije stvarnosti. Kompozitni
indikatori se primenjuju i formiraju veoma često (Brüggemann & Patil, 2011), i
usvojeni su od strane mnogih institucija, kako za specifične namene, tako i za
pružanje mere za evaluaciju pitanja od interesa. Saltelli i drugi (Saltelli et al.,
2008) karakterišu pitanje kompozitnih indikatora na sledeći način: "Kompozitni
indikatori imaju tendenciju da se nalaze negde između propagiranja (kada se
11
koriste da skrenu pažnju na određeni problem) i analize (kada se koriste da
obuhvate i objasne složeni višedimenzionalni fenomen)". Rezultati i vrednosti
kompozitnih indikatora značajno zavise od težinskih koeficijenata indikatora, a
samim tim su često predmet polemike (Davino & Romano, 2013; Paruolo et al.,
2013; Saltelli, 2007).
Mnogi autori naglašavaju potrebu za eksplicitnim konceptualnim okvirom
za formiranje kompozitnog indikatora, i korisnost multivarijacione analize, pre
agregacije pojedinačnih indikatora (Saisana & D’Hombres, 2008).
Benini tvrdi da ukoliko je neophodno da se konstruiše kompozitni
indikator, 4 kriterijuma moraju biti ispunjena (Benini, 2012, p. 9):
1. Mera služi unapred definisanoj svrsi.
2. Kompozitni indikator izražava jedan relevantan koncept na dosledan
način.
3. Konstruisanje kompozitnog indikatora je izvodljivo u pogledu
prikupljanja podataka i analize.
4. Mera je prihvatljiva za stejkholdere2.
Prema grupi autora3 koji se bave formiranjem kompozitnih indikatora
(Nardo et al., 2008), "idealna" sekvenca za formiranje kompozitnih indikatora
sastoji se iz deset koraka, od razvoja teorijskog okvira za njihovo formiranje, do
prezentacije i propagiranja kompozitnih indikatora. Svaki korak je zasebno
izuzetno važan, ali je važna i koherentnost u čitavom procesu formiranja. Izbori
2 Zainteresovane strane – grupe ili pojedinci 3 Najvažniji izvor iz ove oblasti je "Handbook on constructing composite indicators: methodology and user guide", autora Nardo i drugi (Nardo et al., 2008).
12
koji se čine u jednom koraku mogu značajno uticati na druge korake: tako pri
formiranju kompozitnih indikatora, ne samo da moraju da se prave najprikladniji
metodološki izbori u svakom koraku, već i da se utvrdi da li se oni zajedno dobro
uklapaju (Nardo et al., 2008).
Analitičari koji konstruišu kompozitne indikatore suočavaju se sa
opravdanim stepenom skepticizma od strane statističara, ekonomista i drugih
eksperata, delimično zbog nedostatka transparentnosti nekih postojećih
indikatora, a naročito što se tiče metodologije i osnovnih podataka. Da bi se
izbegli ovakvi rizici, može se staviti poseban naglasak na dokumentaciju i
metapodatake pri kreiranju kompozitnih indikatora. Autori Nardo i drugi
(Nardo et al., 2008), preporučuju pripremu relevantne dokumentacije na kraju
svake faze, kako bi se obezbedila koherentnost celog procesa i pripremile
metodološke napomene koje će biti distribuirane zajedno sa numeričkim
rezultatima.
U nastavku je dat pregled koraka pri izgradnji kompozitnih indikatora
(Nardo et al., 2008):
1. Teorijski okvir. Obezbeđuje osnovu za izbor i kombinovanje varijabli u
smislen kompozitni indikator prema principu pogodnost-za-svrhu (fitness-
for-purpose). U ovom koraku je predviđeno uključivanje eksperata i
zainteresovanih strana. Svrha:
• Da se postigne razumevanje i jasna definicija višedimenzionalnog
fenomena koji se meri.
• Da se, ukoliko je potrebno, struktuiraju različite podgrupe fenomena.
• Da se sastavi spisak kriterijuma za izbor osnovnih indikatora, npr. ulaz,
izlaz, proces.
2. Izbor podataka. Treba da se zasniva na analitičkoj ispravnosti, merlјivosti,
relevantnosti indikatora za fenomen koji se meri, kao i njihovim
međusobnim odnosima. U ovom koraku je takođe predviđeno uključivanje
eksperata i zainteresovanih strana. Svrha:
13
• Da se proveri kvalitet dostupnih pokazatelja.
• Da se razmotre prednosti i slabosti svakog izabranog indikatora.
• Da se kreira sumarna tabela o karakteristikama, kao što su dostupnost
(za različite entitete ili tokom vremena), izvor, tip
(kvantitativni/kvalitativni ili ulaz/izlaz/proces).
3. Obrada nedostajućih podataka. Obezbeđuje da skup podataka bude
kompletan. Svrha:
• Da odredi procenjene vrednosti za nedostajuće podatke.
• Da obezbedi meru pouzdanosti svake unete vrednosti, kako bi se
procenio uticaj ulaza na rezultate kompozitnih indikatora.
• Da se ispita prisustvo nestandardnih opservacija u podacima.
4. Multivarijaciona analiza. Potrebna je kako bi se proučila celokupna struktura
podataka, procenila njihova podobnost, i usmerili neki naredni
metodološki izbori (npr., ponderisanje, objedinjavanje). Svrha:
• Da se proveri osnovna struktura podataka prema dve glavne dimenzije:
pojedinačni indikatori i entiteti (pomoću odgovarajućih
multivarijacionih metoda, npr. analiza glavnih komponenata, klaster
analiza).
• Da se identifikuju grupe pokazatelja ili grupe entiteta koje su statistički
"slične" i da se obezbedi tumačenje rezultata.
• Da se uporedi statistički određena struktura podataka sa teorijskim
okvirom, i da se utvrde eventualne razlike.
5. Normalizacija. Pomoću nje se obezbeđuje uporedivost podataka. Svrha:
• Da se odabere odgovarajuća procedura normalizacije koja je u skladu i
sa teorijskim okvirom i sa svojstvima podataka.
• Da se razmotri prisustvo nestandardnih opservacija u podacima.
Moguće je da nestandardne opservacije neopravdano postanu merni
reperi.
14
• Da se, ukoliko je potrebno, podese merne skale.
• Da se, ukoliko je potrebno, transformišu veoma asimetrični indikatori.
6. Dodeljivanje težinskih koeficijenata i agregacija. Vrši se na osnovu teorijskog
okvira. Svrha:
• Da se izaberu odgovarajući težinski koeficijenti i procedura agregacije,
i da se pri tome poštuju teorijski okvir i svojstva podataka.
• Da se utvrdi da li treba voditi računa o korelacijama među
pokazateljima.
• Da se utvrdi da li se mogu dozvoliti kompenzacije među pokazateljima.
7. Analiza neizvesnosti i analiza osetljivosti. Procenjuju robusnost kompozitnog
indikatora u smislu: mehanizma za uključivanje ili isključivanje indikatora,
šeme normalizacije, rešavanja nedostajućih podataka, izbora težinskih
koeficijenata, ili načina agregiranja. Svrha:
• Da se razmotri pristup višedimenzionalnog modelovanja pri
formiranju kompozitnih indikatora, kao i izbor alternativnih
pojedinačnih indikatora.
• Da se identifikuju svi mogući izvori neizvesnosti pri formiranju
kompozitnih indikatora, i da se rezultati i kompozitni skorovi usklade
sa granicama neizvesnosti.
• Da se sprovede analiza osetljivosti na zaključak (pretpostavke) i da se
odredi koji izvori neizvesnosti najviše utiču na skorove i/ili rangove.
8. Povratak na podatke. Otkriva glavne razloge za finalni rezultat (koji može
biti dobar ili loš). Transparentnost je osnovna osobina dobre analize. Svrha:
• Da se profilišu performanse entiteta na nivou indikatora kako bi se
ustanovilo šta uzrokuje vrednosti kompozitnog indikatora.
• Da se provere korelacije i kauzalnosti (ako je moguće).
15
• Da se proveri da li postoje dominantni pojedinačni pokazatelji, koji
utiču na rezultate kompozitnog indikatora, i da se objasni relativni
značaj podkomponenata kompozitnog indikatora.
9. Povezanost sa drugim pokazateljima. Ispituje se korelacija kompozitnog
indikatora (ili njegove dimenzije) sa postojećim (jednostavnim ili
kompozitnim) indikatorima, i identifikuju se veze. Svrha:
• Da se kompozitni indikator korelira sa drugim relevantnim merama,
uzimajući u obzir rezultate analize osetljivosti.
10. Vizualizacija rezultata. Ovoj fazi treba posvetiti posebnu pažnju, s obzirom
da vizualizacija može da utiče na interpretaciju (ili pomogne da se ona
poboljša). Svrha:
• Da se identifikuje koherentan skup prezentacionih alata za korisnike.
• Da se izabere ona tehnika vizualizacije kojim se prenosi najviše
informacija.
• Da se rezultati kompozitnih indikatora predstave na jasan i precizan
način.
2.1 Teorijski okvir
Dobro definisan teorijski okvir je polazna tačka pri formiranju kompozitnih
indikatora. Okvir treba jasno da definiše fenomen koji se meri i njegove
podkomponente, pri tom birajući pojedinačne indikatore i težinske koeficijente
koji odražavaju relativnu važnost indikatora. Ovaj proces bi idealno trebalo da
se zasniva na tome šta je poželjno meriti, a ne na tome koji indikatori su dostupni
(Nardo et al., 2008).
Na primer, bruto domaći proizvod (BDP) meri ukupnu vrednost robe i
usluga proizvedenih u nekoj zemlji, gde se težinski koeficijenti procenjuju na
osnovu ekonomske teorije i odražavaju relativnu cenu robe i usluga. Teorijski i
statistički okviri za merenje BDP razvijali su se tokom poslednjih 50 godina.
16
Međutim, nemaju svi višedimenzionalni koncepti tako čvrste teorijske i
empirijske temelje. Kompozitni indikatori u novonastalim oblastima, kao što su
npr. konkurentnost, održivi razvoj, e-poslovanje, itd., mogu biti veoma
subjektivni, jer se u ovim oblastima ekonomska istraživanja još uvek razvijaju.
Transparentnost je zato od suštinskog značaja pri formiranju verodostojnih
kompozitnih pokazatelja. To podrazumeva:
• Definisanje koncepta. Treba da pruži jasan uvid u to šta se meri
kompozitnim indikatorom. Koncept bi trebalo da se odnosi na teorijski
okvir i na povezivanje različitih podgrupa pokazatelja sa osnovnim
pokazateljem. Neke složene koncepte je teško definisati i meriti precizno.
Krajnji korisnici kompozitnih indikatora su oni koji treba da procene
njihov kvalitet i relevantnost.
• Određivanje podgrupa. Višedimenzionalni koncepti se mogu podeliti u
nekoliko podgrupa. Ove podgrupe ne moraju biti statistički nezavisne, a
postojeće veze treba da budu teorijski ili empirijski što bolje opisane.
Takva struktura korisniku olakšava razumevanje kompozitnog
indikatora, a može i olakšati određivanje relativnih težinskih koeficijenata
za različite faktore. U ovom koraku treba, što je više moguće, uključiti
stručnjake i zainteresovane strane, kako bi se uzelo u obzir više stanovišta
i povećala robusnost konceptualnog okvira i skupa indikatora.
• Identifikacija kriterijuma za izbor pojedinačnih indikatora. Kriterijumi za izbor
bi trebalo da budu vodič koji definiše da li pojedinačni indikatori treba da
budu uključeni u formiranje kompozitnog indikatora ili ne. Treba da budu
što precizniji i da opišu fenomen koji se meri, odnosno ulaz, izlaz ili
proces. Kompozitni indikatori često uključuju i ulazne i izlazne mere.
17
2.2 Izbor indikatora
Snage, ali i potencijalne slabosti kompozitnih indikatora uglavnom proističu iz
kvaliteta pojedinačnih indikatora (promenljivih) od kojih se sastoje. U idealnom
slučaju, promenljive treba da budu izabrane na osnovu njihovog značaja,
analitičke ispravnosti, blagovremenosti, dostupnosti, itd. Dok izbor promenljivih
mora biti vođen teorijskim okvirom za formiranje kompozitnih indikatora,
proces selekcije podataka može biti prilično subjektivan, jer ne mora postojati
nijedan definitivan skup indikatora. Nedostatak relevantnih podataka može
takođe ograničiti sposobnost analitičara da gradi čvrste kompozitne indikatore.
S obzirom na nedostatak međunarodno uporedivih kvantitativnih podataka,
kompozitni indikatori često uključuju kvalitativne podatke iz anketa (Nardo et
al., 2008).
Ukoliko su podaci, potrebni za formiranje kompozitnog indikatora
nedostupni, ili kada na osnovu njih nije moguće porediti različite entitete,
moguće je kao zamenu koristiti neke druge indikatore. Kao i u slučaju
kvalitativnih podataka, indikatore za zamenu treba pažljivo koristiti. Njihovu
tačnost je potrebno proveriti korišćenjem korelacija i analize osetljivosti.
Analitičar takođe treba da obrati pažnju da li indikator zavisi od npr. BDP-a,
broja stanovnika ili drugih faktora veličine. Da bi se npr. obezbedilo objektivno
poređenje malih i velikih zemalja, neophodno je skaliranje varijabli
odgovarajućim merama veličine, kao što su populacija, prihod, obim trgovine,
površina naseljenog zemljišta, itd. Osim toga, vrsta odabranih indikatora - ulazni,
izlazni ili procesni indikatori - mora da odgovara definiciji kompozitnog
indikatora.
Kvalitet i tačnost kompozitnih indikatora treba da se razvija paralelno sa
poboljšanjima u prikupljanju podataka i razvoju indikatora. Sadašnji trend
izgradnje kompozitnih indikatora, npr. kao pokazatelja performansi neke zemlje,
za čitav niz raznih oblasti od interesa, može obezbediti dalji podsticaj za
poboljšanja u prikupljanju podataka, za identifikaciju novih izvora podataka i
18
poboljšanje međunarodne statističke uporedivosti. Treba imati u vidu da
korišćenje onoga što je na raspolaganju nije nužno dovoljno. Prema principu
garbage in – garbage out, loši podaci će proizvesti i slabe rezultate. Ipak, sa
pragmatične tačke gledišta, potrebno je izvršiti određene kompromise pri
formiranu kompozitnih indikatora. Prema autorima Nardo i dr. (Nardo et al.,
2008), ono što se smatra suštinskim jeste transparentnost tih kompromisa.
2.3 Obrada nedostajućih podataka
Nedostajući podaci često imaju negativan uticaj na robusnost kompozitnih
indikatora. Obrasci nedostajućih podataka mogu biti (Nardo et al., 2008):
• Potpuno nasumično (Missing completely at random - MCAR). Nedostajuće
vrednosti ne zavise od promenljivih, niti od bilo kojih varijabli u skupu
podataka. Na primer, nedostajuće vrednosti u promenljivoj prihod bi bile
tipa MCAR ako (i) oni koji ne prijavljuju svoje prihode imaju, u proseku,
iste prihode kao i oni koji ih prijavljuju; i ako (ii) sve druge promenljive su
u proseku iste, za one koji ne prijavljuju svoje prihode i one koji ih
prijavljuju.
• Nasumično (Missing at random - MAR). Nedostajuće vrednosti ne zavise
od promenljivih, ali su uslovljene drugim varijablama u skupu podataka.
Na primer, nedostajuće vrednosti kod promenljive prihod bi bile tipa MAR
ukoliko verovatnoća da podaci o prihodima nedostaju zavisi od bračnog
statusa, ali, u okviru svake kategorije bračnog statusa, verovatnoća
nedostajućeg prihoda nije u vezi sa vrednostima prihoda.
• Ne-nasumično (Not missing at random - NMAR). Nedostajuće vrednosti
zavise od samih vrednosti. Na primer, domaćinstva sa visokim prihodima
će manje verovatno da prijave svoje prihode.
19
Većina metoda koje obrađuju nedostajuće vrednosti zahtevaju slučajan
mehanizam, odnosno MCAR ili MAR. Ukoliko postoje razlozi da se pretpostavi
ne-nasumični obrazac nedostajućih podataka NMAR, obrazac mora biti
eksplicitno modeliran i uključen u analizu. Ovo bi moglo biti veoma teško i
moglo bi implicirati ad hoc pretpostavke koje će verovatno uticati na celokupan
rezultat.
Jedna od metoda za obradu nedostajućih podataka je brisanje slučajeva:
nedostajući podaci se jednostavno izostave iz analize. Ovaj pristup ignoriše
moguće sistematske razlike između potpunih i nepotpunih uzoraka i proizvodi
pouzdane procene samo ako su izbrisani entiteti slučajni poduzorci originalnog
uzorka (MCAR pretpostavka). Pored toga, standardne greške će biti veće u
smanjenom uzorku, obzirom da se koristi manje informacija. Prema pravilu, ako
promenljiva ima više od 5% vrednosti koje nedostaju, slučajevi se ne brišu (Little
& Rubin, 2002). Druga mogućnost obrade nedostajućih podataka je njihova
zamena prosečnim vrednostima (srednja vrednost/medijana/modus, regresiona
analiza). Na ovaj način je moguće minimizirati pristrasnost, ali se ovim načinom
često utiče na rezultate (Dempster & Rubin, 1983).
2.4 Normalizacija
Normalizacija je obavezan korak pri svakoj agregaciji podataka, jer pojedinačni
indikatori često imaju različite merne jedinice. Postoji veliki broj metoda
normalizacije (Freudenberg, 2003; Jacobs, Smith, & Goddard, 2004):
1. Rangiranje je najjednostavnija tehnika normalizacije. Uticaj nestandardnih
opservacija na ovaj metod nije značajan i omogućava da se performanse
entiteta prate tokom vremena, u vidu njihovog relativnog položaja (ranga).
Ipak, nije moguće oceniti performanse entiteta u apsolutnom smislu, zbog
prilično velikog gubitka informacija. Neki primeri koji koriste rangiranje za
normalizaciju podataka su: Indeks informaciono komunikacionih
20
tehnologija (Information and Communications Technology Index)
(Fagerberg, 2002) i Medicinska studija o zdravstvenim performansama
(Medicare Study on Healthcare Performance) SAD (Jencks, Huff, &
Cuerdon, 2003). Rang se može predstaviti na sledeći način:
( )t tij ijI Rang x=
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t.
2. Standardizacija (z – skorovi) prevodi indikatore na zajedničku skalu sa
srednjom vrednošću nula i standardnom devijacijom jedan. U ovom slučaju
indikatori sa ekstremnim vrednostima će imati veći uticaj na kompozitni
indikator. Ovo možda nije poželjno ukoliko je namera da se nagrade
izuzetne vrednosti, odnosno, ako se izuzetno dobar rezultat kod nekoliko
pokazatelja smatra boljim nego prosečna ocena. Ovaj efekat se može
korigovati u metodologiji agregacije, npr. isključivanjem najboljih i najgorih
pojedinačnih skorova indikatora iz indeksa ili dodeljivanjem diferencijalnih
težinskih koeficijenata zasnovanih na "poželjnosti" pojedinačnih rezultata
indikatora. Standardizovani indikator se može predstaviti na sledeći način:
t tij ct
ij tc
x xI
σ−
=
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t,
c predstavlja referentni entitet, a tcx i t
cσ vrednost i standardno
odstupanje referentnog entiteta.
3. Min-Max metoda normalizuje pokazatelje tako da imaju identičan raspon
[0,1], oduzimanjem minimalne vrednosti i deljenjem sa vrednošću raspona
indikatora. Međutim, ekstremne vrednosti ili nestandardne opservacije bi
mogle bitno da utiču na transformisani indikator. S druge strane, Min-Max
21
normalizacija može da poveća efekat indikatora koji leže u malom
intervalu, jer povećava njihov efekat na kompozitni indikator više nego
standardizacija. Standardizovani indikator u ovom slučaju je:
( )( ) ( )
min
max min
t tij it
ij t ti i
x xI
x x
−=
−
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t, a
( )min/ max tix minimalna odnosno maksimalna vrednost i-tog indikatora.
4. Udaljenost od referentne vrednosti meri relativni položaj datog indikatora u
odnosu na referentnu tačku. Referentna vrednost može biti i neki entitet
kao spoljni reper. Na primer, SAD i Japan se često koriste kao reperi za
izgradnju kompozitnih indikatora u okviru EU. Alternativno, referentni
entitet mogao bi biti i prosečan entitet, i može mu se dodeliti vrednost 1,
dok će ostali entiteti dobijati rezultate u zavisnosti od njihove udaljenosti
od proseka. Dakle, normalizovani indikator koji je veći od 1 ukazuje na
entitet sa natprosečnim performansama. Referentni entitet takođe može da
bude i "vođa" grupe, u kojoj vodeći entitet uzima vrednost 1, a ostalima se
daju procenti udaljenosti od lidera. Ovakav pristup se, međutim, zasniva
na ekstremnim vrednostima koje mogu biti nepouzdane. Indikator se
dobija sledećim izrazom:
0
0 0 ili
tt tij ij ct t
ij ijt tc c
x x xI I
x x
−= =
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t, a c
predstavlja referentni entitet.
5. Kategorijska skala dodeljuje skor za svaki indikator. Kategorije mogu biti
numeričke, kao što su jedan, dva ili tri, ili kvalitativne, kao što su
22
"potpuno", "delimično" ili "nimalo". Često se rezultati zasnivaju na
percentilima raspodele indikatora kod entiteta. Na primer, prvih 5%
dobijaju skor 100, entiteti između 85. i 95. percentila dobijaju skor 80,
entiteti između 65. i 85. percentila dobijaju skor 60, i tako sve do 0 bodova,
čime se nagrađuju najbolji entiteti i kažnjavaju najgori. Pošto se ista
transformacija putem percentila koristi za različite godine, bilo koja
promena u definiciji indikatora tokom vremena neće uticati na
transformaciju promenljivih. Međutim, na taj način je teško pratiti
poboljšanja tokom vremena. Kategorijske skale gube velike količine
informacija o varijabilitetu transformisanih pokazatelja. Osim toga, kada
postoji malo varijabiliteta u originalnim podacima, granice percentila
iziskuju kategorizaciju podataka, bez obzira na distribuciju. Moguće
rešenje je podesiti granice percentila kod pojedinačnih indikatora u cilju
dobijanja transformisane kategorijske promenljive sa približno normalnom
raspodelom. Na primer:
15
15 25
25 65
65 85
85 95
95
0
20
40
60
80
100
tij
tijtijt
ij tijtij
tij
ako x P
ako P x P
ako P x PI
ako P x P
ako P x P
ako P x
< ≤ < ≤ <= ≤ < ≤ <
≤
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t, Pl je l-ti
percentil distribucije indikatora tijx .
Poseban slučaj kategorijske skale je da pokazatelji iznad ili ispod srednje
vrednosti mogu biti transformisani tako da vrednosti oko srednje dobiju
skor 0, dok one iznad/ispod određenog praga dobijaju skor 1 i -1
respektivno. Ovaj metod je jednostavan i na njega ne utiču nestandardne
opservacije (autlajeri), ali se često kritikuje zbog proizvoljnosti nivoa praga
23
i gubitka informacija. Na primer, sa pragom 20% od sredine, ako je
vrednost datog indikatora za jednu zemlju 3 puta (300%) iznad proseka, a
za drugu zemlju 25% iznad proseka, obe zemlje će se računati kao "iznad
proseka". Indikator se dobija sledećim izrazom:
( )( ) ( )
( )
1 1
0 1 1
1 1
tij
ako p w
I ako p w p
ako w p
+ <= − ≤ ≤ +− < −
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t,
0ttij cw x x= , a p predstavlja proizvoljan prag oko srednje vrednosti.
6. Metode cikličnih indikatora. Rezultati istraživanja poslovnih tendencija se
obično kombinuju u kompozitne indikatore kako bi se smanjio rizik od
pogrešnih signala, i kako bi se bolje prognozirali ciklusi u privrednim
delatnostima (Nilsson, 2000). Ovaj metod implicitno dodeljuje manje
težinske koeficijente nepravilnijim serijama u cikličnom kretanju
kompozitnog indikatora, osim ako se ne vrši neki ad hoc metod
izravnavanja. Indikator se dobija sledećim izrazom:
( )t tij ijt
ij t tt ij ij
xI
E x
µµ
−=
−
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t, a t
ijµ označava
očekivanu vrednost.
7. Slučajevi ravnoteže mišljenja. Ovde se od menadžera kompanija iz različitih
sektora i različitih veličina, traži da izraze svoje mišljenje o radu kompanije.
Indikator se dobija sledećim izrazom:
24
( )1100sgn
eNt t tij e ij ij
ee
I x xN
−= −∑
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t, operator
sgne(x) predstavlja znak argumenta x:
( )1 0
sgn 0 0
1 0e
x
x x
x
>= =− <
a Ne je ukupan broj ispitanih eksperata.
8. Procenat godišnjih razlika tokom uzastopnih godina predstavlja procentualni
rast u odnosu na prethodnu godinu, umesto apsolutnog rasta.
Transformacija može da se koristi samo kada su indikatori dostupni za
nekoliko godina (Saltelli, Tarantola, Campolongo, & Ratto, 2004; Tarantola,
Saisana, Saltelli, Schmiedel, & Leapman, 2002). Indikator se dobija
sledećim izrazom:
1t tij ijt
ij tij
x xI
x
−−=
gde je tijx vrednost i-tog indikatora, za j-ti entitet u trenutku t.
Izbor odgovarajuće metode nije trivijalan i zaslužuje posebnu pažnju
prilikom prilagođavanja razmera (Ebert & Welsch, 2004) ili transformacije
indikatora. Prilikom izbora metode normalizacije, treba uzeti u obzir svojstva
podataka, kao i ciljeve kompozitnog indikatora. U nekim slučajevima je potrebno
proceniti uticaj metode normalizacije na rezultate, primenom testova robusnosti.
25
2.5 Težinski koeficijenti
Težinski koeficijenti značajno utiču na kompozitni indikator, i rangiranje koje
proističe iz formiranja kompozitnog indikatora. Postoji veliki broj tehnika
dodeljivanja težinskih koeficijenata (tabela 2.2). Neke su izvedene iz statističkih
modela, kao što su analiza glavnih komponenata - PCA i faktorska analiza - FA,
modeli neposmatranih komponenata (unobserved components models - UCM);
neke iz modela operacionih istraživanja, kao što je analiza obavijanja podataka -
DEA (Martić & Savić, 2001; Martić, 1999); a neke iz participativnih metoda, kao
što su analitički hijerarhijski procesi – AHP (R. W. Saaty, 1987; T. L. Saaty, 1980)
i conjoint analiza (CA).
Tabela 2.2 Metode dodeljivanja težinskih koeficijenata
Tehnike ponderiasanja Tehnike agregacije
Linearna Geometrijska
EW √ √
PCA/FA √ √
UCM √
AHP √ √
CA √ √
Veoma često je i subjektivno dodeljivanje težinskih koeficijenata (prema
subjektivnom mišljenu određenog eksperta). Bez obzira na to koji metod se
koristi, težinski koeficijenti zapravo predstavljaju procenu koliki je uticaj svakog
ulaznog indikatora na rezultat. Dok neki analitičari biraju težinske koeficijente
samo na osnovu statističkih metoda, drugi ih često biraju isključivo na osnovu
subjektivnih stavova, pa tako nagrađuju (ili kažnjavaju) ulazne indikatore koje
26
smatraju više (ili manje) uticajnim, u zavisnosti od njihovog stručnog mišljenja
(Nardo et al., 2008).
Većina kompozitnih indikatora se oslanja na ravnopravno ponderisanje
(equal weighting - EW), odnosno svim ulaznim indikatorima dodeljeni su
jednaki ponderi. To, u suštini, znači da sve promenljive u okviru kompozitnog
indikatora jednako "vrede". Međutim, ta metoda često prikriva odsustvo
statističke ili empirijske osnove dodeljivanja težinskih koeficijenata: na primer,
kada su uzročni odnosi nedovoljno poznati ili kada jednostavno ne postoji druga
alternativa. U svakom slučaju, jednako ponderisanje ne mora da znači da težinski
koeficijenti ne postoje, već implicitno podrazumeva da su oni međusobno
jednaki (Nardo et al., 2008). Štaviše, ako su varijable grupisane prema određenim
dimenzijama, pa se tako agregiraju u kompozitni indikator, onda primena
jednakih pondera može značiti nejednake pondere po dimenzijama (dimenzije
grupisanja većeg broja promenljivih će imati veće težinske koeficijente). To bi
moglo dovesti do neuravnotežene strukture kompozitnog indikatora (Nardo et
al., 2008).
Težinski koeficijenti takođe mogu biti izabrani tako da odražavaju
statističke kvalitete podataka. Veći težinski koeficijenti mogu biti dodeljeni
statistički pouzdanijim podacima. Međutim, ova metoda može biti pristrasna
prema lako dostupnim indikatorima, kažnjavajući informacije koje je statistički
problematično identifikovati i meriti.
Kada se dodeljuju jednaki ponderi, može se desiti da, kombinovanjem
indikatora sa visokim stepenom korelacije, element dupliciteta informacija bude
uveden u indeks: ako se dva kolinearna indikatora uključe u kompozitni
indikator sa težinama 1w i 2w jedinstvena dimenzija koju ta dva indikatora mere
u kompozitnom indikatoru ima težinu ( 1 2w w+ ). Rešenje problema može biti da
se za skup ulaznih indikatora prvo ispita korelacija, pa da se u kompozitni
indikator biraju samo indikatori koji pokazuju nizak stepen korelacije, ili da se
težinski koeficijenti podese na odgovarajući način, npr. da se visoko korelisanim
27
indikatorima dodele manji ponderi. Osim toga, minimiziranje broja indikatora u
kompozitnom indikatoru može biti poželjno po drugim osnovama, kao što je
transparentnost indikatora.
Treba imati na umu da će skoro uvek biti pozitivnih korelacija između
indikatora, pa bi trebalo definisati prag iznad kog je jaka korelacija simptom
dupliciteta informacija. Ako bi težinski koeficijenti idealno odražavali doprinos
svakog indikatora kompozitnom indikatoru, duplicitet informacija treba da se
utvrdi ne samo putem statističke analize, već i analizom samog indikatora u
odnosu na ostale indikatora i u odnosu na pojavu koja se meri.
Postojeća literatura nudi bogat pregled alternativnih metoda dodeljivanja
težinskih koeficijenata, i sve imaju određene prednosti i nedostatke. Statistički
modeli, kao što su analiza glavnih komponenti (PCA) ili faktorska analiza (FA),
mogu se koristiti za grupisanje pojedinačnih indikatora prema stepenu
korelacije. Težinski koeficijenti se, međutim, ne mogu definisati ovim metodama,
ako ne postoji korelacija između pokazatelja.
Alternativno, za dodeljivanje težinskih koeficijenata mogu se koristiti
participativne metode koje uključuju različite zainteresovane strane - stručnjake,
građane i političare. Ovaj pristup je moguć kada postoji dobro definisan osnov.
Za međunarodna poređenja, takve reference često nisu dostupne, ili su
kontradiktorne.
2.6 Metode agregacije
Osnovne metode koje se koriste u postupku agregacije, pri formiranju
kompozitnih indikatora, su aditivna (linearna) i geometrijska agregacija. Metod
linearne agregacije je koristan kada svi pojedinačni pokazatelji imaju istu mernu
jedinicu:
28
gde je jCI vrednost kompozitnog indikatora za entitet j, j=1,…M, ijI je vrednost
pojedinačnog i-tog indikatora, i=1,...N, za entitet j, a iw je odgovarajući težinski
koeficijent za i-ti indikator (Nardo et al., 2008). Ovaj metod agregacije je
jednostavan, a nestandardne opservacije na njega ne utiču mnogo. Međutim, iako
se često upotrebljava, ovaj metod agregacije ograničava prirodu pojedinačnih
indikatora. Konkretno, dobijanje korisnog kompozitnog indikatora zavisi od
kvaliteta osnovnih individualnih pokazatelja i njihovih jedinica merenja.
Geometrijska agregacija je pogodnija ako analitičar ne želi da ostavi
prostora za mogućnost kompenzacije između pojedinačnih indikatora ili
dimenzija:
( )1
iN w
j iji
CI I=
= ∏
Linearna agregacija nagrađuje osnovne indikatore srazmerno njihovim
ponderima, dok geometrijska agregacija nagrađuje entitete sa višim skorovima.
I kod linearne i kod geometrijske agregacije, težinski koeficijenti dopuštaju
kompromise između indikatora. Na taj način, deficit u jednoj dimenziji tako
može biti nadoknađen suficitom u drugoj. Ovo podrazumeva nedoslednost
između toga kako su težine zamišljene (obično mere značaj indikatora) i stvarnog
smisla, kada se geometrijska ili linearna agregacija i koriste. Kod linearne
agregacije, kompenzacija indikatora je konstantna, dok je kod geometrijske
agregacije niža za kompozitne indikatore sa niskim vrednostima. Dakle ako se
kod geometrijske agregacije vrši kompenzacija (kao npr. u slučaju čistih
ekonomskih indikatora), entitetima sa niskim vrednostima jednog indikatora
1
N
j i iji
CI w I=
=∑
29
trebaće mnogo viši skor kod drugih indikatora kako bi poboljšali svoje pozicije.
S druge strane, marginalna korisnost od povećanja u niskom apsolutnom skoru
će biti mnogo veća nego u visokom apsolutnom skoru. Shodno tome, veći će biti
podsticaj da se unaprede oni indikatori sa niskim skorovima ako je agregacija
geometrijska, jer su tako bolje šanse za poboljšanje pozicije u rangiranju (Munda,
2012).
Da bi se obezbedilo da težinski koeficijenti ostanu mera značajnosti
indikatora, trebalo bi da se koriste druge metode agregacije, posebno one metode
koje ne dozvoljavaju kompenzaciju. Štaviše, ako su različiti ciljevi podjednako
legitimni i važni, čak je i neophodno da ne bude kompenzacije. To je obično slučaj
kada su dimenzije koje se grupišu u kompozitni indikator veoma različite, npr. u
slučaju indeksa koji uključuju prirodne, društvene, ekološke i ekonomske
podatke.
Održavanje težinskih koeficijenata konstantnim tokom vremena može biti
opravdano, ako je analitičar spreman da analizira evoluciju određenog broja
promenljivih. Ako je cilj analize definisanje najbolje prakse ili postavljanje
prioriteta, onda bi težinske koeficijente trebalo obavezno menjati tokom
vremena.
Odsustvo "objektivnog" načina za utvrđivanje težinskih koeficijenata ili
metoda agregacije, ne mora nužno dovesti do odbacivanja validnosti
kompozitnih indikatora dok god je ceo proces formiranja transparentan. Ciljevi
analitičara treba od početka da budu jasni, pa izabrani model treba testirati kako
bi se utvrdilo u kojoj meri ispunjava te ciljeve.
Još jedan metod agregacije više pojedinačnih indikatora u jedan sinergetski
indikator obezbeđuje metoda Ivanovićevog odstojanja. Samo I-odstojanje
predstavlja kompozitni indikator koji se zasniva na merenju višedimenzionalnih
odstojanja između entiteta, na taj način da se izbegnu dupliciteti informacija koje
nosi niz srodnih indikatora. Konstrukcija I-odstojanja počinje integracijom
celokupnog diskriminacionog efekta indikatora koji sadrži najveću količinu
30
informacija o entitetima koji se rangiraju. Zatim se dodaje onaj deo
diskriminacionog efekta drugog (po rangu) indikatora koji nije bio već uključen
u diskriminacionom efektu prvog, itd. (Ivanović, 1977). Proces formiranja I-
odstojanja detaljno je opisan u poglavlju 4.
Jedna od kritika I-odstojanja je upravo što proces njegovog formiranja nije
sasvim transparentan, obzirom da se zasniva na sumi višedimenzionalnih
odstojanja entiteta.
U doktorskoj disertaciji biće razmatran linearni metod agregacije, zasnovan
na I-odstojanju, koji će povećati transparentnost procesa formiranja kompozitnih
indikatora. Analize i studije slučaja će se fokusirati na obradu i unapređenje
kompozitnih indikatora za merenje onih pojava, kojima odgovara ovakav princip
agregacije.
31
3 MULTIVARIJACIONA ANALIZA
Postoji veliki broj fenomena i pojava čija se evaluacija zasniva na većem broju
različitih promenljivih, i čije merenje uključuje više različitih indikatora (Bulajić,
2002). Da bi se predstavila višekriterijumska priroda takvih pojava, koristi se
multivarijaciona analiza (Bulajić, Jeremić, & Radojičić, 2012). Ona omogućava da
se višedimenzionalne pojave sagledaju iz aspekta svih dimenzija, koje su najčešće
različite, kao i poređenje entiteta koji se evaluiraju u okviru više dimenzija.
Pri ovoj vrsti analize postoje određena ograničenja: dešava se da su neki od
indikatora međusobno korelisani; nekada je neophodno objasniti komplikovane
međuodnose različitih varijabli nad istim entitetima. Zato se rezultati i adekvatna
analiza ne mogu postići bez korišćenja multivarijacione analize (Agresti & Finlay
Agresti, 1979; Bulajić, 1986, 2002; Delić & Kragulj, 2005; Jeremić, 2012; Milosevic,
Filipovic, Djuric, & Dobrota, 2014; Radojičić, 2007). Danas razvijene naučne
metodologije traže kompleksne i složene relacije između promenljivih, u
pokušaju da se obezbedi što sveobuhvatnija višedimenzionalna statistička
analiza (Bulajić, 2002; Jednak, Kragulj, Bulajic, & Pittman, 2009; Jeremić, 2012;
Radojičić, 2007).
Da bi se došlo do rezultata koji se mogu tumačiti, potrebno je koristiti
odgovarajući proces, što je u multivarijacionoj analizi iterativanog i stohastičkog
karaktera (Hawkes, 1971). Za analizu koja zahteva multivarijacionu statistiku,
formiraju se odgovarajući nizovi podataka, koji mogu biti organizovani kao
matrice podataka, korelacione matrice, matrice varijansi - kovarijansi, matrica
sume kvadrata, matrica unakrsnih proizvoda (cross product) ili niz reziduala
(Anderson, 1966).
Kada se analizira i objašnjava priroda kompleksnog fenomena, često je
teško da se priroda entiteta sagleda u potpunosti. Međutim, moguće je analizom
obuhvatiti različite karakteristike jedne višedimenzionalne pojave, koje
predstavljaju predmet merenja, i koje se nazivaju promenljive ili indikatori.
32
Multivarijaciona analiza pokušava da ispita prirodu entiteta tako što
istovremeno meri veći broj promenljivih na svakom entitetu, iz jednog ili više
skupova entiteta (Vuković & Bulajić, 2014; Vuković, 1977, 2000). Prema Kovačiću
(Kovačić, 1992), ona predstavlja skup statističkih metoda, koje analiziraju
višedimenzionalna merenja dobijena za svaki entitet iz posmatranog skupa.
Matrica podataka data je u tabeli 3.1, gde su po redovima dati entiteti koji
se ispituju a po kolonama promenljive koje ih opisuju. Pretpostavimo da postoji
n entiteta i m promenljivih (indikatora). U tom slučaju je Xij element koji
predstavlja vrednost j-te promenljive merene na i-tom entitetu. U matričnoj
notaciji ova matrica podataka označava se sa X, odnosno [Xij], i=1,2,...n; j=1,2,...m.
Tabela 3.1 Matrica podataka ei – entiteti Vj - promenljive
V1 V2 ... Vj ... Vm
e1 X11 X12 ... X1j ... X1m
e2 X21 X22 ... X2j ... X2m
... ... ... ... ...
ei Xi1 Xi2 ... Xij ... Xim
... ... ... ... ...
en Xn1 Xn2 ... Xnj ... Xnm
Dimenzije posmatrane matrice podataka su često veoma velike pa je
zaključivanje o međuzavisnosti promenljivih nekada teško. Da bi se olakšalo,
koriste se metode multivarijacione analize koje omogućavaju redukciju velike
količine podataka. Tako se u cilju lakše interpretacije može pojednostaviti
složena struktura posmatranog fenomena.
Metode multivarijacione analize koriste se i u procesu zaključivanja, za
ocenjivanje stepena međuzavisnosti promenljivih ili testiranje njihovih
statističkih značajnosti. Metode takođe mogu biti istraživačkog karaktera, tj.
33
koriste se, ne za testiranje a priori definisanih hipoteza, već za njihovo
generisanje.
Klasifikacija metoda multivarijacione analize zasniva se na različitim
kriterijumima (Bulajić, 2002; Jeremić, 2012; Radojičić, 2007). Prva klasifikacija je
prema tome da li su metode orjentisane ka ispitivanju međuzavisnosti
promenljivih ili međuzavisnosti entiteta. Ako je u pitanju međuzavisnost
promenljivih, osnovu čine kovarijaciona ili korelaciona matrica. Kod drugog
pristupa, definišu se mere bliskosti između dva entiteta, a osnovu čini matrica
odstojanja.
Druga klasifikacija deli metode u dve grupe: metode zavisnosti i metode
međuzavisnosti. Kod metoda zavisnosti, ispituje se zavisnost između dva skupa
promenljivih, gde se jedan skup odnosi na zavisne, a drugi objašnjavajuće
promenljive. S druge strane, ako nema teorijskog osnova za podelu svih
promenljivih na dva podskupa (zavisnih i objašnjavajućih), koriste se metode
međuzavisnosti. Dok metode zavisnosti teže da objasne ili predvide jednu ili više
zavisnih promenljivih na osnovu skupa objašnjavajućih, metode međuzavisnosti
nisu po svojoj prirodi prediktivne. Pomoću njih se analizira kompleksna
unutrašnja struktura podataka, prvenstveno kroz redukciju podataka (Kovačić,
1992).
Podela metoda multivarijacione analize na metode zavisnosti i
međuzavisnosti (Bulajić, 2002; Radojičić, Vuković, & Vukmirović, 2003):
Metode zavisnosti:
1. Multivarijaciona regresija je najpoznatija metoda multivarijacione analize.
Razlikuju se dva slučaja: višestruka regresija, gde se analizira zavisnost jedne
promenljive (zavisna) od skupa drugih promenljivih (objašnjavajuće); i opštiji
model, kada postoji više zavisnih i više objašnjavajućih promenljivih. Kod oba
34
modela zadatak je ocenjivanje ili predviđanje srednje vrednosti
zavisne/zavisnih na osnovu poznatih vrednosti objašnjavajućih promenljivih.
2. Kanonočka korelaciona analiza se može smatrati uopštenjem višestruke
regresione analize. Ona utvrđuje linearnu zavisnost između skupa nezavisnih
i skupa objašnjavajućih promenljivih. Kod računanja kanoničke korelacije
formiraju se dve linearne kombinacije, jedna za skup nezavisnih, a druga za
skup objašnjavajućih promenljivih. Njihovi koeficijenti se određuju tako da
koeficijent korelacije između njih bude najveći mogući.
