Adatgyűjtés

6.5.1 A kérdőív összeállítása

A szakirodalom alapos tanulmányozása és a határon átnyúló pályázati projektek adatainak vizsgálatát követően összeállított kérdőívet tíz magyarországi, egy horvátországi és egy szlovéniai határon átnyúló pályázati projektet megvalósító szervezetnek küldtem el próbalekérdezés céljából. A bevont személyek valamennyien a kutatásom célcsoportjához tartoztak Mivel az empirikus felmérés több országot érintett, ezért a kérdőívek nem csak magyar, hanem horvát és szlovén nyelven is elkészültek, melyek nyelvhelyességét a próbalekérdezés során anyanyelvi alanyokkal teszteltem. A kérdőívek az anyanyelvi kérdőív kitöltők által küldött visszajelzéseket figyelmbe véve kerülek módosításra, majd véglegesítésre.

A magyar, horvát és szlovén nyelvű elektronikus kérdőívek e-mailben kerültek kiküldésre a két vizsgált programban nyertes pályázatok valamennyi megvalósító partnerszervezetéhez. A nyertes projektek listáját az Irányító Hatóságok által hivatalosan közzétett dokumentumokból nyertem.

A kérdőív bevezető részében a kutatás, valamint a vizsgálat célcsoportjainak rövid bemutatása szerepelt. A kérdőív további részei alapvetően követték a kutatási modell elemeit, így a projektek általános jellemzőit követően a megvalósító szervezetek jellemzőire, majd a projektmenedzserek egyéni karakterisztikáira kérdeztem rá. A kérdőív utolsó részében pedig a projektek sikerének és a szervezet projekt menedzsment érettségének értékelésére vonatkozó kérdéseket tettem fel. A teljes kérdőív a dolgozat 1.

számú mellékletében szerepel.

A kérdőív zárt kérdéseket tartalmazott, ahol a válaszadók vagy 1-5-ig terjedő Likert-skálán jelölhették be a véleményüket, vagy felsorolásból kellett kiválasztaniuk a szervezetükre jellemző megállapításokat. A szervezeti kultúra mérésére a szerzők által javasolt, 100 pont dimenziónkénti felosztásának módszerét választottam.

6.5.2 A célcsoport kiválasztása és az adatgyűjtés

Az adatgyűjtés célja elsősorban a határon átnyúló pályázati projektek jellemzőinek feltárása volt, továbbá annak meghatározása, mennyire sikeresek ezek a projektek, s mely tényezőkön keresztül értékelhetjük a határon átnyúló pályázati projekteket megvalósító szervezetek projekt menedzsment érettségét.

A kérdőíves felmérés földrajzi területének lehatárolását a két vizsgált program földrajzi korlátai adták, ugyanis a Magyarország-Horvátország IPA Határon Átnyúló Együttműködési Program, valamint a Szlovénia-Magyarország Határon Átnyúló Együttműködési Program dokumentumaiban rögzítettek szerint az 5.2 fejezetben is ismertetett megyék szervezetei pályázhattak.

A kiválasztott két pályázati programban mintavételi egységnek a projekteket lebonyolító menedzsereket, koordinátorokat választottam, részben mivel az ő egyéni jellemőziknek vizsgálata volt a kutatásom egyik fókusza, másrészt a szervezeti jellemzők megítélése kapcsán hitelesebb képet kaphatunk ezen munkatársaktól. A projektek sikerének és a szervezet projekt menedzsment érettségének megítélése kapcsán továbbá olyan válaszadók véleményére volt szükségem, akik napi kapcsolatot ápoltak a projekt különböző célcsoportjaival, beleértve a közreműködő szervezeteket, és a projekt által megcélzott személyeket, szervezeteket egyaránt. Mivel számos olyan személy került be az adatbázisba, aki több projekt megvalósításáért is felelős volt az utóbbi években, így a kérdőívem bevezető szakaszában feltüntettem, hogy a válaszadó ezekben az esetekben az általa koordinált projektekre vonatkozóan általánosságban, összegzően válaszoljon.

A statisztikai eljárások közül a teljes sokaságot vizsgáló módszerek adják a legteljesebb képet a vizsgálat tárgyát képező sokaságról, ennek megfelelően kutatásom során a teljes alapsokaság legkérdezésére törekedtem, és valamennyi, a vizsgált két programban pályázatot megvalósító szervezet számára (656 szervezet) elküldtem a kérdőívemet.

A kérdőíves adatgyűjtés 2014 júniusában indult és ugyanezen év szeptemberében fejeződött be. Minden esetben igyekeztem közvetlenül a projektmenedzsereket megszólítani kérdőívemmel, ahol azonban ez nem sikerült, az adott szervezet vezetőit kerestem meg, és kértem fel a kérdőívem megfelelő, kompetens személyhez való továbbítására. A három országba tehát összesen 656 e-mailt küldtem ki, ez 307 magyar, 238 horvát és 111 szlovén projektmenedzsert érintett.

6.5.3. A kérdőívek elemzése

Az összegyűjtött kérdőívek statisztikai értékeléséhez a Microsoft Office Excel 2010-es, valamint a Statistical Package for the Social Sciences (SPSS) 20-as verziójú programokat alkalmaztam. Az elemzés során a leíró statisztika eszközeivel végeztem el a kutatási minta jellemzőinek vizsgálatát, melyet a következő fejezetrészben ismertetek.

