Geografijos metraštis, Nr. 51, 2018
Gerda Burneikaitė
Vilniaus universiteto Tarptautinių santykių ir politikos mokslų institutas (VU TSPMI) / Vilnius University, Institute of International Relations and Political Science
Įvadas
Miestai, šiandien išnaudojantys naująsias technologijas, tampa pagrindiniu ekonomikos varikliu, juose kuriasi paslaugų centrai, yra geriau apmokamos darbo vietos. Saskia Sassen tokius miestus įvardija „globaliais“, o pagrindinė tokio miesto savybė tikriausiai yra integracija tarptautinėje ekonominėje sistemoje (Sassen, 2005). Nepaisant to, kad dalyvavimas tarptautinėje ekonomikos sistemoje išskiria miestus jų dinamiškumu bei pragyvenimo lygiu, nereikėtų pamiršti ir kitų tokios „miesto globalizacijos“ pasekmių. Viena vertus, tai padeda sukurti pridėtinės ekonominės vertės miesto gyventojams, kita vertus, teigiama, kad didžiausi nelygybės skirtumai atsiranda būtent miestuose (Sassen, 1996; Lipman, 2002; Fainstein, 2001). Knygoje „Socio-Economic Segregation in European Capital Cities: East Meets West“, kurioje buvo nagrinėjama socioekonominė segregacija trylikoje Europos miestų, įskaitant Vilnių, prieita prie bendrų išvadų, kad nors Europos miestai ir pasižymi santykinai žemesniu segregacijos lygiu nei miestai Jungtinėse Amerikos Valstijose, skirtys tarp turtingų ir vargingų kaimynysčių (angl. neighbourhoods) ryškėja (Tammaru et al., 2016). Remiantis šios knygos skyriumi, kuriame buvo nagrinėta Vilniaus socioekonominė segregacija, galima teigti, kad nors, matuojant segregacijos lygius Vilniuje, pastarosios indeksas nėra aukštas, visgi skirtis tarp turtingų ir vargingesnių žmonių, vertinant pagal jų gyvenamąją vietą, ryškėja lyginant 2001 ir 2011 metų visuotinio Lietuvos Respublikos gyventojų surašymo
duomenis (Valatka et al., 2015).
Kartu su erdviniais sociodemografinių kintamųjų išsidėstymo miestuose skirtumais, galima matyti ir tam tikras rinkiminio elgesio, įskaitant rinkiminį aktyvumą, išsidėstymo erdvėje tendencijas. Todėl analizuojant rinkiminį aktyvumą miestuose, dažnai buvo naudojami erdvės vienete (gyventojų surašymo arba rinkimų apylinkėje) surinkti duomenys, kurie į tyrimus leidžia įtraukti tam tikrą vietą apibrėžiančius kontekstinius veiksnius, siekiant nustatyti, kurie iš jų yra reikšmingi aktyvumo skirtumams paaiškinti (Warf, Leib, 2011).
Tačiau siekiant tinkamos konteksto įtakos įvertinimo rinkiminiam elgesiui, nepakanka sociodemografinių kintamųjų įtraukimo į tiesinės OLS regresijos modelį ar tiesiog jų pavaizdavimo žemėlapyje – dviejų plačiai rinkimų geografijoje naudotų analizės būdų (Agnew, 1996). Vystantis erdvinės ekonometrijos ir rinkimų geografijos mokslams buvo pastebėta, kad savaime sociodemografiniai kintamieji nėra pakankami norint paaiškinti rinkiminio elgesio erdvinius skirtumus. Egzistuoja teorinės ir metodologinės priežastys, kodėl pati erdvė, suprantama per tam tikros vietos koordinates ir atstumus nuo kitų vietų, yra svarbi.
Neįtraukiant tokio erdvės supratimo ir bandant rinkiminį elgesį paaiškinti remiantis vien kontekstiniais veiksniais, galima padaryti neteisingas išvadas apie kintamųjų poveikį. Todėl pastaruoju metu tyrėjai vis dažniau naudoja agreguotus erdvinius duomenis, siekdami rinkiminio elgesio erdviniams skirtumams paaiškinti atsižvelgiant ne tik į sociodemografinius kintamuosius, bet ir į erdvinę padėtį: tiek kalbant apie rinkiminį aktyvumą (Lacombe et al., 2014; Saib, 2017; Shin, Agnew, 2016; Mansley, Demšar, 2015), tiek pasirinkimą, už ką balsuoti (Lacombe, Shaughnessy, 2007; Burnett, Lacombe, 2012; Cutts et al., 2014; Jensen et al., 2012).
Išryškėja du aspektai, kurie yra svarbūs siekiant suprasti rinkiminį elgesį mieste: 1) kontekstas, kuris apibrėžia tam tikrą miesto vietą (geografinis erdvinis vienetas); 2) erdvė – tam tikromis koordinatėmis ir atstumais nusakomų vietų visuma. Pagrindinis šio tyrimo objektas yra pastaruoju būdu suprantama erdvė, kuri sudaro prielaidas atsirasti erdviniams efektams, galintiems turėti įtakos rinkiminio elgesio tyrimams. Pabrėžiama, kad net ir norint tinkamai interpretuoti konteksto veiksnių įtaką rinkiminiam aktyvumui, būtina atsižvelgti į tai, kad yra analizuojami erdviniai duomenys, todėl ir pati erdvė tampa svarbiu aiškinamuoju kintamuoju (Haining, 2009). Pirma, erdvės poveikis gali pasireikšti per erdvinį heterogeniškumą, tai yra skirtingą kintamųjų poveikį skirtingose vietose. Antra, erdvės poveikis gali pasireikšti per erdvinę priklausomybę, tai yra vienų erdvės vienetų poveikį kitiems (Anselin, 1988). Pastarojo tipo poveikis gali būti susijęs su teorijomis, kalbančiomis apie socialinės interakcijos procesų rezultatus (Anselin, 2009).