3. Diskriminaciona analiza se bavi problemom razdvajanja grupa i alokacijom
entiteta u ranije definisane grupe. Prvo se identifikuje promenljiva koja je
najviše doprinela razdvajanju grupa, a zatim se predviđa verovatnoća da će
entitet pripasti jednoj od grupa, a na osnovu vrednosti objašnjavajućih
promenljivih.
4. Multivarijaciona analiza varijanse (MANOVA) je odgovarajuća metoda kada se
ispituje uticaj različitih nivoa jedne ili više "eksperimentalnih" promenljivih na
dve ili više zavisnih promenljivih. U tom smislu predstavlja uopštenje
jednodimenzionalne analize varijanse (ANOVA). Osnovni cilj je testiranje
hipoteze koja se odnosi na varijansu efekata grupa dve ili više zavisnih
promenljivih.
5. Logit analiza se koristi kada je u regresionom modelu zavisna promenljiva
dihotomnog tipa (npr. pol sa modalitetima: muško-žensko). Takav model se
naziva regresioni model sa kvalitativnom zavisnom promenljivom. Zavisna
promenljiva se dobija iz tzv. Logit funkcije - logaritam količnika verovatnoća da
će binarna zavisna promenljiva uzeti jednu od dve moguće vrednosti. Modeli
ovog tipa nazivaju se i modeli logističke regresione analize.
35
Metode međuzavisnosti:
1. Analiza glavnih komponenata koristi se za redukciju većeg broja promenljivih na
manji broj novih promenljivih (glavne komponente). Najčešće se manjim
brojem glavnih komponenata objašnjava veći deo varijabiliteta originalnih
promenljivih, što omogućava lakše razumevanje informacija sadržanih u
podacima. Osnovni zadatak je konstruisanje linearne kombinacije prvobitnih
promenljivih (glavnih komponenata) uz uslov da se obuhvati što je moguće
više varijabiliteta originalnog skupa promenljivih.
2. Faktorska analiza je slična metodi glavnih komponenata jer se koristi za
redukciju promenljivih. Međutim originalna promenljiva se ovde iskazuje kao
linearna kombinacija faktora uz dodatak greške modela, pa se celokupna
kovarijansa objašnjava zajedničkim faktorima, a neobjašnjeni deo greškom
(specifičan faktor). Za razliku od glavnih komponenata gde se objašnjava
varijabilitet, kod faktorske analize se objašnjava kovarijansa, odnosno onaj deo
ukupnog varijabiliteta koji promenljiva deli sa ostalim promenljivim iz
posmatranog skupa.
3. Analiza grupisanja je metoda za redukciju podataka orjentisana ka entitetima,
koja kombinuje entitete u relativno homogene grupe. Zadatak je identifikacija
manjeg broja grupa, tako da su entiteti koji pripadaju istoj grupi sličniji jedan
drugom, nego oni koji pripadaju različitim grupama.
4. Višedimenzionalno proporcionalno prikazivanje pripada klasi metoda koje su
orjentisane ka entitetima, a koristi mere sličnosti, odnosno razlika između
entiteta u cilju njihovog prostornog prikazivanja.
5. Loglinearni modeli omogućavaju ispitivanje međusobne zavisnosti
kvalitativnih promenljivih koje formiraju višedimenzionalnu tabelu
kontigencije. Ukoliko se jedna od promenljivih može smatrati zavisnom, tada
se na osnovu ocenjenih loglinearnih modela mogu izvesti logit modeli.
36
Pored ovih metoda multivarijacione analize koje su najčešće, u naučnim
istraživanjima pojavljuju se i druge metode i modeli (Dixon & Massey, 1983). U
nastavku poglavlja biće reči o nekim od najznačajnijih metoda multivarijacione
analize.
3.1 Analiza glavnih komponenata
Metoda glavnih komponenata se koristi za redukciju dimenzije podataka, uz
zadržavanje maksimalnog mogućeg varijabiliteta. Ovo može pojednostaviti
analizu, jer se veliki broj pokazatelja svodi na manji broj, a zadržava se dobar deo
informacija, sadržanih u prvobitnom skupu podataka. Na taj način, ne samo da
se smanjuje broj promenljivih u analizi, već se i olakšava razumevanje strukture
fenomena koji se izučava.
Osnovni zadatak metode glavnih komponenata je određivanje linearne
kombinacije originalnih promenljivih koja će imati maksimalan varijabilitet.
Drugi i opštiji zadatak je određivanje nekoliko linearnih kombinacija originalnih
promenljivih koje će, osim toga što imaju maksimalan varijabilitet, biti
međusobno nekorelisane, a pri tome će doći do što je moguće manjeg gubitka
informacija (Bulajić, 2002; Delić, 2003). Primenom ove metode, originalne
promenljive se transformišu u nove promenljive koje se nazivaju glavne
komponente (Rao, 1965).
Prva glavna komponenta se formira tako da obuhvata najveći deo
varijabiliteta originalnog skupa podataka, a naredne se formiraju tako da
obuhvate najveći deo onog varijabiliteta koji nije obuhvaćen prethodnim glavnim
komponentama (Kovačić, 1992). Realizacijom ovih zadataka se postižu dva cilja:
• Redukcija originalnog skupa podataka,
• Olakšavanje interpretacija.
37
Redukcija podataka se sastoji u tome da se višedimenzionalni skup
podataka sumira sa manjim brojem linearnih kombinacija (novih promenljivih).
Ovom redukcijom se postiže i drugi cilj – olakšava se interpretacija kovarijacione
strukture originalnog skupa promenljivih i to na osnovu manjeg broja
međusobno nekorelisanih glavnih komponenata (Bulajić, 2002; Jeremić, 2012).
Neka je X p-dimenzioni slučajan vektor sa kovarijacionom matricom Σ.
Neka je
1 11 1 12 2 1 1... Tp pY X X X Xα α α α= + + + =
linearna kombinacija elemenata vektora X, gde su 11 12 1, , ... pα α α koeficijenti
linearne kombinacije. Poznato je da je 1 1 1 1( ) ( )T TVar Y Var Xα α α= = ∑ . Treba odrediti
vektor koeficijenata 1α , tako da se maksimizira varijabilitet od Y1. Pošto se
Var(Y1) može uvećavati množenjem vektora 1α proizvoljnim skalarom, uvodi se
ograničenje da je vektor koeficijenata jedinične dužine, tj. 1 1 1Tα α = . Problem
maksimiziranja 1 1Tα α∑ pri ograničenju 1 1 1Tα α = se rešava korišćenjem
Lagranžovih množitelja tako što se maksimizira Lagranžova funkcija
1 1 1 1( 1)T Tα α λ α α− −∑ , gde je λ Lagranžov množitelj.
Diferenciranjem funkcije po koeficijentima 1α , i izjednačavanjem sa nulom,
dobija se 1 1 0α λα− =∑ ili ( ) 1 0Iλ α− =∑ , gde je I jedinična matrica dimenzija
pxp. Determinanta Iλ−∑ mora biti jednaka 0 da bi se za 1α dobilo netrivijalno
rešenje, što znači da λ mora biti jedan od karakterističnih korena kovarijacione
matrice Σ. Množenjem sa leve strane gornjeg izraza sa 1Tα dobija se
1 1 1 1 0T Tα α λα α− =∑ .
38
Pošto je 1 1 1 0Tα α − = , sledi da je ( )1 1 1T Var Yλ α α= =∑ . S obzirom da je cilj da
se maksimizira varijabilitet, za λ se uzima najveći karakteristični koren, na primer
λ1. Iz uslova ( ) 1 0Iλ α− =∑ sledi da je 1α odgovarajući karakteristični vektor
pridružen karakterističnom korenu λ1. Njegovim normiranjem ( 1 1 1Tα α = ) dobija
se traženi vektor 1α , a 1 11 1 12 2 1 1... Tp pY X X X Xα α α α= + + + = predstavlja
prvu glavnu komponentu (Bulajić, 2002; Radojičić, 2007).
Ukoliko treba odrediti više glavnih komponenti, postupak se ponavlja, uz
dodatni uslov da kovarijansa prve i druge glavne komponente bude jednaka nuli.
Dodatni uslov nekorelacije prve i druge komponente se svodi na uslov 2 1 1Tα α = .
Na ovaj način se mogu odrediti sve glavne komponente, a ima ih onoliko
koliko ima i različitih karakterističnih korena kovarijacione matrice. Ako su svi
karakteristični koreni matrice Σ međusobno različiti (λ1>λ2>….>λp>0), tada
postoji p glavnih komponenata 1 2, ,... pY Y Y ( , 1...Tj jY X j pα= = ). Vektori
koeficijenata 1 2, ,... pα α α su karakteristični vektori matrice Σ koji su pridruženi
karakterističnim korenima λj.
Iz definicije glavnih komponenata proizlaze sledeće osobine:
• Očekivana vrednost glavnih komponenata je ( ) 0jE Y = ;
• Varijansa ( )j jVar Y λ= ;
• Kovarijansa svakog para glavnih komponenti je jednaka nuli:
( ), 0i jCov Y Y = , i ≠ j;
• Var(Y1) ≥ Var(Y2) ≥….≥ Var(Yp) ≥ 0 (Kovačić, 1992).
Kovarijaciona matrica pruža informaciju o varijabilitetu i kovarijansi
promenljivih, ali na osnovu p(p+1)/2 elemenata. U cilju iskazivanja stepena
varijabiliteta pomoću jednog broja, u višedimenzionalnom slučaju, definiše se
39
sintetički pokazatelj - generalizovana varijansa. Postoje dve alternativne definicije
generalizovane varijanse (Kovačić, 1992). Prema prvoj, češće korišćenoj definiciji,
generalizovana varijansa je determinanta kovarijacione matrice, a prema drugoj,
trag kovarijacione matrice.
Bitno je imati u vidu iznos varijabiliteta originalnih promenljivih koji se
objašnjava zadržanim skupom glavnih komponenata. On pokazuje u kom
stepenu zadržane glavne komponente dobro aproksimiraju varijabilitet svake
originalne promenljive posebno. Na osnovu izraza ortogonalne dekompozicije
kovarijacione matrice ( 'A AΣ = Λ ) sledi da je varijabilitet k-te promenljive:
2 2
1
, 1,2...,p
kk i jkj
k pσ λ α=
= =∑
Doprinos svake glavne komponente varijabilitetu k-te promenljive, jednak
je kvadratu koeficijenata korelacije glavne komponente i te originalne
promenljive. Doprinos svih glavnih komponenata računa se kao suma kvadrata
elemenata u k-tom redu korelacione matrice. Količnik dobijene sume i
odgovarajuće varijanse originalne promenljive predstavlja proporciju varijanse
te promenljive, koja je objašnjena zadržanim glavnim komponentama. Ova
proporcija se naziva komunalitet promenljive. Ako se, umesto kovarijacione,
koristi korelaciona matricu, odmah se dobija proporcija varijanse originalne
promenljive, jer je, standardizacijom promenljivih, vrednost varijanse svedena na
jedinicu.
Moguće je izračunati onoliko glavnih komponenata koliko ima
promenljivih. Ako su u analizi zadržane sve glavne komponente, svaka
promenljiva će biti tačno predstavljena, ali neće doći do smanjenja obima skupa
podataka. U tom slučaju su komunaliteti za svaku promenljivu jednaki jedinici,
jer je glavnim komponentama obuhvaćen ukupan varijabilitet polaznog skupa
podataka. Sve izdvojene glavne komponente mogu biti zadržane u analizi onda
40
kad je potrebno da promenljive, tj. njihove linearne kombinacije, budu
međusobno nekorelisane (Bulajić, 2002; Jeremić, 2012).
3.2 Faktorska analiza
Faktorska analiza, slično kao analiza glavnih komponenata, služi za
identifikaciju relativno malog broja faktora, koji mogu opisati odnose između
grupa promenljivih kada su one međusobno povezane. Obe metode
omogućavaju da se identifikuju dimenzije posmatrane pojave, koje nisu direktno
vidljive. Osnovna razlika je način posmatranja podataka: kod faktorske analize u
razmatranje se uzimaju van-dijagonalni elementi disperzione matrice
(kovarijanse), dok se analiza glavnih komponenata zasniva na dijagonalnim
elementima (varijansama). Faktorska analiza i analiza glavnih komponenata
imaju iste ciljeve i postupak njihovog sprovođenja je sličan (Bulajić, 2002).
Prvi cilj faktorske analize je da zapažene korelacije u podacima, budu
objašnjene pomoću što manjeg broja faktora. Drugi važan cilj je da faktori imaju
neko smisleno značenje. Faktorska analiza, sprovodi se u četiri koraka:
1. Računanje kovarijacione matrice - promenljive koje nisu međusobno
povezane mogu se identifikovati iz matrice. Preko korelacione matrice
može biti ocenjena validnost faktorskog modela. Pošto je jedan od
osnovnih ciljeva da se pronađu oni faktori koji su isti, odnosno zajednički
za više promenljivih, promenljive moraju biti u korelaciji jedna sa drugom.
Ako su korelacije između promenljivih niske, vrlo je verovatno da imaju
malo zajedničkih faktora (Bulajić, 2002; Jeremić, 2012). Pokazatelj jačine
veza između promenljivih je parcijalni koeficijent korelacije. Ako
promenljive dele zajedničke faktore i kada se eliminišu linearni efekti
drugih promenljivih, vrednosti parcijalnih koeficijenata korelacije među
parovima promenljivih bi trebalo da budu male. Kada su pretpostavke
41
faktorske analize ispunjene, koeficijenti korelacije bi trebalo da budu
približni 0.
2. Ekstrakcija faktora - određuje se broj faktora neophodnih za predstavljanje
podataka, kao i metod za njihovu ekstrakciju. Neophodno je odrediti i
koliko kvalitetno izabrani model predstavlja originalne podatke.
3. Rotacija faktora - podrazumeva transformaciju faktora, kako bi se lakše
interpretirali.
4. Računanje faktorskih skorova - za svaku opservaciju i za svaki faktor. Ovi
skorovi se mogu koristiti kao podaci u drugim analizama (Radojičić, 2007).
Osnovna pretpostavka faktorske analize je da su zapažene korelacije
između promenljivih posledica postojanja faktora. Cilj faktorske analize je da
identifikuje faktore koji se ne mogu jednostavno uočiti na osnovu grupe
posmatranih promenljivih. Matematički model je sličan nizu jednačina
višestruke regresije: svaka promenljiva je predstavljena kao linearna kombinacija
faktora, a grupe promenljivih se izražavaju preko faktora. Zajednički faktori su
oni preko kojih se mogu izraziti sve promenljive, dok su jedinstveni oni koji služe
za opisivanje uticaja pojedinih promenljivih, koji nije obuhvaćen zajedničkim
faktorima (Kovačić, 1992).
Neka je X vektor od p promenljivih koje se direktno posmatraju. Model
faktorske analize pretpostavlja da se X može izraziti preko skupa od m zajedničkih
faktora, u oznaci F1,F2,...,Fm ( m<<p), i p specifičnih, u oznaci e1,e2,...,ep (koji se ne
posmatraju direktno). Model se može prikazati u matričnoj notaciji:
( ) ( ) ( ) ( ) ( )1 1 1 1p p p m m pX B F eµ× × × × ×− = +
42
Elementi matrice B, bij su faktorska opterećenja i-te promenljive na j-ti
faktor, a sama matrica naziva je matrica faktorskih opterećenja. Moguće je
definisati sledeće pretpostavke modela:
( ) ( ) ( )0, 'E F Cov F E FF= = = Φ (Razmatramo specifični slučaj Φ = I)
( ) ( ) ( )0, 'E e Cov e E ee= = = Ψ (Dijagonalna matrica)
( ) ( ), ' 0Cov e F E eF= =
Vezu između odstupanja promenljivih od njihove sredine i neopažljivih
faktora, zajedno sa navedenim pretpostavkama, nazivamo model faktorske analize
(Bulajić, 2002). Ovaj model omogućava sledeće razlaganje kovarijacione matrice TBBΣ = + Ψ , gde je Σ - kovarijaciona matrica, B - matrica faktorskih opterećenja,
Ψ - dijagonalna matrica specifičnih faktora.
Kako je ( , )Cov X F B= , znači da su elementi matrice faktorskih opterećenja
kovarijanse između originalnih promenljivih i faktora. Na osnovu razlaganja
matrice kovarijacione strukture, važi da je varijansa i-te promenljive
2
1
m
ijii ij
S B=
= +Ψ∑ , tj. podeljena je na dva dela, prvi 22
1
m
ijij
h B=
=∑ koji predstavlja
varijansu objašnjenu zajedničkim faktorima i naziva se zajednička varijansa ili
komunalitet, a drugi deo je specifična varijansa Ψi (Kovačić, 1992).
3.2.1 Određivanje broja faktora
Da bi se odredio broj faktora, potrebno je ispitati procenat ukupnog varijabiliteta
koji objašnjava svaki od faktora. Ukupna varijansa je suma varijansi svake
promenljive. Faktori su izraženi u standardizovanom obliku, sa srednjom
vrednošću 0 i standardnom devijacijom 1, što važi i za originalne promenljive.
43
Ako postoji n promenljivih, koje su standardizovane i čija je varijansa jednaka 1,
ukupna varijansa će biti n. Ukupna varijansa objašnjena svakim faktorom
predstavlja sopstvenu vrednost korelacione matrice za dati faktor. Za svaki
faktor određuje se procenat ukupnog varijabiliteta koji on obuhvata, kao i
kumulativni procenat objašnjenog varijabiliteta. Faktore su poređani po
opadajućem redosledu procenta objašnjene varijanse.
Jedan od kriterijuma za određivanje broja faktora predlaže uključivanje
onih faktora čija je varijansa veća od 1 (vrednost sopstvene vrednosti veća od 1).
Faktori čija je varijansa manja od jedan nisu bolji od pojedinačnih promenljivih,
pošto svaka promenljiva ima varijansu jednaku jedinici (Momirović & Fajgelj,
1994). Svaki red u matrici faktorskih opterećenja sadrži koeficijente koji se koriste
za izražavanje standardizovanih promenljivih preko faktora i oni ukazuju na to
koliki je stepen važnosti dodeljen svakom faktoru. Faktori sa velikim
koeficijentima (po apsolutnoj vrednosti) za promenljive su usko povezani sa
promenljivima. Kada procenjeni faktori nisu u korelaciji jedni sa drugima, tj.
kada su ortogonalni, faktorska opterećenja su koeficijenti korelacije između
faktora i promenljivih. Korelaciona matrica između promenljivih i faktora se
naziva i matrica strukture (Kovačić, 1992).
Komunalitet je deo ukupnog varijabiliteta promenljive, obuhvaćen
izdvojenim faktorima iz modela, i može da ima vrednosti iz skupa [0,1], gde 0
ukazuje da zajednički faktor ne objašnjava varijansu, a 1 da je ukupna varijansa
promenljive objašnjena zajedničkim faktorima. Varijansa koja nije objašnjena
zajedničkim faktorima odnosi se na jedinstveni faktor i specifična je za svaku
promenljivu.
Kako je pretpostavka faktorske analize je da korelacija između promenljivih
posledica deljenja zajedničkih faktora, procenjena korelacija između faktora i
promenljivih može se koristiti za procenu korelacija između samih promenljivih.
Generalno, ako su faktori ortogonalni, procenjeni koeficijenti korelacije
promenljivih Xi i Xj su:
44
1 1 2 21
...k
ij fi fj i j i j k i k jf
r r r r r r r r r=
= = + + +∑
gde je k broj zajedničkih faktora, rij su korelacije između j-tog faktora i i-te
promenljive (Kovačić, 1992). Proporcija ukupne varijanse objašnjene svakim
faktorom može se izračunati iz faktorske matrice. Proporcija ukupne varijanse
objašnjene Faktorom 1 se izračunava sumiranjem proporcija varijanse svake
promenljive koja je određena Faktorom 1.
3.2.2 Faza rotacije
Iako faktorska matrica, dobijena u fazi ekstrakcije, ukazuje na vezu između
faktora i individualnih promenljivih, obično je teško identifikovati značajne
faktore na osnovu matrice. Većina faktora su u korelaciji sa mnogim
promenljivama. Pošto je jedan od ciljeva da se identifikuju faktori koji su od
velikog značaja (u smislu da sumiraju grupe usko povezanih promenljivih), faza
rotacije faktorske analize nastoji da transformiše početnu matricu u neku koja se
lako interpretira.
Kod modela faktorske analize ne postoji jednoznačno rešenje. Postoji više
matrica faktorskih opterećenja koje generišu istu korelacionu matricu. U cilju
dobijanja takve matrice faktorskih opterećenja koja će olakšati interpretaciju
faktora primenjuje se postupak rotacije, sve dok se ne postigne "jednostavna
struktura". To znači da svaka promenljiva izuzetno visoko opterećuje jedan
faktor, a ima znatno manje opterećenje kod ostalih. Nije uvek lako dostići
potpuno ovakvu strukturu, ali je poželjno biti joj što bliže (Bulajić, 2002). Rotacija
ne utiče na kvalitet rešenja, što znači da iako se faktorska matrica menja,
vrednosti komunaliteta i procenat objašnjene varijanse ostaju isti, mada se
procenat objašnjene varijanse od svakog zasebnog faktora menja. Različite
rotacije mogu da rezultuju identifikovanjem različitih faktora (Radojičić, 2007).
45
Najčešće korišćene metode za ortogonalnu rotaciju faktora su:
• Varimax metoda - nastoji da minimizira broj faktora potrebnih za
objašnjenje promenljive, čime se olakšava interpretacija faktora.
• Quartimax metoda - stavlja akcenat na jednostavnost interpretacije
promenljivih, pošto rešenje minimizira broj faktora potrebnih za
objašnjenje promenljive. Quartimax rotacija često rezultira opštim
faktorima sa visokim i prosečnim vrednostima većine promenljivih.
• Equamax metoda - kombinacija varimax metode koja pojednostavljuje
faktore i quartimax metode koje pojednostavljuje promenljive (Bulajić,
2002; Jeremić, 2012).
Slika 3.1 Rotacija faktora
3.3 Klaster analiza
Klaster analiza (analiza grupisanja) je metoda koja se koristi za grupisanje
entiteta, tako da su entiteti unutar grupe međusobno slični, a između grupa
znatno različiti. Entiteti se grupišu u grupe na osnovu mera bliskosti koje se
definišu na osnovu njihovih karakteristika.
Ciljevi analize grupisanja su:
• Istraživanje podataka - ako ne znamo kako je skup entiteta strukturiran,
analizom grupisanja otkrivamo nepoznatu strukturu;
46
• Redukcija podataka;
• Generisanje hipoteza - a skup podataka nepoznate strukture, analizom
grupisanja formiraju se grupe čiji broj i sastav pomažu u definisanju
hipoteza o strukturi podataka;
• Predviđanje (Anderberg, 1973).
Zadatak klaster analize je vrlo sličan problemu diskriminacione analize, kao
sredstva za klasifikaciju entiteta. Razlika je sledeća: kod diskriminacione analize
grupe su već poznate, a kod klaster analize to nije slučaj.
Svi postupci grupisanja entiteta (Bogosavljević, 1988) mogu se podeliti u
dve grupe:
• Hijerarhijske metode grupisanja (aglomerativne, dividivne, preklapajuće,
fazi metode),
• Nehijerarhijske metode grupisanja (K-mean algoritam, Frogy algoritam, itd.).
Hijerarhijske metode se, u osnovi, sastoje iz iterativnog procesa u kome se
entiteti spajaju u grupe, a u narednoj iteraciji se prethodno formirane grupe
spajaju sa nerazvrstanim entitetima. Tako se jednom formirane grupe zapravo
samo proširuju novim entitetima, bez mogućnosti prelaska entiteta iz jedne
grupe u drugu (Bogosavljević, 1996), dok nehijerarhijske metode dozvoljavaju tu
mogućnost (Delić, Radojičić, & Martinović, 2004; Radojičić et al., 2003; Radojičić,
1994).
Hijerarhijske metode grupisanja se mogu podeliti u dve kategorije, u
odnosu na to da li su zasnovane na iterativnom spajanju (aglomerativne) ili
deljenju grupa i entiteta (dividivne). Aglomerativne metode polaze od
pojedinačnih entiteta koji se udružuju u grupe, a zatim se, u narednim
iteracijama, spajaju prethodno formirane grupe i pojedinačni entiteti. Jednom
formirane grupe ostaju iste, tj. nema mogućnosti prelaska entiteta iz jedne u
47
drugu grupu (Vukmirović, 1992). Metode, koje pripadaju ovoj grupi, nazivaju se
hijerarhijske metode udruživanja. Na početku postupka postoji n grupa sa po jednim
entitetom, a dalje se postupak odvija na sledeći način:
• Na osnovu matrice odstojanja, biraju se dve najbliže grupe i udružuju u
novu grupu (neka su r-ta i s-ta grupa udružene u novu grupu t);
• Određuje se odstojanje ostalih grupa i novoformirane grupe, i ponovo
računa matrica odstojanja;
• Prethodni koraci se ponavljaju n-1 puta, sve dok ne ostane jedna grupa.
Druga grupa metoda ide u suprotnom smeru: polazi se od jedne grupe, u
kojoj se nalaze svi entiteti, i iz nje se izdvajaju po jedan entitet ili grupa sve dok
se ne formira onoliko grupa koliko ima pojedinačnih entiteta. Ove metode se
nazivaju hijerarhijske metode deobe.
Najpopularnije metode grupisanja pripadaju hijerarhijskim metodama
udruživanja, a razlikuju se po tome na koji način određuju međusobnu bliskost
grupa (Vuković, 1987). Grupisanje entiteta zasnovano je na karakteristikama
svakog entiteta. Ako se, na primer, posmatraju dve karakteristike, za grafički
prikaz podataka u cilju određivanja grupa može se koristiti dijagram rasturanja.
Na osnovu njega, grupe se mogu definisati u dvodimenzionalnom prostoru, kao
oblasti sa velikom gustinom tačaka, koje su, oblastima sa malom gustinom
tačaka, razdvojene od drugih grupa. Kada se grupe definišu na osnovu
kriterijuma bliskosti, entiteti unutar grupe treba da budu bliži jedni drugima,
nego entitetima u drugim grupama.
Osim grafičkih metoda, postoje i analitički postupci koji, prema skupu
formalnih pravila, vrše grupisanje entiteta. U osnovi svih ovih metoda nalazi se
matrica podataka, tj. matrica sa n redova (entiteta) i p kolona (promenljivih). Na
osnovu nxp matrice podataka formira se nxn matrica bliskosti (P), čiji elementi
mere stepen sličnosti ili razlike između svih parova entiteta. Na primer, element
prs (r,s = 1,2,...,n) je mera bliskosti između r-tog i s-tog entiteta.
48
Kada se formira matrica bliskosti, bira se metoda grupisanja, koja najviše
odgovara posmatranom problemu (Vukmirović, Vuković, Marković, &
Radojičić, 1994). Kao što je već navedeno, najčešće se koriste hijerarhijske metode
grupisanja, koje daju hijerarhijsku strukturu datog skupa entiteta - hijerarhijsko
drvo ili dendrogram (Bulajić, 2002). Na slici 3.2. je prikazan jednostavan
dendrogram, gde su entiteti označeni brojevima 1,2..5.
Slika 3.2 Dendrogram
3.3.1 Mere sličnosti i razlike između entiteta
Ukoliko je cilj grupisanje entiteta, mera bliskosti iskazuje međusobne razlike i
sličnosti između dva entiteta. Na taj način se meri stepen međusobnog rastojanja
tj. kreira se mera odstojanja između entiteta. Mera bliskosti prs predstavlja meru
razlike entiteta r i s ako su ispunjeni sledeći uslovi:
• Uslov ne-negativnosti: prs > 0 ako se entiteti r i s razlikuju, a prs = 0 ako i
samo ako su entiteti r i s identični;
• Uslov simetričnosti: prs = psr;
• Uslov triangularnosti: prs ≤ prq + pqs, za sve r, s i q.
49
Mera bliskosti prs predstavlja meru sličnosti entiteta r i s ako su ispunjeni
sledeći uslovi:
• Uslov normiranosti: 0 ≤ prs ≤ 1 , za sve r i s;
• prs = 1, samo ako su entiteti identični;
• Uslov simetričnosti: prs = psr (Bulajić, 2002).
Najpoznatija mera razlike (odstojanja) je Euklidska mera odstojanja na bazi
kvantitativnih promenljivih. Na primer, ako su xr i xs r-ti i s-ti red matrice
podataka tada je kvadrat Euklidskog odstojanja:
( )22
1
p
rs rj sjj
d x x=
= −∑
Euklidsko odstojanje je specijalan slučaj odstojanja Minkowskog koje glasi:
1/
1
p
rj sjj
M x x
λλ
=
= − ∑
Odstojanje Minkowskog se, kada je λ = 2, svodi na Euklidsko odstojanje
(Kovačić, 1992). Na osnovu odstojanja Minkowskog se takođe može definisati i
"odstojanje tipa gradskog bloka" (City block) tj. Menhetn odstojanje koje se dobija
za λ = 1. U opštem slučaju, što je λ veće, to je mera odstojanja manje osetljiva na
prisustvo nestandardnih opservacija.
Mahalanobisovo odstojanje je odstojanje koje vodi računa i o kovarijacionoj
strukturi podataka. Naziva se i multivarijaciona mera odstojanja. Ono eliminiše
efekat korelisanosti promenljivih, pa ga ne treba koristiti kada je u analizi upravo
taj efekat bitan za razlikovanje entiteta (Hаdžigаlić, Bоgdаnоvić, Теnjоvić, &
Wоlf, 1994; Kovačić, 1992).
50
3.3.2 Mere sličnosti i razlike između grupa
Način merenja sličnosti ili razlike između grupa upravo je karakteristika po kojoj
se metode analize grupisanja razlikuju. Postoji veliki broj mera sličnosti i razlike,
a najpoznatije su sledeće:
• Jednostruko povezivanje;
• Potpuno povezivanje;
• Prosečno povezivanje;
• Metod centroida i
• Wardov metod (metod minimalne sume kvadrata).
Jednostruko povezivanje definiše odstojanje između dve grupe kao najmanje
odstojanje parova entiteta iz posmatranih grupa. Potpuno povezivanje definiše
odstojanje kao najveće odstojanje između parova entiteta, dok se prema
prosečnom povezivanju odstojanje između dve grupe određuje na osnovu
prosečnog odstojanja svih parova entiteta iz dve posmatrane grupe (Bulajić, 2002;
Jeremić, 2012).
Neka se posmatraju dve grupe entiteta (r i s) koje sadrže nr i ns entiteta, i
neka su opservacije p promenljivih za nr entiteta u r-toj grupi xrjm (j=1,2,...p;
m=1,2,...nr), a za ns entiteta u s-toj grupi xsjm. Ako se centroidi r-te grupe označe
sa x’r = [xr1*,xr2*,...xrp*] i centroidi s-te grupe sa x’s = [xs1*,xs2*,…xsp*], tada se prva
mera odstojanja između ove dve grupe može definisati kao:
2 2* *
1
( )p
rs rj sjj
d x x=
= −∑
Pošto postoji ukupno nrns odstojanja između dve grupe, druga mera
odstojanja definiše meru ukupnog odstojanja između dve grupe kao 2r s rsn n d , a
prosečno rastojanje je 2 / ( )r s rs r sn n d n n+ . Može se pokazati da je ova mera
51
odstojanja između grupa ekvivalentna promeni u sumi kvadrata unutar grupa
do koje je došlo zbog udruživanja r-te i s-te grupe (Bulajić, 2002; Jeremić, 2012).
Suma kvadrata odstupanja opservacija od svoje srednje vrednosti, tj. suma
kvadrata unutar grupe, za r-tu grupu definiše se kao:
( )2
*1 1
rn p
r rjm rjm j
SKW x x= =
= −∑∑
dok je za s-tu grupu:
( )2
*1 1
sn p
s sjm sjm j
SKW x c= =
= −∑∑
Kada se ove dve grupe udruže dobija se kombinovana grupa (na primer t).
Ako bi se posmatrala odstupanja opservacija grupe t od novog centroida x’t =
[xt1*,xt2*,...xtp*] dobija se nova suma kvadrata unutar grupe t:
( )2
*1 1
r sn n p
t tjm tjm j
SKW x x+
= =
= −∑∑
Pri udruživanju r-te i s-te grupe, povećava se ukupna suma kvadrata unutar
grupe, data izrazom SKWt – (SKWr + SKWs), i ekvivalentna je prosečnom
odstojanju između grupa (nrnsdrs2/(nr+ns)). Do ove relacije se dolazi ako se
uspostavi veza između analize varijanse i određivanja odstojanja između grupa
(Radojičić, 2007). Ukupna suma kvadrata unutar kombinovane grupe t (SKWt)
se, kao ukupna suma kvadrata u analizi varijanse, razlaže na dva dela: sumu
kvadrata unutar grupa (SKWr+SKWs) i sumu kvadrata između grupa (SKBt).
Suma kvadrata između grupa dobija se na sledeći način:
52
( ) ( )
( )
2 2
* * * *1
2
* *1
2
( )
( )
p
t r rj tj s sj tjj
pr s
t rj sjjr s
r st rs
r s
SKB n x x n x x
n nSKB x x
n n
n nSKB d
n n
=
=
= − + −
= −+
=+
∑
∑
Druga mera odstojanja je ekvivalentna sumi kvadrata između grupa, tj.
priraštaju u sumi kvadrata unutar grupa do koga je došlo udruživanjem r-te i
s-te grupe. Osnovu Wardove metode hijerarhijskog udruživanja predstavlja
upravo ova druga mera odstojanja (Radojičić, 2007).
Kada se formira nova grupa, potrebno je izračunati odstojanja između nje i
ostalih grupa:
2 2 2 2 2 2tu r ru s su rs ru sud d d d d dα α β γ= + + + −
gde je t novoformirana grupa, u jedna od ostalih grupa (različita od r i s), a
, , i r sα α β γ su koeficijenti koji zavise od toga koji se metod udruživanja koristi.
U gornjem izrazu korišćen je kvadrat Euklidskog odstojanja, što je obavezno
samo ako se koristi metod centroida ili Wardov metod (Radojičić, 2007). Za ostale
metode mogu se koristiti neke druge mere odstojanja između grupa.
Vrednosti koeficijenata , , i r sα α β γ , u zavisnosti od korišćene mere
odstojanja između grupa su (Bulajić, 2002):
• Jednostruko povezivanje: 1 1, 0,
2 2r sα α β γ= = = = −
• Potpuno povezivanje: 1 1, 0,
2 2r sα α β γ= = = =
• Prosečno povezivanje: , , 0srr s
r s r s
nn
n n n nα α β γ= = = =
+ +
53
• Metod centroida: 2, , , 0
( )s r sr
r sr s r s r s
n n nn
n n n n n nα α β γ= = = − =
+ + +
• Wardov metod: , , , 0r u s u ur s
t u t u t u
n n n n n
n n n n n nα α β γ+ += = = − =
+ + +
3.3.3 Određivanje broja grupa (klastera)
Na osnovu dendrograma moguće je formirati izvedenu matricu odstojanja, do čijih
elemenata se dolazi tako što se svim parovima entiteta iz dve različite grupe koje
se udružuju u jednu, pripisuje ista vrednost odstojanja, ona pri kojoj su udruženi
u dve grupe. Međusobnim poređenjem odgovarajućih elemenata originalne i
izvedene matrice odstojanja može se utvrditi u kom stepenu formirane grupe
predstavljaju dobro rešenje problema grupisanja (Bulajić, 2002; Jeremić, 2012;
Radojičić, 2007).
Slika 3.3 "Presek" dendrograma - podela na odgovarajući broj grupa
54
Kako bi se odredio broj grupa, grafički prikaz hijerarhijskog grupisanja
(dendrogram) može se "preseći" na određenoj visini, tako da se dobije željeni broj
grupa (slika 3.3). Problem izbora broja grupa se može rešiti praćenjem vrednosti
mere odstojanja pri kojoj se dve grupe udružuju. Krećući se od prvog ka n-1
koraku, vrednost mere odstojanja će rasti, i to u početku sporije, a kasnije brže tj.
eksponencijalno. Ako se u okolini očekivanog broja grupa zabeleži velika
promena vrednosti mere odstojanja, tada se broj grupa koji je prethodio
definisanom koraku proglašava optimalnim.
3.4 Analiza obavijanja podataka (DEA)
Analiza obavijanja podataka (Data Envelopment Analysis – DEA) je jedna od
najpoznatijih metoda za merenje efikasnosti entiteta (Martić, 1999; Savić, 2011).
Ona omogućava analizu efikasnosti posmatranih entiteta, uzimajući u obzir
kombinacije različitih ulaznih i izlaznih promenljivih (Charnes, Cooper, &
Rhodes, 1978). Posebno se ističe u problematici merenja efikasnosti entiteta koji
za kreiranje različitih tipova izlaza koriste različite tipove ulaza. DEA je danas
vodeća metoda za merenje performansi entiteta, koji se u okviru ove metode
nazivaju organizacione jedinice (Savić, 2011). U DEA metodi, organizacione
jedinice se definišu kao jedinice odlučivanja - DMU (Decision Making Unit).
DEA metoda je prvobitno razvijena za evaluaciju efikasnosti neprofitnih
organizacija. Za njih je bilo teško izmeriti izlaze, pa samim tim i definisati realnu
meru efikasnosti (Martić, 1999). Kada se procenjuju performanse organizacionih
jedinica, efikasnost se može meriti kroz odnos ostvarenih izlaza i ulaza
upotrebljenih za proizvodnju tih izlaza. Tako DEA, pri komparativnoj analizi
efikasnosti, uzima u obzir sve relevantne ulaze i izlaze iz sistema, bez obzira na
tehnologiju pretvaranja ulaza u izlaze (Jeremić, 2012). Kod DEA metode bitno je
da svaka DMU koristi ulaze iste vrste I transformiše ih u iste izlaze (Savić, 2011).
Nije neophodno da ulazi i izlazi budu istog tipa i mogu se koristiti raznorodni
55
ulazi i izlazi, ali je neophodno da sve posmatrane jedinice imaju iste ulaze i izlaze.
Zbog svoje fleksibilnosti, ova metoda je široko primenljiva, kako u profitnim,
tako i u neprofitnim organizacijama.
3.4.1 Merenje efikasnosti pomoću analize obavijanja podataka
Za ocenjivanje efikasnosti entiteta4, najčešće je neophodno razmatrati više ulaza
i izlaza koji se izražavaju u različitim mernim jedinicama. Zato je neophodno
definisati sumarni pokazatelj efikasnosti, koji će uzeti u obzir sve ulaze koji su
korišćeni za realizaciju odgovarajućih izlaza (Jeremić, 2012; Savić, 2011).
Osnovna formula za efikasnost ima sledeći oblik:
Težinska Suma IzlazaEfikasnost =
Težinska Suma Ulaza
Da bi se odredila efikasnost entiteta, neophodno je agregirati posmatrane
ulaze (izlaze) u jedan virtuelni ulaz (izlaz). Tokom ovog procesa javljaju se brojni
problemi:
• Skaliranje ulaznih i izlaznih podataka u opseg vrednosti koje su
međusobno uporedive (normalizacija);
• Određivanje relativnih važnosti pojedinih ulaza odnosno izlaza
(dodeljivanje težinskih koeficijenata - ponderisanje), itd.
Ukoliko se fiksira skup težinskih koeficijenata, moguće je, na jednostavan
način, izračunati efikasnost svakog od posmatranih entiteta/organizacionih
jedinica. Tako izračunate efikasnosti mogu se koristiti kao kriterijum za
4 Kod DEA metode, entiteti su uglavnom organizacije
56
određivanje redosleda jedinica. Redosled naravno zavisi od vrednosti ulaza i
izlaza entiteta koji se evaluiraju, ali takođe i od vrednosti pondera. U praksi je
često veoma teško jedinstveno vrednovati ulaze i izlaze, i doći do zajedničkog
skupa težinskih koeficijenata, jer pojedine jedinice daju različite stepene važnosti
svojim ulazima i izlazima. Charnes i drugi (Charnes et al., 1995) su pretpostavili
da pri oceni efikasnosti entiteta ne mora da postoji objektivan postupak za
određivanje vrednosti pondera. Međutim, koraci koji su neophodni su: definisati
koji su to ulazi i izlazi koje treba uzeti u obzir, i koje su minimalne dozvoljene
(minimalne fiksirane) vrednosti za pondere.
Kod DEA metode, svaka jedinica može da odredi vrednosti pondera na
način koji njoj najviše odgovara, sa ciljem da maksimizira svoju efikasnost
(Andersen & Petersen, 1993). Na osnovu podataka o ulazima i izlazima, DEA
metoda ocenjuje da li je neka DMU efikasna ili nije. DEA formira linearnu
aproksimaciju granice efikasnosti, bazirane na posmatranom skupu entiteta
(konstruiše se linija oko tačaka koja ih obavija – "obvojnica" (envelope)). Granica
efikasnosti pokazuje koliki je maksimum izlaza, koji svaki entitet može ostvariti
sa datim ulazima. Ona se ponaša kao obvojnica za neefikasne entitete.
DEA analizira svaku jedinicu posmatranja, i proverava da li je njene ulaze
moguće obavijati odozdo (dati izlaz moguće je postići sa manjom količinom
ulaza), ili je moguće njene izlaze obavijati odozgo (sa datim ulazom moguće je
proizvoditi veći izlaz). Ako je moguće jedinicu obavijati ona je relativno
neefikasna, a ako se ne obavija, ona onda učestvuje u formiranju granice
efikasnosti, koja ovde predstavlja ekvivalent za graničnu funkciju proizvodnje
(Amado, Santos, & Marques, 2012; Savić, 2011). DEA metoda tako svaku DMU
procenjuje kao relativno efikasnu ili relativno neefikasnu. Charnes i drugi
(Charnes et al., 1978) navode da se jedna DMU može okarakterisati kao efikasna
samo ako nisu ispunjena sledeća 2 uslova:
• Moguće je povećati joj bilo koji izlaz, bez povećanja bilo kog od ulaza i bez
smanjenja bilo kog drugog izlaza;
57
• Moguće je smanjiti joj bilo koji ulaz, bez smanjenja bilo kog od izlaza i bez
povećanja bilo kog drugog ulaza (Martić, Petrović, & Radojičić, 1997).
Nivo neefikasnosti određuje se poređenjem sa jednom referentnom DMU,
ili sa konveksnom kombinacijom drugih referentnih DMU koje se nalaze na
granici efikasnosti i koje koriste proporcionalno isti nivo ulaza, a proizvode
proporcionalno isti ili veći nivo izlaza (Athanassopoulos & Curram, 1996;
Jeremić, 2012). Osobine DEA metode koje se posebno ističu su:
• Određuje se pojedinačna mera za svaku DMU, na osnovu vrednosti
ulaznih faktora pri proizvodnji željenih izlaza;
• Fokus je na pojedinačnim opservacijama nasuprot populacionim
usrednjavanjima;
• Potpuno jednaki kriterijumi se primenjuju u ocenjivanju svake DMU;
• Ukazuje se na potrebne promene ulaza i/ili izlaza da bi DMU bio ispod
granice efikasnosti (Bulajić, Savić, & Savić, 2011; Martić, 1999; Savić, 2011).
3.4.2 Osnovni DEA modeli
Charnes i drugi (Charnes et al., 1978) razvili su osnovne DEA modele, koji su
tokom godina bili modifikovani i donekle prošireni. Pri selekciji DMU treba
voditi računa o sledećim pretpostavkama:
• Teži se smanjenju ulaza i povećanju izlaza – skor efikasnosti treba da
odražava ovaj princip;
• Podaci o ulazima i izlazima su raspoloživi za svaki ulaz i izlaz, i imaju
pozitivne vrednosti za svaku DMU;
• Ulazi i izlazi mogu biti izraženi u različitim mernim jedinicama (Martić,
1999).
58
Neka su poznati podaci o angažovanim ulazima i realizovanim izlazima za
svaku od n DMU, čiju efikasnost treba proceniti. Neka je ijx - iznos ulaza i-te vrste
za ( )0, 1,2,... , 1,2,...j ijDMU x i m j n> = = , a rjy - iznos izlaza r-te vrste za
( )0, 1,2,... , 1,2,...j rjDMU y r s j n> = = . Charnes i drugi (Charnes et al., 1978) su
predložili da se za svaku kDMU 1,2,...k n= reši optimizacioni zadatak (CCR racio
model):
CCR racio model
( ) 1
1
s
r rkr
k m
i iki
yMax h
x
µ
υ=
=
=∑
∑
p.o.
1
1
1
s
r rjr
m
i iji
y
x
µ
υ=
=
≤∑
∑ 1, 2,...j n=
0rµ ≥ 1, 2,...r s=
0iυ ≥ 1, 2,...i m=
gde su: hk - relativna efikasnost k-te DMU, n - broj DMU koje treba porediti,
m - broj ulaza, s - broj izlaza, µr - težinski koeficijent za izlaz r, υi - težinski
koeficijent za ulaz i (Martić & Savić, 2001).
Ponderi µr i υi pokazuju stepene važnosti svakog ulaza i izlaza. Svaka
jedinica određuje vrednosti pondera tako da bude što više efikasna. Jedinica se
smatra efikasnom ako ne postoji neka druga jedinica koja sa istim angažovanim
ulazima kreira veći izlaz. Osnovni cilj svake jedinice je, dakle, da kroz slobodno
59
izabrane pondere za ulaze i izlaze, maksimizira svoju efikasnost. Pri tome,
neophodno je zadovoljavati uslov da je za svaku organizacionu jedinicu odnos
težinske sume izlaza i težinske sume ulaza manji ili jednak 1 (CCR racio model).
Relativna efikasnost kh za kDMU je definisana kao odnos težinske sume
njenih izlaza (virtuelni izlaz) i težinske sume njenih ulaza (virtuelni ulaz). U
modelu se teži maksimizaciji vrednosti kh ; ovo se ostvaruje kroz subjektivno
dodeljivanje pondera upravljačkim promenljivim µr i υi (Jeremić, 2012; Martić,
1999; Savić, 2011). Jedna od osnovnih pretpostavki je konstantni prinos na obim,
odnosno da povećanje vrednosti angažovanih ulaza treba da rezultuje u
proporcionalnom povećanju ostvarenih izlaza (Guan & Chen, 2012). Pošto i za k-
tu DMU, za koju se traži maksimalna efikasnost, važi uslov 0iυ ≥ , 1, 2,...i m= ,
očigledno da važi 0 < kh ≤1. Ako je vrednost za kh u funkciji cilja jednaka 1, onda
je k-ta DMU relativno efikasna, a ako je manja od 1, kDMU je relativno neefikasna
i vrednost kh pokazuje za koliko procentualno ova jedinica treba da smanji svoje
ulaze (Savić, 2011). Uslov dat u relaciji 0iυ ≥ , 1, 2,...i m= , važi za sve DMU i
označava da svaka od njih leži na ili ispod granice efikasnosti. Sledeća
ograničenja označavaju da težinski koeficijenti mogu imati samo nenegativne
vrednosti:
rµ ε≥ 1, 2,...r s=
iυ ε≥ 1, 2,...i m=
gde je: ε – proizvoljno mala pozitivna vrednost.
Obzirom da je broj DMU koje se ocenjuju uglavnom dosta veći od ukupnog
broja ulaza i izlaza, u praksi se, najčešće rešava njegov dualni model. Dualni CCR
DEA model (Savić, 2011) je sledeći:
60
Dualni CCR DEA model
( )1 1
s m
k r ir i
Min Z s sε + −
= =
− + ∑ ∑
p.o.
1
n
j r j r r kj
y s yλ +
=
⋅ − =∑ 1, 2,...,r s=
1
0n
k ik j ij ij
Z x x sλ −
=
⋅ − − =∑ 1, 2, ...,i m=
, , 0j r is sλ + − ≥ 1, 2,...,j n= 1, 2,...,r s= 1, 2, ...,i m=
gde je kZ -neograničeno.
Funkcija cilja pokazuje sa kojom minimalnom vrednošću ulaza je moguće
ostvariti sadašnji izlaz posmatrane jedinice. Promenljiva kZ naziva se faktor
intenziteta. Osnovno je odrediti koji procentualni iznos smanjenja ulaza treba da
pretrpi posmatrana jedinica kako bi postala efikasna. Dualne promenljive rs+ i is−
pokazuju koliko je moguće da k-ta DMU pojedinačno smanji i-ti ulaz i poveća r-
ti izlaz da bi postala efikasna. U ovom modelu dualna promenljiva jλ predstavlja
dualni težinski koeficijent, koji pokazuje važnost koja je dodeljena
( )1, 2,...,jDMU j n= pri definisanju ulazno-izlaznog miksa hipotetičke
kompozitne jedinice sa kojom će se kDMU direktno porediti. Vrednosti za
promenljive ( )1, 2,...,j j nλ = se biraju tako da svaki od s izlaza hipotetičke
kompozitne jedinice 1
, 1,2,...,n
j rjj
y r sλ=
⋅ =
∑ ne bude manji od odgovarajućeg
stvarnog izlaza kDMU , a da svaki od ulaza kompozitne jedinice
61
1
, 1,2,...,n
j ijj
x i mλ=
=
∑ ne bude manji od odgovarajućeg stvarnog ulaza kDMU
(Savić, 2011). Ako od svih ( )1, 2,...,j j nλ = , samo kλ ima pozitivnu vrednost onda
je faktor intenziteta 1kZ = , što znači da je kDMU angažovala minimalnu količinu
ulaznih faktora i granična je tačka (u suprotnom, k-ta DMU je neefikasna).
Organizacione jedinice sa pozitivnom vrednošću jλ nazivaju se referentne za k-
tu DMU. Najkraće rastojanje između neefikasne DMU i granice efikasnosti je
upravo rastojanje do kompozitne jedinice. Dakle, ako je 1kZ < , onda je kDMU
relativno neefikasna i treba proporcionalno za ( )1 100kZ− ⋅ % da smanji sve ulaze
da bi postala efikasna sa postojećim nivoom izlaza. Za svaku ( )1, 2,...,jDMU j n=
uzetu kao kDMU se rešava odgovarajući problem linearnog programiranja, gde
je kDMU efikasna ako i samo ako su za optimalno rešenje ( )* **, , , *ks s Zλ + −
problema Dualni CCR DEA model ispunjeni uslovi:
* 1kZ =
* * 0s s+ −= =
tj. potreban uslov je da je faktor intenziteta te DMU jednak 1, a neophodno je i da
su sve dopunske promenljive jednake 0. Ako je faktor intenziteta 1, a neka od
dopunskih promenljivih pozitivna, kDMU nije efikasna granična tačka.
BCC model meri čistu tehničku efikasnost - daje meru efikasnosti koja
ignoriše uticaj obima poslovanja tako što se k-ta DMU poredi samo sa drugim
jedinicama sličnog obima. Efikasnost obima (scale efficiency), koja pokazuje da li
posmatrana jedinica posluje sa optimalnim obimom operacija, može se dobiti
kada se mera efikasnosti koju daje CCR model (ukupna tehnička efikasnost)
podeli sa merom efikasnosti koju daje BCC model (čista tehnička efikasnost). U
odnosu na primalni CCR model, primalni BCC model sadrži dodatnu
62
promenljivu u* koja definiše položaj pomoćne hiper-ravni koja leži na ili iznad
svake DMU uključene u analizu (Martić, 1999). Ovako definisan matematički
model proverava da li je k-ta DMU postigla željeni nivo izlaza sa minimalnim
angažovanjem ulaza, pa se od svih mogućih hiper-ravni koje prekrivaju sve
DMU, bira se ona kod koje je horizontalno rastojanje od posmatrane DMU do
hiper-ravni najmanje.
Ako je u* = 0, onda se BCC model svodi na CCR model. Primalni BCC DEA
model ima sledeći oblik:
Primalni BCC DEA model
( )1
*s
k r rkr
Max h y uµ=
= +∑
p.o.
1
1m
i i ki
xν=
=∑
1 1
* 0s m
r rj i ijr i
y x uµ ν= =
− + ≤∑ ∑ 1, 2,...,j n=
rµ ε≥ 1, 2,...,r s=
iν ε≥ 1, 2, ...,i m=
Ideja na kojoj se zasnivaju BCC modeli lakša je za razumevanje na dualnom
DEA modelu. Dualni BCC model se dobija ako se u dualni CCR model doda
ograničenje konveksnosti 1
1n
jj
λ=
=∑ .
Cilj razmatranih modela je da minimiziraju ulaze potrebne za proizvodnju
određene količine izlaza, i oni se najčešće nazivaju ulazno orijentisani modeli.
63
kDMU se smatra relativno neefikasnom ako joj je moguće smanjiti bilo koji ulaz
bez smanjenja bilo kog izlaza i bez uvećanja nekog od preostalih ulaza.
Neefikasna jedinica može postati efikasna ako smanji svoje ulaze, dok se njeni
izlazi ne menjaju (Thanassoulis, Kortelainen, & Allen, 2012). Nasuprot ulaznoj
orijentaciji, u izlazno orijentisanom modelu cilj je da se maksimizira izlaz pri
zadatom nivou ulaza. Neefikasna jedinica ovde postaje efikasna kroz povećanje
svojih izlaza. kDMU je relativno neefikasna ako joj je moguće povećati bilo koji
izlaz bez povećanja bilo kog ulaza i smanjenja nekog od preostalih izlaza.
Osim ove dve orijentacije modela postoje i neorijentisani ili kombinovani
modeli, gde se razmatra mogućnost simultanog smanjenja ulaza i povećanja
izlaza, da bi posmatrana jedinica postala efikasna.
64
4 IVANOVIĆEVO ODSTOJANJE
Ivanovićevo odstojanje (I-odstojanje) je kompozitni indikator, koji agregira više
pojedinačnih pokazatelja u jedan indikator, obezbeđujući na taj način merenje
višekriterijumskih pojava. Samo I-odstojanje se zasniva na merenju
višedimenzionalnih odstojanja između entiteta, na taj način da se izbegnu
dupliciteti informacija koje nosi niz srodnih indikatora.
Za merenje performansi entiteta i uspostavljanje međusobnih odnosa
između složenih pojava (sistema) mogu se koristiti različite promenljive, gde
svaka promenljiva delimično opisuje performanse entiteta (Bulajić, Savić, Savić,
Mihailović, & Matrić, 2011; Bulajić, 2002; Jeremic & Jovanovic Milenkovic, 2014;
Jeremić, 2012; Jovanovic Milenkovic, Jeremic, & Martic, 2014). Glavni problem je
da li se kombinovanjem tih promenljivih iz skupa X (promenljivih), može
formirati jedan potpuniji indeks za merenje performansi entiteta. Ako je faktor F
merljiva veličina i ako se njena vrednost izračunava preko skupa obeležja X,
moguće je odrediti rang listu elemenata skupa P u odnosu na F (Bogosavljević,
1997; Ivanović, 1972, 1977), tj. mogao bi da se uspostavi rang, a ujedno i
međusobni odnosi između entiteta.
Postoje brojne prepreke koje otežavaju formiranje jednog takvog indeksa.
Promenljive koje mere performanse entiteta, često su iskazane u različitim
jedinicama mere, pa se ne može jednostavno odrediti jedan sintetički broj koji bi
apsolutno iskazivao "veličinu". Zato bi se u skupu posmatranih entiteta mogao
odrediti jedan globalni indeks "veličine" jedino kao relativni odnos tog entiteta
prema ostalim entitetima posmatranog skupa (Bulajic, Jeremic, Knezevic, &
Zarkic Joksimovic, 2013; Dobrota, Petrovic, Cirovic, & Jeremic, 2013; Mihailovic,
Bulajic, & Savic, 2009; Radojičić, Janić, & Vukmirović, 1995).
Osim toga, neke promenljive sadrže veću, a neke manju količinu
informacija o veličini entiteta, što znači da nemanju sve isti značaj. Problem koji
se posmatra je na koji način izvršiti izbor promenljivih i kako ih ponderisati da
65
bi se izbeglo da neka od njih dobiju suviše veliki značaj. Takođe treba voditi
računa o varijabilitetu svake promenljive (Birch, 1964; 1965). Odstupanje između
dva entiteta, koje postoji u odnosu na jednu promenljivu, značajnije je ukoliko je
njegova varijansa u posmatranom skupu entiteta manja. Kako su promenljive u
određenoj meri zavisne, informacija koju pruža jedna promenljiva, biće
delimično sadržana i u ukupnoj informaciji koju pružaju ostale promenljive
(Bogosavljević, 1985).
I-odstojanje definisano je sa idejom da se izbegnu dupliciteti informacija
koje nosi niz srodnih promenljivih (Ivanović, 1977). Neka je X = x1, x2, ..., xk
izabrani skup promenljivih, a E = e1, e2, ..., en skup entiteta koji se upoređuju na
osnovu "veličine". Moguće je uočiti ma koja dva entiteta er i es i uporediti njihove
odgovarajuće vrednosti svih obeležja iz X. Ako su sve razlike tih vrednosti
jednake nuli, tada nema razlike u "veličini" ova dva entiteta. Ovo se može
promeniti ako se u skup X uvede još promenljivih. Ako prethodno navedeno važi
za ceo skup X, usvojiće se da su za svako xi (i∈{1,2,...k}⇒ xir = xis) entiteti er i es
iste "veličine". Ako je bar jedna od tih razlika različita od nule, ne može se tvrditi
da su entiteti jednake "veličine". Razlika di(r,s) = xir – xis, definiše diskriminacioni
efekat promenljive Xi u uređenom paru entiteta ⟨er,es⟩. Diskriminacioni efekat
skupa promenljivih X je vektor dx(r,s) = ⟨d1(r,s),...,dk(r,s)⟩, dok matrica:
0 (1,2) (1, )
(1,2) 0 (2, )( )
0
(1, ) (2, ) 0
x x
x xx
x x
d d n
d d nd P
d n d n
− = − −
L
L
M M M
L
predstavlja efekat diskriminacije od X u E.
Neke promenljive otežavaju problem rangiranja ili grupisanja prema
"veličini". Ako bi se za svaku posmatranu promenljivu poredile odgovarajuće
vrednosti za dva entiteta er i es, može se desiti da jedan posmatrani entitet bude
66
veći od drugog u odnosu na jednu, a manji u odnosu na druge promenljive
(Bulajić, Savić, & Savić, 2012; Radojičić, Stеfаnоvić, & Vukmirović, 1998).
Iako nije moguće jednostavno konstruisati globalni indeks koji bi apsolutno
predstavljao "veličinu" entiteta, moguće je odrediti relativni položaj jednog
entiteta u odnosu na ostale iz posmatranog skupa E. Tako se dolazi do pojma
"odstojanja" između dva entiteta u odnosu na njihovu "veličinu".
Ovako definisano odstojanje treba da zadovolji određene uslove. Neka je
D(r,s) odstojanje između elemenata er i es. Svaki entitet je moguće predstaviti
tačkom n-dimenzionalnog prostora. Da bi taj prostor bio merljiv, potrebno je da
odstojanje zadovoljava sledeće uslove (Bogosavljević, 1985; Bulajić, 2002; Jeremić,
2012; Radojičić, 2007):
• Nenegativnost - odstojanje je nenegativan realan broj, D(r,s)≥0 i D(r,r)=0;
• Komutativnost - odstojanje između еr i еs jednako je odstojanju između еs i
еr, D(r,s)=D(s,r);
• Triangularnost - za ma koja tri entiteta es, er i eq, mora da važi: D(r,s) + D(s,q)
≥ D(r,q);
• Uslov homogenosti - odstojanje između dva entiteta je homogena funkcija
razlika između odgovarajućih vrednosti izabranih promenljivih. Zato je
D(r,s) = 0 ako i samo ako su sve te razlike jednake nuli;
• Uslov rasta - odstojanje je neopadajuća funkcija svih razlika;
• Uslov varijabiliteta - razlike di(r,s), i∈{i,...k} treba da budu tako ponderisane
da je njihovo učešće u odstojanju D(r,s) obrnuto srazmerno standardnoj
devijaciji odgovarajućih promenljivih Xi, i∈{1,...k}. Razlike di(r,s)
pojavljivaće se u obliku:
2
2
( , )( , ) ili ii
i i
d r sd r s
σ σ
67
• Anuliranje dupliciteta u informaciji - odstojanje D(r,s) bi trebalo konstruisati
tako da ponavljanja budu isključena i da samo čist deo informacije svake
promenljive učestvuje u računanju ukupne vrednosti odstojanja.
• Uslov asimetrije - pošto nemaju sve promenljive isti značaj, potrebno je da
se odredi njihov redosled prema količini informacije koju one pružaju.
Odstojanje će se konstruisati tako da snižavanju ranga jedne promenljive
odgovara smanjenje njenog učešća u odstojanju i to za onu količinu
informacije koju daju promenljive višeg ranga.
• Uslov nezavisnosti - ako su sve promenljive među sobom nezavisne neće
doći do ponavljanja istih količina informacija. Zato bi tada izraz za
odstojanje trebalo da ima oblik:
22
21 1
ili k k
i i
i ii i
d (r,s) d (r,s)D(r,s) D (r,s)
σ σ= =
= =∑ ∑
• Uslov linearne zavisnosti - ako između svih promenljivih postoji linearna
zavisnost, izraz za odstojanje će se svesti na:
21 2 1
21 1
ili d (r,s) d (r,s)
D(r,s) D (r,s) σ σ
= =
• Uslov nezavisnih grupa - ako je jedna grupa od m promenljivih nezavisna
od preostalih k-m promenljivih, potrebno je da važi: Dk(r,s) = Dm(r,s) + Dk-
m(r,s). Ukoliko odstojanje između entiteta еr i еs ispunjava ovaj uslov,
moguće ga je izračunati nezavisno, jednom na osnovu prvih m
promenljivih, a jednom na osnovu preostalih k-m promenljivih.
Odstojanje, koje je bazirano na svih k promenljivih, biće jednako zbiru
prethodna dva.
• Nezavisnost od početka – moguće je konstruisati dva fiktivna entiteta e+ i e-
čije su odgovarajuće vrednosti promenljivih Xi+ i Xi- proizvoljno izabrane,
68
ali tako da je za svaki posmatrani entitet i svaku izabranu promenljivu
važi:
{ }1i ir iX X X i ,...k− +≤ ≤ ∈
• Tehnički uslov - ako je na osnovu k promenljivih, izračunato odstojanje
Dk(r,s) između entiteta еr i еs, i ako se naknadno doda još jedna
promenljiva, poželjno je da novo odstojanje Dk+1(r,s) bude jednako zbiru
prethodnog odstojanja i jedne dodatne veličine koja odgovara uticaju nove
promenljive Xk+1. Treba da važi Dk+1 = Dk + Zk+1, gde je Zk+1 dodatak koji
se odnosi na novu promenljivu. Za dobijanje vrednosti Dk+1, dovoljno je
izračunati samo Zk+1 i tome dodati već poznatu vrednost Dk.
Neka je izabrano k promenljivih i n entiteta opisanih tim promenljivim.
Preko elemenata korelacione matrice ijr = R između promenljivih, moguće je
izračunati parcijalne koeficijente korelacije (Bulajić, 2002):
( )( ).2 2
{ , } {1,... } { , }1 1
ij jt itji t
jt it
r r rr i j j i k t j i
r r
−= > ∈ ∉
− −
Iterativnim postupkom moguće je izračunati i sledeće parcijalne
koeficijente korelacije (Radojičić, 2007):
( )( )22...12.,1
22...12.,1
2...12.,12...12.,12...12.1...12.
11 −−−−
−−−−−−
−−
−=
jjjjij
jjjjijjjijji
rr
rrrr
Na taj način se formira matrica parcijalnih korelacija (Jeremić, 2012):
69
12 13 1
12 23.1 2 .1
. 13 23.1 3 .12
1 2 .1
1
1
1
1
1
k
k
k
k k
r r r
r r r
r r r
r r
=
R
L
L
L
M M M M
L L
Za određeni vektor promenljivih ( )1 2, ,...,TkX X X X= koje opisuju
posmatrane entitete, I-odstojanje između dva entiteta ( )1 2, ,...,r r r kre x x x= i
( )1 2, ,...,s s s kse x x x= se definiše kao:
( ) ( )1
.12... 11 1
,( , ) 1
iki
ji ji ji
d r sD r s r
σ
−
−= =
= −∑ ∏
gde je ( ),id r s odstojanje između vrednosti promenljivih iX entiteta re i se , tj.
diskriminacioni efekat:
( ),i ir isd r s x x= − , { }1,...i k∈
iσ je standardna devijacija od iX , a .12... 1ji jr − je parcijalni koeficijent korelacije
između iX i jX , ( )j i< , (Ivanovic, 1973).
I-odstojanje se formira postupno: počinje se integracijom celokupnog
diskriminacionog efekta promenljive X1, tj. promenljive koja sadrži najveću
količinu informacije o entitetu koji se rangira. Zatim se dodaje onaj deo
diskriminacionog efekta druge (po rangu) promenljive, koji nije bio uključen u
diskriminacionom efektu prve promenljive, pa onaj deo diskriminacionog efekta
treće promenljive koji nije bio uključen u diskriminacionom efektu prve dve
promenljive itd. (Ivanović, 1977). Postupak je sledeći:
70
1. Računa se vrednost diskriminacionog efekta za promenljivu 1X (najbitnija
promenljiva, koja pruža najveću količinu informacija o pojavi koja se
rangira);
2. Dodaje se vrednost diskriminacionog efekta promenljive 2X koji nije
pokriven sa 1X ;
3. Dodaje se vrednost diskriminacionog efekta promenljive 3X koji nije
pokriven sa 1X i 2X ;
4. Procedura se ponavlja za sve promenljive.
Ovako definisano I-odstojanje zadovoljava sve uslove, koje po Ivanoviću
jedno odstojanje treba da zadovoljava. Ključno je napomenuti da metoda I-
odstojanja zahteva standardizaciju podataka. Ovakav pristup se pokazao kao
izuzetno uspešan prilikom prevazilaženja problema nastalih usled činjenice da
su mnoge posmatrane promenljive različitih mernih jedinica.
4.1 Kvadratno I-odstojanje
Kvadratno I-odstojanje dato je izrazom:
( ) ( ) ( )∏∑−
=−
=
−=1
1
21...12.
12
22 1
,,
i
jjji
k
i i
i rsrd
srDσ
Kako važi (Croxton, Cowden, & Klein, 1967)
( ) 21...12.
1
1
21...12. 11 −
−
=− −=−∏ ii
i
jjji rr
kvadratno I-odstojanje je prikladnije izraziti u obliku:
71
( ) ( )( )21...12.
12
22 1
,, −
=−=∑ ii
k
i i
i rsrd
srDσ
U nekim slučajevima je pogodnije koristiti kvadratno I-odstojanje od
prethodno opisanog. Ukoliko je broj izabranih promenljivih veliki, u običnom
I-odstojanju se gubi uticaj jednog broja promenljivih nižeg ranga. Takođe se može
desiti da je nemoguće postići jednakosmernost svih promenljivih, pa se mogu
javiti negativni koeficijenti korelacije i negativni koeficijent parcijalne korelacije.
U takvim slučajevima se upotrebljava kvadratno, umesto običnog I-odstojanja.
Kvadratno I-odstojanje zahteva manji broj operacija, a time i manje
kompjuterskog vremena za računanje od običnog, što je takođe jedna od
prednosti kvadratnog I-odstojanja (Bogosavljević, 1985).
4.2 Rangiranje pomoću I-odstojanja
Veliki je broj višedimenzionalnih pojava, gde je željeni rezultat istraživanja
upravo rangiranje entiteta opisanih odgovarajućom pojavom: rangiranje
univerziteta, sportska takmičenja, medicinska istraživanja i slično (Bulajic,
Knezevic, Jeremic, & Zarkic Joksimovic, 2012; Bulajić, Savić, Savić, et al., 2011;
Ivanovic & Fanchette, 1973; Ivanovic, 1973; Jeremic & Radojicic, 2010; Seke et al.,
2013; Zornic, Markovic, & Jeremic, 2014). Ključan argument za korišćenje metode
I-odstojanja je sposobnost da se veliki broj promenljivih agregira u jednu
numeričku vrednost, koja bi bila zbirna mera performansi entiteta.
Da bi se entiteti, koji pripadaju posmatranom skupu, rangirali koristeći
metodu I-odstojanja, neophodno je fiksirati jedan entitet kao referentni.
Rangiranje entiteta se bazira na izračunatom odstojanju od takvog referentnog
entiteta. U praksi se obično za repernu tačku uzima fiktivni entitet, koji ima
minimalne vrednosti svih promenljivih u posmatranom skupu. Vrednost
fiktivnog baznog entiteta e- definisana je sa:
72
{ } { }1min , 1,2,...i irr n
x x i k−
≤ ≤= ∈
I-odstojanje između entiteta er i fiktivnog entiteta e- definiše "veličinu"
entiteta er. Obrazac za I-odstojanje sada se svodi na:
( )∏∑−
=−
=
−− −−=
1
11...12.
1
1i
jjji
k
i i
iirr r
xxD
σ
Na ovaj način se može odrediti odstojanje svakog elementa skupa E od
fiktivnog entiteta. Ukoliko se svi elementi rangiraju prema "veličini" tako
dobijenih I-odstojanja, dobiće se rang lista entiteta prema njihovoj udaljenosti od
minimalnog fiktivnog entiteta.
Za referentnu tačku može se uzeti i fiktivno najveći entitet e+ unutar skupa
E, tj. entitet sa najvećim vrednostima promenljivih:
{ } { }1max , 1,2,...i ir
r nx x i k+
≤ ≤= ∈
Odgovarajuće I-odstojanje bi bilo:
( )∏∑−
=−
=
++ −−=
1
11...12.
1
1i
jjji
k
i i
irir r
xxD
σ
U ovom slučaju, dobijeni redosled biće inverzan prethodnom. Za repernu
tačku može se uzeti i entitet koji će imati prosečne vrednosti obeležja
(Bogosavljević, 1985; Ivanović, 1977).
73
4.3 Redosled uključivanja varijabli u obrazac I-odstojanja
Redosled uključivanja promenljivih u obrazac za I-odstojanje treba da odgovara
količini informacije koju ta promenljiva sadrži. Za utvrđivanje redosleda
promenljivih do skoro su se koristile dve metode:
1. Subjektivna metoda - posle detaljne analize svake promenljive, poželjno bi
bilo da se svi stejkholderi slažu sa procenom koja je promenljiva u svakom
paru {Xi, Xj} ⊆ X značajnija u pogledu ocene "veličine" posmatranog
entiteta. Tada bi se mogao neposredno odrediti redosled svih promenljivih,
a izračunavanje I-odstojanja vršilo bi se prema tom redosledu. Međutim,
ne dešava se uvek da su svi stejkholderi saglasni sa tako formiranom rang
listom. Svaki od korisnika pri određivanju redosleda promenljivih koristi
svoja lična znanja i iskustva koja su subjektivne prirode i koja se razlikuju
od saznanja i iskustva drugih korisnika. Zato nije pogodno koristiti
subjektivnu metodu, već treba koristiti neku objektivnu metodu za
utvrđivanje redosleda obeležja.
2. Objektivna metoda - ako postoji potpuna linearna zavisnost između
promenljive Xi i dobijene "veličine" entiteta, rang liste entiteta prema
promenljivoj Xi i prema toj veličini biće identične. Tada će biti svejedno po
kom od ovih kriterijuma će se entiteti rangirati. Osnovna ideja za
objektivno rangiranje promenljivih, počiva na korelacijama između
efektivno korišćenih promenljivih i globalnog indeksa koji sadrži
maksimalnu količinu informacije.
Može se primetiti da, dosadašnjom definicijom, redosled uključivanja
promenljivih u obrazac za I-odstojanje nije precizno definisan. Naime, osnovna
ideja Ivanovićevog odstojanja je da kroz kreiranje jednog sumarnog indeksa
pokaže "veličinu" entiteta. Po svojoj ideji, I-odstojanje je slično faktorskoj analizi
zato što integriše veći broj varijabli u jedan zajednički sadržalac (razlikuje se od
74
faktorske analize jer ona pravi veći broj faktora/sadržalaca). Na taj način,
moguće je pokriti informacije od većeg broja promenljivih neophodnih za proces
rangiranja. Ideja Ivanovića je da se kroz iterativno-inkrementalni proces
uključivanja varijabli izbegne duplicitet informacija, i na taj način I-odstojanje
pruža objektivni pristup procesu rangiranja (Jeremić, 2012).
Redosled uključivanja varijabli u obrazac za Ivanovićevo odstojanje utiče
na: (i) smanjenje broja koraka, (ii) tačnost dobijenog rezultata. Prema Jeremiću
(Jeremić, 2012), početno rešenje je moguće zasnivati na ideji da ulazna varijabla
koja najbolje korelira sa ostalim varijablama treba da bude prva uvrštena u
obrazac za I-odstojanje. U skladu sa principima generalizovane varijanse, suma
apsolutnih korelacija je osnova za definisanje redosleda varijabli. Na taj način se
smanjuje broj iteracija metode. Dobijeno rešenje je takođe značajno preciznije.
Prema Jeremiću (Jeremić, 2012), za n ulaznih varijabli postoji n rešenja metode I-
odstojanja.
Rešenje koje se posebno ističe je ono koje se dobija primenom unapređenja
početnog redosleda, a to je rešenje gde je suma korelacija ulaznih varijabli sa
vrednošću I-odstojanja najveća. Ovakvo dobijeno rešenje najbolje pokriva
varijabilitet ulaznih promenljivih, što je i suština I-odstojanja (sumiranje velikog
broja varijabli u jednu vrednost, pri čemu se teži minimizaciji gubitka
informacija).
Jeremić je takođe empirijski dokazao da n! redosleda varijabli konvergira
ka n rešenja. Ukoliko se početni redosled varijabli izabere na predloženi način,
dobija se najbolje rešenje: ono koje minimizira gubitak informacija i obuhvata što
veći varijabilitet ulaznih obeležja, tj. koje ima najveću sumu korelacija sa ulaznim
varijablama (Jeremić, 2012).
75
5 ANALIZA NEIZVESNOSTI I ANALIZA OSETLЈIVOSTI
Svako merenje učinka i performansi, na osnovu više kriterijuma, formira se kao
određeni kompozitni indikator, a njegova stabilnost obezbeđuje meru sigurnosti
posmatranog sistema. Mnogi autori su prepoznali značaj obezbeđivanja
sigurnosti kompleksnih sistema, kako u industrijskim tako i u neindustrijskim
sektorima (Arndt, Acion, Caspers, & Blood, 2013; Becker, Paruolo, & Saltelli,
2014; Guttorp & Kim, 2013; Keung, Kocaguneli, & Menzies, 2013; Monferini et al.,
2013; Saisana et al., 2011; Wainwright, Finsterle, Zhou, & Birkholzer, 2013).
Ukoliko je cilj da se rezimira interakcija između pojedinačnih pokazatelja
uključenih u kompozitni indikator ili u sistem rangiranja, izbor odgovarajuće
metodologije je jedan od centralnih problema (Saisana & D’Hombres, 2008;
Saisana & Tarantola, 2002).
Analiza osetljivosti je studija o tome kako neizvesnost u izlazu modela
može biti povezana sa različitim izvorima neizvesnosti u ulazu modela (Saltelli
et al., 2004; Saltelli, 2002). Uz nju najčešće ide i analiza neizvesnosti, koja se
fokusira na kvantifikovanje neizvesnosti u izlazu modela. U idealnom slučaju,
analize neizvesnosti i osetljivosti treba da se vrše u tandemu (Cacuci, 2003).
Analiza osetljivosti je veoma korisna prilikom modelovanja (Saltelli et al., 2008).
Studije osetljivosti i neizvesnosti su od suštinskog značaja u proceni rizika, a u
tom kontekstu, analiza osetljivosti može da se koristi za izbor najvažnijih
parametara ili za smanjenje broja parametara koji treba da budu uključeni u
procenu rizika (Wainwright et al., 2013).
Mnogi autori su zaključili da razne definicije višekriterijumskih
metodologija često karakteriše sindrom nestabilnosti (Jovanovic, Jeremic, Savic,
Bulajic, & Martic, 2012; Keung et al., 2013), odnosno različiti istraživači nude
različita mišljenja o tome šta je "najbolje" (Myrtveit & Stensrud, 2011; Shepperd
& Kadoda, 2001). Prema Keung i drugima (Keung et al., 2013), ako postoje
različiti skupovi podataka, različiti su i skupovi najboljih metoda za rangiranje.
76
Prema tome, pre nego što se formira kompozitni indikator, potrebno je
doneti nekoliko odluka, kao što su izbor indikatora, normalizacija podataka,
dodeljivanje težinskih koeficijenata, metoda agregacije i slično. Robusnost
kompozitnih indikatora je veoma bitna karakteristika koja mora biti osigurana.
Kombinacija analize neizvesnosti i analize osetljivosti može pomoći da se proceni
robusnost kompozitnog indikatora i poboljša njegova transparentnost.
Analiza neizvesnosti se fokusira na to kako neizvesnost u ulaznim
faktorima utiče na strukturu i rezultate kompozitnog indikatora. Analiza
osetljivosti procenjuje doprinos individualnog izvora neizvesnosti ukupnom
varijabilitetu modela. Iako se analiza neizvesnosti češće koristi nego analiza
osetljivosti, njihova simultana upotreba u procesu formiranja kompozitnog
indikatora može da poboljša njegovu strukturu (Gall, 2007; Saisana, Saltelli, et al.,
2005; Tarantola, Jesinghaus, & Puolamaa, 2000). U idealnom slučaju, treba
obratiti pažnju na sve potencijalne izvore neizvesnosti: izbor indikatora, kvalitet
podataka, normalizacija, ponderisanje, metoda agregacije, itd. Procena
neizvesnosti može uključivati sledeće korake:
1. Uključivanje i isključivanje pojedinačnih indikatora.
2. Modeliranje grešaka u podacima na osnovu raspoloživih informacija o
proceni varijanse.
3. Korišćenje alternativnih načina za obradu nedostajućih vrednosti.
4. Korišćenje alternativnih metoda normalizacije (Min-Max, standardizacija, i
slično).
5. Korišćenje različitih metoda dodele težinskih koeficijenata (subjektivna
metoda, AHP, DEA).
6. Korišćenje različitih metoda agregacije (linearna, geometrijska).
7. Korišćenje različitih verodostojnih vrednosti za težinske koeficijente.
77
5.1 Opšti okvir analiza neizvesnosti i osetljivosti
Kao što je ranije napomenuto, formiranje kompozitnog indikatora podrazumeva
faze u kojima se moraju doneti određene subjektivne odluke: izbor pojedinačnih
indikatora, obrada nedostajućih vrednosti, izbor modela agregacije, dodeljivanje
težinskih koeficijenata pojedinačnim indikatorima, itd. Sve ove subjektivne
odluke predstavljaju osnov kompozitnog indikatora, i zajedno sa informacijama
koje nose same vrednosti indikatora, oblikuju poruku koju kompozitni indikator
saopštava (Nardo et al., 2008).
Pošto kvalitet modela takođe zavisi od ispravnosti pretpostavki modela,
dobra praksa modelovanja zahteva da analitičar obezbedi procenu poverenja i
procenu neizvesnosti modela, koje proizilaze iz procesa modeliranja i iz odluka
koje je pri tome potrebno doneti. To je upravo ono što radi analiza osetljivosti: do
detalja analizira model, proučavajući odnose između ulaznih i izlaznih
informacija. Formalnije rečeno, analiza osetljivosti ispituje kako se menja
proporcija varijabiliteta u izlazu, u odnosu na različite izvore varijacija u
pretpostavkama, i kako formirani kompozitni indikator zavisi od informacija od
kojih se sastoji. Analiza osetljivosti je usko povezana sa analizom neizvesnosti,
čiji je cilj da kvantifikuje ukupnu neizvesnost u rezultatima analize kompozitnih
indikatora i rangiranju entiteta, a koja je uzrokovana neizvesnošću u ulazima
modela. Kombinacija analize neizvesnosti i analize osetljivosti može da pomogne
da se izmeri robusnost kompozitnog indikatora, da se poveća transparentnost,
da se identifikuju entiteti koji su favorizovani ili oštećeni pod određenim
pretpostavkama modela, i da pruži debatni okvir oko samog indikatora.
U ovom poglavlju će biti opisan postupak primene analiza neizvesnosti i
osetljivosti na kompozitni indikator. Sinergetska upotreba ovih analiza za ocenu
robusnosti kompozitnih indikatora je poznata (Saisana, Nardo, et al., 2005;
Saisana, Saltelli, et al., 2005; Saltelli et al., 2008), i pokazala se korisnom u
otklanjanju mnogih polemika vezanih za kompozitne indikatore (Saisana,
Nardo, et al., 2005). Postavka ovih analiza u praksi zavisi od toga koji su izvori
78
neizvesnosti, kao i od pretpostavki koje analitičar smatra relevantnim za
određenu primenu indikatora. Pretpostavke ili izvori neizvesnosti mogu biti:
uključivanje/isključivanje pojedinih indikatora u/iz analize, obrada
nedostajućih podataka, različite metode normalizacije, različiti načini
dodeljivanja težinskih koeficijenata i različiti načini agregacije.
U doktorskoj disertaciji, analize neizvesnosti i osetljivosti se prvenstveno
fokusiraju na neizvesnost koja je uzrokovana različitim načinom dodeljivanja
težinskih koeficijenata, pa će takav izvor neizvesnosti detaljno biti obrađen u
okviru poglavlja o primeni ovih analiza.
Neka je CIj vrednost kompozitnog indikatora za entitet j, j=1,…M (Nardo
et al., 2008):
( )1 2 1 2, ,... , , ,...j rs j j Nj s s sNCI f I I I w w w=
U ovom slučaju rsf predstavlja model formiranja kompozitnog indikatora,
gde je r oznaka za sistem agregacije (npr. linearni, geometrijski) a s je oznaka za
šemu dodeljivanja težinskih koeficijenata (npr. subjektivna, DEA, AHP). Sam
kompozitni indikator sastoji se od N normalizovanih pojedinačnih indikatora ijI
, i=1,...N, za entitet j, i odgovarajućih težinskih koeficijenata siw , i=1,...N, za svaki
od pojedinačnih indikatora. Najčešće metode normalizacije su (1) Min-Max
metoda i (2) standardizacija:
( )( ) ( )
min
max minij i
iji i
x xI
x x
−=
− (1)
ij iij
i
xI
µσ−
= (2)
79
gde je ijI normalizovana, a ijx originalna vrednost pojedinačnog i-tog indikatora
za entitet j.
Rang koji kompozitni indikator dodeljuje j-tom entitetu, Rang(CIj), je izlaz
iz analize neizvesnosti/osetljivosti. Analiza ranga Rang(CIj) je suština analiza
neizvesnosti i osetljivosti (Nardo et al., 2008), koje se sprovode u okviru Monte
Karlo simulacije. Ispituju se svi izvori neizvesnosti istovremeno, kako bi se
obuhvatili svi mogući efekti njihove sinergije. Postupak uključuje korišćenje
faktora neizvesnosti, da bi se izabrao odgovarajući način agregacije ili
ponderisanja.
5.2 Analiza neizvesnosti
Proces izgradnje kompozitnih indikatora sastoji se iz više komponenata, koje
mogu uzrokovati neizvesnost u izlazu Rang(CIj). Na osnovu njih, analitičar
definiše izvore neizvesnosti koji će biti ispitani u analizi, kao i način analize.
Moguće je identifikovati 6 različitih faktora koji predstavljaju izvore neizvesnosti
u izlazu modela. Prvi faktor se odnosi na obradu nedostajućih podataka, drugi
na metod normalizacije, treći na eventualno isključivanje pojedinačnih indikatora
iz kompozitnog indikatora, četvrti i peti na metode agregacije i dodeljivanja
težinskih koeficijenata, a šesti na eventualni izbor eksperta za fenomen koji se
ispituje ili oblast od interesa (zahtevi različitih eksperata mogu uzrokovati
različite rezultate kompozitnih indikatora).
Faktori neizvesnosti se mogu izraziti numerički pomoću celobrojnih
vrednosti, i predstavljaju slučajne promenljive za koje je potrebno definisati
odgovarajuće raspodele verovatnoća. Rezultujući Rang(CIj) je nelinearna funkcija
neizvesnosti ulaznih faktora i funkcije raspodele verovatnoća. Analiza
neizvesnosti se zasniva na simulaciji koja se sprovodi na različitim alternativama
originalnog modela. Najčešći pristup za procenu neizvesnosti izlaza je Monte
Karlo pristup, koji se zasniva na višestrukim procenama rezultata modela sa k
80
nasumično odabranih ulaznih faktora. Postupak analize neizvesnosti se sastoji iz
nekoliko koraka:
Korak 1:
Dodeliti raspodelu verovatnoća svakom ulaznom faktoru neizvesnosti Xi,
i=1,…k. Prvi faktor neizvesnosti X1 odnosi se na izbor metode za obradu
nedostajućih podataka, a drugi X2 na izbor metode normalizacije (tabela 5.1).