Apskritai, rinkiminis aktyvumas Lietuvoje daugiausia buvo tirtas tiek kokybinėse, tiek kiekybinėse individo lygmens analizėse (Ramonaitė, 2006; Petronytė, 2008; Imbrasaitė, 2002; 2004; Žiliukaitė, 2014, a; 2014, b). Net ir rinkimų geografijos ribose tyrimų, kuriuose į erdvę būtų žiūrima kaip į vieną aiškinamųjų kintamųjų, Lietuvoje nebuvo atlikta. Šios krypties tyrimuose Lietuvoje labiausiai kreipta į tai, kaip erdvėje pasiskirsto tam tikrų partijų rinkėjai (Baranauskaitė, Tučas, 2014; Savickaitė et al., 2013; Ubarevičienė et al., 2015; Baranauskaitė et al., 2015). Vis dėlto net ir tiriant rinkėjo pasirinkimą, daugiausia naudoti metodai, leidžiantys vizualiai įvertinti rinkėjų susiskirstymą skirtingose vietose ar pateikiant koreliacijas tarp tam tikro kintamojo ir partijų rinkėjų dalies.
Pagrindinis šio straipsnio tikslas yra dvejopas: 1) pasiūlyti metodologiją, kuri į rinkiminio aktyvumo tyrimus leistų įtraukti erdvę; 2) ištirti rinkiminio aktyvumo skirtumus Vilniaus mieste pritaikant pasiūlytą metodologiją. Analizei pasirinktas Vilniaus miestas kaip daugiausia Erdvinė rinkiminio aktyvumo analizė Vilniaus mieste gyventojų turintis miestas Lietuvoje. Empirinę tyrimo dalį sudaro trys regresinės analizės metodai: daugianarė tiesinė OLS regresija, geografiškai pasverta regresija ir erdvinė lag regresija. OLS regresija yra naudojama kaip atskaitinis modelis, su kuriuo lyginami kiti du modeliai, leidžiantys į analizę įtraukti erdvę. Analizei pasirinkti 2012 metų LR Seimo rinkimai, kadangi tai buvo artimiausiu laiku nuo 2011 metais visuotinio gyventojų surašymo vykę nacionaliniai rinkimai. Tuo tarpu gyventojų surašymo duomenys yra reikalingi siekiant operacionalizuoti kontekstinius veiksnius, galinčius nulemti rinkiminio aktyvumo skirtumus.
Galiausiai svarbu apibrėžti, kaip šiame tyrime yra suprantamos vietos, konteksto ir erdvės sąvokos. Vieta yra laikomas apibrėžtas erdvinis ploto vienetas, atitinkantis vienetą, kuriame buvo surinkti duomenys. Kontekstu laikomi sociodemografiniai veiksniai, apibrėžiantys vietą. Tuo tarpu erdvės supratimas šiame darbe atitinka erdvinėje analizėje dažniausiai naudojamą socioekonominę erdvės sampratą, kurioje erdvė apibrėžiama per santykinę vietą, t. y. vietos padėtį bei tai, kokios ir kokiu atstumu šalia yra kitos vietos (Couclelis, 1992).
Abstract
The main aim of this paper was to demonstrate whether and how space is important in analysing the differences of voter turnout in Vilnius. Two main theories on how space may contribute towards a better understanding of social processes embedded in space are based on the concept of spatial effects, which include spatial heterogeneity and spatial dependence. To test whether these effects are important in explaining voter turnout differences in Vilnius, two regression analysis methods are used. The results are compared to the results obtained from multiple linear OLS regression. Geographically weighted regression allows to model local coefficients of independent variables and makes it possible to inquire spatial heterogeneity by observing whether the effect of independent variables differs across the study area. Spatial lag regression allows to test for spatial dependence between geographical units by including a spatially lagged variable into the model equation. If the latter is significant, it can be hypothesized that the resulting spatial patterns are a result of social interaction processes like diffusion or contagion.
The analysis conducted showed that spatial analysis tools were necessary to analyse voter turnout patterns in Vilnius as the residuals of multiple linear OLS regression were spatially autocorrelated making the results from this model biased. The results of this paper indicate that local coefficients of the independent variables vary across the area of Vilnius in terms of the size of their effect and to a lesser extent – in terms of the direction of the effect revealing interesting patterns of relationships between the variables.
Spatially lagged dependent variable included in the spatial lag regression model was also highly significant, indicating that voting patterns observed may have resulted partly from the processes of social interaction. Also, according to this regression model, four independent variables are important in explaining voter turnout in Vilnius. Unemployed persons and Polish minority have a statistically significant negative effect on turnout, while persons with higher education and seniors – a positive one. In contrast to the results from multiple linear OLS regression, the Russian minority variable is no longer significant after the inclusion of a spatially lagged variable.
Overall, place, context and space seem to be important in explaining voter turnout patterns in Vilnius. Places that are of relatively worse sociodemographic context (with more unemployed, less well educated) and largest ethnic minorities demonstrate the lowest levels of voter turnout, allowing to speculate about overlapping socioeconomic and political inequalities in the city, which also have a strong ethnic dimension.