Tabela 5.1 Faktori neizvesnosti 1 i 2
X
1 Obrada nedostajućih podataka X2 Metod normalizacije
1 Korišćenje linearne regresije 1 Min-Max
2 Nedostajućim vrednostima dodeliti vrednost 0 2 Standardizacija
3 Originalne vrednosti indikatora
Oba faktora X1 i X2 su diskretnog tipa. Oni se generišu na slučajan način,
npr. bira se slučajni broj ξ iz uniformne raspodele [0,1], pa se X1 dodeljuje
vrednost 1 ako je [ )0,0.5ξ ∈ , a vrednost 2 ako je [ ]0.5,1ξ∈ .
Dalje, faktor neizvesnosti X3 se generiše kako bi se utvrdilo koji
individualni indikator treba eventualno izostaviti iz posmatranja (tabela 5.2).
81
Tabela 5.2 Faktor neizvesnosti 3
ξ X3 Broj individualnih indikatora koje treba
isključiti
10,
1N
+ 0 Nijedan
1 2,
1 1N N
+ + 1 Jedan
... ... ...
,11
i
N +
i i
Ovo znači da se sa verovatnoćom 1
1N + ne isključuje nijedan, dok se sa
verovatnoćom 11
1N−
+ isključuje jedan od i individualnih indikatora (svaki sa
jednakom verovatnoćom). Treba imati u vidu da, kada se neki indikator isključi
iz posmatranja, težinski koeficijenti ostalih pojedinačnih indikatora moraju da se
skaliraju u jedinstvenu sumu, kako bi kompozitni indikator mogao biti uporediv
(Saltelli & Tarantola, 2002).
Faktor neizvesnosti X4 može se koristiti za selekciju načina agregacije, dok
se faktor X5 može koristiti za selekciju načina ponderisanja, kao što je npr. dato u
tabeli 5.3.
Tabela 5.3 Faktori neizvesnosti 4 i 5
X4 Metod agregacije X5 Metod ponderisanja
1 Linearna 1 Subjektivni
2 Geometrijska 2 AHP
3 DEA
82
Poslednji faktor neizvesnosti X6, koristi se za izbor eksperta. Kada se
odabere ekspert, težinski koeficijenti se dodeljuju baš od strane tog eksperta na
njemu odgovarajući način. Ovaj faktor neizvesnosti se može generisati u svakoj
pojedinačnoj Monte Karlo simulaciji.
Korak 2:
Generisati L random kombinacija nezavisnih faktora neizvesnosti lX ,
l=1,…L (skup 1 2, ,...l l l lkX X X=X faktora neizvesnosti je uzorak). Za svaki probni
uzorak lX može se izračunati izlaz iz modela, gde je izlaz neki skalar lY , pri čemu lY može biti Rang(CIj) – rang koji svakom entitetu dodeljuje kompozitni
indikator.
Korak 3:
Postupak se sprovodi u L iteracija. Po završetku postupka moguće je
analizirati rezultujući izlazni vektor lY , sa l=1,…L.
Generisanje uzoraka može se vršiti različitim procedurama, kao što su
princip slučajnog uzorka, stratifikovano uzorkovanje, sistematski uzorak ili
drugo (Saltelli et al., 2008, 2004). Sekvenca lY daje raspodelu verovatnoća izlaza
Y. Parametri raspodele verovatnoća, kao što su varijansa ili momenti, mogu biti
procenjeni sa proizvoljnim nivoom značajnosti, u vezi sa veličinom simulacije L.
Primer analize neizvesnosti, kada se rezultati simuliraju odgovarajući broj puta,
prikazan je na slici 5.1.
83
Slika 5.1 Analiza neizvesnosti za Technology Achievement Index TAI (Nardo et al., 2008)
5.3 Analiza osetljivosti
Neophodan korak pri analizi osetljivosti je da se identifikuju izlazne varijable od
interesa. U idealnom slučaju, ovo bi trebalo da bude relevantno za problem
definisan modelom. Ukoliko neizvesnost proističe iz više razloga istovremeno,
kompozitni indikator bi mogao da postane nelinearan, verovatno čak i neaditivni
model. Kao što smatraju mnogi autori (Chan, Tarantola, Saltelli, & Sobol, 2000;
Saltelli et al., 2008), ako su modeli nelinearni, treba koristiti robusne tehnike za
analizu osetljivosti. Analiza osetljivosti, koja koristi tehnike zasnovane na
varijansi, pogodna je iz sledećih razloga (Saltelli, Chan, & Scott, 2000):
• Omogućava istraživanje čitavog niza varijacija faktora neizvesnosti,
• Kvantitativna je,
• Lako se tumači i lako je objasniti,
• Omogućava analizu osetljivosti pri čemu se faktori neizvesnosti tretiraju
u grupama umesto pojedinačno,
• Može biti opravdana u pogledu strogih parametara za analizu osetljivosti.
84
Da bi se izračunala mera osetljivosti za određeni faktor neizvesnosti Xi,
kreće se od delimičnog doprinosa izlaznoj varijansi modela, tj. uslovnoj varijansi
od Y u odnosu na neizvesnost u Xi, gde Y može biti Rang(CIj) – rang koji svakom
entitetu dodeljuje kompozitni indikator.
( )( )i ii X X iV V E Y X=
Varijansa iV ima vrednost između 0 i ( )V Y , gde je ( )V Y bezuslovna
varijansa od Y, kada nijedan faktor osim Xi nema uticaja.
Analiza osetljivosti, dakle, ispituje koliko svaki pojedinačni izvor
neizvesnosti doprinosi varijabilitetu skora ili ranga kompozitnog indikatora
entiteta. Rezultati analize osetljivosti su obično prikazani u pogledu mera
osetljivosti za svaki ulazni izvor neizvesnosti. Ove mere pokazuju koliko bi se
neizvesnost u kompozitnom indikatoru smanjila, ako bi se uklonio određeni
izvor neizvesnosti. Rezultati analize osetljivosti se često prikazuju pomoću
dijagrama, sa vrednostima ili rangovima kompozitnog indikatora za entitete i
varijabilitetom na vertikalnoj osi.
Primer analize osetljivosti, kada se rezultati simuliraju odgovarajući broj
puta, prikazan je na slici 5.2.
85
Slika 5.2 Analiza osetljivosti za Technology Achievement Index TAI (Nardo et al., 2008)
5.4 Primena analiza neizvesnosti i osetljivosti
U okviru doktorske disertacije, u studijama slučaja, meriće se isključivo
neizvesnost i osetljivost kompozitnih indikatora koje proističu iz subjektivnosti
dodeljivanja težinskih koeficijenata pojedinačnim indikatorima iz kojih se
kompozitni indikator sastoji.
Da bi se izmerila stabilnost i postojanost nekog sistema rangiranja,
neizvesnost i osetljivost rezultata zasnivaće se na relativnom doprinosu svakog
pojedinačnog indikatora. Rezultati analize relativnog doprinosa indikatora za
svaki entitet, mogu da pruže korisne informacije o tome da li neki indikatori
dominiraju ukupnim skorovima (Saisana & D’Hombres, 2008).
Relativni doprinos se procenjuje kao udeo vrednosti indikatora u odnosu
na ukupni skor entiteta, pomnožen odgovarajućim težinskim koeficijentom. Ove
doprinose je moguće izračunati za celokupan vremenski period istraživanja, pa
je takođe moguće izračunati prosečne doprinose i njihove standardne devijacije.
86
Koristeći Monte Karlo metodu, u studijama slučaja, obrađenim u
doktorskoj disertaciji, vršeno je 10 000 simulacija rezultata. Prema metodologiji
analiza neizvesnosti i osetljivosti (Saisana & D’Hombres, 2008), za sve entitete je
određena raspodela rangova, koja može prikazati količinu neizvesnosti i
nesigurnosti rezultata rangiranja entiteta.
87
6 KOMPOZITNI INDIKATOR BAZIRAN NA I-ODSTOJANJU
(COMPOSITE I-DISTANCE INDICATOR (CIDI))
Jedan od vodećih razloga polemike oko problematike kreiranja kompozitnih
indikatora dao je Sharpe (Sharpe, 2004, p. 5):
"Kada se govori o merenju određenih višedimenzionalnih pojava, pristalice
agregacije pri formiranju kompozitnih indikatora veruju da postoji
prednost u kombinovanju individualnih pokazatelja na određeni način,
kako bi se izvukla odgovarajuća suština pojave. Oni smatraju da takva
sumarna statistika može da prikaže realnost, a time i da skrene pažnju na
problem od interesa. Protivnici agregacije veruju da je dovoljno definisati
odgovarajući skup pojedinačnih indikatora koji mere neku problematiku, i
da ih ne treba kombinovati u kompozitni indikator. Njihov ključni prigovor
na agregaciju je subjektivnost u procesu formiranja težinskih koeficijenata".
Autorka Jovičić je u Ekonomskim analima objavila (Jovičić, 2006):
"Postoji i bogata literatura o upozorenjima u vezi sa mogućim greškama pri
formiranju i primeni kompozitnih indikatora, ali se ta upozorenja
uglavnom odnose na probleme agregacije i ponderisanja".
Benini je opet definisao sledeće (Benini, 2012, p. 49):
"Da li su ponderi već u samim podacima? Postoje načini za analitičare da
izbegnu odgovornost dodeljivanja težinskih koeficijenata, da ih pravdaju ili
se suočavaju sa mogućim neslaganjima. Jedan je da se jednostavno dozvoli
da podaci govore sami za sebe".
88
Ovo su neki od glavnih razloga razmatranja poboljšanja problematike koja
se izučava u okviru doktorske disertacije: na koji način formirati takav
kompozitni indikator koji će omogućiti da se prevaziđe nedostatak subjektivnosti
prilikom dodeljivanja težinskih koeficijenata pojedinačnim indikatorima, i
obezbediti jednu objektivnu, robusnu i transparentnu meru za višekriterijumske
pojave.
Pristup formiranju kompozitnih indikatora detaljno je opisan u drugom
poglavlju. Radi podsećanja, biće dat kratak pregled faza (Nardo et al., 2008)
prilikom formiranja kompozitnih indikatora:
1. Teorijski okvir
2. Izbor podataka
3. Obrada nedostajućih podataka
4. Multivarijaciona analiza
5. Normalizacija
6. Dodeljivanje težinskih koeficijenata i agregacija
7. Analiza neizvesnosti i analiza osetljivosti
8. Povratak na podatke
9. Povezanost sa drugim pokazateljima
10. Vizualizacija i prezentacija rezultata
Glavni doprinos doktorske disertacije ogleda se u mogućnostima
poboljšanja koraka 6 i 7 ove liste. Osnovni koncept rada predložene metodologije
izračunava težinske koeficijente za pojedinačne indikatore, na osnovu skupa
podataka iz prethodnih godina. Težinski koeficijenti su zasnovani na
korelacijama između vrednosti Ivanovićevog odstojanja (I-odstojanja) i ulaznih
indikatora. U ovom poglavlju biće dati osnovni metodološki koncepti
istraživanja, kao i predlog poboljšanja i doprinosa predloženih metodoloških
instrumenata.
89
Značajan deo doktorske disertacije posvećen je analizi neizvesnosti i analizi
osetljivosti predloženog modela. U studijama slučaja, vršene su analize
neizvesnosti i osetljivosti predložene metodologije, i poređenjem sa postojećom,
uočena su značajna poboljšanja.
6.1 Kreiranje težinskih koeficijenata
Prvi doprinos doktorske disertacije predstavlja činjenica da se proces
dodeljivanja težinskih koeficijenata pojedinačnim indikatorima, iz kojih se
kompozitni indikator sastoji, bazira na statističkoj metodi, koja se zasniva na
I-odstojanju.
Osnovni koncept predložene metodologije podrazumeva računanje
korigovanih težinskih koeficijenata pojedinačnih indikatora. Težinski koeficijenti
su zasnovani na koeficijentima korelacije između vrednosti I-odstojanja i ulaznih
indikatora. Da bi se kreirao stabilniji metod rangiranja, težinski koeficijenti su
korigovani, tako da prikažu značaj pojedinačnih indikatora na najbolji mogući
način. Računaju se na osnovu celokupnog vremenskog perioda koje je
obuhvaćeno istraživanjem.
Predložena metodologija nazvana je Kompozitni indikator baziran na I-
odstojanju (Composite I-distance Indicator (CIDI)).
CIDI metodologija obuhvata nekoliko koraka:
• U prvom koraku računaju se vrednosti I-odstojanja za određeni broj
uzastopnih godina, a u zavisnosti od dostupnih podataka. Na osnovu ovih
vrednosti kreiraju se rangovi posmatranih entiteta. Značaj metode
I-odstojanja je elaboriran u velikom broju naučnih radova (Bulajic et al.,
2013; Dobrota, Jeremic, & Markovic, 2012; Dobrota, Stojilkovic, Poledica,
& Jeremic, 2014; Jeremic & Jovanovic Milenkovic, 2014; Jeremić,
Jovanović-Milenković, Radojičić, & Martić, 2013; Jeremic et al., 2012;
90
Jeremic, Bulajic, Martic, & Radojicic, 2011; Jovanovic et al., 2012; Jovanovic
Milenkovic et al., 2014; Zornic et al., 2014). CIDI se zasniva na metodi I-
odstojanja ugledom na postojeću literaturu, gde autori posebno ističu
objektivnost ove metode.
• U drugom koraku računaju se Pirsonovi koeficijenti korelacije između
vrednosti I-odstojanja i pojedinačnih ulaznih indikatora. Glavni razlog
korišćenja Pirsonovih koeficijenata korelacije u CIDI metodologiji je
posebna karakteristika I-odstojanja: moguće je da se utvrdi značaj ulaznih
indikatora za kreiranje rezultata merenja i rangiranja. Umesto definisanja
subjektivnih težinskih koeficijenata za ulazne indikatore (što u većini
slučajeva podrazumeva metodologija formiranja kompozitnih
indikatora), metoda I-odstojanja definiše koji su, od ulaznih indikatora,
najvažniji za proces rangiranja, stavljajući ih u određeni redosled prema
važnosti, a na osnovu ovih koeficijenata korelacije.
• Sledeći korak je računanje novih težinskih koeficijenata za svaki od
pojedinačnih indikatora iz kojih se kompozitni indikator sastoji. Težinski
koeficijenti se formiraju ponderisanjem empirijskih Pirsonovih
koeficijenata korelacije: vrednosti dobijenih korelacija se dele sa zbirom
korelacija. Konačna suma je jedinstvena i jednaka je 1, na taj način
formirajući novi odgovarajući sistem ponderisanja iw :
1
ii k
jj
rw
r=
=∑
gde je ir (i=1,…k) Pirsonov koeficijent korelacije između i-tog ulaznog
indikatora i vrednosti I-odstojanja. Ove pondere je moguće izračunati za
celokupan vremenski period istraživanja. Konačni težinski koeficijenti
predstavljaju sredine dobijenih vrednosti. Ovo je jedan od značajnih
doprinosa doktorske disertacije, jer, umesto subjektivnog definisanja
91
vrednosti težinskih koeficijenata, ovaj princip je zasnovan na
metodološkom i statističkom konceptu, koji se bazira na metodi
I-odstojanja.
6.2 Prednosti CIDI indikatora
Na gore predloženi način, moguće je značajno poboljšati različite metode
rangiranja i predložiti novi poboljšani kompozitni indikator baziran na
I-odstojanju (CIDI), koji može da meri određeni višekriterijumski fenomen od
interesa, i u skladu sa tim, performanse odgovarajućih entiteta.
Prednosti CIDI indikatora u odnosu na druge kompozitne indikatore,
kreirane načinom agregacije, sa dodeljivanjem težinskih koeficijenata od strane
eksperata, upravo je u tome što su CIDI težinski koeficijenti objektivni, i
zasnivaju se na metodi I-odstojanja.
Prednost CIDI indikatora u odnosu na samo I-odstojanje je u tome što je
CIDI indikator kreiran pomoću metode agregacije, uz dodeljivanje težinskih
koeficijenta kreiranih na gore pomenut način. Ovo čini njegove vrednosti
direktno uporedivim sa indikatorom koji se nastoji poboljšati.
6.3 Analize neizvesnosti i osetljivosti CIDI indikatora
Kako bi se izvršile odgovarajuće analize neizvesnosti i osetljivosti, potrebno je
vratiti se na težinske koeficijente koji su formirani na gore pomenut način. Naime,
težinski koeficijenti CIDI metodologije, stečeni su na osnovu vremenske serije
skupa ulaznih indikatora. Na osnovu ovih vrednosti, moguće je izračunati
srednje vrednosti i standardne devijacije težinskih koeficijenata, koji se mogu
koristiti kao ulazni parametri za Monte Karlo simulaciju.
92
Koristeći metod Monte Karlo simulacije, moguće je simulirati rezultate
odgovarajući broj puta. Slično kao što su autori Saisana i D’Hombres (Saisana &
D’Hombres, 2008) merili osetljivost originalnih rezultata (poglavlje 5), moguće je
odrediti raspodelu rangova za sve entitete, čime se zapravo može meriti količina
neizvesnosti i nesigurnosti predloženih rezultata. Raspodela rangova se takođe
može prikazati grafički.
6.4 Testiranje značajnosti razlike devijacije rangova
Da bi se detaljnije ispitala razlika u devijacijama rangova, osim određivanja
raspodele rangova i njihovog grafičkog prikaza, moguće je testirati devijacije
rangova, i to za svaki entitet koji se rangira posebno.
Razlike u stabilnosti, prikazane grafički, mogu biti veoma očigledne. Ipak,
kako bi se sa sigurnošću merile razlike u stabilnosti metoda rangiranja,
neophodno je vršiti i dodatne testove. Da bi se to postiglo, korišćen je Mann-
Whitney test za merenje razlike između odstupanja rangova od medijane ranga
(Freyer, 2014; Mann & Whitney, 1947). CIDI je poređen po svim pomeranjima
rangova pomoću Mann-Whitney testa, za svaki entitet posebno.
Test se sprovodi u nekoliko koraka:
• Računaju se medijane rangova za svaki od posmatranih entiteta.
• Računaju se apsolutna odstupanja rangova od medijane, za svaki entitet
koji se rangira.
• Pomoću Mann–Whitney testa, testiraju se razlike u ovim odstupanjima,
između originalne metode za kreiranje kompozitnih indikatora i
unapređene CIDI metode. Ovaj test se sprovodi za svaki od posmatranih
entiteta.
• Ukoliko su, za svaki entitet, odstupanja statistički značajno manja ili
barem jednaka za CIDI metodologiju u odnosu na originalnu metodu
rangiranja, CIDI metodologija je stabilnija.
93
Za ovu analizu koristi se Mann–Whitney test jer varijable, dobijene u
drugom koraku, predstavljaju razliku između rangova i medijane ranga, pa su
pogodne za neparametarski test.
U studijama slučaja, koje su analizirane u doktorskoj disertaciji
(poglavlje 7), CIDI metodologija se pokazala stabilnijom u od 85% do 100%
slučajeva.
94
7 PRIMENA KOMPOZITNIH INDIKATORA BAZIRANIH NA
I-ODSTOJANJU
CIDI metodologija, opisana u poglavlju 6, i razvoj kompozitnog indikatora
baziranog na I-odstojanju, fokusira se na poboljšanje određenih aspekata
postojećih kompozitnih indikatora. U ovom poglavlju će biti upoređeni rezultati
dobijeni primenom CIDI metodologije sa rezultatima zvaničnih metodologija
rangiranja za nekoliko poznatih primera.
Metodologije obuhvaćene istraživanjem su IDI metodologija (indeks
razvoja IKT - ICT Development Index - IDI) za merenje razvoja informatičkog
društva, i QS (Quacquarelli Symonds World University Rankings) i ARWU
(Academic Ranking of World Universities) metodologije za rangiranje
univerziteta. Kompozitni indikatori, koji se koriste u ovim zvaničnim
rangiranjima, agregirani su lineranom metodom, normalizacija je vršena u
zavisnosti od samih indikatora, a težinski koeficijenti su dodeljivani subjektivno.
Indikatori na kojima se baziraju ove rang liste su izabrani od strane
eksperata i zvanični su instrumenti za njihovo kreiranje. Radi poređenja rezultata
rangiranja, CIDI metodologija će biti primenjena na iste indikatore na kojima se
baziraju zvanične rang liste, ali će novi težinski koeficijenti biti određeni
primenom postupka opisanog u poglavlju 6.
U poglavlju će biti prikazani i rezultati analize neizvesnosti i osetljivosti za
CIDI indikatore, kao i poređenja rezultata ovih analiza sa rezultatima analiza
neizvesnosti i osetljivosti originalnih IDI, QS i ARWU metodologija.
95
7.1 Primena CIDI na rangiranje IKT sistema – IDI indeks
Informacione i komunikacione tehnologije (IKT), ne samo da su u današnje
vreme važne za razvoj modernog društva, već su postale njegov osnovni
strukturni deo (Dobrota, Jeremic, & Markovic, 2012). IKT imaju širok spektar
ekonomskih efekata i igraju veoma važnu ulogu u jačanju ekonomskog rasta i
podizanju socio - ekonomskog razvoja (Dimelis & Papaioannou, 2011). Opšte je
mišljenje da jače i bolje razvijene IKT dovode do razvoja društva (Cardona,
Kretschmer, & Strobel, 2013; Sassi & Goaied, 2013), kao i da nove IKT i dalje
prodiru u zemlje u svim regionima sveta, obzirom da se sve više ljudi pridružuje
globalnom informacionom društvu (MIS, 2013).
IKT sektor je jedan od ključnih instrumenata za razvoj privrede (García-
Muñiz & Vicente, 2014; Swar & Khan, 2014). Veoma je širok pregled literature
gde se ispituju doprinosi IKT ekonomskom rastu na nacionalnom nivou. Na
primer, prema Vu (Vu, 2013), izvanredan uspeh ekonomskog razvoja Singapura,
povezan je sa energičnim nastojanjima ove zemlje da prihvati IKT revoluciju
kako bi promovisala ekonomski rast. S tim u vezi, nastao je i termin informacione
i komunikacione tehnologije za razvoj (Information and Communication
Technologies for Development) (ICT4D, 2014), koji se odnosi na korišćenje IKT u
oblastima ekonomskog razvoja, međunarodnog razvoja, i ljudskih prava.
Projekti koji uključuju ICT4D koriste IKT kako bi poboljšale blagostanje u
okruženjima sa ograničenim resursima, kao što je to slučaj sa zemljama u razvoju
(Brewer et al., 2005; Ferguson, Soekijad, Huysman, & Vaast, 2013; Walton, 2013).
Prema tome, merenje razvoja u okviru sektora informacionih i komunikacionih
tehnologija je tema koja je uvek moderna i privlačna mnogim stejkholderima
(Arushanyan, Ekener-Petersen, & Finnveden, 2014).
Sassi i Goaied (Sassi & Goaied, 2013) su utvrdili da postoji pozitivna i
značajna veza između prodora IKT i finansijskog razvoja. Pored toga što je od
suštinskog značaja za makroekonomski rast, takođe je osnova za razvoj
preduzeća i mikroekonomije. IKT omogućava stvaranje bližih veza između
96
preduzeća, njihovih klijenata, dobavljača i kolaborativnih partnera; olakšava
stvaranje novih znanja i brže širenje znanja kroz efikasnije procese prenošenja
informacija, kako unutar tako i između firmi i sektora (García-Muñiz & Vicente,
2014; Kretschmer, 2012). Takođe utiče na industrijsku strukturu regiona i
doprinosi prosperitetu na mnogim nivoima (MIS, 2013), uključujući zdravstvo
(Adler-Milstein, Ronchi, Cohen, Winn, & Jha, 2014; Mahmud, Olander, Eriksén,
& Haglund, 2013) i obrazovanje (Horvat, Dobrota, Krsmanovic, & Cudanov,
2013; Voogt, Knezek, Cox, Knezek, & ten Brummelhuis, 2013). Pored toga,
efektivna difuzija IKT omogućila je brži socio-ekonomski razvoj u nerazvijenim
zemljama (Swar & Khan, 2014). Zemlje očito stalno nastoje da napreduju u
informacionom razvoju, sa ciljem izgradnje inkluzivnog informacionog društva
(Dobrota, Jeremic, & Markovic, 2012; Parker, 2011; Vicente & López, 2011).
Vremenom je došlo do potrebe da se stvori određeni metod za merenje
razvoja informacionog društva. Tako se IKT može posmatrati kao sredstvo da se
zemlje međusobno porede, pogotovo jer se ova tematika može svrstati u jedan
od Milenijumskih ciljeva razvoja Ujedinjenih nacija (MDG, 2014). Poboljšanjem
svoje pozicije i perspektive, zemlje mogu imati višestruke koristi, što je posebno
važno za evropske zemlje u razvoju: one traže razne načine za napredovanje i
ispunjavanje uslova za članstvo u EU.
Standardni instrument koji je nastao u cilju merenja razvoja informatičkog
društva je indeks razvoja IKT (ICT Development Index - IDI), objavljen od 2009.
godine, od strane Međunarodne unije za telekomunikacije (International
Telecommunication Union - ITU). Prvobitno je kreiran 2007. godine, kao IKT
indeks mogućnosti, a kasnije je unapređen u IDI. Ovaj indeks je benchmarking alat
koji se koristi za praćenje razvoja informacionog društva u svetu, kombinujući 11
indikatora u jedan kompozitni indeks (Dobrota, Jeremic, & Dobrota, 2012;
Dobrota, Martic, Bulajic, & Jeremic, n.d.; MIS, 2013). Osnovni cilj IDI je merenje:
nivoa razvoja IKT, napretka u razvoju IKT, razlika između zemalja, kao i
razvojnog potencijala IKT (Dobrota, Jeremic, & Dobrota, 2012; Dobrota, Jeremic,
97
& Markovic, 2012; Dobrota et al., 2014; MIS, 2013). IDI se sastoji iz tri dela i
uključuje indikatore koji se odnose na IKT pristup, upotrebu i veštine. Pri izboru
indikatora uzima se u obzir evolucija informacionog društva, pošto ona prolazi
kroz različite faze razvoja, koji se odnose na konvergenciju tehnologije i pojavu
novih tehnologija (MIS, 2013).
Kada se meri informaciona razvijenost zemalja, veoma je važno imati u
vidu da se ona sastoji iz više heterogenih pokazatelja. Da bi se merile
višekriterijumske performanse, merenje može biti kreirano kao određeni
kompozitni indikator, što IDI i jeste. Ipak, kao što je ranije navedeno, kompozitni
indikatori često mogu biti veoma nestabilni (Arndt et al., 2013; Dobrota, Bulajic,
Bornmann, & Jeremic, n.d.; Guttorp & Kim, 2013; Keung et al., 2013; Mahsuli &
Haukaas, 2013; Monferini et al., 2013; Saisana et al., 2011; Wainwright et al., 2013).
Kada se radi o informatičkoj razvijenosti zemalja, CIDI metodologija može razviti
takav kompozitni indikator koji je stabilniji od originalne IDI metodologije.
7.1.1 IDI metodologija
Indeks razvoja IKT (The ICT Development Index - IDI) je kompozitni indikator
koji kombinuje 11 indikatora, u jednu jedinstvenu meru za praćenje i poređenje
IKT razvoja u različitim zemljama. IDI je razvijen od strane ITU 2008. godine, a
kreiran je sa ciljem da se formira određeni IKT indeks koji će se objavljivati na
regularnoj osnovi (MIS, 2013). IDI indeks se sastoji iz tri dela:
• IKT pristup prikazuje nivo mrežne infrastrukture i pristup IKT-u.
Uključuje pet indikatora infrastrukture i pristupa: broj fiksnih telefonskih
linija na 100 stanovnika, broj mobilnih pretplata na 100 stanovnika,
međunarodni internet protok, domaćinstva sa računarima i domaćinstva
sa pristupom Internetu.
98
• IKT upotreba prikazuje stepen korišćenja IKT u društvu. Uključuje tri IKT
indikatora intenziteta i korišćenja: korisnici Interneta, fiksni i mobilni
pristup Internetu.
• IKT veštine prikazuju rezultat/ishod efikasnog i efektivnog korišćenja IKT,
posmatrajući ih kao neophodne ulazne indikatore. Uključuju tri
indikatora: pismenost odraslih, udeo studenata na sekundarnom i na
tercijarnom nivou obrazovanja.
Navedena tri aspekta IDI metodologije obuhvataju 11 indikatora, i skup
ovih pokazatelja je glavni izvor podataka korišćen u ovoj studiji slučaja. Prvih
pet indikatora se odnose na IKT pristup, sledeća tri na IKT upotrebu, a poslednja
tri na IKT veštine (MIS, 2013):
• Broj fiksnih telefonskih linija na 100 stanovnika - podrazumeva telefonske
linije koje povezuju pretplatnički terminal sa opremom za javnu
telefonsku mrežu, koja ima za to određeni priključak na centrali. Broj
ISDN kanala i pretplatnika fiksne i bežične telefonije uključen je u ovaj
indikator.
• Broj pretplata mobilne telefonije na 100 stanovnika - podrazumeva broj
pretplata za javni mobilni telefonski servis, koristeći mobilnu tehnologiju
za pristup javnoj telefonskoj mreži. Postpejd i pripejd korisnici su
uključeni u ovaj indeks, međutim ne pravi se razlika između pretplate i
pretplatnika (osoba). Pretplatnik može imati više pretplata (telefona), pa
je preporuka da se nekada u budućnosti dodatno razvrstaju broj mobilnih
pretplata i broj korisnika.
• Međunarodni Internet protok (bit/s) po Internet korisniku - kapacitet Internet
saobraćaja.
• Procenat domaćinstava sa računarom - računar, prema definiciji datog
indikatora, može biti desktop ili laptop računar. Ovde se ne uključuje
99
ostala oprema koja može imati ugrađene neke računarske sposobnosti,
kao što su mobilni telefoni, PDA uređaji ili televizori.
• Procenat domaćinstava sa pristupom Internetu - predstavlja bilo koji vid
pristupa Internetu - ne mora biti samo preko računara, može biti i preko
mobilnog telefona, konzole, digitalne TV, itd. Pristup može biti preko
fiksne ili mobilne mreže.
• Broj Internet korisnika na 100 stanovnika - povećanje korišćenja interneta
preko mobilnih uređaja ne odražava se nužno u ovim indeksu.
• Broj korisnika DSL pristupa Internetu na 100 stanovnika - broj korisnika koji
plaćaju brzi Internet (preko TCP/IP konekcije). U ovaj indeks nisu
uključeni pretplatnici koji koriste Internet ili drugi prenos podataka preko
mobilne mreže telefonije.
• Broj korisnika mobilnog pristupa sa brzim protokom na 100 stanovnika -
predstavlja broj pretplata na mobilnoj mreži za pristup prenosu podataka,
bez obzira na uređaj koji se koristi za pristup (desktop računar, laptop, ili
mobilni telefon). Ove usluge se obično nazivaju "3G" i "3.5G".
• Stopa pismenosti odraslih - procenat stanovništva starijeg od 15 godina, koji
mogu da čitaju i pišu, kao i da razumeju kratak jednostavan iskaz o
svakodnevnom životu.
• Procenat stanovništva u sekundarnom obrazovanju - procenat ukupnog
stanovništva upisanog u srednju školu bez obzira na godine.
• Procenat stanovništva u tercijarnom obrazovanju – procenat ukupnog
stanovništva upisanog na fakultet bez obzira na godine.
Kod IDI metodologije, ponderi za skup ulaznih kriterijuma su unapred
određeni na subjektivan način. IDI podrazumeva definisan obrazac za merenje
IKT strukture neke zemlje, gde su IKT pristup i upotreba uključeni sa po 40% a IKT
veštine sa 20% težine. Ponderi su prikazani u tabeli 7.1.
100
Tabela 7.1 IDI indeks, indikatori i ponderi
IKT pristup Ponderi (%)
Broj fiksnih telefonskih linija na 100 stanovnika 20
40
Broj pretplata mobilne telefonije na 100 stanovnika 20
Međunarodni Internet protok (bit/s) po Internet korisniku 20
Procenat domaćinstava sa računarom 20
Procenat domaćinstava sa pristupom Internetu 20
IKT upotreba Ponderi (%)
Broj Internet korisnika na 100 stanovnika 33
40 Broj korisnika DSL pristupa Internetu na 100 stanovnika 33
Broj korisnika mobilnog pristupa sa brzim protokom na 100 stanovnika 33
IKT veštine Ponderi (%)
Stopa pismenosti odraslih 33
20 Procenat stanovništva u sekundarnom obrazovanju 33
Procenat stanovništva u tercijarnom obrazovanju 33
Cilj kome se ovde teži je da se poboljša IDI metodologija, tako da bude
manje pristrasna i subjektivna. Pomoću CIDI metodologije, moguće je definisati
novi set težinskih koeficijenata za ovih 11 indikatora, što se može koristiti za
rangiranje zemalja prema njihovoj strukturi IKT razvoja. Rezultati su direktno
uporedivi sa zvaničnim IDI rezultatima. CIDI takođe može značajno doprineti
poboljšanju stabilnosti merenja informacionog razvoja zemalja.
7.1.2 Kompozitni IDI indikator baziran na I-odstojanju
U okviru istraživanja korišćeni su podaci za IDI indeks, za pet godina u periodu
od 2007. do 2012., s tim što 2009. godine IDI nije objavljen, pa ova godina nije
obuhvaćena analizom. Za ovih pet godina izračunate su vrednosti I-odstojanja i
Pirsonovi koeficijenti korelacije između vrednosti I-odstojanja i ulaznih
indikatora (Dobrota et al., 2015). Vrednosti koeficijenata su prikazani u tabeli 7.2.
101
Tabela 7.2 Pirsonovi koeficijenti korelacije između IDI indikatora i I-odstojanja
IDI indikatori 2007 2008 2010 2011 2012
Broj fiksnih telefonskih linija na 100 stanovnika 0.902 0.886 0.884 0.848 0.819
Broj pretplata mobilne telefonije na 100 stanovnika 0.78 0.787 0.714 0.74 0.728
Međunarodni Internet protok (bit/s) po Internet korisniku 0.805 0.833 0.836 0.813 0.809
Procenat domaćinstava sa računarom 0.94 0.938 0.94 0.912 0.915
Procenat domaćinstava sa pristupom Internetu 0.924 0.936 0.929 0.922 0.913
Broj Internet korisnika na 100 stanovnika 0.924 0.925 0.926 0.894 0.881
Broj korisnika DSL pristupa Internetu na 100 stanovnika 0.913 0.918 0.913 0.898 0.869
Broj korisnika mobilnog pristupa sa brzim protokom na 100
stanovnika 0.747 0.801 0.833 0.832 0.854
Stopa pismenosti odraslih 0.797 0.782 0.801 0.775 0.772
Procenat stanovništva u sekundarnom obrazovanju 0.76 0.748 0.774 0.773 0.754
Procenat stanovništva u tercijarnom obrazovanju 0.68 0.685 0.73 0.695 0.711
Novi težinski koeficijenti za svaki od indikatora od kojih se IDI sastoji,
izračunati su deljenjem odgovarajućeg koeficijenta korelacije sa sumom
koeficijenata korelacije, prema CIDI metodologiji (tabela 7.3).
Tabela 7.3 Težinski koeficijenti IDI indikatora zasnovani na CIDI metodologiji
IDI indikatori 2007 2008 2010 2011 2012 M SD
Broj fiksnih telefonskih linija na 100 stanovnika 0.098 0.096 0.095 0.093 0.091 0.095 0.002872
Broj pretplata mobilne telefonije na 100 stanovnika 0.085 0.085 0.077 0.081 0.081 0.082 0.003432
Međunarodni Internet protok (bit/s) po Internet
korisniku 0.088 0.090 0.090 0.089 0.090 0.089 0.000972
Procenat domaćinstava sa računarom 0.102 0.102 0.101 0.100 0.101 0.101 0.000814
Procenat domaćinstava sa pristupom Internetu 0.101 0.101 0.100 0.101 0.101 0.101 0.000511
Broj Internet korisnika na 100 stanovnika 0.101 0.100 0.100 0.098 0.098 0.099 0.001321
Broj korisnika DSL pristupa Internetu na 100 stanovnika 0.100 0.099 0.098 0.099 0.096 0.098 0.001299
Broj korisnika mobilnog pristupa sa brzim protokom na
100 stanovnika 0.081 0.087 0.090 0.091 0.095 0.089 0.005005
Stopa pismenosti odraslih 0.087 0.085 0.086 0.085 0.086 0.086 0.000902
Procenat stanovništva u sekundarnom obrazovanju 0.083 0.081 0.083 0.085 0.084 0.083 0.001436
Procenat stanovništva u tercijarnom obrazovanju 0.074 0.074 0.079 0.076 0.079 0.076 0.002292
102
Predloženi ponderi su srednje vrednosti pondera izračunatih za posmatrani
vremenski period. U tabeli 7.4 prikazane su razlike u težinskim koeficijentima za
originalnu IDI metodologiju i CIDI metodologiju.
Tabela 7.4 Razlike između originalnih IDI I predloženih CIDI težinskih koeficijenata
IDI indikatori IDI ponderi CIDI Ponderi
Broj fiksnih telefonskih linija na 100 stanovnika 8% 9.5%
Broj pretplata mobilne telefonije na 100 stanovnika 8% 8.2%
Međunarodni Internet protok (bit/s) po Internet korisniku 8% 8.9%
Procenat domaćinstava sa računarom 8% 10.1%
Procenat domaćinstava sa pristupom Internetu 8% 10.1%
Broj Internet korisnika na 100 stanovnika 13.3% 9.9%
Broj korisnika DSL pristupa Internetu na 100 stanovnika 13.3% 9.8%
Broj korisnika mobilnog pristupa sa brzim protokom na 100 stanovnika 13.3% 8.9%
Stopa pismenosti odraslih 6.7% 8.6%
Procenat stanovništva u sekundarnom obrazovanju 6.7% 8.3%
Procenat stanovništva u tercijarnom obrazovanju 6.7% 7.6%
Najveće razlike se vide kod indikatora Broj korisnika mobilnog pristupa sa
brzim protokom na 100 stanovnika, Broj Internet korisnika na 100 stanovnika i Broj
korisnika DSL pristupa Internetu na 100 stanovnika. Prema zvaničnoj IDI
metodologiji Broj korisnika mobilnog pristupa sa brzim protokom na 100 stanovnika je
ponderisan sa 13.3%, dok je prema CIDI udeo ovog pokazatelja 8.9%, i time mu
je dat manji značaj u ukupnom rezultatu rangiranja. Slično je i indikatorima Broj
Internet korisnika na 100 stanovnika i Broj korisnika DSL pristupa Internetu na 100
stanovnika, dat manji stepen značajnosti prema CIDI metodologiji. S druge strane,
Procenat domaćinstava sa računarom i Procenat domaćinstava sa pristupom Internetu
su indikatori kojima je CIDI metodologija pojačala značaj, sa 8% na 10.1% za oba
indikatora.
103
U tabeli 7.5 prikazane su vrednosti zvaničnog IDI indikatora, IDI rangovi,
kao i poređenje sa vrednostima CIDI rezultata i CIDI rangovima. Rezultati su
prikazani za 30 prvorangiranih zemalja, za 2012. godinu. Rezultati celokupnog
istraživanja za 2012. godinu, koje obuhvata 157 zemalja, dati su u prilogu B.
Tabela 7.5 IDI vrednosti, IDI rangovi, CIDI vrednosti i CIDI rangovi, za 2012 godinu (30
prvorangiranih zemalja)
Zemlja IDI vrednost IDI rang CIDI vrednost CIDI rang
Makao. Kina 7.65 14 9.81 1
Južna Koreja 8.57 1 8.79 2
Island 8.36 3 8.65 3
Danska 8.35 4 8.59 4
Švedska 8.45 2 8.53 5
Finska 8.24 5 8.40 6
Holandija 8 7 8.38 7
Hong Kong 7.92 10 8.35 8
Australija 7.9 11 8.30 9
Norveška 8.13 6 8.29 10
Luksemburg 7.93 9 8.24 11
UK 7.98 8 8.22 12
Švajcarska 7.78 13 8.08 13
Japan 7.82 12 8.05 14
Novi Zeland 7.64 16 8.04 15
Singapur 7.65 15 7.94 16
Francuska 7.53 18 7.93 17
Nemačka 7.46 19 7.85 18
SAD 7.53 17 7.72 19
Kanada 7.38 20 7.68 20
Irska 7.25 23 7.67 21
Austrija 7.36 21 7.63 22
Belgija 7.16 25 7.58 23
Malta 7.25 24 7.52 24
Estonija 7.28 22 7.49 25
Španija 6.89 27 7.43 26
Izrael 7.11 26 7.41 27
Slovenija 6.76 28 7.15 28
Barbados 6.65 29 7.04 29
Italija 6.57 30 6.90 30
104
Rangovi zemalja obuhvaćenih ovim istraživanjem se u velikoj meri
poklapaju, međutim, u tabeli 7.5 se mogu uočiti i razlike između IDI i CIDI
rezultata. Najznačajnija razlika u pozicijama javlja se za oblast Makao u Kini, koja
je, prema CIDI metodologiji, daleko najviše informatički razvijena oblast. Ipak,
prema zvaničnoj IDI metodologiji, pozicionirana je tek na 14. mestu. Razlozi se
mogu naći u vrednostima pojedinačnih indikatora. Prema vrednostima
indikatora, koji su po IDI dva od tri najjače ponderisana, oblast Makao u Kini je
veoma slabo pozicionirana: prema Broju korisnika DSL pristupa Internetu na 100
stanovnika nalazi se na 23. poziciji (64.3), a prema Broju Internet korisnika na 100
stanovnika na 41. poziciji (64.3). Ove vrednosti čine da prema IDI metodologiji,
oblast Makao u Kini bude "lažno" loše rangirana. Oblast je prvo-rangirana prema
vrednostima indikatora Broj pretplata mobilne telefonije na 100 stanovnika (284.3), i
Broj korisnika mobilnog pristupa sa brzim protokom na 100 stanovnika (283.3), koji je,
prema CIDI metodologiji, veoma dobro pozicioniraju.
Južna Koreja, Island, Danska, Švedska i Finska, koje su sledeće po
redosledu, najbolje su rangirane i prema IDI i prema CIDI metodologiji. Ove
zemlje ostaju slično rangirane po obe metode, sa malim promenama u
pozicijama.
Da bi se ocenila validnost CIDI indikatora, izračunat je Pirsonov koeficijent
korelacije između CIDI vrednosti i IDI vrednosti. Vrednost Pirsonovog
koeficijenta korelacije je r=0.996, što ukazuje na veoma visok stepen korelacije,
koja je statistički značajna (p<0.001). Obzirom na visoku korelaciju između CIDI
i IDI vrednosti, CIDI se može smatrati prihvatljivom merom za evaluaciju IKT
razvijenosti zemalja. Poređenjem CIDI i IDI rangova, rezultati pokazuju da je
Spirmanov koeficijent korelacije takođe veoma visok, i statistički značajan,
rs=0.999, p<0.001.
105
7.1.3 Neizvesnost i osetljivost rangiranja prema zvaničnoj IDI i CIDI
metodologiji
Radi merenja stabilnosti IDI indeksa i poređenja sa stabilnošću Kompozitnog IDI
indikatora zasnovanog na I-odstojanju (CIDI), vršene su analize neizvesnosti i
osetljivosti.
7.1.3.1 Neizvesnost i osetljivost zvanične IDI metodologije
Analize neizvesnosti i osetljivosti zasnovane su na relativnom doprinosu
indikatora, opisanom u poglavlju 5. Koristeći Monte Karlo metodu, rezultati su
simulirani 10 000 puta. Rezultati pokazuju da, u proseku, udeli IDI indikatora u
ukupnom rezultatu nisu u skladu sa odgovarajućim težinskim koeficijentima,
predloženim od strane IDI. Udeli su prikazani u tabeli 7.6.
Tabela 7.6 Relativni doprinos ulaznih IDI indikatora
IDI indikatori 2007 2008 2010 2011 2012 M SD
Broj fiksnih telefonskih linija na 100 stanovnika 0.062 0.058 0.054 0.052 0.047 0.054 0.005658
Broj pretplata mobilne telefonije na 100
stanovnika 0.102 0.105 0.121 0.116 0.115 0.112 0.008146
Međunarodni Internet protok (bit/s) po
Internet korisniku 0.201 0.200 0.180 0.178 0.167 0.185 0.015104
Procenat domaćinstava sa računarom 0.054 0.054 0.057 0.061 0.063 0.058 0.004088
Procenat domaćinstava sa pristupom Internetu 0.036 0.037 0.044 0.051 0.055 0.045 0.008340
Broj Internet korisnika na 100 stanovnika 0.079 0.087 0.103 0.109 0.114 0.098 0.014847
Broj korisnika DSL pristupa Internetu na 100
stanovnika 0.027 0.030 0.035 0.037 0.038 0.033 0.004969
Broj korisnika mobilnog pristupa sa brzim
protokom na 100 stanovnika 0.013 0.023 0.042 0.042 0.061 0.036 0.018831
Stopa pismenosti odraslih 0.162 0.157 0.140 0.137 0.135 0.146 0.012282
Procenat st. u sekundarnom obrazovanju 0.055 0.054 0.053 0.049 0.049 0.052 0.003116
Procenat st. u tercijarnom obrazovanju 0.210 0.196 0.170 0.168 0.158 0.180 0.021579
106
Na primer, indikator Procenat stanovništva u tercijarnom obrazovanju je prema
IDI metodologiji dobio težinski koeficijent 6.7%, ali relativno prosečno učešće
ovog pokazatelja u ukupnom rezultatu je mnogo veće (18%). Slična situacija je i
sa indikatorom Međunarodni Internet protok (bit/s) po Internet korisniku (8% na
18,5%). Sa druge strane, indikator Broj korisnika DSL pristupa Internetu na 100
stanovnika je prema IDI metodologiji dobio 13.3% težinski koeficijent, što je više
od 3.3% udela ovog indikatora. Prema ovim rezultatima, relativni doprinos
svakog indikatora za IDI rezultat ne ogleda se u potpunosti u ponderima
vezanim za te indikatore.
Matrica frekvencija rangova, za 20 prvorangiranih zemalja prema IDI
metodologiji, data je u tabeli 7.7.
Tabela 7.7 Neizvesnost i osetljivost IDI rangova (20 prvorangiranih zemalja)
Zemlja 1-5 6-10 11-15 16-20 21-25 26-30 31-35
Makao, Kina 9665 257 31 33 11 2 1
Finska 10000
Hong Kong 9905 95
Južna Koreja 9955 45
Island 9979 21
Švedska 142 9858
Danska 350 9650
Norveška 9998 2
Holandija 3 9814 183
Australija 8979 1008 13
Novi Zeland 206 9790 4
Velika Britanija 14 9970 16
SAD 195 8680 1125
Švajcarska 1 692 9036 271
Austrija 8181 1819
Luksemburg 167 2652 6687 470 23 1
Belgija 9 167 9560 264
Španija 12 8876 1112
Irska 9351 649
Slovenija 3 4647 4952 398
107
Makao Kina, Finska, Hong Kong, Južna Koreja i Island su u simulacijama
prosečno 5 najbolje rangiranih zemalja po originalnoj IDI metodologiji. Prema
Monte Karlo rezultatima simulacije, Finska je rangirana na pozicijama 1 do 5 u
svih 10 000 simulacija. Hong Kong, Južna Koreja i Island su se našle na 5 pozicija
u oko 99% slučajeva. Najinteresantnija je situacija vezana za Makao Kina. Iako je
ova zemlja najčešće prvorangirana, ona je zbirno rangirana na pozicijama od 1
do 5 u 96% slučajeva a u ostalim slučajevima se rangira čak do 35 pozicije, dok je
prema zvaničnoj IDI metodologiji tek na 14. mestu.
Pomerajući se dalje na rang listi, pozicije su još raspršenije. Na primer,
Luksemburg, koji je rangiran kao 9-ti prema IDI u 2012. godini, ima veoma
neizvesnu poziciju: može se naći bilo gde između 6-og i 35-og mesta. Na slici 7.1
prikazana je raspršenost rangova za celokupan skup zemalja.
Slika 7.1 Neizvesnost i osetljivost IDI rangova
108
Prema ovim rezultatima može se zaključiti da su zemlje srednje ili visoko
osetljive na metodološke pretpostavke IDI metodologije. Prema Saisana i
D'Hombres (Saisana & D’Hombres, 2008), uobičajeno za većinu "vrlo osetljivih"
entiteta jeste činjenica da oni nisu ni veoma dobri, ni veoma loši u većini ulaznih
indikatora, već negde na sredini.
7.1.3.2 Neizvesnost i osetljivost CIDI metodologije
Analize neizvesnosti i osetljivosti CIDI metodologije zasnovane su na dobijenim
težinskim koeficijentima (poglavlje 7.1.2). Koristeći metod Monte Karlo
simulacije, rezultat je simuliran 10 000 puta. Matrica frekvencija rangova zemalja
data je u tabeli 7.8.
Tabela 7.8 Neizvesnost i osetljivost CIDI rangova (20 prvorangiranih zemalja)
Zemlja 1-5 6-10 11-15 16-20 21-25 25-30 31-35
Makao, Kina 10000
Južna Koreja 10000
Island 10000
Danska 10000
Švedska 10000
Finska 10000
Holandija 10000
Hong Kong 10000
Australija 9954 46
Norveška 9969 31
Luksemburg 77 9923
Velika Britanija 10000
Švajcarska 9995 5
Japan 10000
Novi Zeland 9989 11
Singapur 16 9984
Francuska 10000
Nemačka 10000
SAD 10000
Kanada 6012 3988
109
Ovde je jasno da su rezultati Monte Karlo simulacije daleko stabilniji. Iz
tabele se vidi da Makao Kina, koji je na prvom mestu po CIDI, u svih 10 000
simulacija zauzima pozicije 1 do 5; čak prema CIDI rezultatima, nalazi se uvek
na prvom mestu. Koreja, Island, Danska i Švedska su takođe uzeli pozicije od 1
do 5 u svih 10 000 simulacija.
Pomerajući se ka 157. mestu na rang listi, jasno se može uočiti mnogo veća
stabilnost CIDI sistema rangiranja od zvaničnih IDI rezultata, kao što je
prikazano na slici 7.2. Sve zemlje imaju veoma nizak stepen osetljivosti na
metodološke pretpostavke CIDI. Dakle, CIDI jasno smanjuje entropiju sistema
rangiranja.
Slika 7.2 Neizvesnost i osetljivost CIDI rangova
110
7.1.3.3 Testiranje razlike odstupanja rangova primenom Mann–Whitney testa
Razlike u stabilnosti prikazane na slikama 7.1 i 7.2 su sasvim očigledne. Ipak, one
su dodatno ispitane pomoću Mann-Whitney testa (Freyer, 2014), kako bi razlike
bile i statistički dokazane. Obe grupe, IDI i CIDI, poređene su Mann-Whitney
testom po svim pomeranjima rangova.
U tu svrhu izračunate su medijane rangova i apsolutna odstupanja rangova
od medijane. Razlike za 10 prvorangiranih zemalja kvantitativno su prikazane
tabeli 7.9.
Tabela 7.9 Mann-Whitney test pomeranja rangova za CIDI i IDI rezultate (10 prvorangiranih
zemalja)
Zemlja CIDI IDI Prosečan rang
Nivo značajnosti
X0.25 Me X0.75 X0.25 Me X0.75 CIDI IDI
Makao, Kina 0 0 0 0 0 0 95 106 p=0.001**
Koreja 0 0 0 0 0 1 77 124 p<0.001**
Island 0 0 0 0 0 1 77 124 p<0.001**
Danska 0 0 0 0 0 1 90 111 p<0.001**
Švedska 0 0 0 0 0 0 91 110 p<0.001**
Finska 0 0 1 0 0 0 101.5 99.5 p=0.156
Holandija 0 0 1 0 1 1 89.79 111.2 p=0.003**
Hong Kong 0 0 0 0 1 1 75.35 125.7 p<0.001**
Australija 0 0 1 0 1 1 89.33 111.7 p=0.002**
Norveška 0 0 1 0 0 0 106.1 94.93 p=0.121
X0.25 – donji kvartil, X0.75 – gornji kvartil, Me - medijana
Poslednja kolona daje verovatnoću greške za Mann-Whitney test, pod
pretpostavkom da pomeranja rangiranja za obe grupe pripadaju različitim
populacijama. Kao rezultat, za sve navedene zemlje osim Finske i Norveške,
pomeranja rangova su manja za CIDI u odnosu na IDI, i te razlike su statistički
111
značajne. Za Finsku i Norvešku, pomeranja rangova su nešto veća za CIDI u
odnosu na IDI, ali ta razlika nije statistički značajna (p>0.05).
Rezultati testa, za sve posmatrane zemlje, pokazali su da su srednja
apsolutna odstupanja od medijane rangova u sledećim relacijama:
1. CIDI metodologija pokazuje statistički značajno stabilnije rezultate
(p<0.05),
2. CIDI metodologija pokazuje veću stabilnost, ali razlika nije statistički
značajna (p>0.05),
3. IDI metodologija pokazuje veću stabilnost, ali razlika nije statistički
značajna (p>0.05).
To pokazuje da su CIDI rangovi uvek ili stabilniji, pa je manja neizvesnost
rangova, ili jednako stabilni, pa je neizvesnost rangova jednaka.
Na osnovu ovih rezultata može se zaključiti da CIDI metodologija, za svih
157 zemalja, daje stabilnije ili jednako stabilne rangove u odnosu na IDI
metodologiju.
112
7.2 Primena CIDI na rangiranje univerziteta - QS Rangiranje
U uslovima globalizacije, konkurentnost je jedan od glavnih ciljeva koje
univerziteti nastoje da postignu. Zbog toga je bitno da se osigura kvalitet u
visokom obrazovanju i da se poboljša globalna konkurentnost (Tasiran, 2012).
Obzirom na činjenicu da sve više nacionalnih akreditacionih tela razvijaju sistem
evaluacije i rangiranja univerziteta, o ovoj temi se mnogo diskutovalo i mnogi od
tih sistema su kritikovani, kako bi se osigurao kvalitet ovog procesa, prvenstveno
zbog njihovih različitih ciljeva i pristupa (Jovanovic et al., 2012).
Šangajska lista (The Academic Ranking of World Universities)
(ARWU, 2014) je verovatno sve do danas najviše citirana rang lista, ali je blisko
prate THE lista (Times Higher Education World University Rankings) (THE,
2013) i QS lista (Quacquarelli Symonds World University Rankings) (QS, 2013).
U Tajvanu je 2007. godine objavljen koncept "Performance Ranking of Scientific
Papers for World Universities", takođe poznat kao NTU rangiranje (NTU
Ranking, 2013), dizajnirano da oceni akademske performanse istraživačkih
univerziteta, kako bi procenio njihova postignuća u naučnim istraživanjima. O
njihovom značaju se ipak često diskutovalo (Collyer, 2013; Hou, 2011; Huang,
2012; Jeremic et al., 2011; Pusser & Marginson, 2013; Safón, 2013; Williams & de
Rassenfosse, 2014). Altbach (Altbach, 2006), na primer, navodi da su rangovi
reperi izvrsnosti za javnost i pomažu prilikom utvrđivanja razlika između
akademskih institucija, što dovodi do diferenciranja ciljeva i misija u
akademskim sistemima. Ipak, on dovodi u pitanje podobnost rang listi,
ukazujući na to da se ponekad, prilikom formiranja rang listi, koriste
neadekvatne metrike.
Prema Altbach (Altbach, 2003), svako želi univerzitet svetske klase. Kako bi
se postigli ovi ciljevi, rang liste su povećale konkurentsku tenziju između
institucija i nacija. Pri tome, rang liste uzdižu poseban koncept "statusa",
stvarajući društvenu normu na osnovu koje se mere sve institucije (Hazelkorn,
2011). Granica između elitnih i ne-elitnih univerziteta nekada je bila poznata
113
samo malom broju ljudi. Međutim, to svakako više nije slučaj i danas se često
diskutuje o elitnim univerzitetima, posebno u kontekstu masovnog visokog
obrazovanja i ekonomije znanja, gde je takva sistematizacija postala trend i u
velikoj meri se vrednuje.
Chang (Chang, 2005) tvrdi da rang liste kreiraju moćne slike koje, kao i
reklame, nude jednostavne prikaze kroz koje korisnici - studenti i roditelji - mogu
da "vide" instituciju. Iako su visokoobrazovne ustanove uvek bile konkurentne,
rang liste nude eksplicitnu percepciju prestiža i kvaliteta. Obzirom na to da rang
liste daju prednost tradicionalnim akademskim rezultatima, one povećavaju
"reputacionu trku" tako što podržavaju "oponašanje" visoko rangiranih institucija
(van Vught, 2008). Rangiranje takođe pomaže u održavanju "statusnog sistema",
jer samo jedan univerzitet može biti broj 1; kako se pozicija jednog univerziteta
pomera na gore, pozicija nekog drugog se pomera na dole. Slično tome, svaka
visokoobrazovna ustanova ima ograničen broj studentskih mesta, što povećava
vrednost svakog mesta i pojačava konkurenciju (Hazelkorn, 2011).
Kreiranje ARWU, THE, QS i drugih globalnih rang lista, podiglo je
konkurentsku tenziju i povećalo pritisak na institucije i sisteme (Hazelkorn, 2011,
2013a, 2013b). Ističući reputacionu prednost, rang liste su uticale na sve
visokoobrazovne institucije.
Obzirom da visoko obrazovanje igra ključnu ulogu u stvaranju
konkurentske prednosti u tržišnom okruženju, performanse univerziteta zaista
jesu bitne (Hazelkorn, 2011). Performanse univerziteta su merljive sa različitih
aspekata obrazovanja. Quacquarelli Symonds (QS) rangiranje svetskih
univerziteta poredi 800 vrhunskih svetskih institucija na osnovu skupa oblasti
koje su za buduće studente od interesa: istraživanje, nastava, mogućnost
zaposlenja i internacionalizacija (QS, 2013), a koje se ogledaju kroz šest
kriterijuma: Akademska reputacija, Reputacija univerziteta u poslovnom svetu, Racio
nastavnika i studenata, Broj citata po fakultetu, Procenat inostranih nastavnika i
Procenat inostranih studenata. Svrha QS rangiranja je da predstavi univerzitete kao
114
svestrane organizacije, i da obezbedi globalno poređenje njihovog uspeha u
odnosu na idejnu misiju: da postanu ili ostanu univerziteti svetske klase. QS
nastoji da zadovolji potrebe raznih stejkholdera, uključujući studente, roditelje,
akademsku zajednicu, univerzitetsko osoblje, kao i poslodavce, pružajući:
(i) komparativni alat koji može da pomogne studentima da suze listu
potencijalnih univerziteta za koje su zainteresovani, i (ii) suštinsku mapu
međunarodnog visokog obrazovanja, koja se može koristiti kao komponenta u
institucionalnom i/ili vladinom strateškom odlučivanju (QS, 2013).
Uprkos neprekidnom sporu o validnosti izbora pokazatelja i/ili njihovim
ponderima, rang liste su stekle legitimnost jer su metodologije kreiranja na izgled
statistički rigorozne, i analitičari koji kreiraju rang liste rado sarađuju sa
kritičarima i povremeno prave odgovarajuće modifikacije (Hazelkorn, 2011).
Zbog svog globalnog karaktera i naučnog metodološkog pristupa, QS rangiranje
je jedno od najuticajnijih sistema rangiranja. Ipak, relativno visoki analitički
težinski koeficijent koji je dodeljen indikatoru Akademska reputacija (o čemu će biti
reči u nastavku poglavlja), doveo je do ozbiljnih kritika QS rangiranja tokom
godina (Huang, 2012), pa zbog toga ostaje veliko pitanje koliko su QS merenja
performansi zapravo verodostojna. Rang lista se formira na osnovu pristrasnih,
subjektivno dodeljenih težinskih koeficijenata, što pruža nepouzdan okvir
rangiranja, nestabilan pri različitim vrstama poremećaja (Hazelkorn, 2011,
2013b). Pitanje dodeljivanja težinskih koeficijenata se često razmatra. Huang
(Huang, 2012) je dao sveobuhvatnu diskusiju o indikatorima i njihovim
ponderima u okviru QS rangiranja. Na primer, ukoliko je u fokusu ocena
reputacije univerziteta od strane akademske zajednice (peer reviews), QS
posmatra indikator Akademska reputacija kao valjan pokazatelj performansi
univerziteta. Međutim, ukoliko je težinski koeficijent za ocenu reputacije visok,
rezultat će samo oslikavati ugled univerziteta, a ne njegove stvarne performanse,
pa će bolje rezultate imati međunarodno renomirani univerziteti (Huang, 2012).
115
Pitanja kojima se bavi ova rang lista od velikog su značaja (Abramo, Cicero,
& D’Angelo, 2013; Bornmann, Mutz, & Daniel, 2013; Tayyab & Boyce, 2013;
Waltman et al., 2012), a ipak je karakterišu navedeni nedostaci. Primenom
Kompozitnog indikatora baziranog na I-odstojanju (CIDI) predloženo je
poboljšanje metodologije QS rangiranja, u cilju prevazilaženja nekih od uočenih
nedostataka.
7.2.1 Metodologija QS rangiranja
Od kada je, 2004. godine, QS lista formirana, na rang listi se nalazi sve više
univerziteta. U 2013. godini rangirano je 800 univerziteta, a evaluirano je daleko
više (preko 2.000). Za 400 najboljih univerziteta dati su pojedinačni rangovi, dok
su ostali raspoređeni u grupe, počevši od 401-410, do 701+. Rang lista poredi 800
vrhunskih svetskih institucija, u oblastima koje su od interesa za stejkholdere:
istraživanje, nastava, mogućnost zaposlenja i međunarodni okvir. Ove oblasti se
ogledaju kroz šest kriterijuma, datih u tabeli 7.10 (QS, 2013).
Tabela 7.10 Indikatori na osnovu kojih se formira QS rang lista, i težinski koeficijenti (QS, 2013)
Indikatori QS rangiranja Ponderi QS
rangiranja
Akademska reputacija (Academic reputation - AR) 40%
Reputacija univerziteta u poslovnom svetu (Employer reputation - ER) 10%
Racio nastavnika i studenata (Student-to-faculty ratio - FS) 20%
Broj citata po fakultetu (Citations per faculty - CPF) 20%
Procenat inostranih nastavnika (International faculty ratio - IF) 5%
Procenat inostranih studenata (International student ratio - IS) 5%
QS rang lista se sastoji od reputacionih istraživanja (ocena akademskih
eksperata i ocena poslodavaca) i kvantitativnih pokazatelja (racio nastavnika i
studenata, broj citata po fakultetu, procenat inostranih nastavnika i procenat
116
inostranih studenata), koji imaju po 50% udela u ponderima. QS lista uključuje
pregled pet oblasti: umetnost i humanističke nauke, biomedicina, društvene
nauke, prirodne nauke i tehničke nauke. Rangovi za svaku od ovih oblasti su
određeni u okviru reputacionih istraživanja putem upitnika, koji su podeljeni na
ocene akademskih eksperata i ocene poslodavaca (Huang, 2012).
Akademska reputacija se meri kroz globalno istraživanje, gde je akademska
zajednica anketirana o radu univerziteta u njihovoj struci. U 2013. godini,
prikupljeno je više od 62.000 odgovora širom sveta. Traženo je da se izabere 30
univerziteta (izuzev sopstvenog univerziteta) za koje anketirane osobe smatraju
da su najbolji u njihovoj oblasti. Da bi se izbegle regionalne razlike, korišćeni su
regionalni ponderi.
Reputacija univerziteta u poslovnom svetu se takođe zasniva na globalnom
istraživanju, pri čemu je 2013. godine prikupljeno 27.900 odgovora. Istraživanje
zahteva od poslodavaca da identifikuju univerzitete koji, po njihovom mišljenju,
daju najbolje diplomce. Ovo istraživanje je jedinstveno pri formiranju poznatih
međunarodnih univerzitetskih rang listi, i daje bolji uvid u to kako su univerziteti
viđeni na tržištu rada (QS, 2013).
Racio nastavnika i studenata je broj akademskog osoblja zaposlen po svakom
upisanom studentu. Pošto međunarodni standard po kome se meri kvalitet
nastave ne postoji, ovaj indikator pruža uvid u to koji univerziteti su, i u kojoj
meri, u mogućnosti da obezbede male grupe studenata, kao i značajan stepen
individualnog rada.
Broj citata po fakultetu ima za cilj da proceni istraživački kapacitet
univerziteta. QS metodologija za prikupljanje ovih informacija koristi Scopus,
najveću svetsku bazu podataka naučnih radova i citata. Koriste se podaci za
poslednjih pet godina, a ukupan broj citata se daje u odnosu na broj akademaca
na fakultetima u okviru univerziteta.
Procenat inostranih nastavnika i Procenat inostranih studenata se fokusiraju na
procenu koliko je univerzitet "međunarodni", merenjem udela stranih studenata
117
i profesora u odnosu na ukupan broj. Iako strani student ili fakultetsko telo nije
samo po sebi merilo kvaliteta, postoji jasna pozitivna korelacija između
međunarodnog priliva na univerzitet i uspeha univerziteta u drugim oblastima,
kao što su akademski ugled i citiranost istraživača (QS, 2013).
U izboru indikatora i njihovih težinskih koeficijenata prema zvaničnoj QS
metodologiji, moguće je uočiti niz nedostataka. Pored već navedenih, može se
istaći da se indikator Akademska reputacija, ponderisan sa čak 40%, formira na
osnovu ankete, pa se može postaviti kritičko pitanje verodostojnosti ovih
podataka jer se on bazira na "mišljenju". Slično je sa indikatorom Reputacija
univerziteta u poslovnom svetu. Indikator Racio nastavnika i studenata, koji je
ponderisan sa 20%, bi mogao na primer da uzme u obzir i broj časova koji
nedeljno nastavnici održe, ili neki drugi kriterijum, kako bi se realnije sagledala
"veličina" grupe za slušanje nastave.
7.2.2 Kompozitni QS indikator baziran na I-odstojanju
Rezultati QS rangiranja najboljih univerziteta objavljuju se na godišnjem nivou.
Istraživanje u doktorskoj disertaciji bazirano je na podacima od 2008. do 2013.
godine (osim 2010. pošto te godine QS rangiranje nije objavljeno).
U prvom koraku istraživanja računaju se vrednosti I-odstojanja, na osnovu
vrednosti ulaznih indikatora koji su korišćeni za QS rangiranje (Dobrota et al.,
2015). Vrednosti I-odstojanja izračunate su na osnovu šest indikatora (videti
tabelu 7.10) za pet posmatranih godina. Nakon toga su izračunati Pirsonovi
koeficijenti korelacije između vrednosti I-odstojanja i ulaznih indikatora
(Dobrota, Jeremic, & Markovic, 2012; Jeremić, 2012), za sve obuhvaćene godine.
Vrednosti su date u tabeli 7.11.
118
Tabela 7.11 Pirsonovi koeficijenti korelacije između QS indikatora i I-odstojanja
I-odstojanje
Indikatori QS rangiranja 2008 2009 2011 2012 2013
Akademska reputacija 0.791 0.683 0.821 0.713 0.768
Reputacija univerziteta u poslovnom svetu 0.745 0.745 0.761 0.763 0.693
Racio nastavnika i studenata 0.607 0.54 0.645 0.502 0.506
Broj citata po fakultetu 0.575 0.435 0.616 0.485 0.536
Procenat inostranih nastavnika 0.542 0.49 0.556 0.463 0.47
Procenat inostranih studenata 0.627 0.596 0.649 0.606 0.585
Suma koeficijenta korelacije 3.887 3.489 4.048 3.532 3.558
Na osnovu dobijenih vrednosti koeficijenta korelacije, a prema CIDI
metodologiji, izračunati su novi težinski koeficijenti za svaki od indikatora od
kojih se QS metodologija sastoji. Predloženi ponderi su izračunati deljenjem
odgovarajućeg koeficijenata korelacije sumom koeficijenata korelacije, čime je
obezbeđeno da suma pondera bude jednaka 1. Dobijeni težinski koeficijenti za
ulazne indikatore predstavljeni su u tabeli 7.12. Konačni težinski koeficijenti su
određeni kao srednje vrednosti pondera izračunatih za pojedine godine
posmatranog vremenskog perioda (kolona M u tabeli 7.12) (Dobrota et al., 2015).
Tabela 7.12 Težinski koeficijenti QS indikatora zasnovani na CIDI metodologiji
Indikatori QS rangiranja 2008 2009 2011 2012 2013 M SD
Akademska reputacija 0.203 0.196 0.203 0.202 0.216 0.204 0.007324
Reputacija univerziteta u
poslovnom svetu 0.192 0.214 0.188 0.216 0.195 0.201 0.013015
Racio nastavnika i studenata 0.156 0.155 0.159 0.142 0.142 0.151 0.008158
Broj citata po fakultetu 0.148 0.125 0.152 0.137 0.151 0.142 0.011553
Procenat inostranih nastavnika 0.139 0.140 0.137 0.131 0.132 0.136 0.004264
Procenat inostranih studenata 0.161 0.171 0.160 0.172 0.164 0.166 0.005258
119
U tabeli 7.13 prikazani su težinski koeficijenti zvanične QS metodologije i
CIDI metodologije.
Tabela 7.13 Težinski koeficijenti zvanične QS metodologije i CIDI metodologije.
Indikatori QS rangiranja QS Ponderi CIDI Ponderi
Akademska reputacija 40% 20.4%
Reputacija univerziteta u poslovnom svetu 10% 20.1%
Racio nastavnika i studenata 20% 15.1%
Broj citata po fakultetu 20% 14.2%
Procenat inostranih nastavnika 5% 13.6%
Procenat inostranih studenata 5% 16.6%
Najveće razlike mogu se uočiti kod indikatora Akademska reputacija,
Reputacija univerziteta u poslovnom svetu i Procenat inostranih studenata. Prema
zvaničnom QS rangiranju, Akademska reputacija je ponderisana sa 40%, dok je
prema CIDI udeo ovog pokazatelja 20.4%, čime je ovom indikatoru dat manji
značaj u ukupnom rezultatu rangiranja. S druge strane, indikator Reputacija
univerziteta u poslovnom svetu je ponderisan sa 10% prema zvaničnom QS
rangiranju, dok je prema CIDI udeo ovog pokazatelja 20.1%, čime se pojačava
njegov značaj. Obzirom da se mere na sličan način putem ankete (poglavlje 7.2.1),
raspodela težinskih koeficijenata između ova dva indikatora, prema CIDI
metodologiji, može se okarakterisati ispravnijom. Slično, indikator Procenat
inostranih studenata je ponderisan sa 5% prema zvaničnom QS rangiranju, a 16.6%
prema CIDI metodologiji. Razlike postoje i u ponderima za preostale korišćene
indikatore.
U tabeli 7.14, predstavljeni su rezultati zvanične QS i CIDI metodologije u
rangiranju 50 prvoplasiranih univerziteta (prema CIDI metodologiji), za 2013.
godinu. Rezultati za 392 univerziteta, koji su obuhvaćeni istraživanjem, dati su
u prilogu B.
120
Tabela 7.14 QS vrednosti, QS rangovi, CIDI vrednosti i CIDI rangovi, za 2013 godinu (50
prvorangiranih univerziteta)
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Massachusetts Institute of Technology (MIT) 100 1 99.02 1
Imperial College London 98.8 5 98.85 2
UCL (University College London) 98.9 4 98.45 3
University of Oxford 98.7 6 98.16 4
University of Cambridge 99 3 98.07 5
Harvard University 99.2 2 96.66 6
ETH Zurich (Swiss Federal Institute of Technology) 94.3 12 95.02 7
Yale University 96.5 8 93.12 8
Ecole Polytechnique Fédérale De Lausanne (EPFL) 90.9 19 92.67 9
Stanford University 96.8 7 91.86 10
University of Edinburgh 91.3 17 91.79 11
King's College London (KCL) 90.9 19 91.77 12
National University of Singapore (NUS) 89.4 24 91.68 13
University of Toronto 91.3 17 90.92 14
University of Chicago 96.2 9 90.9 15
California Institute of Technology (Caltech) 96.1 10 90.63 16
University of Hong Kong (HKU) 88.6 26 90.59 17
Princeton University 96.1 10 89.89 18
Australian National University (ANU) 88.5 27 89.67 19
Mcgill University 90.6 21 89.32 20
Cornell University 92.5 15 88.12 21
The Hong Kong University of Science And Technology
(HKUST) 84.4 34 87.72 22
University of California, Berkeley (UCB) 89 25 87.59 23
The University of Melbourne 86 31 87.07 24
The University of Manchester 85.2 33 86.93 25
University of Bristol 86.6 30 86.35 26
University of Pennsylvania 93.8 13 86.25 27
Nanyang Technological University (NTU) 81.1 41 85.74 28
The University of Sydney 82.9 38 85.3 29
Ecole Polytechnique Paristech 81.1 41 84.15 30
Columbia University 93.6 14 84.01 31
Johns Hopkins University 92.1 16 83.77 32
The University of New South Wales (UNSW) 78.8 52 83.75 33
The University of Queensland (UQ) 80.9 43 83.19 34
The Chinese University of Hong Kong (CUHK) 82.3 39 82.55 35
London School of Economics And Political Science (LSE) 73.9 68 81.52 36
The University of Warwick 74.5 64 80.92 37
University of Michigan 90.5 22 79.66 38
121
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
University of Glasgow 78.9 51 78.99 39
University of St Andrews 71.6 83 78.84 40
Ecole Normale Supérieure, Paris (ENS Paris) 87.8 28 78.55 41
The University of Nottingham 73.1 75 78.45 42
Monash University 73.7 69 78.44 43
Trinity College Dublin (TCD) 75.1 61 77.99 44
University of Birmingham 74.9 62 77.35 45
Seoul National University (SNU) 84.1 35 77.17 46
The University of Sheffield 73.3 71 77.07 47
Maastricht University 63.8 121 76.1 48
Durham University 70.4 90 76.02 49
Duke University 90.1 23 75.54 50
Kao što se može uočiti u datoj tabeli, postoje sličnosti i razlike između QS i
CIDI rezultata. Osnovni uzrok razlika je činjenica da su težinski koeficijenti
dobijeni primenom CIDI metodologije drugačiji od onih definisanih u okviru
zvanične QS metodologije. Ove razlike prouzrokovale su i razlike u rangovima
(tabele 7.13 i 7.14). Na primer, Ecole Polytechnique Fédérale De Lausanne (EPFL)
je rangiran kao 19. prema QS, a kao 9. prema CIDI metodologiji. Prema vrednosti
indikatora Akademska reputacija, koji nosi 40% prema QS metodologiji, EPFL je na
69. poziciji (87.9), što umnogome umanjuje njegov zvanični rang. Obzirom da je,
u CIDI metodologiji, uticaj ovog indikatora umanjen, njegova pozicija je realnije
sagledana i poboljšana za 10 mesta. S druge strane, Columbia University je prema
QS na poziciji 14, a prema CIDI metodologiji na tek 31. poziciji. Prema vrednosti
indikatora Akademska reputacija, on je na 1. poziciji (100), što mu omogućava
veoma dobar celokupan rezultat. Međutim prema vrednostima indikatora Racio
nastavnika i studenata, on je na tek 43. poziciji (95.9), Procenat inostranih studenata
na 87. poziciji (78.8), a prema vrednostima indikatora Procenat inostranih
nastavnika na "dalekoj" 307. poziciji (16.2), što umnogome umanjuje njegov rang
na CIDI listi.
122
Da bi se ocenila validnost CIDI indikatora, izračunat je Pirsonov koeficijent
korelacije između CIDI vrednosti i QS vrednosti. Vrednost Pirsonovog
koeficijenta korelacije je r=0.912, što ukazuje na veoma visok stepen korelacije,
koja je statistički značajna (p<0.001). Činjenica da CIDI visoko korelira sa QS
vrednostima, dokazuje da je jednako pogodan i povezan sa predmetom
istraživanja. To potvrđuje da je kompozitni indikator zasnovan na I-odstojanju
(CIDI) prihvatljiva mera za procenu performansi univerziteta. Poređenjem CIDI
i QS rangova, rezultati pokazuju da je Spirmanov koeficijent korelacije takođe
statistički značajan, rs=0.884, p<0.001.
Kao što je već naznačeno, CIDI metodologija daje težinske koeficijente koji
su i metodološki i statistički opravdani, jer su izvedeni iz koeficijenata korelacije,
izračunatih na osnovu podataka iz prethodnih perioda. Pored toga, ovaj metod
pruža drugačiju sliku o važnosti svakog pojedinačnog indikatora, i korekciju
težinskih koeficijenata za svaki od, u slučaju QS rangiranja, šest ulaznih
indikatora.
U nastavku ovog poglavlja će biti pokazano da CIDI metodologija (i) daje
preciznije rezultate, (ii) stabilnija je od zvanične QS metode rangiranja. Ako se
ulaznim indikatorima dodele težinski koeficijenti u skladu sa CIDI
metodologijom, dobijaju se mnogo stabilniji rezultati, čime se smanjuje entropija
sistema rangiranja. Prednosti CIDI nad zvaničnom QS metodologijom biće
potvrđene kroz analizu neizvesnosti i analizu osetljivosti.
7.2.3 Neizvesnost i osetljivost rangiranja prema zvaničnoj QS i CIDI
metodologiji
Da bi se izmerila stabilnost zvaničnog QS sistema rangiranja i uporedila sa
stabilnošću QS kompozitnog indikatora zasnovanog na I-odstojanju (CIDI), nad
podacima su vršene analize neizvesnosti i osetljivosti.
123
7.2.3.1 Neizvesnost i osetljivost zvanične QS metodologije
Osetljivost QS rangiranja zasniva se na relativnom doprinosu šest QS pokazatelja
u periodu istraživanja, od 2008. do 2013. godine, sa izuzetkom 2010. godine.
Analiza relativnog doprinosa indikatora može da pruži korisne informacije o
tome da li neki pokazatelji dominiraju u ukupnim skorovima univerziteta
(Saisana & D’Hombres, 2008).
Relativni doprinos se računa kao udeo rezultata indikatora u odnosu na
ukupan rezultat, pomnožen odgovarajućim težinskim koeficijentom. Doprinosi
su izračunati za ceo vremenski period istraživanja i pokazalo se da su oni
normalno distribuirani. Zatim su izračunati prosečni doprinosi i njihove
standardne devijacije. Rezultati pokazuju da udeli QS indikatora u ukupnom
rezultatu, prikazani u tabeli 7.15, nisu u potpunosti u skladu sa odgovarajućim
težinskim koeficijentima koje QS sistem rangiranja predlaže.
Tabela 7.15 Relativni doprinos ulaznih QS indikatora
Indikatori QS rangiranja 2008 2009 2011 2012 2013 M SD
Akademska reputacija 0.392 0.410 0.417 0.412 0.414 0.409 0.009655
Reputacija univerziteta u
poslovnom svetu 0.101 0.100 0.056 0.094 0.105 0.091 0.020283
Racio nastavnika i studenata 0.201 0.193 0.247 0.211 0.203 0.211 0.021136
Broj citata po fakultetu 0.203 0.197 0.172 0.184 0.184 0.188 0.012038
Procenat inostranih
nastavnika 0.051 0.049 0.052 0.050 0.048 0.050 0.001556
Procenat inostranih
studenata 0.051 0.050 0.056 0.049 0.046 0.051 0.003735
Na primer, indikatoru Broj citata po fakultetu dodeljen je težinski koeficijent
20%, dok je relativni prosečni udeo ovog indikatora u ukupnom rezultatu niži
124
(18.8%). Sa druge strane, indikator Racio nastavnika i studenata ima prosečan
doprinos 21.1%, što je više od 20% težine, dodeljene ovom pokazatelju.
Primenom Monte Karlo metode, izvršena je simulacija rezultata 10 000
puta. Prema metodologiji analiza neizvesnosti i osetljivosti (Saisana &
D’Hombres, 2008), na osnovu rezultata dobijenih simulacijom, određena je
raspodela rangova univerziteta. Matrica frekvencija rangova, za 20
prvorangiranih univerziteta, data je u tabeli 7.16.
Tabela 7.16 Neizvesnost i osetljivost QS rangova (20 prvorangiranih univerziteta)
Univerzitet 1-3 4-6 7-9 10-12 13-15 16-18 19-21 22-24 25-27
Massachusetts Institute of
Technology (MIT) 10000
Harvard University 9934 66
University of Cambridge 9980 20
Ucl (University College London) 79 9921
Imperial College London 7 9993
University of Oxford 9998 2
Stanford University 10000
Yale University 9754 246
California Institute of
Technology (Caltech) 2 5930 4067 1
University of Chicago 4313 5687
Princeton University 1 9999
Eth Zurich (Swiss Federal
Institute of Technology) 6233 3767
University of Pennsylvania 3726 6274
Columbia University 7 9992 1
Johns Hopkins University 35 5823 3907 216 18 1
Cornell University 4140 5850 10
University of Toronto 8668 1266 66
University of Edinburgh 6712 2689 597 2
King's College London (Kcl) 2304 7660 36
Ecole Polytechnique Fédérale De
Lausanne (Epfl) 2084 7057 859
Massachusetts Institute of Technology (MIT), Harvard University i
University of Cambridge su prosečno 3 najbolje rangirana univerziteta prema
125
oficijalnom QS rangiranju. Prema rezultatima, MIT se našao na pozicijama 1 do
3 u svih 10 000 simulacija. Harvard, koji je u 2013. godini rangiran kao drugi, u
99% slučajeva se našao na pozicijama 1 do 3. Pomeranjem ka srednje rangiranim
univerzitetima, nesigurnost pozicija univerziteta se povećava. Na primer,
California Institute of Technology (Caltech), koji je rangiran kao 11. prema QS
metodologiji, u 2013. godini, ima neizvesniju poziciju: mogao bi se naći rangiran
od 4. do 15. mesta; Johns Hopkins University, koji je rangiran kao 16., mogao bi
se naći rangiran od 10. do 27. mesta.
Pomeranjem ka niže rangiranim univerzitetima, rezultati su još šire
raspršeniji (slika 7.3).
Slika 7.3 Neizvesnost i osetljivost QS rangova
126
Prema ovim rezultatima, može se zaključiti da su rangovi univerziteta
srednje do visoko osetljivi na metodološke pretpostavke u QS rangiranju. Za
univerzitete koji su "veoma osetljivi", prostor zaključivanja o rangu je suviše širok
da bi se izveo validan zaključak o njihovim rangovima. Prema autorima Saisana
i D'Hombres (Saisana & D’Hombres, 2008), zajednička karakteristika za većinu
"veoma osetljivih" univerziteta je činjenica da po ulaznim pokazateljima nisu niti
veoma dobri niti veoma loši, već negde između.
7.2.3.2 Neizvesnost i osetljivost CIDI metodologije
Radi poređenja, opisane analize su vršene nad kompozitnim indikatorom
zasnovanim na I-odstojanju (CIDI).
U ovom slučaju, neizvesnost i osetljivost zasnivaju se na predloženim
težinama, dobijenim pomoću CIDI metodologije. Metodom Monte Karlo,
rezultat je simuliran 10 000 puta. Matrica frekvencija rangova univerziteta, za 20
prvorangiranih univerziteta, data je u tabeli 7.17.
Očigledno je da je Monte Karlo simulacija, primenjena na CIDI
metodologiju, dala znatno bolje rezultate. Massachusetts Institute of Technology
(MIT), koji je prvorangiran i po originalnim QS i po CIDI rezultatima, našao se
na pozicijama od 1 do 3 u svih 10 000 simulacija. Osim njega, Imperial College
London i UCL (University College London) se, takođe, u svih 10 000 simulacija
nalaze na pozicijama 1 do 3. Dalje, University of Oxford, University of
Cambridge i Harvard University nalaze se u svim simulacijama na pozicijama
4-6; ETH Zurich (Swiss Federal Institute of Technology) i Yale University nalaze
se u svim simulacijama na pozicijama 7-9.
127
Tabela 7.17 Neizvesnost i osetljivost CIDI rangova (20 prvorangiranih univerziteta)
Univerzitet 1-3 4-6 7-9 10-12 13-15 16-18 19-21 22-24 25-27
Massachusetts Institute of
Technology (MIT) 10000
Imperial College London 10000
UCL (University College
London) 10000
University of Oxford 10000
University of Cambridge 10000
Harvard University 10000
ETH Zurich (Swiss Federal
Institute of Technology) 10000
Yale University 10000
Ecole Polytechnique Fédérale
De Lausanne (EPFL) 9908 92
Stanford University 22 7297 2681
University of Edinburgh 8605 1395
King's College London (KCL) 9133 867
National University of
Singapore (NUS) 70 4782 5089 59
University of Toronto 7610 2390
University of Chicago 7 6814 3179
California Institute of
Technology (Caltech) 69 2682 7179 70
University of Hong Kong
(HKU) 15 2861 7124
Princeton University 1 6915 3084
Australian National University
(ANU) 3140 6860
Mcgill University 14 9986
Kretanjem ka nižim pozicijama, može se uočiti značajno veća stabilnost
CIDI sistema rangiranja u odnosu na zvaničnu QS metodologiju. Na slici 7.4 su
grafički predstavljeni rezultati simulacije.
Svi rangovi univerziteta imaju nizak ili srednji stepen osetljivosti na
metodološke pretpostavke CIDI indikatora. Jasno je da je predložena CIDI
metodologija stabilnija od zvanične QS metodologije, i može značajno smanjiti
entropiju sistema rangiranja.
128
Slika 7.4 Neizvesnost i osetljivost CIDI rangova
7.2.3.3 Testiranje razlike odstupanja rangova primenom Mann–Whitney testa
Uočena razlika u stabilnosti metodologija, i prednost CIDI nad zvaničnom QS
metodologijom, testirana je primenom Mann-Whitney testa. Za svaki posmatrani
univerzitet izračunate su medijane pomeranja rangova, kao i njihova apsolutna
odstupanja (poglavlje 6.4), u 10 000 simuliranih rangiranja. Na ovako dobijene
podatke primenjen je Mann-Whitney test, za sve univerzitete koji su rangirani.
U tabeli 7.18 prikazani su rezultati za 15 prvorangiranih univerziteta.
Rezultati su pokazali da su za neke posmatrane univerzitete pomeranja rangova
od medijane ranga statistički značajno manja za CIDI u odnosu na QS
metodologiju, ali za neke nisu. U tabeli se vidi da u slučaju KCL, NUS i Toronto,
CIDI daje rezultate koji su statistički značajno manje stabilni u odnosu na QS
129
metodologiju (3 slučaja), dok za Cambridge, Harvard, ETH Zurich, Yale, EPFL i
Caltech, daje rezultate koji su statistički značajno stabilniji u odnosu na QS (6
slučajeva).
Tabela 7.18 Mann-Whitney test pomeranja rangova za CIDI i QS rezultate (15 prvorangiranih
univerziteta)
Univerzitet
CIDI QS Prosečan rang Nivo
značajnosti X0.25 Me X0.75 X0.25 Me X0.75 CIDI QS
Massachusetts Institute of Technology (MIT) 0 0 0 0 0 0 102.5 98.5 p=0.054
Imperial College London 0 0 0 0 0 0 102 99 p=0.175
University of Cambridge 0 0 0 0 0 0 97 104 p=0.007**
UCL (University College London)
0 0 0 0 0 0 99 102 p=0.082
University of Oxford 0 0 0 0 0 0 100.5 100.5 p=1.000
Harvard University 0 0 0 0 0 0 97.5 103.5 p=0.013*
ETH Zurich (Swiss Federal Institute of Technology) 0 0 0 0 0 1 83 118 p<0.001**
Yale University 0 0 0 0 1 1 75.48 125.52 p<0.001**
Ecole Polytechnique Fédérale de Lausanne (EPFL)
0 0 0 0 1 2 68.73 132.28 p<0.001**
Stanford University 0 0 1 0 0 1 107.45 93.55 p=0.061
King's College London (KCL) 0 1 1 0 0 1 116.01 84.99 p<0.001**
National University of Singapore (NUS)
0.5 0.5 2.5 0 0 1 132.56 68.44 p<0.001**
University of Edinburgh 0 1 1 0 0.5 2 98.16 102.84 p=0.539
University of Toronto 0 1 1 0 0 1 114.49 86.51 p<0.001**
California Institute of Technology (Caltech) 0 1 1 1 2 2 85.38 115.62 p<0.001**
X0.25 – donji kvartil, X0.75 – gornji kvartil, Me - medijana
Kada se posmatraju svi rangirani univerziteti (392), QS metodologija je
pokazala značajno veću stabilnost u 14% slučajeva. Preostalih 86% univerziteta,
kod kojih se pokazalo da CIDI metodologija nije statistički manje stabilna od QS
metodologije, mogu se podeliti u sledeće 3 grupe:
130
1. CIDI metodologija pokazuje statistički značajno stabilnije rezultate
(p<0.05),
2. CIDI metodologija pokazuje veću stabilnost, ali razlika nije statistički
značajna (p>0.05),
3. QS metodologija pokazuje veću stabilnost, ali razlika nije statistički
značajna (p>0.05).
Na osnovu navedenog, može se zaključiti da su rezultati CIDI metodologije
u 86% slučajeva stabilniji ili jednako stabilni, u odnosu na rezultate zvanične QS
metodologije.
131
7.3 ARWU rang lista, Alternativna rang lista i CIDI
ARWU (Academic Ranking of World Universities) lista je najpoznatija rang lista
za globalno rangiranje univerziteta. Formira se na osnovu vrednosti za šest
pokazatelja performansi univerziteta, i smatra se veoma konzistentnom i jednom
od najrigoroznijih (ARWU Newsletter, 2014). Indikatori su: Alumni - broj
alumnija i Award – broj akademskog osoblja, koji su osvojili Nobelove nagrade i
Fieldovu medalju, HiCi - broj istraživača koji su često citirani, N&S - broj članaka
objavljenih u časopisima "Nature" i "Science", PUB - broj radova na SCIe i SSCI
listi i PCP - učinak po zaposlenom, koji se koristi kao korektivni indikator.
Indikatori koji se ističu zbog svoje nedostižnosti su Alumni i Award. Ova
dva pokazatelja privukla su značajnu pažnju i podstakla veliku raspravu među
mnogim autorima (Docampo & Cram, 2014; Safón, 2013; Zornic et al., 2014).
Naime, značajna polemika se vodi oko toga koji su to dostižni indikatori, koji bi
univerzitetu mogli da omoguće da se nađe među prvih 500 na ARWU listi.
Zvaničnici mnogih univerziteta su zaključili da su Nobelove nagrade i Fieldove
medalje daleko od dostižnih po tom pitanju (Zornic et al., 2014). Kod mnogih
univerziteta ovi indikatori imaju vrednost 0, jer nema alumnija niti zaposlenih
koji su ostvarili Nobelove nagrade i Fieldovu medalju (Docampo & Cram, 2014).
Zbog toga se na univerzitetima diskutovalo o pouzdanosti ARWU metode
rangiranja, imajući u vidu da je veoma teško nositi se sa zahtevima dva pomenuta
indikatora. Osim toga, očigledno je da, zbog ova dva indikatora, univerziteti
mogu da se oslone na Nobelove nagrade i Fieldovu medalju koje su osvojene i
po više godina unazad, kako bi dominirali nad mnogim "rastućim"
univerzitetima, koji imaju veoma dobre performanse merene ostalim
indikatorima (ARWU Newsletter, 2014). Ocene ovih pokazatelja imaju izuzetno
široke vremenske granice (čak do 100 godina), što "starijim" univerzitetima daje
veliku prednost (Billaut, Bouyssou, & Vincke, 2010; Safón, 2013).
132
Nedavno je, ovim povodom, objavljeno saopštenje koje prikazuje
dizajniranje redukovane ARWU rang liste (ARWU Newsletter, 2014).
Izostavljanjem indikatora koji se odnose na Nobelove nagrade i Fieldove medalje,
predložena je Alternativna rang lista (The Alternative Ranking), koja se formira
na osnovu vrednosti četiri preostala indikatora (ARWU Newsletter, 2014).
Obzirom da se ARWU rangiranje, kao i formiranje Alternativne rang liste,
baziraju na kompozitnim indikatorima za koje su odgovarajući ponderi određeni
na subjektivan način, i izazivaju brojne polemike, u okviru ove disertacije će, kao
alternativno rešenje, biti predložena CIDI metodologija, i biće upoređena
stabilnost tako dobijenih rešenja u odnosu na zvanične ARWU rezultate.
Analize neizvesnosti i osetljivosti, koju su predložili Saltelli i drugi (Saltelli
et al., 2008, 2004), a koju su Saltelli (Saltelli, 2007), Saisana i drugi (Saisana et al.,
2011), i Paruolo i drugi (Paruolo et al., 2013) koristili da dovedu u pitanje
stabilnost univerzitetskih rang listi, biće sprovedene za obe ARWU liste, kao i za
listu baziranu na CIDI metodologiji (Dobrota & Dobrota, n.d.). Primenom Mann-
Whitney testa će, na kraju ovog poglavlja, biti testirane razlike u stabilnosti
rezultata Alternativne rang liste i rangiranja zasnovanog na CIDI metodologiji.
7.3.1 Metodologija ARWU rangiranja (6 indikatora)
Zvanična metodologija ARWU liste bazira se na šest ulaznih indikatora kojima
su različiti težinski koeficijenti dodeljeni na subjektivan način, u zavisnosti od
toga kakvu percepciju njihovog značaja imaju autori rang liste. Indikatori su dati
u tabeli 7.19.
133
Tabela 7.19 Indikatori ARWU metodologije za 2014. godinu (ARWU Methodology, 2014)
Indikator Ponder
Alumni 10%
Awards 20%
HiCi 20%
N&S 20%
PUB 20%
PCP 10%
Alumni predstavlja faktor koji obuhvata sve alumnije5 univerziteta koji su
osvojili Nobelovu nagradu ili Fieldovu medalju iz oblasti matematike. U
zavisnosti od perioda završetka studija dodeljuju se različite težine. Ponder od
100% dodeljuje se alumnijima koji su završili studije posle 2001. godine, 90% za
završetak studija od 1991. do 2000., 80% za period od 1981. do 1990. i tako dalje,
10% se dodeljuje onima koji su završili studije u periodu od 1911. do 1920. Ako
je osoba završila nekoliko nivoa studija na istom univerzitetu, univerzitet se
samo jednom računa (ARWU Methodology, 2014; ARWU, 2014; Jeremić, 2012).
Awards je indikator koji predstavlja ukupan broj zaposlenih na univerzitetu
koji su osvojili Nobelovu nagradu iz oblasti fizike, hemije, medicine i ekonomije
ili Fieldovu medalju iz oblasti matematike. Različite težine se dodeljuju u odnosu
na period kada je osvojena nagrada. Ponder od 100% se dodeljuje onima koji su
osvojili nagradu posle 2011, 90% za one koji su to učinili u periodu od 2001. do
2010., 80% za period od 1991. do 2000., i tako dalje, a 10% se dodeljuje za osvajanje
u periodu od 1921. do 1930. Ako je osoba zaposlena na više univerziteta, svakom
se dodeljuje određeni procenat u zavisnosti od broja univerziteta. Ukoliko je
5 Svi oni koji su završili osnovne, master ili doktorske studije na posmatranom univerzitetu
134
jedna Nobelova nagrada dodeljena većem broju osoba, dodeljuje se vrednost
prema udelu učešća u nagradi.
HiCi je pokazatelj kojim se računa ukupan broj istraživača koji se često
citiraju (highly cited) u 21 kategoriji. Ove osobe se najviše citiraju u kategorijama
koje autori ARWU liste smatraju ključnim (ARWU Methodology, 2014; ARWU,
2014; Jeremić, 2012).
N&S indikator prikazuje ukupan broj radova objavljenih u časopisima
"Nature" i "Science" u periodu od 2009. do 2013. godine. U Journal Citation
Reports za 2014. godinu, "Impakt Faktor" časopisa "Nature" je 42.351, a časopisa
"Science" je 31.477. Da bi se razlikovao doprinos autora, težina od 100% se
dodeljuje autoru koji je zadužen za korespondenciju, 50% za prvog autora ili
drugog ukoliko je prvi isti kao autor za korespondenciju, 25% za sledećeg i 10%
za ostale autore. Razmatraju se samo članci u časopisima (arcticle).
PUB pokazateljem se izražava ukupan broj radova koji su objavljeni na SCIe
i SSCI listi 2013. godine. U obzir se uzimaju samo članci u časopisima (arcticle).
Prilikom računanja ukupnog broja objavljenih radova jednog univerziteta,
radovi koji se objavljuju na SSCI listi dobijaju težinu 2, odnosno, vrede duplo više
od radova sa SCIe liste (ARWU Methodology, 2014; ARWU, 2014; Jeremić, 2012).
PCP predstavlja sumu ponderisanih vrednosti prethodno navedenih pet
indikatora, podeljenu ukupnim brojem stalno zaposlenog nastavnog osoblja.
Ukoliko se podaci za neki univerzitet (ili za cele države) ne mogu pribaviti,
koristi se ponderisana vrednost ostalih indikatora. Podaci o zaposlenima se
pribavljaju od nacionalnih služba za zapošljavanje, statističkih zavoda ili
ministarstava obrazovanja.
7.3.2 Metodologija Alternativnog rangiranja (4 indikatora)
Kao što je ranije izloženo, indikatori koji su prilično nedostižni su Alumni i Award
(Docampo & Cram, 2014; Safón, 2013; Zornic et al., 2014): kod mnogih
135
univerziteta vrednost ovih indikatora je 0 (nema alumnija niti zaposlenih koji su
ostvarili Nobelove nagrade i Fieldove medalje (Docampo & Cram, 2014));
indikatori daju prednost "starijim" univerzitetima (Billaut et al., 2010; Safón, 2013)
u odnosu na "rastuće" univerzitete koji imaju dobre performanse merene ostalim
indikatorima (ARWU Newsletter, 2014).
Alternativna rang lista (The Alternative Ranking) redukuje indikatore na
kojima se zasniva ARWU rang lista, tako što izostavlja Nobelovu nagradu i
Fieldove medalje, i bazira se na preostala četiri indikatora: HiCi, N&S, PUB i PCP
(ARWU Newsletter, 2014). Autori su težinske koeficijente ostavili
nepromenjenim, sa ukupnom sumom od 70%. Takođe, PCP pokazatelj je
prilagođen alternativnom rangiranju, i modifikovan tako da je uticaj faktora
nagrada izostavljen (ARWU Newsletter, 2014).
Zaključci koji proizilaze iz Alternativne rang liste su različiti: neki
univerziteti su stekli titulu svetske klase, a neki su je izgubili; neki univerziteti u
Istočnoj Aziji, Jugoistočnoj Aziji i Australiji, ušli su u prvih 100, dok su neke
kontinentalno-evropske zemlje na ovoj listi lošije pozicionirane (ARWU
Newsletter, 2014).
7.3.3 Kompozitni Alternativni ARWU indikator baziran na I-odstojanju
CIDI metodologiju je moguće primeniti na ARWU rang listu univerziteta. U
okviru ove disertacije će CIDI metodologija biti primenjena na indikatore koji se
koriste u formiranju redukovane ARWU liste – Alternativne rang liste, i rezultati
analiza neizvesnosti i osetljivosti će biti upoređeni sa ove dve metodologije.
Alternativna rang lista je izabrana jer se pokazala daleko stabilnijom od
zvaničnog ARWU rangiranja, o čemu će biti reči u nastavku ovog poglavlja.
Težinski koeficijenti korišćeni za kreiranje CIDI metodologije dobijeni su na
osnovu Pirsonovih koeficijenata korelacije između I-odstojanja i 4 pojedinačna
136
indikatora Alternativnog rangiranja. U ovom slučaju posmatrani su rezultati iz
2014. godine. U tabeli 7.20 prikazani su ponderi za ARWU6 i CIDI metodologiju.
Tabela 7.20 Originalni ARWU i CIDI težinski koeficijenti
Indikatori ARWU rangiranja Zvanični ARWU ponderi CIDI ponderi
HiCi 0.2 0.19
N&S 0.2 0.2
PUB 0.2 0.15
PCP 0.1 0.16
U tabeli 7.21, predstavljeni su rezultati ARWU, Alternativnog i CIDI
rangiranja. Rezultati su prikazani za 30 prvorangiranih univerziteta i odnose se
na vrednosti kompozitnih indikatora i odgovarajućih rangova za 3 posmatrane
metodologije.
U tabeli se mogu uočiti sličnosti i razlike među rezultatima. Da bi se
procenio CIDI indeks, izračunat je Pirsonov koeficijent korelacije između CIDI
rezultata, ARWU rezultata i Alternativnog rangiranja. Korelacija CIDI i ARWU
je 0.928 (p<0.001), a korelacija CIDI i Alternativnog rangiranja 0.994 (p<0.001), što
pokazuje da je CIDI jednako pogodan za merenje performansi univerziteta i u
velikoj meri povezan sa predmetom istraživanja. Takođe su izračunati
Spirmanovi koeficijent korelacije između rangova i pokazalo se da je korelacija
CIDI i ARWU rs=0.822 (p<0.001), a korelacija CIDI i Alternativnog rangiranja
rs=0.990 (p<0.001).
6 Suma pondera je 0.7 jer je na taj način formirano Alternativno rangiranje
137
Tabela 7.21 ARWU vrednosti, ARWU rangovi, Alternativne vrednosti, Alternativni rangovi,
CIDI vrednosti i CIDI rangovi za 2014 godinu
Univerzitet ARWU ARWU
rang
Alternativno
rangiranje
(max 70)
Alternativni
rang
CIDI
(max 70)
CIDI
rang
Harvard University 100 1 68 1 66.69 1
Stanford University 72.1 2 49.93 2 48.83 2
Massachusetts Institute of Technology
(MIT) 70.5 3 45.87 4 46.24 3
University of California-Berkeley 70.1 4 45.88 3 45.19 4
California Institute of Technology
(Caltech) 60.5 7 40.84 5 44.36 5
University of Oxford 57.4 9 40.38 6 39 6
University of California, San Diego 49.3 14 39.81 7 38.59 7
University of Cambridge 69.2 5 39.52 8 38.53 8
Yale University 55.2 11 39.29 9 38.07 9
University of Washington 48.1 15 39.12 10 37.03 10
University of California, Los Angeles 51.9 12 38.68 11 36.68 11
Columbia University 59.6 8 38.53 12 36.46 12
Princeton University 60.7 6 35.41 20 36.23 13
University of California, San Francisco 45.2 18 36.83 15 35.81 14
University of Michigan-Ann Arbor 42.3 22 38.42 13 35.8 15
University of Pennsylvania 47.1 16 36.68 16 35.46 16
Cornell University 50.6 13 36.06 17 35.1 17
The University of Tokyo 43.2 21 36.92 14 34.97 18
University of Toronto 41.8 24 36.06 17 33.81 19
The Johns Hopkins University 47 17 35.8 19 33.78 20
Swiss Federal Institute of Technology
Zurich 43.9 19 33.46 23 33.52 21
The Imperial College of Science,
Technology and Medicine 42.3 22 33.37 24 32.51 22
University College London 43.3 20 34.11 21 32.35 23
Northwestern University 39.4 28 33.19 25 31.86 24
Duke University 38.4 31 33.56 22 31.66 25
University of Chicago 57.4 9 31.92 27 30.94 26
University of Minnesota, Twin Cities 39.3 30 32.64 26 30.78 27
Washington University in St. Louis 37.8 32 30.6 30 29.43 28
University of North Carolina at Chapel
Hill 35.2 36 30.81 29 29.23 29
University of Wisconsin - Madison 41.8 24 31.03 28 29.09 30
138
7.3.4 Neizvesnost i osetljivost rangiranja prema ARWU metodologiji,
Alternativnom rangiranju i CIDI metodologiji
U nastavku poglavlja biće prikazani rezultati analiza neizvesnosti i osetljivosti za
sve 3 opisane metodologije. Primenom Mann-Whitney testa, biće upoređene
razlike u stabilnosti ove 3 metodologije.
7.3.4.1 Neizvesnost i osetljivost zvaničnog ARWU rangiranja
Osetljivost ARWU rangiranja zasniva se na relativnom doprinosu indikatora
(glava 5). Pomoću Monte Karlo metode, rezultat je simuliran 10 000 puta, a prema
metodologiji analiza neizvesnosti i osetljivosti (Saisana & D’Hombres, 2008)
određena je raspodela frekvencija rangova za univerzitete. U tabeli 7.22 prikazani
su relativni doprinosi indikatora, kao i njihova komparacija sa zvaničnim ARWU
ponderima.
Tabela 7.22 Relativni doprinosi ulaznih ARWU indikatora
Indikatori ARWU rangiranja Zvanični ponderi Relativni doprinos
M SD
Alumni 0.1 0.060 0.0348197
Awards 0.2 0.139 0.0811099
HiCi 0.2 0.189 0.0470695
N&S 0.2 0.183 0.0353705
PUB 0.2 0.314 0.0733839
PCP 0.1 0.090 0.0261356
Matrica frekvencija rangova univerziteta prema zvaničnom ARWU
rangiranju, za 20 prvorangiranih univerziteta za 2014. godinu, data je u tabeli
7.23.
139
Tabela 7.23 Neizvesnost i osetljivost ARWU rangova, 2014. godina (20 prvorangiranih
univerziteta)
Univerzitet 1-5 6-10 11-15 16-20 21-25 26-30 31-35 36-40 41-45 46-50 51-55
Harvard University 10000
Stanford University 10000
University of California-
Berkeley 10000
Massachusetts Institute of
Technology (MIT) 9996 4
University of Cambridge 9711 219 55 12 2 1
Columbia University 9926 71 3
University of Oxford 115 9885
California Institute of
Technology (Caltech) 24 8588 1094 274 20
Yale University 6593 3406 1
Princeton University 6967 1932 738 272 62 14 11 4
University of California, Los
Angeles 3146 6853 1
University of California, San
Diego 134 9691 175
University of Washington 1 773 9151 75
University of Chicago 3019 4741 1137 829 193 36 26 11 5 3
Cornell University 7782 2203 15
The Johns Hopkins
University 1287 8713
University of Pennsylvania 262 9738
University of Michigan-Ann
Arbor 150 592 1656 4106 3092 358 41 3 1 1
The University of Tokyo 76 989 5988 2930 16 1
University of Toronto 3 78 927 5602 3341 45 4
Harvard, Stanford, California-Berkeley, Massachusetts Institute of
Technology (MIT) i University of Cambridge su 5 najbolje rangiranih univerziteta
prema originalnom ARWU rangiranju. Ako se pomoću Monte Karlo metode
10 000 puta simuliraju rezultati sa prosečnim udelima indikatora, i njihovim
standardnim devijacijama, Harvard, Stanford i California-Berkeley su ostali na
prvih pet mesta u svim simulacijama. MIT se 4 puta našao na pozicijama 6 do 10,
dok se Cambridge u simulaciji nalazio čak do 30. pozicije. Prinston, koji je prema
zvaničnom ARWU rangiranju 6., našao se na pozicijama od 6 do čak 45 u
140
simulaciji. Pomeranjem ka nižim pozicijama, neizvesnost rezultata postaje još
izraženija. Na primer, University of Chicago, koji je prema ARWU rangiran kao
9., ima veoma neizvesnu poziciju: mogao bi se naći rangiran na bilo kom od 6. do
55. mesta (tabela 7.23). Do 100. pozicije, rezultati su još šire disperzirani, kao što
je prikazano na slici 7.5.
Slika 7.5 Neizvesnost i osetljivost ARWU rangova (6 indikatora)
Prema navedenim rezultatima, može se zaključiti da Harvard i Stanford
imaju nizak stepen osetljivosti na metodološke pretpostavke ARWU rangiranja,
dok su ostali univerziteti najčešće srednje ili visoko osetljivi. Za univerzitete koji
su veoma osetljivi, prostor rangiranja univerziteta je suviše širok, što se jasno vidi
sa slike 7.5.
141
7.3.4.2 Neizvesnost i osetljivost Alternativnog rangiranja
Osetljivost Alternativnog rangiranja, slično kao i za originalno ARWU rangiranje,
zasniva se na relativnom doprinosu indikatora, koji su prikazani u tabeli 7.24.
Tabela 7.24 Relativni doprinosi ulaznih indikatora Alternativnog rangiranja
Indikatori ARWU rangiranja Zvanični ponderi Relativni doprinos
M SD
HiCi 0.2 0.162 0.032410
N&S 0.2 0.159 0.030734
PUB 0.2 0.269 0.047220
PCP 0.1 0.181 0.048226
Primenom Monte Karlo metode, rangiranje je simulirano 10 000 puta.
Matrica frekvencija rangova univerziteta prema Alternativnom rangiranju, za 20
prvorangiranih univerziteta za 2014. godinu, data je u tabeli 7.25.
Harvard, Stanford, MIT, University of California-Berkeley i Caltech su 5
najbolje rangiranih univerziteta prema Alternativnom rangiranju. Harvard,
Stanford, MIT i University of California-Berkeley su u svih 10 000 simulacija
ostali na prvih pet mesta. Harvard je svaki put prvorangirani univerzitet, a
Stanford drugorangirani. Caltech, koji je petorangirani, ima nestabilnije pozicije,
od 1 do 30. Pomeranjem ka nižim pozicijama, može se uočiti veća stabilnost
Alternativnog rangiranja nego rezultata zvaničnog ARWU rangiranja.
142
Tabela 7.25 Neizvesnost i osetljivost Alternativnog rangiranja, 2014. godina (20 prvorangiranih
univerziteta)
Univerzitet 1-5 6-10 11-15 16-20 21-25 26-30 31-35 36-40 41-45 46-50 51-55
Harvard University 10000
Stanford University 10000
Massachusetts Institute of
Technology (MIT) 10000
University of California-
Berkeley 10000
California Institute of
Technology (Caltech) 8182 1208 472 134 3 1
University of Oxford 1813 8187
University of Cambridge 9971 29
University of California, San
Diego 9776 224
University of Washington 9692 308
University of Michigan-Ann
Arbor 5 4636 5180 179
Yale University 5251 4734 15
University of California, Los
Angeles 604 9394 2
Columbia University 23 9634 343
University of Toronto 471 6987 2532 10
University of Pennsylvania 4 5353 4643
The University of Tokyo 2 6249 3749
University of California, San
Francisco 422 9569 9
Cornell University 20 9980
The Johns Hopkins University 46 9044 910
Princeton University 175 940 4367 4296 216 6
Na slici 7.6 prikazani su rezultati analize neizvesnosti Alternativnog
rangiranja. Poređenjem rezultata analiza neizvesnosti i osetljivosti za ARWU i
Alternativnu rang listu, uočava se da Alternativno rangiranje pokazuje veću
stabilnost rezultata i manji varijabilitet u rangovima univerziteta. Prema tome,
ako se izuzme faktor nagrada, moguće je dobiti stabilniji i sigurniji rang
univerziteta.
143
Slika 7.6 Neizvesnost i osetljivost Alternativnog rangiranja (4 indikatora)
7.3.4.3 Neizvesnost i osetljivost CIDI metodologije
Za potrebe simulacije rezultata radi utvrđivanja neizvesnosti i osetljivosti CIDI
rangova, prosečne srednje vrednosti pondera i njihove standardne devijacije
izračunate su slično kao i za originalno ARWU i Alternativno rangiranje. Pomoću
Monte Karlo metode, rezultat je simuliran 10 000 puta i određena je raspodela
rangova. Relativni doprinosi su prikazani u tabeli 7.26.
144
Tabela 7.26 Relativni doprinosi ulaznih indikatora CIDI rangiranja
Indikatori rangiranja CIDI ponderi Relativni doprinos
M SD
HiCi 0.19 0.162 0.032410
N&S 0.2 0.159 0.030734
PUB 0.15 0.269 0.047220
PCP 0.17 0.181 0.048226
U tabeli 7.27 prikazana je matrica frekvencija rangova univerziteta prema
CIDI rangiranju, za 20 prvorangiranih univerziteta.
Tabela 7.27 Neizvesnost i osetljivost CIDI rangova (20 prvorangiranih univerziteta)
Univerzitet 1-5 6-10 11-15 16-20 21-25 26-30 31-35 36-40 41-45 46-50 51-55
Harvard University 10000
Stanford University 10000
Massachusetts Institute of
Technology (MIT) 10000
University of California-
Berkeley 10000
California Institute of
Technology (Caltech) 8534 1140 281 44 1
University of Oxford 1464 8536
University of Cambridge 9990 10
University of California, San
Diego 9827 173
University of Washington 9733 267
Yale University 5298 4697 5
University of Michigan-Ann
Arbor 2 4569 5263 166
University of California, Los
Angeles 325 9675
Columbia University 7 9758 235
University of Toronto 426 6975 2591 8
University of Pennsylvania 2 5175 4823
The University of Tokyo 6417 3583
University of California, San
Francisco 417 9582 1
Cornell University 7 9993
The Johns Hopkins University 9 9254 737
Princeton University 147 870 4433 4444 106
145
Rezultati su slični kao kod Alternativnog rangiranja, međutim primetno je
da je CIDI rangiranje za nijansu stabilnije od Alternativnog, i daleko stabilnije od
zvaničnog ARWU rangiranja. Na slici 7.7 prikazana je neizvesnost i osetljivost
CIDI rangova.
Slika 7.7 Neizvesnost i osetljivost CIDI rangova
Može se zaključiti da univerziteti imaju nizak, ili srednji stepen osetljivosti
na metodološke pretpostavke CIDI metodologije. CIDI je, prema tome, značajno
stabilnija metodologija za rangiranje entiteta, od ARWU, a u manjoj meri
stabilnija od Alternativnog rangiranja.
146
7.3.4.4 Testiranje razlike odstupanja rangova CIDI i Alternativnog rangiranja
primenom Mann–Whitney testa
U tabeli 7.28 su prikazani rezultati Mann-Whitney testa, koji testira razliku u
stabilnosti Alternativnog rangiranja i CIDI metode, za 15 prvoplasiranih
univerziteta. Poređene su ove dve metode jer je cilj u ovom istraživanju bio da se
CIDI metodom direktno utiče na poboljšanje Alternativnog rangiranja.
Tabela 7.28 Mann-Whitney test pomeranja rangova za CIDI i Alternativne rangove (15
prvorangiranih univerziteta)
Univerzitet
CIDI Alternativno
rangiranje Prosečan rang
Nivo značajnosti
X0.25 Me X0.75 X0.25 Me X0.75 CIDI Alter.
Harvard University 0 0 0 0 0 0 100.5 100.5 p=1.000
Stanford University 0 0 0 0 0 0 100 101 p=0.317
Massachusetts Institute of Technology (MIT) 0 0 1 0 0 1 91 110 p=0.006**
University of California-Berkeley 0 0 1 0 1 1 92.5 108.5 p=0.024*
California Institute of Technology (Caltech)
0 0 1 0 0 1 90.8 110.21 p=0.006**
University of Oxford 0 0 0 0 0 1 91 110 p=0.001**
University of Cambridge 0 0 0 0 0 0 95.66 105.34 p=0.083
University of California, San Diego
0 0 0 0 0 1 92.79 108.21 p=0.012*
University of Washington
0 0 1 0 0 1 95.69 105.31 p=0.176
Yale University 1 1 1 1.5 1.5 1.5 86.1 114.9 p<0.001*
University of Michigan-Ann Arbor 0 1 2 1 1.5 3 89.1 111.91 p=0.004*
University of California, Los Angeles
0 0 0 0 0 0 99.42 101.58 p=0.704
Columbia University 0 0 1 0 0 1 97.13 103.87 p=0.350
University of Toronto 1 1 3 1 2 3 98.45 102.55 p=0.408
University of California, San Francisco
0 0 1 0 1 1 91.8 109.21 p=0.021*
X0.25 – donji kvartil, X0.75 – gornji kvartil, Me - medijana
147
U tabeli se uočava da su za svih 15 univerziteta CIDI rezultati bolji od
Alternativnog rangiranja, i da su, u većini slučajeva, ove razlike statistički
značajne. Za sve rangirane univerzitete (100 univerziteta), Alternativna rang lista
je pokazala značajno veću stabilnost u 3% slučajeva. Preostalih 97% univerziteta,
kod kojih se pokazalo da CIDI metodologija nije statistički manje stabilna od
Alternativne rang liste, mogu se podeliti u sledeće 3 grupe:
1. CIDI metodologija pokazuje statistički značajno stabilnije rezultate
(p<0.05),
2. CIDI metodologija pokazuje veću stabilnost, ali razlika nije statistički
značajna (p>0.05),
3. Alternativna rang lista pokazuje veću stabilnost, ali razlika nije statistički
značajna (p>0.05).
Na kraju je, radi poređenja, pomoću Kruskal-Wallis testa ispitano da li
postoji značajna statistička razlika između odstupanja rangova za ARWU,
Alternativno i CIDI rangiranje. Izračunate su medijane rangova i suma
apsolutnih odstupanja rangova od medijane, i Kruskal-Wallis testom su
poređena odstupanja za svaki univerzitet koji se rangira. U tabeli 7.29 prikazani
rezultati za 15 prvorangiranih univerziteta.
Harvard univerzitet je, na svim rang listama, bio prvorangirani univerzitet
u svim simulacijama. Za većinu preostalih posmatranih univerziteta, rezultati
pokazuju da su pomeranja rangova od medijane ranga statistički značajno manja
za CIDI u odnosu na Alternativno rangiranje i ARWU metodologiju, ili statistički
jednaka.
Interesantna je situacija kod California-Berkeley i kod Yale univerziteta,
gde je rangiranje bilo stabilnije po originalnoj ARWU metodologiji, nego po CIDI
metodologiji. Ovi rezultati mogli bi da proističu iz vrednosti Alumni i Award
indikatora. California-Berkeley, na primer, ima skor 66.8 za Alumni i 79.4 za
148
Award, a za preostale indikatore između 55 i 67. Indikator Award, prema
zvaničnoj ARWU metodologiji, ima težinski koeficijent 0.2, a relativni doprinos
ovog indikatora je 0.139, sa standardnom devijacijom 0.081. Navedeni indikatori,
koji mere uticaj Nobelovih nagrada i Fieldove medalje, bolje fiksiraju poziciju
ovog univerziteta, u odnosu na metodologije (Alternativna rang lista i CIDI) kada
su oni izostavljeni. Iz ovih razloga je pozicija univerziteta California-Berkeley
stabilnija kod ARWU metodologije u odnosu na CIDI i Alternativnu rang listu.
Tabela 7.29 Kruskal-Wallis test pomeranja rangova za CIDI, Alternativne i ARWU rezultate (15
prvorangiranih univerziteta)
Univerzitet Medijana pomeranja Prosečan rang Nivo
značajnosti CIDI Altern. ARWU CIDI Altern. ARWU
Harvard University 0 0 0 150.5 150.5 150.5 p=1.000
Stanford University 0 0 0 149 150.5 152 p=0.365
Massachusetts Institute of
Technology (MIT) 0 0 0 137.21 165.52 148.77 p=0.022*
University of California-
Berkeley 0 1 0 150.8 174.75 125.99 p<0.001**
California Institute of
Technology (Caltech) 0 0 1 118.06 147.16 186.29 p<0.001**
University of Oxford 0 0 1 115.62 141.94 193.95 p<0.001**
University of Cambridge 0 0 0 140.51 154.76 156.23 p=0.134
University of California, San
Diego 0 0 1 115.76 140.02 195.73 p<0.001**
University of Washington 0 0 1.5 110.36 125.75 215.39 p<0.001**
Yale University 1 1.5 1 145.24 191.35 114.92 p<0.001**
University of Michigan-Ann
Arbor 1 1.5 2.5 114.66 144.72 192.13 p<0.001**
University of California, Los
Angeles 0 0 1 117.27 120.7 213.54 p<0.001**
Columbia University 0 0 0 141.59 151.48 158.44 p=0.302
University of Toronto 1 2 1 147.28 153.57 150.66 p=0.871
University of California, San
Francisco 0 1 2 112.33 135.5 203.68 p<0.001**
149
Veća stabilnost ARWU rangiranja u odnosu na preostala dva, pokazala se
samo u malom broju slučajeva. CIDI metodologija se, kao što je prethodno
opisano, pokazala stabilnijom ili jednako stabilnom u odnosu na Alternativno
rangiranje, za 97% univerziteta.
150
8 ZAKLЈUČAK
Kompozitni indikatori su veoma efikasno sredstvo za merenje i evaluaciju
određenih pojava i fenomena koji su višedimenzionalne prirode. Oni proizvode
odgovarajuće mere za višedimenzionalnu pojavu ili problem od interesa, kao i
odgovarajuće rang liste entiteta, koji se tako mogu porediti prema više
kriterijuma, a na osnovu zbirne skalarne vrednosti koja se dobija kao rezultat
kompozitnog indikatora.
Ovom doktorskom disertacijom, fokus se stavlja na analizu kompozitnih
indikatora i metoda kojima se formiraju kompozitni indikatori za merenje
određenih karakteristika posmatranih entiteta. Doktorska disertacija daje
detaljan pregled faza u postupku formiranja kompozitnih indikatora: izbor
pojedinačnih indikatora, obrada nedostajućih vrednosti, izbor agregacionog
modela, dodela težinskih koeficijenti koji stoje uz indikatore, itd.
Disertacija takođe daje pregled problema koji karakterišu proces formiranja
kompozitnog indikatora, sa ciljem da se što više nedostataka ispravi i unapredi.
Osim toga, bez obzira na model kreiranja, kompozitne indikatore karakteriše
određeni stepen nestabilnosti, koji se ogleda u promeni rezultata merenja pri
promenama u različitim izvorima neizvesnosti vezanim za različite faze
formiranja. Doktorskom disertacijom dat je pregled analiza neizvesnosti i
osetljivosti, koje se sprovode pomoću Monte Karlo simulacije, i kojima se meri
osetljivost i entropija sistema kompozitnih indikatora. Budući da kvalitet modela
zavisi i od ispravnosti pretpostavki, praksa dobrog modelovanja podrazumeva
ove analize.
U okviru doktorske disertacije predložen je model formiranja kompozitnog
indikatora koji značajno unapređuje određene nedostatke, koji karakterišu
poznate kompozitne indikatore. Predloženi model u doktorskoj disertaciji
zasniva se na metodi Ivanovićevog odstojanja: Kompozitni indikator baziran na I-
odstojanju (Composite I-distance Indicator (CIDI)). Upotrebom ovog modela
151
preciznije se definišu težinski koeficijenti koji se dodeljuju pojedinačnim
indikatorima od kojih se kompozitni indikator sastoji, a koji se veoma često
zasnivaju na subjektivnom doživljaju eksperta. Ovim modelom, vrednosti
težinskih koeficijenata se dobijaju na jedan objektivan i transparentan način, kao
što je opisano u doktorskoj disertaciji.
Prednosti CIDI metodologije ogledaju se u sledećem:
• U odnosu na druge kompozitne indikatore, kreirane linearnim načinom
agregacije, sa dodeljivanjem težinskih koeficijenata od strane eksperata,
CIDI princip daje težinske koeficijente koji su objektivni, i metodološki i
statistički opravdani, jer su izvedeni iz Pirsonovih koeficijenata korelacije
I-odstojanja i pojedinačnih indikatora, izračunatih na osnovu vremenske
serije skupa ulaznih indikatora, od kojih se kompozitni indikator sastoji.
• U odnosu na I-odstojanje, CIDI indikator je kreiran pomoću metode
linearne agregacije, uz dodeljivanje težinskih koeficijenta kreiranih na
gore pomenut način. Ovo čini njegove vrednosti direktno uporedivim sa
indikatorom koji se nastoji poboljšati.
• CIDI pristup je značajno stabilniji od većine zvaničnih kompozitnih
indikatora, i smanjuje entropiju sistema rangiranja, što predstavlja
značajan doprinos doktorske disertacije. Rangovi entiteta tako imaju
mnogo niži stepen osetljivosti na metodološke pretpostavke kompozitnog
indikatora zasnovanog na I-odstojanju.
Glavni cilj doktorske disertacije je kreiranje nove metode za formiranje
kompozitnih indikatora, koja se zasniva na I-odstojanju, i koja prevazilazi
poteškoće i nedostatke u formiranju poznatih kompozitnih indikatora. Time je
značajno unapređen sam proces formiranja kompozitnih indikatora, obzirom da
su prevaziđeni problemi subjektivnosti u kreiranju težinskih koeficijenata.
U doktorskoj disertaciji proučavane su studije slučaja QS i ARWU
rangiranja univerziteta, kao i IDI indeks rangiranja zemalja prema informatičkoj
152
razvijenosti. IDI indeks meri IKT razvoj društva, i pokazao se daleko
neizvesnijim u odnosu na CIDI indikator, koji u velikoj meri povećava stabilnost
ovog sistema.
QS rang lista svetskih univerziteta koja je u ovom radu obrađena, daje
veoma koristan i važan aspekt rangova svetskih univerziteta, i predstavlja jedan
je od najuticajnijih sistema rangiranja univerziteta, pre svega zbog globalnog
karaktera i transparentnih rezultata. Međutim, QS ima dosta ograničenja, kao što
su subjektivni visoki ponder za indikator Akademska reputacija, što je izazvalo
nepoverenje u QS rang listu tokom godina.
Može se povući paralela i sa drugim modelima rangiranja univerziteta;
konkretno i najpoznatijim ARWU rangiranjem, koje je obrađeno u doktorskoj
disertaciji. Pokazalo se da je ARWU rangiranje nestabilna metoda, pre svega zbog
velikog uticaja nagrada (Nobelovih nagrada i Field medalja) na rezultat
rangiranja, koje su jako teško dostižne i ostvarive, pa često nose vrednost 0.
Redukovana ARWU lista - Alternativno rangiranje, formirana bez pokazatelja o
nagradama, daleko je stabilnija metoda.
Zbog sveopšte prihvaćenosti i popularnosti QS rangiranja, kao i
nenadmašne popularnosti ARWU rangiranja, u doktorskoj disertaciji se nastojalo
da se pomoću CIDI metodologije poboljšaju ovi sistemi rangiranja univerziteta,
kako bi se prevazišli neki od njihovih nedostataka.
Prvo značajano poboljšanje ogleda se u objektivnosti CIDI metodologije,
koja uspeva da prevaziđe nedostatak subjektivno dodeljenih pondera svakom od
ulaznih indikatora od kojih se sastoje kako IDI indeks, tako i QS i ARWU
rangiranje. Umesto da se koristite subjektivno izabrani težinski koeficijenti, CIDI
uspostavlja sistem merenja, kreiran na osnovu multivarijacione statističke
metode I-odstojanja.
Pored toga, kada su IDI, ili QS i ARWU (odnosno njegova redukcija
Alternativno rangiranje) sistemi rangiranja poboljšani pomoću CIDI
metodologije, daleko su stabilniji i postojaniji. Analize neizvesnosti i osetljivosti
153
oficijalnih IDI, QS i ARWU metodologija pokazuju da su one visoko osetljive što
se tiče rangova univerziteta. Međutim, ako se poboljšaju CIDI metodologijom,
evidentan je niži stepen neizvesnosti i osetljivosti na mnoštvo metodoloških
scenarija. Zbog toga su rangovi dobijeni CIDI metodologijom veoma pouzdani i
reprezentativni, pružaju visok stepen poverenja, pa se ovom doktorskom
disertacijom CIDI metodologija predlaže kao metoda za poboljšanje i
unapređenje u procesu formiranja kompozitnih indikatora.
8.1 Doprinosi doktorske disertacije
Doprinos doktorske disertacije ogleda se u definisanju sistematskog pregleda
proučavane oblasti kao i predloga originalnog modela za formiranje
kompozitnih indikatora. Razvijeni model može da se koristi za kreiranje
kompozitnih indikatora kao sredstva za merenje i evaluaciju višedimenzionalnih
pojava i fenomena, i moguće ga je primeniti na različite vrste organizacionih
jedinica.
Mogućnosti za unapređenje kompozitnih indikatora ogledaju se u činjenici
da se predloženi statistički model zasniva na metodi I-odstojanja. Ovaj način
formiranja kompozitnih indikatora omogućuje prevazilaženje bitnog problema
subjektivnog dodeljivanja težinskih koeficijenata.
Pored toga, pomoću analize neizvesnosti i osetljivosti, pokazano je
unapređenje kompozitnih indikatora koje se ogleda u značajnom povećanju
stabilnosti samog indikatora. Na ovaj način formiranja kompozitnog indikatora,
značajno se smanjuju entropija i neizvesnost modela rangiranja.
Doktorskom disertacijom se takođe predlaže softversko rešenje za
simulaciju analiza neizvesnosti i osetljivosti, kojim se u velikoj meri olakšava
proces simuliranja rezultata, i ubrzava proces istraživanja od postavke problema
do njegovog uspešnog rešavanja. Prikaz ovog softverskog rešenja dat je u
prilogu A.
154
Može se zaključiti da su rezultati, proistekli iz istraživanja u doktorskoj
disertaciji, pružili značajan broj doprinosa:
• Celovit prikaz problematike kreiranja kompozitnih indikatora i modela
koji se primenjuju.
• Predlog originalnog statističkog modela formiranja kompozitnih
indikatora koji se zasniva na I-odstojanju.
• Prikaz značajnog poboljšanja sa aspekta smanjenja neizvesnosti i
osetljivosti rangova dobijenih primenom kompozitnih indikatora.
• Primena predloženog modela u različitim oblastima od interesa kao i na
različite organizacione jedinice.
• Verifikacija dobijenih rezultata kroz praktičnu primenu modela i
publikovanje naučnih i stručnih radova.
• Predlog softverskog rešenja za simulaciju analiza neizvesnosti i
osetljivosti.
• Potvrda postavljenih hipoteza i predstavljanje rezultata dobijenih
predloženim modelom formiranja kompozitnih indikatora.
155
9 LITERATURA
1. Abramo, G., Cicero, T., & D’Angelo, C. A. (2013). The impact of
unproductive and top researchers on overall university research
performance. Journal of Informetrics, 7(1), 166–175.
doi:10.1016/j.joi.2012.10.006
2. Adler-Milstein, J., Ronchi, E., Cohen, G. R., Winn, L. A. P., & Jha, A. K.
(2014). Benchmarking health IT among OECD countries: better data for
better policy. Journal of the American Medical Informatics Association: JAMIA,
21(1), 111–116. doi:10.1136/amiajnl-2013-001710
3. Agresti, A., & Finlay Agresti, B. (1979). Statistical Methods for the Social
Sciences. San Francisco: Dellen.
4. Altbach, P. G. (2003). Introduction to Higher Education theme issue on the
Academic Profession in Central and Eastern Europe. Higher Education,
45(4), 389–389. doi:10.1023/A:1023949808905
5. Altbach, P. G. (2006). The dilemmas of ranking. International Higher
Education, 42, 2–3.
6. Amado, C. a. F., Santos, S. P., & Marques, P. M. (2012). Integrating the
Data Envelopment Analysis and the Balanced Scorecard approaches for
enhanced performance assessment. Omega, 40(3), 390–403.
doi:10.1016/j.omega.2011.06.006
7. Anderberg, M. R. (1973). Cluster analysis for applications. London: Academic
Press.
8. Andersen, P., & Petersen, N. C. (1993). A Procedure for Ranking Efficient
Units in Data Envelopment Analysis. Management Science, 39(10), 1261–
1264. doi:10.1287/mnsc.39.10.1261
9. Anderson, T. W. (1966). An Introduction to Multivariate Statistical Analysis -
7th ed. London: John Wiley and Sons.
156
10. Angelini, G., Bernini, C., & Guizzardi, A. (2013). Comparing weighting
systems in the measurement of subjective well-being. Statistica, 73(2), 143–
163.
11. Arndt, S., Acion, L., Caspers, K., & Blood, P. (2013). How reliable are
county and regional health rankings? Prevention Science : The Official
Journal of the Society for Prevention Research, 14(5), 497–502.
doi:10.1007/s11121-012-0320-3
12. Arushanyan, Y., Ekener-Petersen, E., & Finnveden, G. (2014). Lessons
learned – Review of LCAs for ICT products and services. Computers in
Industry, 65(2), 211–234. doi:10.1016/j.compind.2013.10.003
13. ARWU. (2014). Academic Ranking of World Universities. Retrieved
September 01, 2014, from
http://www.shanghairanking.com/ARWU2014.html
14. ARWU Methodology. (2014). ARWU Methodology. Retrieved October 12,
2014, from http://www.shanghairanking.com/ARWU-Methodology-
2014.html
15. ARWU Newsletter. (2014). Alternative Ranking (Excluding Award Factor).
Retrieved October 10, 2014, from
http://www.shanghairanking.com/Alternative_Ranking_Excluding_Aw
ard_Factor/Excluding_Award_Factor2014.html
16. Athanassopoulos, A. D., & Curram, S. P. (1996). A Comparison of Data
Envelopment Analysis and Artificial Neural Networks as Tools for
Assessing the Efficiency of Decision Making Units. The Journal of the
Operational Research Society, 47(8), 1000–1016. doi:10.2307/3010408
17. Bandura, R. A Survey of Composite Indices Measuring Country
Performance: 2008 Update (2008). Retrieved from
http://web.undp.org/developmentstudies/docs/indices_2008_bandura.
157
18. Bas Cerda, M. D. C. (2014). Estrategias metodológicas para la construcción de
indicadores compuestos en la gestión universitaria. Editorial Universitat
Politècnica de València.
19. Becker, W., Paruolo, P., & Saltelli, A. (2014, January 22). Exploring Hoover
and Perez’s experimental designs using global sensitivity analysis
[Computation]. Retrieved August 20, 2014, from
http://arxiv.org/abs/1401.5617
20. Benini, A. (2012). Composite measures. Retrieved September 20, 2014,
from http://aldo-
benini.org/Level2/HumanitData/ACAPS_CompositeMeasures_Note_120
517AB.pdf
21. Benito, M., & Romera, R. (2011). Improving quality assessment of
composite indicators in university rankings: a case study of French and
German universities of excellence. Scientometrics, 89(1), 153–176.
doi:10.1007/s11192-011-0419-5
22. Billaut, J.-C., Bouyssou, D., & Vincke, P. (2010). Should you believe in the
Shanghai ranking? Scientometrics, 84(1), 237–263. doi:10.1007/s11192-009-
0115-x
23. Birch, M. W. (1964). The detection of partial association, I: The 2x2 case.
Journal of the Royal Statistical Society – B, 26, 313–324.
24. Birch, M. W. (1965). The Detection of Partial Association, II: The General
Case. Journal of the Royal Statistical Society – B, 27, 111–124.
25. Bogosavljević, S. (1985). Apriorne metode klasifikacije ekonomskih pojava.
Univerzitet u Beogradu.
26. Bogosavljević, S. (1988). Evaluacija klasifikacione strukture. In Majski skup
’87. Beograd: Sekcije za klasifikacije Saveza statističkih društava
Jugoslavije.
27. Bogosavljević, S. (1996). Formalno definisanje i uređenje hijerarhijske
klasifikacije. In S. Bоgоsаvlјеvić & M. Kovačević (Eds.), Analiza grupisanja
II (pp. 43–48). Beograd: Savezni zavod za statistiku.
158
28. Bogosavljević, S. (1997). O statističkim metodama u rangiranju. In Seminar
katedre za matematiku i informatiku. Beograd: Fakultet organizacionih nauka.
29. Bollen, K. A., & Bauldry, S. (2011). Three Cs in measurement models:
causal indicators, composite indicators, and covariates. Psychological
Methods, 16(3), 265–284. doi:10.1037/a0024448
30. Bornmann, L., Mutz, R., & Daniel, H.-D. (2013). Multilevel-statistical
reformulation of citation-based university rankings: The Leiden ranking
2011/2012. Journal of the American Society for Information Science and
Technology, 64(8), 1649–1658. doi:10.1002/asi.22857
31. Brewer, E., Demmer, M., Du, B., Ho, M., Kam, M., Nedevschi, S., … Fall,
K. (2005). The case for technology in developing regions. IEEE Computer,
38(6), 25–38. doi:10.1109/MC.2005.204
32. Brüggemann, R., & Patil, G. P. (2011). Ranking and Prioritization for Multi-
indicator Systems. New York, NY: Springer New York. doi:10.1007/978-1-
4419-8477-7
33. Bulajić, M. (1986). Analiza seizmičkog rizika za sistem objekata infrastrukture.
Institut za zemlјotresno inženjerstvo i inženjersku seizmologiju,
Univerzitet Kiril i Metodij u Skoplju.
34. Bulajić, M. (2002). Geodemografski model tržišnog prostora Srbije. Fakultet
organizacionih nauka, Univerzitet u Beogradu.
35. Bulajic, M., Jeremic, V., Knezevic, S., & Zarkic Joksimovic, N. (2013). A
Statistical Approach to Evaluating Efficiency of Banks. Ekonomska
Istrazivanja-Economic Research, 26(4), 91–100.
36. Bulajić, M., Jeremić, V., & Radojičić, Z. (2012). Advances in Multivariate Data
Analysis, Contributions to Multivariate Data Analysis. Beograd: Fakultet
organizacionih nauka.
37. Bulajic, M., Knezevic, S., Jeremic, V., & Zarkic Joksimovic, N. (2012).
Towards a Framework for Evaluating Bank Efficiency. International Journal
of Agricultural and Statistical Sciences, 8(2), 377–384.
159
38. Bulajić, M., Savić, G., & Savić, S. (2011). DEA pristup rangiranju banaka u
Srbiji. In XXXVIII simpozijum o Operacionim Istraživanjima SymOpIs.
39. Bulajić, M., Savić, G., Savić, S., Mihailović, N., & Matrić, M. (2011).
Efficiency assessment of banks in Serbia. TTEM - Technics Technologies
Education Management, 6(3), 657–662.
40. Bulajić, M., Savić, S., & Savić, G. (2012). Analysis of Competition in
Banking Sector of Serbia. Actual Problems of Economics, 8(134), 330–338.
41. Cacuci, D. G. (2003). Sensitivity & Uncertainty Analysis: Theory, Том 1.
Chapman and Hall/CRC.
42. Cardona, M., Kretschmer, T., & Strobel, T. (2013). ICT and productivity:
conclusions from the empirical literature. Information Economics and Policy,
25(3), 109–125. doi:10.1016/j.infoecopol.2012.12.002
43. Castellano, R., & Rocca, A. (2014). Gender gap and labour market
participation. A composite indicator for the ranking of European
countries. International Journal of Manpower, 35(3), 345–367.
doi:10.1108/IJM-07-2012-0107
44. Chan, K., Tarantola, S., Saltelli, A., & Sobol, I. M. (2000). Variance based
methods. In Sensitivity Analysis (pp. 167–197). New York, NY: John Wiley
and Sons.
45. Chang, G. C. (2005). Spectacular Colleges and Spectacular Rankings: The
“US News” rankings of American “best” colleges. Journal of Consumer
Culture, 5(3), 338–364. doi:10.1177/1469540505056794
46. Charnes, A., Cooper, W. W., Lewin, A. Y., & Seiford, L. M. (1995). Data
Envelopment Analysis: Theory, Methodology and Applications. Boston: Kluwer.
47. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency
of decision making units. European Journal of Operational Research, 2(6), 429–
444. doi:10.1016/0377-2217(78)90138-8
48. Cherchye, L., Moesen, W., Rogge, N., & Van Puyenbroeck, T. (2011).
Constructing composite indicators with imprecise data: A proposal. Expert
160
Systems with Applications, 38(9), 10940–10949.
doi:10.1016/j.eswa.2011.02.136
49. Cherchye, L., Moesen, W., Rogge, N., Van Puyenbroeck, T., Saisana, M.,
Saltelli, A., … Tarantola, S. (2007). Creating composite indicators with
DEA and robustness analysis: the case of the Technology Achievement
Index. Journal of the Operational Research Society, 59(2), 239–251.
doi:10.1057/palgrave.jors.2602445
50. Collyer, F. (2013). The production of scholarly knowledge in the global
market arena: University ranking systems, prestige and power. Critical
Studies in Education, 54(3), 245–259. doi:10.1080/17508487.2013.788049
51. Croxton, F., Cowden, D., & Klein, S. (1967). Applied general statistics.
Englewood Cliffs N.J.: Prentice-Hall.
52. Davino, C., & Romano, R. (2013). Assessment of Composite Indicators
Using the ANOVA Model Combined with Multivariate Methods. Social
Indicators Research, 119(2), 627–646. doi:10.1007/s11205-013-0532-3
53. Delić, M. (2003). Geodemografsko grupisanje opština centralne Srbije i
Vojvodine. Statistička Revija, 52(1-4), 51–70.
54. Delić, M., & Kragulj, D. (2005). Objectives of Macroeconomics as the Basis
for Clustering of Countries in Integrated Europe. In 7th Balkan Conference
on Operational Research BALCOR (pp. 405–412).
55. Delić, M., Radojičić, Z., & Martinović, J. (2004). Analiza grupisanja kao
DataMining tehnika. Info M, 9, 14–18.
56. Dempster, A. P., & Rubin, D. B. (1983). Introduction. In W. G. Madow, I.
Olkin, & D. B. Rubin (Eds.), Incomplete Data in Sample Surveys (vol. 2):
Theory and Bibliography (pp. 3–10). New York, NY: Academic Press.
57. Dimelis, S. P., & Papaioannou, S. K. (2011). ICT growth effects at the
industry level: A comparison between the US and the EU. Information
Economics and Policy, 23(1), 37–50. doi:10.1016/j.infoecopol.2010.03.004
58. Dixon, W. J., & Massey, F. J. J. (1983). Introduction to statistical analysis.
Tokyo: McGraw Hill.
161
59. Dobrota, M., Bulajic, M., Bornmann, L., & Jeremic, V. (n.d.). A New
Approach to QS University Ranking Using Composite I-distance
Indicator: Uncertainty and Sensitivity Analyses. Journal of the Association
for Information Science and Technology, In press. doi:10.1002/asi.23355
60. Dobrota, M., & Dobrota, M. (n.d.). ARWU Ranking Uncertainty and
Sensitivity: What if the Award Factor was Excluded? Journal of the
Association for Information Science and Technology.
61. Dobrota, M., Jeremic, V., & Dobrota, M. (2012). ICT Development in
Serbia: Position and Perspectives. In XVIII Međunarodna Konferencija o
Informacionim i Komunikacionim Tehnologijama YU INFO (YU INFO 2012)
(pp. 18–23). Kopaonik, Srbija.
62. Dobrota, M., Jeremic, V., & Markovic, A. (2012). A new perspective on the
ICT Development Index. Information Development, 28(4), 271–280.
doi:10.1177/0266666912446497
63. Dobrota, M., Martic, M., Bulajic, M., & Jeremic, V. (n.d.). Two-phased
composite I-distance indicator approach for evaluation of countries’
information development. Telecommunications Policy.
64. Dobrota, M., Petrovic, N., Cirovic, M., & Jeremic, V. (2013). Measuring and
Evaluating Air Pollution Per Inhabitant: A Statistical Approach. APCBEE
Procedia, 5, 33–37. doi:10.1016/j.apcbee.2013.05.007
65. Dobrota, M., Stojilkovic, J., Poledica, A., & Jeremic, V. (2014). Statistical
Composite Indicator for Estimating the Degree of Information Society
Development. In 4th International Conference on Information Society and
Technology (ICIST 2014) (p. Online proceedings). Kopaonik, Srbija.
Retrieved from
http://www.yuinfo.org/icist2014/Proceedings/ICIST_2014_Proceedings.
66. Docampo, D., & Cram, L. (2014). On the internal dynamics of the Shanghai
ranking. Scientometrics, 98(2), 1347–1366. doi:10.1007/s11192-013-1143-0
162
67. Ebert, U., & Welsch, H. (2004). Meaningful environmental indices: a social
choice approach. Journal of Environmental Economics and Management, 47(2),
270–283. doi:10.1016/j.jeem.2003.09.001
68. European Commission. (2004). Composite Indicator on e-business readiness.
Brussels: DG JRC.
69. Fagerberg, J. (2002). Europe at the Crossroads: The Challenge from
Innovation Based Growth. In D. Archibugi & B.-Å. Lundvall (Eds.), The
Globalizing Learning Economy. Oxford University Press.
doi:10.1093/0199258171.001.0001
70. Ferguson, J., Soekijad, M., Huysman, M., & Vaast, E. (2013). Blogging for
ICT4D: reflecting and engaging with peers to build development
discourse. Information Systems Journal, 23(4), 307–328. doi:10.1111/isj.12010
71. Filippetti, A., & Peyrache, A. (2011). The Patterns of Technological
Capabilities of Countries : A Dual Approach using Composite Indicators
and Data Envelopment Analysis. World Development, 39(7), 1108–1121.
doi:10.1016/j.worlddev.2010.12.009
72. Floridi, M., Pagni, S., Falorni, S., & Luzzati, T. (2011). An exercise in
composite indicators construction: Assessing the sustainability of Italian
regions. Ecological Economics, 70(8), 1440–1447.
doi:10.1016/j.ecolecon.2011.03.003
73. Freudenberg, M. (2003). Composite indicators of country performance: a critical
assessment. Paris: OECD.
74. Freyer, L. (2014). Robust rankings: Review of multivariate assessments
illustrated by the Shanghai rankings. Scientometrics, 100(2), 391–406.
doi:10.1007/s11192-014-1313-8
75. Gall, M. (2007). Indices of social vulnerability to natural hazards: A comparative
evaluation. Department of Geography, University of South Carolina.
76. García-Muñiz, A. S., & Vicente, M. R. (2014). ICT technologies in Europe:
A study of technological diffusion and economic growth under network
163
theory. Telecommunications Policy, 38(4), 360–370.
doi:10.1016/j.telpol.2013.12.003
77. Guan, J., & Chen, K. (2012). Modeling the relative efficiency of national
innovation systems. Research Policy, 41(1), 102–115.
doi:10.1016/j.respol.2011.07.001
78. Guttorp, P., & Kim, T. Y. (2013). Uncertainty in Ranking the Hottest Years
of U.S. Surface Temperatures. Journal of Climate, 26(17), 6323–6328.
doi:10.1175/JCLI-D-12-00760.1
79. Hand, D. J. (2009). Measurement Theory and Practice: The World Through
Quantification. New Jersey: John Wiley and Sons.
80. Hawkes, R. (1971). The Multivariate Analysis of Ordinal Measures.
American Journal of Sociology, 76(5), 908–926.
81. Hazelkorn, E. (2011). Rankings and the Reshaping of Higher Education: The
Battle for World-Class Excellence. Palgrave MacMillan.
doi:10.1057/9780230306394preview
82. Hazelkorn, E. (2013a). How Rankings are Reshaping Higher Education. In
V. Climent, F. Michavila, & M. Ripolles (Eds.), Los Rankings Universitarios:
Mitos y Readidades. Madrid: Tecnos.
83. Hazelkorn, E. (2013b). World-Class Universities or World Class Systems?
Ranking and Higher Education Policy Choices. In Global Forum on
Rankings and Accountability in Higher Education. Paris: UNESCO.
84. Horvat, A., Dobrota, M., Krsmanovic, M., & Cudanov, M. (2013). Student
perception of Moodle learning management system: a satisfaction and
significance analysis. Interactive Learning Environments, (June 2014), 1–13.
doi:10.1080/10494820.2013.788033
85. Hou, A. Y. (2011). Impact of excellence programs on Taiwan higher
education in terms of quality assurance and academic excellence,
examining the conflicting role of Taiwan’s accrediting agencies. Asia Pacific
Education Review, 13(1), 77–88. doi:10.1007/s12564-011-9181-x
164
86. Huang, M.-H. (2012). Opening the black box of QS World University
Rankings. Research Evaluation, 21(1), 71–78. doi:10.1093/reseval/rvr003
87. Hudrlikova, L., Kramulova, J., & Zeman, J. (2013). Measuring Sustainable
Development at the Lower Regional Level in the Czech Republic based on
Composite Indicators. Regional Statistics, 3(1), 345–367.
doi:10.15196/RS03107
88. Hаdžigаlić, S., Bоgdаnоvić, М., Теnjоvić, L., & Wоlf, B. (1994). О nеkim
svојstvimа Маhаlаnоbisоvih prоstоrа. In Мајski skup Sеkciје zа klаsifikаciјu
SSD Јugоslаviје (pp. 99–132). Beograd: Sаvеzni zаvоd zа stаtistiku.
89. ICT4D. (2014). Information and Communication Technologies for
Development. Retrieved from http://www.ict4d.org.uk/
90. Ivanovic, B. (1973). A method of establishing a list of development indicators.
Paris: United Nations educational, scientific and cultural organization.
91. Ivanović, B. (1972). Klasifikacija i izbor statističkih obeležja. Statistička
Revija, (1-2).
92. Ivanović, B. (1977). Teorija klasifkacije. Beograd: Institut za ekonomiku
industrije.
93. Ivanovic, B., & Fanchette, S. (1973). Grouping and ranking of 30 countries of
Sub-Saharan Africa, Two distance-based methods compared. Paris: United
Nations educational, scientific and cultural organization.
94. Jacobs, R., Smith, P., & Goddard, M. (2004). Measuring performance: an
examination of composite performance indicators. Centre for Health
Economics.
95. Jednak, S., Kragulj, D., Bulajic, M., & Pittman, R. (2009). Electricity reform
in Serbia. Utilities Policy, 17(1), 125–133. doi:10.1016/j.jup.2008.02.002
96. Jencks, S. F., Huff, E. D., & Cuerdon, T. (2003). Change in the quality of
care delivered to Medicare beneficiaries, 1998-1999 to 2000-2001. Journal of
the American Medical Association JAMA, 289(3), 305–312.
97. Jeremić, V. (2012). Statistički model efikasnosti zasnovan na Ivanovićevom
odstojanju. Fakultet organizacionih nauka, Univerzitet u Beogradu.
165
98. Jeremic, V., Bulajic, M., Martic, M., Markovic, A., Savic, G., Jeremic, D., &
Radojicic, Z. (2012). An Evaluation of European Countries Health Systems
through Distance Based Analysis. Hippokratia, 16(2), 175–179.
99. Jeremic, V., Bulajic, M., Martic, M., & Radojicic, Z. (2011). A fresh
approach to evaluating the academic ranking of world universities.
Scientometrics, 87(3), 587–596. doi:10.1007/s11192-011-0361-6
100. Jeremic, V., & Jovanovic Milenkovic, M. (2014). Evaluation of Asian
university rankings: position and perspective of leading Indian higher
education institutions. Current Science, 106(12), 1647–1653.
101. Jeremić, V., Jovanović-Milenković, M., Radojičić, Z., & Martić, M. (2013).
Excellence with Leadership: the crown indicator of SCImago Institutions
Rankings IBER Report. El Profesional de La Informacion, 22(5), 474–480.
doi:10.3145/epi.2013.sep.13
102. Jeremic, V., & Radojicic, Z. (2010). A New Approach in the Evaluation of
Team Chess Championships Rankings. Journal of Quantitative Analysis in
Sports, 6(3). doi:10.2202/1559-0410.1257
103. Jovanovic, M., Jeremic, V., Savic, G., Bulajic, M., & Martic, M. (2012). How
does the normalization of data affect the ARWU ranking? Scientometrics,
93(2), 319–327. doi:10.1007/s11192-012-0674-0
104. Jovanovic Milenkovic, M., Jeremic, V., & Martic, M. (2014). Sustainable
Development in the E-Health Sector of the European Union. Journal of
Environmental Protection and Ecology, 15(1), 248–256.
105. Jovičić, M. (2006). Kompozitni indes - Magistrala multikriterijumske
analize. Economic Annals, 171, 171–184.
106. Kennedy, P. (2003). A Guide to Econometrics (5th ed.). The MIT Press.
107. Keung, J., Kocaguneli, E., & Menzies, T. (2013). Finding conclusion
stability for selecting the best effort predictor in software effort estimation.
Automated Software Engineering, 20(4), 543–567. doi:10.1007/s10515-012-
0108-5
166
108. Korhonen, P., Tainio, R., & Wallenius, J. (2001). Value efficiency analysis of
academic research. European Journal of Operational Research, 130(1), 121–132.
doi:10.1016/S0377-2217(00)00050-3
109. Kovačić, Z. (1992). Мultivаriјаciоnа аnаlizа. Beograd: Еkоnоmski fаkultеt.
110. Kretschmer, T. (2012). Information and communication technologies and
productivity growth: A survey of the literature. Retrieved from
http://ideas.repec.org/p/oec/stiaab/195-en.html
111. Langville, A. N., & Meyer, C. P. (2012). Who’s #1? The Science of Rating and
Ranking. Princeton, New Jersey: Princeton University Press.
112. Lauer, J. a, Knox Lovell, C. a, Murray, C. J. L., & Evans, D. B. (2004). World
health system performance revisited: the impact of varying the relative
importance of health system goals. BMC Health Services Research, 4(1), 19.
doi:10.1186/1472-6963-4-19
113. Little, R. J. A., & Rubin, D. B. (2002). Statistical Analysis with Missing Data.
Hoboken, New Jersey: John Wiley and Sons.
114. Mahmud, A. J., Olander, E., Eriksén, S., & Haglund, B. J. (2013). Health
communication in primary health care -a case study of ICT development
for health promotion. BMC Medical Informatics and Decision Making, 13, 17.
doi:10.1186/1472-6947-13-17
115. Mahsuli, M., & Haukaas, T. (2013). Sensitivity measures for optimal
mitigation of risk and reduction of model uncertainty. Reliability
Engineering & System Safety, 117, 9–20. doi:10.1016/j.ress.2013.03.011
116. Mann, H. B., & Whitney, D. R. (1947). On a Test of Whether one of Two
Random Variables is Stochastically Larger than the Other. The Annals of
Mathematical Statistics, 18(1), 50–60. doi:10.1214/aoms/1177730491
117. Martić, M. (1999). Analiza obavijenih podataka sa primerima. Fakultet
organizacionih nauka, Univerzitet u Beogradu.
118. Martić, M., Petrović, J., & Radojičić, Z. (1997). Poređenje analize obavijanja
podataka i diskriminacione analize. In Symopis ’97. Bečići.
167
119. Martić, M., & Savić, G. (2001). An application of DEA for comparative
analysis and ranking of regions in Serbia with regards to social-economic
development. European Journal of Operational Research, 132(2), 343–356.
doi:10.1016/S0377-2217(00)00156-9
120. MDG. (2014). The Millennium Development Goals. Retrieved October 25,
2014, from
http://www.undp.org/content/undp/en/home/mdgoverview.html
121. Mihailovic, N., Bulajic, M., & Savic, G. (2009). Ranking of banks in Serbia.
Yugoslav Journal of Operations Research, 19(2), 323–334.
doi:10.2298/YJOR0902323M
122. Milosevic, D., Filipovic, J., Djuric, M., & Dobrota, M. (2014). Benchmarking
diaspora performance as an input for policy makers: a comparative
statistical analysis. Current Science, 107(8), 1253–1259.
123. MIS. (2013). Measuring Information Society 2013. Retrieved May 12, 2014,
from http://www.itu.int/en/ITU-
D/Statistics/Documents/publications/mis2013/MIS2013_without_Annex
_4.pdf
124. Mizobuchi, H. (2014). Measuring World Better Life Frontier: A Composite
Indicator for OECD Better Life Index. Social Indicators Research, 118(3), 987–
1007. doi:10.1007/s11205-013-0457-x
125. Momirović, K., & Fajgelj, S. (1994). Faktorska analiza nominalnih varijabli.
Sociološki Pregled, 28(3), 369–383.
126. Monferini, a., Konstandinidou, M., Nivolianitou, Z., Weber, S.,
Kontogiannis, T., Kafka, P., … Demichela, M. (2013). A compound
methodology to assess the impact of human and organizational factors
impact on the risk level of hazardous industrial plants. Reliability
Engineering & System Safety, 119, 280–289. doi:10.1016/j.ress.2013.04.012
127. Munda, G. (2012). Choosing Aggregation Rules for Composite Indicators.
Social Indicators Research, 109(3), 337–354. doi:10.1007/s11205-011-9911-9
168
128. Murphy, R., & Weinhardt, F. (2013). The Importance of Rank Position. .
Centre for Economic Performance, discussion paper No’ CEPDP1241.
Retrieved from http://cep.lse.ac.uk/pubs/download/dp1241.pdf
129. Myrtveit, I., & Stensrud, E. (2011). Validity and reliability of evaluation
procedures in comparative studies of effort prediction models. Empirical
Software Engineering, 17(1-2). doi:10.1007/s10664-011-9183-7
130. Nardo, M., Saisana, M., Saltelli, A., Tarantola, S., Hoffman, A., &
Giovannini, E. (2008). Handbook on constructing composite indicators:
methodology and user guide. Paris: OECD, Joint Research Centre-European
Commission.
131. Nilsson, R. (2000). Confidence Indicators and Composite Indicator. In
CIRET conference. Paris: CIRET.
132. NTU Ranking. (2013). Performance Ranking of Scientific Papers for World
Universities. Retrieved October 21, 2013, from
http://nturanking.lis.ntu.edu.tw/Default.aspx
133. Pääkkönen, J., & Seppälä, T. T. (2014). Using composite indicators to
evaluate the efficiency of health care system. Applied Economics, 46(19),
2242–2250. doi:10.1080/00036846.2014.899675
134. Parker, S. (2011). The digital divide is still with us. Information Development,
27(2), 83–84. doi:10.1177/0266666911404010
135. Paruolo, P., Saisana, M., & Saltelli, A. (2013). Ratings and rankings:
voodoo or science? Journal of the Royal Statistical Society: Series A (Statistics
in Society), 176(3), 609–634. doi:10.1111/j.1467-985X.2012.01059.x
136. Pusser, B., & Marginson, S. (2013). University Rankings in Critical
Perspective. The Journal of Higher Education, 84(4), 544–568.
doi:10.1353/jhe.2013.0022
137. QS. (2013). Quacquarelli Symonds (QS) World University Rankings.
138. Radojičić, Z. (1994). Primеnа mеtоdе nеhiјеrаrhiјskоg klаsifikоvаnjа u izbоru
rаčunаrskе оprеmе. Fakultet organizacionih nauka, Univerzitet u Beogradu.
169
139. Radojičić, Z. (2007). Statistički model ocenjivanja na subjektivno procenjenim
karakteristikama. Fakultet organizacionih nauka, Univerzitet u Beogradu.
140. Radojičić, Z., Janić, B., & Vukmirović, D. (1995). Statistical Approach to
Define Activity Index of Disease. In 3rd Balkan Conference of Operational
Research (BALCOR). Thessaloniki, Greece.
141. Radojičić, Z., Stеfаnоvić, T., & Vukmirović, D. (1998). Rаngirаnjе prеduzеćа
mеtоdоm Ivаnоvićеvоg оdstојаnjа. Аnаlizа grupisаnjа IV. Kоsmај: Statistički
zavod Srbije.
142. Radojičić, Z., Vuković, N., & Vukmirović, D. (2003). Applying Coefficients
of reference in Ranking (CPR). YUJOR, 13(2), 175–186.
143. Rao, C. R. (1965). The Use and Interpretation of Principal Component Analysis
in Applied Research. India: Sakhya.
144. Rosen, R. (1991). Life Itself: A Comprehensive Inquiry into Nature, Origin, and
Fabrication of Life. New York, NY: Columbia University Press.
145. Saaty, R. W. (1987). The analytic hierarchy process—what it is and how it
is used. Mathematical Modelling, 9(3-5), 161–176. doi:10.1016/0270-
0255(87)90473-8
146. Saaty, T. L. (1980). The Analytic Hierarchy Process. New York, NY: McGraw-
Hill.
147. Safón, V. (2013). What do global university rankings really measure? The
search for the X factor and the X entity. Scientometrics, 97(2), 223–244.
doi:10.1007/s11192-013-0986-8
148. Saisana, M., & D’Hombres, B. (2008). Higher Education Rankings: Robustness
Issues and Critical Assessment. How much confidence can we have in Higher
Education Rankings? (EUR23487 ed.). Italy: Joint Research Centre,
Publications Office of the European Union. doi:10.2788/92295
149. Saisana, M., D’Hombres, B., & Saltelli, A. (2011). Rickety numbers:
Volatility of university rankings and policy implications. Research Policy,
40(1), 165–177. doi:10.1016/j.respol.2010.09.003
170
150. Saisana, M., Nardo, M., & Saltelli, A. (2005). Uncertainty and Sensitivity
Analysis of the 2005 Environmental Sustainability Index. In D. Esty, M.
Levy, M. Srebotnjak, & A. de Sherbinin (Eds.), Environmental Sustainability
Index: Benchmarking National Environmental Stewardship (pp. 75–78). New
Haven: Yale Center for Environmental Law and Policy.
151. Saisana, M., Saltelli, A., & Tarantola, S. (2005). Uncertainty and sensitivity
analysis techniques as tools for the quality assessment of composite
indicators. Journal of the Royal Statistical Society: Series A (Statistics in
Society), 168(2), 307–323. doi:10.1111/j.1467-985X.2005.00350.x
152. Saisana, M., & Tarantola, S. (2002). State-of-the-art report on current
methodologies and practices for composite indicator development (EUR 20408 .).
Italy: European Commission-JRC.
153. Saltelli, A. (2002). Making best use of model evaluations to compute
sensitivity indices. Computer Physics Communications, 145(2), 280–297.
doi:10.1016/S0010-4655(02)00280-1
154. Saltelli, A. (2007). Composite Indicators between Analysis and Advocacy.
Social Indicators Research, 81(1), 65–77. doi:10.1007/s11205-006-0024-9
155. Saltelli, A., Chan, K., & Scott, E. M. (2000). Sensitivity Analysis. New York,
NY: John Wiley and Sons.
156. Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D.,
… Tarantola, S. (2008). Global Sensitivity Analysis. The Primer. Chichester,
UK: John Wiley & Sons, Ltd. doi:10.1002/9780470725184
157. Saltelli, A., & Tarantola, S. (2002). On the Relative Importance of Input
Factors in Mathematical Models. Journal of the American Statistical
Association, 97(459), 702–709. doi:10.1198/016214502388618447
158. Saltelli, A., Tarantola, S., Campolongo, F., & Ratto, M. (2004). Sensitivity
Analysis in Practice: A Guide to Assessing Scientific Models. New York, NY:
John Wiley & Sons, Ltd.
171
159. Salvati, L., & Carlucci, M. (2014). A composite index of sustainable
development at the local scale: Italy as a case study. Ecological Indicators,
43, 162–171. doi:10.1016/j.ecolind.2014.02.021
160. Sassi, S., & Goaied, M. (2013). Financial development, ICT diffusion and
economic growth: Lessons from MENA region. Telecommunications Policy,
37(4-5), 252–261. doi:10.1016/j.telpol.2012.12.004
161. Savić, G. (2011). Matematički modeli efikasnosti – skripta. Fakultet
organizacionih nauka, Univerzitet u Beogradu.
162. Scaratti, D., & Calvo, M. C. M. (2012). Composite indicator to evaluate
quality of municipal management of primary health care. Rev Saúde
Pública, 46(3), 1–10.
163. Seke, K., Petrovic, N., Jeremic, V., Vukmirovic, J., Kilibarda, B., & Martic,
M. (2013). Sustainable development and public health: rating European
countries. BMC Public Health, 13, 77. doi:10.1186/1471-2458-13-77
164. Sharpe, A. (2004). Literature Review of Frameworks for Macro-indicators.
Ottawa: Centre for the Study of Living Standards.
165. Shepperd, M., & Kadoda, G. (2001). Comparing software prediction
techniques using simulation. IEEE Transactions on Software Engineering,
27(11), 1014–1022. doi:10.1109/32.965341
166. Swar, B., & Khan, G. F. (2014). Mapping ICT knowledge infrastructure in
South Asia. Scientometrics, 99(1), 117–137. doi:10.1007/s11192-013-1099-0
167. Tarantola, S., Jesinghaus, J., & Puolamaa, M. (2000). Global sensitivity
analysis: a quality assurance tool in environmental policy modelling. In A.
Saltelli, K. Chan, & E. M. Scott (Eds.), Sensitivity Analysis (pp. 385–397).
New York, NY: John Wiley and Sons.
168. Tarantola, S., Saisana, M., Saltelli, A., Schmiedel, F., & Leapman, N. (2002).
Statistical techniques and participatory approaches for the composition of the
European Internal Market Index 1992-2001 (EUR 20547 .). Italy: European
Commission-JRC.
172
169. Tasiran, A. C. (2012). University rankings: theoretical basis, methodology
and impacts on global higher education. Studies in Continuing Education,
34(3), 384–386. doi:10.1080/0158037X.2012.721953
170. Tayyab, S., & Boyce, A. N. (2013). Impact factor versus Q1 class of journals
in world university rankings. Current Science, 104(4), 417–419.
171. Thanassoulis, E., Kortelainen, M., & Allen, R. (2012). Improving
envelopment in Data Envelopment Analysis under variable returns to
scale. European Journal of Operational Research, 218(1), 175–185.
doi:10.1016/j.ejor.2011.10.009
172. THE. (2013). Times Higher Education World University Rankings.
173. Van Vught, F. (2008). Mission Diversity and Reputation in Higher
Education. Higher Education Policy, 21(2), 151–174. doi:10.1057/hep.2008.5
174. Vicente, M. R., & López, A. J. (2011). Assessing the regional digital divide
across the European Union-27. Telecommunications Policy, 35(3), 220–237.
doi:10.1016/j.telpol.2010.12.013
175. Voogt, J., Knezek, G., Cox, M., Knezek, D., & ten Brummelhuis, A. (2013).
Under which conditions does ICT have a positive effect on teaching and
learning? A Call to Action. Journal of Computer Assisted Learning, 29(1), 4–
14. doi:10.1111/j.1365-2729.2011.00453.x
176. Vu, K. M. (2013). Information and Communication Technology (ICT) and
Singapore’s economic growth. Information Economics and Policy, 25(4), 284–
300. doi:10.1016/j.infoecopol.2013.08.002
177. Vukmirović, D. (1992). Model hijerarhijskog klasifikovanja. Beograd:
Ekonomski fakultet.
178. Vukmirović, D., Vuković, N., Marković, A., & Radojičić, Z. (1994). Skraćeni
metod hijerarhijskog klasifikovanja. In SymOpIs ’94. Kotor: Fakultet
organizacionih nauka.
179. Vuković, N. (1977). Generalizacija višestrukog i kolektivnog koeficijenta
korelacije. Prirodno-matematički fakultet, Univerzitet u Novom Sadu.
180. Vuković, N. (1987). Statistička analiza. Beograd: Naučna knjiga.
173
181. Vuković, N. (2000). PC verovatnoća i statistika. Beograd: Fakultet
organizacionih nauka.
182. Vuković, N., & Bulajić, M. (2014). Osnove statistike. Beograd: Fakultet
organizacionih nauka.
183. Wainwright, H. M., Finsterle, S., Zhou, Q., & Birkholzer, J. T. (2013).
Modeling the performance of large-scale CO2 storage systems: A
comparison of different sensitivity analysis methods. International Journal
of Greenhouse Gas Control, 17, 189–205. doi:10.1016/j.ijggc.2013.05.007
184. Waltman, L., Calero-Medina, C., Kosten, J., Noyons, E. C. M., Tijssen, R. J.
W., van Eck, N. J., … Wouters, P. (2012). The Leiden ranking 2011/2012:
Data collection, indicators, and interpretation. Journal of the American
Society for Information Science and Technology, 63(12), 2419–2432.
doi:10.1002/asi.22708
185. Walton, R. (2013). Stakeholder Flux: Participation in Technology-Based
International Development Projects. Journal of Business and Technical
Communication, 27(4), 409–435. doi:10.1177/1050651913490940
186. Williams, R., & de Rassenfosse, G. (2014). Pitfalls in aggregating
performance measures in higher education. Studies in Higher Education,
(June), 1–12. doi:10.1080/03075079.2014.914912
187. Zornic, N., Markovic, A., & Jeremic, V. (2014). How the top 500 ARWU can
provide a misleading rank. Journal of the Association for Information Science
and Technology, 65(6), 1303–1304. doi:10.1002/asi.23207
174
PRILOG A - SOFTVERSKO REŠENJE ZA CIDI INDIKATORE I
ANALIZE NEIZVESNOSTI I OSETLJIVOSTI
Predložena metodologija Kompozitni indikator baziran na I-odstojanju (Composite I-
distance Indicator (CIDI)), sastoji se od izračunavanja I-odstojanja i Pirsonovih
koeficijenata korelacije, pa na osnovu njih, a prema predlogu metode, definisanju
novih težinskih koeficijenata. Tako dobijeni težinski koeficijenti se koriste za
formiranje CIDI vrednosti za evaluaciju entiteta.
Softverski dodatak za izračunavanje I-odstojanja, kao i Pirsonovih
koeficijenata korelacije, već je implementiran u softverskom paketu IBM SPSS
Statistics. U ovom prilogu, predstavljen je softver za analizu neizvesnosti i
osetljivosti, koji u mnogome olakšava simulaciju rezultata i predstavlja rezultate
na detaljan i sveobuhvatan način. Softver je nazvan SensSimulator.
Slika A.1 Sadržaj instalacionog direktorijuma
175
Na slici A.1 prikazan je sadržaj instalacionog direktorijuma. Pokretanjem
fajla start.bat, pokreće se osnovni prozor softvera koji je prikazan na slici A2.
Slika A.2 Osnovni prozor programa
Kao što je prikazano na slici A.2, prva opcija je Load rankings, koja
omogućava učitavanje podataka. Podrazumevano je učitavanje matrice podataka
sa entitetima i varijablama (atributima) koje opisuju date entitete. Ovu matricu
podataka potrebno je čuvati u .csv formatu. Na slici A.3 prikazan je primer ovako
pripremljenog fajla.
176
Slika A.3 Odabir fajla sa setom varijabli
Nakon učitavanja podataka pojavljuje se poruka da su podaci korektno
uneti u softver, što je prikazano na slici A.4.
177
Slika A.4 Učitan set varijabli
Pojavljuje se opcija Load parameters. Ova opcija omogućava učitavanje
parametara. Podrazumevano je učitavanje matrice podataka sa listom varijabli, i
njihovim težinskim koeficijentima, tj. srednjim vrednostima težinskih
koeficijenata i njihovim standardnim devijacijama. Ovu matricu podataka takođe
je potrebno je čuvati u .csv formatu. Na slici A.5 prikazan je primer ovako
pripremljenog fajla.
178
Slika A.5 Odabir fajla sa srednjim vrednostima i standardnim devijacijama težinskih
koeficijenata
Nakon što su učitani podaci o srednjim vrednostima i standardnim
devijacijama težinskih koeficijenata, pojavljuje se poruka da su podaci korektno
uneti u softver, što je prikazano na slici A.6.
179
Slika A.6 Učitan set podataka sa srednjim vrednostima i standardnim devijacijama težinskih
koeficijenata
Opcija koja postaje dostupna je Run simulation. Neophodno je uneti sledeće
parametre:
• Simulations no. - broj željenih simulacija koje će softver da izvrši.
Mogućnost softvera je do 999 999, međutim, neophodno je pri tom voditi
računa o brzini rada softvera. U doktorskoj disertaciji istraživanje je
vršeno na 10 000 simulacija.
• Sens table lines – broj entiteta za koje će biti prikazana tabela osetljivosti. U
disertaciji je, za svaku posmatranu studiju slučaja formirana tabela od 20
prvorangiranih entiteta i za njih prikazana osetljivost po rangovima.
• Sens table rank step – broj grupisanja rangova u tabeli osetljivosti. Obično
se za broj grupisanja uzme korak veličine 5 (1-5; 6-10; itd.).
180
Primer unosa parametara prikazan je na slici A.7.
Slika A.7 Odabir broja simulacija i podešavanje analiza neizvesnosti i osetljivosti
Nakon unosa gore navedenih parametara, moguće je pokrenuti simulaciju,
opcijom Run simulation. Nakon što je simulacija uspešno završena, prikazuje se
poruka data na slici A.8. Pri tome postaju dostupne opcije Save output i Generate
graph.
181
Slika A.8 Uspešno završena simulacija
Opcija Generate graph poziva komandu za skiciranje grafikona neizvesnosti
rezultata, i pri tom se otvara prozor koji prikazuje rezultat neizvesnosti za sve
posmatrane entitete. Prethodno pomenuta tabela osetljivosti prikazuje rezultate
za željeni broj entiteta. U disertaciji je uglavnom vršena analiza za 20
prvorangiranih entiteta radi jednostavnosti i preglednosti prikaza tih rezultata.
Za razliku od toga, grafikon daje prikaz rezultata za čitav skup posmatranih
entiteta, koji je pregledan i lako saglediv. Rešenje je prikazano na slici A.9.
182
Slika A.9 Skiciranje grafikona
Kao što je prikazano na slici A.9 ovaj grafikon je moguće sačuvati klikom
na ikonicu Save. Slika se čuva u .png formatu. Ovaj izlaz se direktno prikazuje u
rezultatima u okviru doktorske disertacije, a moguće ga je koristiti i za pisanje
naučno-istraživačkih radova.
Povratkom na prethodni prozor i odabirom opcije Save output moguće je
sačuvati tabelu osetljivosti i tabelu simulacija. Ukoliko je čuvanje rezultata
uspešno pojavljuje se poruka, prikazana na slici A.10.
183
Slika A.10 Čuvanje output-a
Slika A.11 Folder sa input-om i output-om (rezultatima)
184
Na slici A.11 prikazan je uspešno sačuvan izlaz is softvera. Tabela
osetljivosti direktno se prikazuje kao rezultat u doktorskoj disertaciji, a takođe
predstavlja važan alat za dalji naučno-istraživački rad. Ovaj rezultat prikazan je
na slici A.12.
Slika A.12 Rezultat – tabela osetljivosti
185
Kao izlaz se u ovom koraku dobija i tabela simuliranih rangova, koja se
kasnije koristi za sprovođenje Mann-Whitney testa, kao što je opisano u
doktorskoj disertaciji. Ovaj rezultat prikazan je na slici A.13.
Slika A.13 Rezultat – tabela simuliranih rangova
Konačno, na slici A.14. prikazan je kao rezultat grafikon neizvesnosti
rangova entiteta.
186
Slika A.14 Rezultat – grafikon neizvesnosti rangova
187
PRILOG B – TABELE SA CIDI REZULTATIMA
Tabela B.1 IDI vrednosti, IDI rangovi, CIDI vrednosti i CIDI rangovi za 2012 godinu
Zemlja IDI vrednost IDI rang CIDI vrednost CIDI rang
Macao, China 7.65 14 9.81 1
Korea 8.57 1 8.75 2
Iceland 8.36 3 8.68 3
Denmark 8.35 4 8.57 4
Sweden 8.45 2 8.53 5
Hong Kong 7.92 10 8.46 6
Netherlands 8 7 8.36 7
Finland 8.24 5 8.36 7
Luxembourg 7.93 9 8.32 9
Norway 8.13 6 8.26 10
Australia 7.9 11 8.26 10
UnitedKingdom 7.53 17 8.23 12
Switzerland 7.78 13 8.12 13
Japan 7.82 12 8.01 14
New Zealand 7.64 16 8.00 15
Singapore 7.65 14 7.96 16
France 7.53 17 7.93 17
Germany 7.46 19 7.87 18
United States 7.98 8 7.72 19
Canada 7.38 20 7.69 20
Ireland 7.25 23 7.67 21
Austria 7.36 21 7.66 22
Belgium 7.16 25 7.61 23
Malta 7.25 23 7.59 24
Estonia 7.28 22 7.45 25
Spain 6.89 27 7.43 26
Israel 7.11 26 7.41 27
Slovenia 6.76 28 7.18 28
Barbados 6.65 29 7.07 29
Italy 6.57 30 6.92 30
Greece 6.45 32 6.91 31
Portugal 6.32 36 6.84 32
Qatar 6.54 31 6.71 33
Czech Republic 6.4 34 6.69 34
United Arab Emirates 6.41 33 6.67 35
Bahrain 6.3 39 6.65 36
Poland 6.31 37 6.62 37
Croatia 6.31 37 6.61 38
188
Zemlja IDI vrednost IDI rang CIDI vrednost CIDI rang
Belarus 6.11 41 6.60 39
Latvia 6.36 35 6.58 40
Russian Federation 6.19 40 6.53 41
Hungary 6.1 42 6.47 42
Lithuania 5.88 44 6.34 43
Slovakia 6.05 43 6.33 44
Cyprus 5.86 45 6.26 45
Antigua & Barbuda 5.74 48 6.24 46
Bulgaria 5.83 46 6.19 47
Uruguay 5.76 47 6.17 48
Kazakhstan 5.74 48 6.15 49
Saudi Arabia 5.69 50 6.14 50
Chile 5.46 51 5.83 51
Argentina 5.36 53 5.83 51
Romania 5.35 55 5.82 53
Lebanon 5.37 52 5.80 54
Serbia 5.34 56 5.76 55
Brunei Darussalam 5.06 58 5.74 56
Oman 5.36 53 5.59 57
TFYR Macedonia 5.19 57 5.55 58
St. Vincent and the Grenadines 4.81 63 5.48 59
Malaysia 5.04 59 5.47 60
Costa Rica 5.03 60 5.46 61
Seychelles 4.75 64 5.40 62
Brazil 5 62 5.38 63
Moldova 4.74 65 5.32 64
Azerbaijan 5.01 61 5.30 65
Ukraine 4.64 68 5.24 66
Trinidad & Tobago 4.73 66 5.15 67
Turkey 4.64 68 5.11 68
Bosnia and Herzegovina 4.71 67 5.08 69
Panama 4.61 70 5.04 70
Georgia 4.59 71 5.00 71
Mauritius 4.55 72 4.96 72
Maldives 4.53 73 4.96 72
Saint Lucia 4.43 75 4.90 74
Armenia 4.45 74 4.85 75
Jordan 4.22 76 4.67 76
Venezuela 4.17 79 4.63 77
Colombia 4.2 77 4.63 77
China 4.18 78 4.50 79
Ecuador 4.08 81 4.49 80
Albania 4.11 80 4.41 81
Mongolia 3.92 85 4.39 82
Fiji 3.99 82 4.39 82
189
Zemlja IDI vrednost IDI rang CIDI vrednost CIDI rang
Iran 3.79 89 4.38 84
Mexico 3.95 83 4.35 85
Suriname 3.84 87 4.29 86
South Africa 3.95 83 4.27 87
Morocco 3.79 89 4.15 88
Peru 3.68 92 4.13 89
Egypt 3.85 86 4.12 90
Viet Nam 3.8 88 4.12 90
Tunisia 3.7 91 4.11 92
Jamaica 3.68 92 4.10 93
Thailand 3.54 95 4.04 94
Dominican Rep. 3.58 94 3.88 95
Cape Verde 3.53 96 3.83 96
Indonesia 3.43 97 3.79 97
Syria 3.22 102 3.74 98
Philippines 3.34 98 3.74 98
Tonga 3.23 101 3.69 100
Bolivia 3.28 99 3.67 101
El Salvador 3.25 100 3.67 101
Paraguay 3.21 103 3.66 103
Algeria 3.07 106 3.60 104
Sri Lanka 3.06 107 3.54 105
Guyana 3.08 105 3.49 106
Botswana 3 108 3.37 107
Uzbekistan 3.12 104 3.37 107
Honduras 2.74 110 3.15 109
Namibia 2.85 109 3.11 110
Cuba 2.72 111 3.08 111
Gabon 2.61 112 3.04 112
Nicaragua 2.54 114 2.99 113
Kenya 2.46 116 2.81 114
Swaziland 2.44 117 2.73 115
Bhutan 2.4 118 2.72 116
Ghana 2.6 113 2.72 116
Cambodia 2.3 120 2.71 118
Zimbabwe 2.52 115 2.70 119
India 2.21 121 2.58 120
Sudan 2.33 119 2.57 121
Lao P.D.R. 2.1 123 2.45 122
Senegal 2.02 124 2.32 123
Solomon Islands 1.97 125 2.31 124
Lesotho 1.95 126 2.30 125
Nigeria 2.18 122 2.29 126
Yemen 1.89 127 2.21 127
Gambia 1.88 128 2.21 127
190
Zemlja IDI vrednost IDI rang CIDI vrednost CIDI rang
Pakistan 1.83 129 2.20 129
Myanmar 1.74 134 2.16 130
Djibouti 1.77 131 2.16 130
Uganda 1.81 130 2.10 132
Côte d'Ivoire 1.7 137 2.10 132
Mauritania 1.76 133 2.08 134
Bangladesh 1.73 135 2.07 135
Zambia 1.77 131 2.07 135
Comoros 1.7 137 2.07 135
Cameroon 1.72 136 2.03 138
Rwanda 1.66 140 1.99 139
Benin 1.6 143 1.95 140
Angola 1.68 139 1.93 141
Tanzania 1.65 142 1.93 141
Congo 1.66 140 1.92 143
Mali 1.54 144 1.89 144
Malawi 1.43 145 1.75 145
Liberia 1.39 146 1.70 146
Congo 1.31 147 1.61 147
Mozambique 1.31 147 1.60 148
Ethiopia 1.24 151 1.58 149
Madagascar 1.28 149 1.57 150
Guinea 1.23 152 1.55 151
Eritrea 1.2 153 1.51 152
Guinea-Bissau 1.26 150 1.48 153
Burkina Faso 1.18 154 1.46 154
Niger 0.99 157 1.28 155
Chad 1.01 155 1.26 156
Central African Rep. 1 156 1.22 157
191
Tabela B.2 QS vrednosti, QS rangovi, CIDI vrednosti i CIDI rangovi za 2013 godinu
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Massachusetts Institute of Technology (Mit) 100 1 99.02 1
Imperial College London 98.8 5 98.85 2
Ucl (University College London) 98.9 4 98.45 3
University of Oxford 98.7 6 98.16 4
University of Cambridge 99 3 98.07 5
Harvard University 99.2 2 96.66 6
Eth Zurich (Swiss Federal Institute of Technology) 94.3 12 95.02 7
Yale University 96.5 8 93.12 8
Ecole Polytechnique Fédérale De Lausanne (Epfl) 90.9 19 92.67 9
Stanford University 96.8 7 91.86 10
University of Edinburgh 91.3 17 91.79 11
King's College London (Kcl) 90.9 19 91.77 12
National University of Singapore (Nus) 89.4 24 91.68 13
University of Toronto 91.3 17 90.92 14
University of Chicago 96.2 9 90.9 15
California Institute of Technology (Caltech) 96.1 10 90.63 16
University of Hong Kong (Hku) 88.6 26 90.59 17
Princeton University 96.1 10 89.89 18
Australian National University (Anu) 88.5 27 89.67 19
Mcgill University 90.6 21 89.32 20
Cornell University 92.5 15 88.12 21
The Hong Kong University of Science And Technology (Hkust) 84.4 34 87.72 22
University of California, Berkeley (Ucb) 89 25 87.59 23
The University of Melbourne 86 31 87.07 24
The University of Manchester 85.2 33 86.93 25
University of Bristol 86.6 30 86.35 26
University of Pennsylvania 93.8 13 86.25 27
Nanyang Technological University (Ntu) 81.1 41 85.74 28
The University of Sydney 82.9 38 85.3 29
Ecole Polytechnique Paristech 81.1 41 84.15 30
Columbia University 93.6 14 84.01 31
Johns Hopkins University 92.1 16 83.77 32
The University of New South Wales (Unsw) 78.8 52 83.75 33
The University of Queensland (Uq) 80.9 43 83.19 34
The Chinese University of Hong Kong (Cuhk) 82.3 39 82.55 35
London School of Economics And Political Science (Lse) 73.9 68 81.52 36
The University of Warwick 74.5 64 80.92 37
University of Michigan 90.5 22 79.66 38
University of Glasgow 78.9 51 78.99 39
University of St Andrews 71.6 83 78.84 40
192
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Ecole Normale Supérieure, Paris (Ens Paris) 87.8 28 78.55 41
The University of Nottingham 73.1 75 78.45 42
Monash University 73.7 69 78.44 43
Trinity College Dublin (Tcd) 75.1 61 77.99 44
University of Birmingham 74.9 62 77.35 45
Seoul National University (Snu) 84.1 35 77.17 46
The University of Sheffield 73.3 71 77.07 47
Maastricht University 63.8 121 76.1 48
Durham University 70.4 90 76.02 49
Duke University 90.1 23 75.54 50
Northwestern University 87.3 29 75.32 51
University of British Columbia 79.4 49 75.13 52
University of Geneva 73.3 71 74.88 53
The University of Western Australia (Uwa) 71.4 84 74.82 54
The University of Auckland 69.8 94 74.35 55
Technische Universität München 78.5 53 74.28 56
University of Southampton 71 86 73.79 57
The University of Adelaide 67.7 104 73.71 58
Carnegie Mellon University 76.6 57 73.17 59
Erasmus University Rotterdam 70.2 92 72.88 60
Peking University 80 46 72.84 61
Purdue University 68.4 99 72.83 62
University of Groningen 69.2 97 72.75 63
University of Copenhagen 80.5 45 72.62 64
Delft University of Technology 69.4 95 72.49 65
New York University (Nyu) 80.8 44 72.25 66
City University of Hong Kong 67.7 104 72.13 67
Tsinghua University 79.7 48 72.06 68
University of Illinois At Urbana-Champaign 76.7 56 71.68 69
University of Leeds 69.2 97 71.49 70
University of Zurich 72.9 78 71.37 71
University of Wisconsin-Madison 83 37 71.22 72
The University of Tokyo 85.7 32 71.04 73
Université De Montréal 70.2 92 70.98 74
Newcastle University 62.5 129 70.87 75
Kth, Royal Institute of Technology 64.5 118 70.85 76
Ruprecht-Karls-Universität Heidelberg 79.3 50 70.82 77
Queen Mary, University of London (Qmul) 64.8 115 70.56 78
University of Lausanne 66.1 111 70.07 79
University of Alberta 69.3 96 69.72 80
University of Basel 66.2 110 69.5 81
University College Dublin (Ucd) 61.2 139 69.48 82
193
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Lund University 74 67 69.34 83
University of California, Los Angeles (Ucla) 81.9 40 69.06 84
Kyoto University 84.1 35 68.97 85
University of Liverpool 62.2 130 68.95 86
Brown University 79.8 47 68.91 87
University of Amsterdam 76.4 58 68.59 88
Katholieke Universiteit Leuven 73 77 68.07 89
University of Bath 54 187 67.13 90
Queen's University of Belfast 56.1 172 66.95 91
Georgia Institute of Technology (Georgia Tech) 68.4 99 66.83 92
Technical University of Denmark 61.8 134 66.55 93
University of Aberdeen 59.9 148 66.51 94
University of Exeter 56.8 168 66.42 95
Ludwig-Maximilians-Universität München 74.4 65 66.37 96
Boston University 72.5 79 66.02 97
Lancaster University 58.1 156 65.95 98
Kit, Karlsruher Institut Für Technologie 64.7 116 65.93 99
Aarhus University 70.3 91 65.83 100
The Hong Kong Polytechnic University 57.5 161 65.53 101
Université Libre De Bruxelles (Ulb) 56.8 168 65.32 102
University of Texas At Austin 73.3 71 64.88 103
Cardiff University 61.7 136 64.79 104
University of York 63.5 124 64.61 105
Uppsala University 72.5 79 64.37 106
Kaist - Korea Advanced Institute of Science And Technology 75.8 60 64.02 107
Sciences Po Paris 50.2 213 63.96 108
Tokyo Institute of Technology 74.2 66 63.87 109
University of Otago 58.2 155 63.8 110
Université Catholique De Louvain (Ucl) 61.3 138 63.42 111
University of North Carolina, Chapel Hill 77 54 63.08 112
Fudan University 70.8 88 63.06 113
Leiden University 73.2 74 62.95 114
University of California, Davis (Ucd) 71.3 85 62.72 115
Osaka University 76.9 55 62.48 116
Ohio State University 65.8 113 62 117
Vrije Universiteit Brussel (Vub) 56.1 172 61.99 118
University of Oslo 70.6 89 61.95 119
University of Waterloo 54.9 180 61.91 120
Universiti Malaya (Um) 56.9 167 61.83 121
American University of Beirut (Aub) 45.1 249 61.38 122
University of Helsinki 73.7 69 61.1 123
Utrecht University 72.3 81 60.96 124
194
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Freie Universität Berlin 66.9 109 60.63 125
Tohoku University 73.1 75 60.58 126
Mcmaster University 61 140 60.52 127
University of Cape Town 60.5 145 60.49 128
University of Bern 58.4 154 60.49 128
Universität Wien 57.7 158 60.37 130
University of Leicester 52.1 202 60.37 130
Wageningen University 59.4 150 60.22 132
Rmit University 41.2 290 60.17 133
Pohang University of Science And Technology (Postech) 67.5 107 59.98 134
University of Sussex 52.8 193 59.66 135
Université Pierre Et Marie Curie (Upmc) 65.9 112 59.49 136
University of Reading 50.4 212 59.48 137
University of Pittsburgh 67.6 106 59.43 138
Rheinisch-Westfälische Technische Hochschule Aachen 60.1 147 59.35 139
Rice University 61.7 136 59.28 140
Dartmouth College 64.1 119 59.23 141
Pennsylvania State University 67.5 107 59.17 142
Macquarie University 43.3 262 59.1 143
University of Technology, Sydney (Uts) 42.4 271 59.08 144
University of Southern California 63.2 125 59 145
Universität Freiburg 67.9 102 58.88 146
University of Virginia 62.1 132 58.87 147
Eindhoven University of Technology 58 157 58.62 148
University of Wollongong 42.1 275 58.4 149
Curtin University 41.5 283 58.36 150
Washington University In St. Louis 71 86 58.25 151
University of Ghent 63.7 122 57.96 152
Yonsei University 65.1 114 57.87 153
Loughborough University 45.6 243 57.82 154
Nagoya University 68.4 99 57.8 155
King Fahd University of Petroleum & Minerals (Kfupm) 49.9 215 57.79 156
Chalmers University of Technology 52.1 202 57.75 157
University of Washington 76.2 59 57.7 158
Radboud University Nijmegen 60.8 143 57.63 159
National Taiwan University (Ntu) 72 82 57.13 160
Michigan State University 56.2 171 56.8 161
University of Canterbury 46.2 237 56.68 162
University College Cork (Ucc) 50.6 209 55.88 163
University of Antwerp 54.2 185 55.79 164
Royal Holloway University of London 43.1 264 55.48 165
University of Maryland, College Park 64.7 116 55.38 166
195
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Eberhard Karls Universität Tübingen 61.8 134 55.32 167
Humboldt-Universität Zu Berlin 63.1 126 55.31 168
Simon Fraser University 45.6 243 55.26 169
University of California, San Diego (Ucsd) 74.8 63 55.18 170
Sungkyunkwan University 57.4 162 55.11 171
Georgetown University 53.7 189 55.08 172
University of Surrey 41.5 283 54.92 173
Victoria University of Wellington 43.1 264 54.84 174
Western University 52.4 199 54.59 175
University of East Anglia (Uea) 47.7 228 54.57 176
University of Rochester 59.2 151 54.56 177
University of Strathclyde 44.4 256 54.53 178
University of Minnesota 67.9 102 54.22 179
Shanghai Jiao Tong University 63.6 123 54.11 180
Kyushu University 62 133 54.09 181
Queen's University 53.7 189 54.06 182
Korea University 60.5 145 53.98 183
City University London 37 341 53.84 184
University of Twente 48 227 53.68 185
Technische Universität Wien 43.2 263 53.68 185
Technische Universität Darmstadt 43.8 259 53.66 187
Lomonosov Moscow State University 63.9 120 53.5 188
University of Dundee 49.8 218 53.28 189
University of Bergen 59.2 151 53.26 190
Georg-August-Universität Göttingen 62.8 128 53.24 191
Université Paris 1 Panthéon-Sorbonne 49.1 224 52.91 192
Universität Innsbruck 41.3 288 52.78 193
Queensland University of Technology (Qut) 41.9 278 52.72 194
Université Paris Dauphine 35.9 351 52.58 195
Technische Universität Berlin 54.6 183 52.46 196
Heriot-Watt University 35.3 362 52.4 197
University of Calgary 52.2 201 52.38 198
Soas - School of Oriental And African Studies, University of
London 37.9 332 52.32 199
Ecole Normale Supérieure De Lyon 57.7 158 52.14 200
Emory University 60.9 141 51.98 201
Griffith University 37.7 336 51.82 202
Tufts University 52 204 51.53 203
University of California, Irvine (Uci) 59.6 149 51.47 204
Aalto University 52.6 196 51.27 205
Texas A&M University 58.7 153 51.24 206
University of Colorado At Boulder 57.6 160 51.12 207
196
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
University of Essex 37.8 333 50.67 208
Universidade De São Paulo (Usp) 63 127 50.63 209
University of California, Santa Barbara (Ucsb) 62.2 130 50.46 210
University of South Australia (Unisa) 37.7 336 50.45 211
Brunel University 35.8 353 50.35 212
Hokkaido University 60.6 144 50.22 213
École Des Ponts Paristech 40.2 298 50.11 214
Hong Kong Baptist University (Hkbu) 41.4 287 49.69 215
Pontificia Universidad Católica De Chile 57 166 49.68 216
Aston University 33.2 391 49.61 217
National University of Ireland, Galway (Nuig) 41.5 283 49.36 218
Université Paris-Sud 11 53.7 189 49.31 219
Universität Stuttgart 45.4 247 49.14 220
University of Liege 45.9 239 48.84 221
University of Ottawa 48.4 226 48.82 222
Politecnico Di Milano 47.5 229 48.81 223
Université Paris-Sorbonne (Paris Iv) 49.9 215 48.69 224
Hanyang University 45.3 248 48.55 225
Zhejiang University 57.2 165 48.53 226
Vrije Universiteit Amsterdam 54.8 181 48.5 227
Universität Frankfurt Am Main 51 208 48.5 227
Case Western Reserve University 55.7 175 48.44 229
Dalhousie University 45.6 243 48.19 230
Dublin City University (Dcu) 36.8 342 48.18 231
Nanjing University 55.7 175 47.99 232
University of Newcastle 40.4 297 47.92 233
University of Notre Dame 49.2 223 47.82 234
Technion - Israel Institute of Technology 54.6 183 47.72 235
Universität Hamburg 54.1 186 47.7 236
Waseda University 49.6 219 47.34 237
Tecnológico De Monterrey (Itesm) 41.9 278 47.22 238
Hebrew University of Jerusalem 60.9 141 47.2 239
University of Illinois, Chicago (Uic) 53.5 192 47.18 240
University of Turku 51.8 205 47.06 241
Oxford Brookes University 34.7 367 47.02 242
Kyung Hee University 44.5 254 46.98 243
National Chiao Tung University 47.5 229 46.97 244
Rheinische Friedrich-Wilhelms-Universität Bonn 57.3 163 46.94 245
Boston College 38.1 327 46.92 246
Universiti Kebangsaan Malaysia (Ukm) 42.7 268 46.81 247
Deakin University 34.4 373 46.72 248
Stockholm University 56.4 170 46.71 249
197
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
University of Florida 55 179 46.28 250
Aalborg University 38 330 46.17 251
Keio University 52.8 193 46.13 252
Norwegian University of Science And Technology 45 250 45.81 253
Universidad Nacional Autónoma De México (Unam) 57.3 163 45.78 254
Charles University 47.1 232 45.69 255
University of Gothenburg 51.8 205 45.51 256
King Saud University (Ksu) 44.7 252 45.5 257
Universitat Pompeu Fabra 41.8 280 45.34 258
Universitat Autónoma De Barcelona 55.6 177 45.31 259
Massey University 37.3 338 44.88 260
Universidad Autónoma De Madrid 52.7 195 44.53 261
La Trobe University 33.5 383 44.42 262
Université Joseph Fourier - Grenoble 1 49.6 219 44.38 263
Universitat De Barcelona (Ub) 55.4 178 44.3 264
Universität Köln 45.7 242 44.3 264
Université Paris Diderot - Paris 7 51.8 205 44.28 266
James Cook University (Jcu) 36.5 344 44.27 267
National Tsing Hua University 52.4 199 43.7 268
Beijing Normal University 44.8 251 43.67 269
Birkbeck College, University of London 34.7 367 43.52 270
Université De Strasbourg 48.5 225 43.46 271
Università Di Bologna (Unibo) 53.8 188 43.25 272
University of Science And Technology of China 55.9 174 42.81 273
Universiti Teknologi Malaysia (Utm) 36 348 42.8 274
University of Southern Denmark 39.3 309 42.78 275
Indian Institute of Technology Delhi (Iitd) 49.4 221 42.76 276
Westfälische Wilhelms-Universität Münster 46.5 235 42.58 277
Universidad De Navarra 39 313 42.36 278
University of California, Riverside (Ucr) 42.8 267 42.31 279
Universität Mannheim 41.8 280 42.31 279
Universidad Complutense De Madrid (Ucm) 49.9 215 42.19 281
University of Tsukuba 50.6 209 42.17 282
Vanderbilt University 54.8 181 42.1 283
Technische Universität Dresden 43.4 261 42.08 284
University of The Witwatersrand 39.2 311 42.02 285
University of Miami 47.3 231 41.98 286
Tilburg University 34.8 366 41.82 287
Tel Aviv University 52.6 196 41.76 288
Universität Konstanz 42.3 272 41.69 289
University of Victoria 38.6 319 41.32 290
Universidad De Chile 49.3 222 41.23 291
198
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Sapienza - Università Di Roma 52.6 196 41.18 292
Northeastern University 33.3 389 41.17 293
Indian Institute of Technology Bombay (Iitb) 47.1 232 41.01 294
University of Oulu 44.7 252 40.97 295
Université Bordeaux 1, Sciences Technologies 39.4 307 40.9 296
Universität Ulm 44 257 40.84 297
King Abdul Aziz University (Kau) 35.8 353 40.66 298
National Cheng Kung University 45.5 246 40.3 299
Universidade Estadual De Campinas (Unicamp) 50.1 214 40.15 300
University At Buffalo Suny 40.1 301 40.06 301
Université Paris Descartes 42.2 273 39.35 302
University of Arizona 50.5 211 39.23 303
Universidad De Los Andes Colombia 42.2 273 39.22 304
Universidad Carlos Iii De Madrid 38.8 315 39.18 305
Johannes Gutenberg Universität Mainz 40.5 296 39.09 306
University of Iowa 46.5 235 39.05 307
Brandeis University 38.5 321 39.02 308
Universidade Nova De Lisboa 36.1 346 39 309
Christian-Albrechts-Universität Zu Kiel 40.9 292 38.95 310
Indiana University Bloomington 45.9 239 38.83 311
Politecnico Di Torino 35.2 363 38.29 312
Linköping University 38.1 327 38.28 313
Saint-Petersburg State University 45.9 239 38.25 314
University of Utah 42.5 270 38.23 315
Ben Gurion University of The Negev 38.1 327 38.11 316
Università Degli Studi Di Milano 46.8 234 37.99 317
Universität Erlangen-Nürnberg 42 277 37.88 318
Virginia Polytechnic Institute (Virginia Tech) 38.9 314 37.87 319
University of Texas Dallas 35.4 359 37.55 320
Laval University 38.2 326 37.4 321
Rutgers - The State University of New Jersey, New Brunswick 44.5 254 37.38 322
Ewha Womans University 35.6 355 37.2 323
Ruhr-Universität Bochum 35.4 359 37.13 324
University of Massachusetts, Amherst 43.5 260 37.08 325
Chulalongkorn University 46.1 238 36.93 326
Stony Brook University 37.8 333 36.84 327
Moscow State Institute of International Relations (Mgimo-
University) 33.8 379 36.7 328
Iowa State University 38.6 319 36.4 329
Politécnica De Madrid 33.6 382 36.37 330
University of Indonesia 39.4 307 36.3 331
Umeå University 41.3 288 36.17 332
199
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
University of Connecticut 34.4 373 36.09 333
North Carolina State University 39.7 303 35.97 334
University of Mississippi 38.8 315 35.92 335
University of Eastern Finland 41.2 290 35.91 336
Universidad Austral 38.8 315 35.91 336
Al-Farabi Kazakh National University 40.2 298 35.83 338
George Washington University 38.3 324 35.56 339
University of Tromso 39.6 305 35.47 340
Yeshiva University 42.7 268 35.32 341
Tokyo Medical And Dental University 42.1 275 35.15 342
University of Jyväskylä 40.2 298 35.03 343
Washington State University 35.4 359 34.95 344
Bauman Moscow State Technical University 38 330 34.87 345
Indian Institute of Technology Madras (Iitm) 39.2 311 34.84 346
Universiti Sains Malaysia (Usm) 36 348 34.62 347
Karl-Franzens-Universität Graz 33.4 386 34.58 348
Università Di Pisa 43.9 258 34.47 349
Universitat Politècnica De Catalunya 37.2 340 34.31 350
Indian Institute of Technology Kanpur (Iitk) 40.7 294 34.24 351
Kobe University 39.7 303 33.63 352
Rensselaer Polytechnic Institute 36.1 346 33.46 353
Arizona State University 40.9 292 33.44 354
University of Coimbra 35.9 351 33.24 355
National Yang Ming University 40.7 294 33.15 356
Universidad Nacional De Colombia 38.4 322 33.08 357
Università Degli Studi Di Padova (Unipd) 42.9 266 32.99 358
Universität Leipzig 39.3 309 32.76 359
University of Hawaii At M? Noa 38.3 324 32.75 360
L.N. Gumilyov Eurasian National University 40 302 32.72 361
Taipei Medical University 35.5 356 32.72 361
Mahidol University 41.6 282 32.55 363
Pontificia Universidad Javeriana 36.8 342 32.54 364
Xi'an Jiaotong University 35.1 365 32.51 365
Université Aix-Marseille 36 348 32.49 366
Universität Bremen 35.2 363 32.48 367
University of Warsaw 37.8 333 32.24 368
University of Kansas 34.6 369 32.1 369
Novosibirsk State University 36.2 345 32.08 370
Stellenbosch University 33.7 380 31.96 371
Julius-Maximilians-Universität Würzburg 38.4 322 31.77 372
Université Montpellier 2, Sciences Et Techniques Du Languedoc 33.9 378 31.61 373
Nankai University 35.5 356 31.37 374
200
Univerzitet QS
vrednost
QS
rang
CIDI
vrednost
CIDI
rang
Colorado State University 33.4 386 31.21 375
Universidad Politecnica De Valencia 34.2 376 31.18 376
Hiroshima University 39.5 306 31.11 377
Universidade Federal Do Rio De Janeiro 41.5 283 31.06 378
University of Tampere 34.6 369 30.63 379
University of Porto 37.3 338 30.42 380
Universität Düsseldorf 33.4 386 30.23 381
Universitá Degli Studi Di Roma - Tor Vergata 38.7 318 30.15 382
University of The Philippines 34.4 373 29.9 383
Tulane University 33.7 380 29.87 384
Universität Jena 35.5 356 29.78 385
Jagiellonian University 34.6 369 29.65 386
Instituto Tecnológico De Buenos Aires (Itba) 33.5 383 29.5 387
University of Tennessee 33.5 383 29.44 388
Sun Yat-Sen University 34.1 377 29.09 389
Università Degli Studi Di Firenze (Unifi) 34.5 372 26.9 390
Università Degli Studi Di Torino (Unito) 33.2 391 26.63 391
Università Degli Studi Di Napoli Federico Ii 33.3 389 24.11 392
201
Tabela B.3 ARWU vrednosti, ARWU rangovi, Alternativne vrednosti, Alternativni rangovi, CIDI
vrednosti i CIDI rangovi za 2014. godinu
Univerzitet ARWU ARWU
rang
Alternativno
rangiranje
Alternativn
i rang CIDI
CIDI
rang
Harvard University 100 1 68 1 66.69 1
Stanford University 72.1 2 49.93 2 48.83 2
Massachusetts Institute of Technology
(MIT) 70.5 3 45.87 4 46.24 3
University of California-Berkeley 70.1 4 45.88 3 45.19 4
California Institute of Technology
(Caltech) 60.5 7 40.84 5 44.36 5
University of Oxford 57.4 9 40.38 6 39 6
University of California, San Diego 49.3 14 39.81 7 38.59 7
University of Cambridge 69.2 5 39.52 8 38.53 8
Yale University 55.2 11 39.29 9 38.07 9
University of Washington 48.1 15 39.12 10 37.03 10
University of California, Los Angeles 51.9 12 38.68 11 36.68 11
Columbia University 59.6 8 38.53 12 36.46 12
Princeton University 60.7 6 35.41 20 36.23 13
University of California, San Francisco 45.2 18 36.83 15 35.81 14
University of Michigan-Ann Arbor 42.3 22 38.42 13 35.8 15
University of Pennsylvania 47.1 16 36.68 16 35.46 16
Cornell University 50.6 13 36.06 17 35.1 17
The University of Tokyo 43.2 21 36.92 14 34.97 18
University of Toronto 41.8 24 36.06 17 33.81 19
The Johns Hopkins University 47 17 35.8 19 33.78 20
Swiss Federal Institute of Technology
Zurich 43.9 19 33.46 23 33.52 21
The Imperial College of Science,
Technology and Medicine 42.3 22 33.37 24 32.51 22
University College London 43.3 20 34.11 21 32.35 23
Northwestern University 39.4 28 33.19 25 31.86 24
Duke University 38.4 31 33.56 22 31.66 25
University of Chicago 57.4 9 31.92 27 30.94 26
University of Minnesota, Twin Cities 39.3 30 32.64 26 30.78 27
Washington University in St. Louis 37.8 32 30.6 30 29.43 28
University of North Carolina at Chapel
Hill 35.2 36 30.81 29 29.23 29
University of Wisconsin - Madison 41.8 24 31.03 28 29.09 30
University of California, Davis 30.4 55 30.48 31 29.08 31
University of Colorado at Boulder 37.2 34 28.72 37 28.48 32
New York University 39.6 27 29.77 32 28.13 33
The University of Texas at Austin 34.5 39 29.39 34 28.12 34
202
Univerzitet ARWU ARWU
rang
Alternativno
rangiranje
Alternativn
i rang CIDI
CIDI
rang
University of British Columbia 35.1 37 29.48 33 27.7 35
Pennsylvania State University - University
Park 30 58 28.92 35 27.44 36
University of Illinois at Urbana-
Champaign 39.4 28 28.47 38 27.28 37
University of Copenhagen 34.5 39 28.13 40 27.26 38
Kyoto University 39.9 26 28.84 36 26.98 39
The University of Melbourne 32.6 44 28.14 39 26.79 40
University of California, Santa Cruz 24.7 93 25.17 50 26.31 41
University of California, Santa Barbara 34.3 41 25.36 49 25.56 42
University of Maryland, College Park 32.7 43 26.58 42 25.52 43
Swiss Federal Institute of Technology
Lausanne 24.2 96 24.8 56 25.47 44
The Ohio State University - Columbus 28.7 64 27.3 41 25.25 45
University of California, Irvine 31.9 47 25.8 48 25.1 46
Rutgers, The State University of New
Jersey - New Brunswick 30.9 52 25.94 45 24.9 47
University of Bristol 28.9 63 24.95 54 24.61 48
Osaka University 26.8 78 25.93 46 24.58 49
Ghent University 28 70 25.04 53 24.55 50
The University of Manchester 34.7 38 25.81 47 24.4 51
University of Pittsburgh-Pittsburgh
Campus 28.6 65 26.55 43 24.39 52
Pierre and Marie Curie University - Paris 6 35.4 35 25.96 44 24.3 53
The University of Edinburgh 32.5 45 25.1 52 24.07 54
Karolinska Institute 31.9 47 24.11 66 23.91 55
VU University Amsterdam 24 100 24.36 60 23.9 56
McGill University 28.3 67 25.11 51 23.84 57
KU Leuven 24.2 96 24.49 59 23.74 58
University of Zurich 30.3 56 24.77 57 23.7 59
Leiden University 27.3 77 23.75 68 23.63 60
University of Munich 31.1 49 24.18 65 23.52 61
The University of Queensland 25.7 85 24.61 58 23.47 62
Heidelberg University 31.1 49 24.2 64 23.47 62
Brown University 27.4 74 23.37 70 23.41 64
Boston University 27.8 72 24.22 63 23.03 65
Texas A & M University 24.2 96 24.24 62 22.96 66
Utrecht University 30.2 57 23.7 69 22.95 67
University of Florida 26.8 78 24.9 55 22.83 68
Rockefeller University 37.6 33 22.23 79 22.79 69
University of Arizona 25.4 86 23.89 67 22.73 70
Georgia Institute of Technology 24.1 99 23.03 75 22.71 71
203
Univerzitet ARWU ARWU
rang
Alternativno
rangiranje
Alternativn
i rang CIDI
CIDI
rang
University of Southern California 31 51 24.3 61 22.66 72
University of Groningen 26.7 82 23.08 74 22.65 73
The University of Texas Southwestern
Medical Center at Dallas 32.5 45 23.12 72 22.45 74
Purdue University - West Lafayette 29.5 60 23.28 71 22.09 75
King's College London 29.7 59 23.11 73 21.92 76
University of Helsinki 27.5 73 22.67 77 21.84 77
The Australian National University 27.4 74 22.09 81 21.74 78
Technical University Munich 30.7 53 22.15 80 21.44 79
University of Utah 25 87 22.59 78 21.34 80
Rice University 26.7 82 20.55 87 21.24 81
Vanderbilt University 30.6 54 22.75 76 21.15 82
Uppsala University 29.5 60 21.84 82 21.04 83
Aarhus University 27.4 74 21.48 83 20.75 84
The University of Western Australia 24.9 88 20.75 85 20.28 85
Arizona State University 24.9 88 21.03 84 20.24 86
University of Geneva 28.5 66 20.25 88 20.05 87
University of Basel 24.8 90 19.62 89 20.01 88
University of Rochester 24.8 90 20.61 86 19.88 89
Carnegie Mellon University 29.4 62 19.14 92 19.23 90
McMaster University 24.8 90 19.62 89 18.74 91
University of Oslo 28.1 69 19.32 91 18.37 92
University of Bonn 24.6 94 18.68 94 18.11 93
University of Paris Sud (Paris 11) 34.2 42 19.08 93 17.87 94
Stockholm University 26.8 78 18.39 95 17.86 95
The Hebrew University of Jerusalem 28 70 18.24 96 17.75 96
Ecole Normale Superieure - Paris 28.3 67 15.6 98 17.08 97
Technion-Israel Institute of Technology 26.8 78 15.8 97 15.35 98
University of Strasbourg 24.5 95 15.57 99 14.94 99
Moscow State University 26.1 84 14.22 100 13.48 100
204
BIOGRAFIJA
Marina Dobrota rođena je 28.10.1984. godine, u Beogradu. Devetu
beogradsku gimanziju završila je kao nosilac Vukove diplome. Fakultet
organizacionih nauka, smer Informacioni sistemi i tehnologije, upisala je 2003. i
diplomirala 2008. godine sa prosečnom ocenom 8.58. Master studije, odsek
Informacioni sistemi i tehnologije, programsko područje Računarska statistika upisuje
2008. godine. Pod mentorstvom dr Milice Bulajić odbranila je master rad
"Tehnike i modeli otkrivanja zakonitosti u medicinskim podacima", sa ocenom
10 i završila studije 2009. sa prosečnom ocenom 9.71. Iste godine upisala je
dоktоrskе studiје nа Fakultetu оrgаnizаciоnih nаukа – izbоrnо pоdručје
Оpеrаciоnа istrаživаnjа i položila sve predviđene ispite sa prosečnom ocenom 10.
Od 1.7.2008. stupa u radni odnos na Fakultetu organizacionih nauka, u zvanju
saradnik u nastavi, a od 1.7.2010. u zvanju asistent, za užu naučnu oblast
Računarska statistika.
Tokom rada na fakultetu, bila je angažovana na izvođenju nastave i vežbi
na predmetima Teorija verovatnoće, Statistika, Ekonometrijske metode,
Računarska statistika. Prilikom evaluacije od strane studenata, njen pedagoški
rad je redovno ocenjivan visokim ocenama. Učestvovala je u više projekata
sprovedenih od strane Ministarstva rada i socijalne politike i Ministarstva za
nauku i tehnološki razvoj Republike Srbije. Bila je član Programskog odbora YU
INFO 2012 i ICIST 2012. U saradnji sa drugim autorima, objavila je više naučnih
radova u međunarodnim (SSCI, SCI-e) i domaćim časopisima, kao i u zbornicima
radova sa domaćih i međunarodnih konferencija. Ističu se sledeći:
• Dobrota, M., Jeremic, V., & Markovic, A. (2012). A new perspective on the
ICT Development Index. Information Development, 28(4), 271–280.
doi:10.1177/0266666912446497 (M23, IF2012: 0.375)
• Dobrota, M., Bulajic, M., Bornmann, L., & Jeremic, V. (n.d.). A New
Approach to QS University Ranking Using Composite I-distance
Indicator: Uncertainty and Sensitivity Analyses. Journal of the Association
for Information Science and Technology. In press. (M21, IF2013: 2.23)