Az értékelés és a jellemzők összefoglalása az anonimitás biztosítása érdekében a válaszadók megnevezése nélkül történt.

A megkérdezés során összegyűjtött adathalmaz összetételétől, valamint az adatok típusától függően elemzéseket készítettem az adatok jellemzői, illetve az adathalmazban való előfordulási arányok bemutatása céljából. A jellemzők grafikus megjelenítésére diagramokat alkalmaztam, amelyek alapvető célja a megjeleníteni kívánt tartalom kiemelése és bemutatása.

A többváltozós statisztikai elemzések közül elsőként faktoranalízist végeztem el több változószetten. Faktorokat kívántam létrehozni a szervezeti struktúra leírása, a tudásátadási technikák bemutatása, az egyéni motivációs tényezők meghatározása, a projektmenedzserek által fontosnak ítélt, valamint a rájuk jellemző kompetenciák leírása, továbbá a projektek sikerkritériumainak és a szervezetek projekt menedzsment érettségének feltárása céljából.

Az elemzések során második lépésben klaszterelemzést végeztem a létrehozott látens faktorok alapján. A csoportképző módszer segítségével a szervezeti struktúrára, a

kultúrára és a tudásátadási technikákra nézve, az egyéni motivációs tényezők és a kompetenciák tekintetében, valamint a projekt siker és a szervezeti projekt menedzsment érettség kapcsán önálló klasztereket alakítottam ki. Az egyes változók szerint azonosított klasztereket varianciaanalízis segítségével igazoltam.

A vizsgálat során a továbbiakban regresszió- és korreláció analízist, valamint kereszttábla elemzést alkalmaztam annak feltárására, hogy kimutatható-e szignifikáns összefüggés a létrejött faktorok és klaszterek között, valamint a klaszterek és a projektek általános jellemzői között. A kutatásban kitértem arra is, hogy amennyiben található sziginifikáns összefüggés, milyen erősségű ez a kapcsolat.

6.5.4 A kutatás kvantitatív módszerei

Kutatási munkám középpontjában a megkérdezéses vizsgálat áll, amelynek az a sajátossága, hogy a minta nagyságából és a mintavétel módszeréből adódóan alkalmas az eredmények statisztikai módszerekkel való mérésére (Eibel, 1994).

A kutatási hipotézisek igazolására, valamint a kutatási modellben meghatározott összefüggések feltárására statisztikai és ökonometriai elemzéseket alkalmaztam.

Leíró statisztika

A leíró statisztika alkalmas a vizsgált jelenség számszerűsített bemutatására, jellemzésére. A kutatási minta jellemzőinek feltárását, valamint az adathalmazban történő előfordulási arányok bemutatását grafikus eszközök támogatják (Kerékgyártó et al., 2008).

Faktoranalízis

A többváltozós statisztikai elemzések közül mindenekelőtt a faktoranalízis módszerét alkalmaztam. Ez nem csupán egyetlen eljárás, hanem a többváltozós statisztikai eljárások egy adott halmazát foglalja magában. A faktorelemzés során olyan

„mesterséges dimenziókat, faktorokat hozunk létre, amelyek erősen korrelálnak több megfigyelt változóval, és amelyek egymástól függetlenek” (Babbie, 2003:511). A faktorelemzésnek két alapvető célja van: egyrészt képes feltárni az adatok struktúráját, másrészt csökkenti az adatok mennyiségét. Az elemzés nyomán olyan új, látens változók (faktorok) hozhatók létre, amelyek jól leképezik a kiinduló adatok viselkedését és tartalmát, ugyanakkor mérhetővé teszik az eredeti változók korrelációját.

A faktorelemzés első lépéseként meg kell vizsgálni, hogy az adatok alkalmasak-e a faktoranalízis lefolytatására. Erre a változók korrelációs, illetve kovariancia mátrixa szolgál, amely az egyes változók közötti korrelációkat méri, hiszen ennek megléte alapvető feltétele a faktorelemzésnek. A változókészlet nem alkalmas az elemzésre, ha a korrelációs együtthatók túlságosan alacsonyak (0,25-nél kisebbek), illetve, ha túlságosan magas a változók közötti összefüggés, vagyis multikollinearitás áll fenn. A korrelációs együttható adatainak alkalmasságát méri a Kaiser-Meyer-Olkin (KMO) kritérium, valamint a Bartlett-teszt. Ha 0,5-nél nagyobb a Kaiser-Meyer-Olkin mutató, akkor a változóink alkalmasak a faktorelemzésre, továbbá minél közelebb van a KMO értéke az 1-hez, annál jobb eredményeket várhatunk az analízistől. A Bartlett-teszt esetében a szignifikancia-szint 0,05-nél alacsonyabb értéke jelzi, hogy a faktoranalízis elvégzése javasolt (Sajtos–Mitev, 2007:257-259).

A következő lépésben a faktorok létrehozása történik. Az eljárás az eredeti változókat

hoz létre, amelyek egymással korrelálatlanok. Az eredeti változók és a létrejött faktorok közötti korreláció értékét a faktorsúlyok adják meg, melyek segítségével megállapítható, hogy az eredeti információtartalom mekkora részét fedik le a létrehozott látens változók (Sajtos–Mitev, 2007:263-264). A faktorelemzés módszerei közül a Maximum Likelihood módszert alkalmaztam.

Az elemzés végső lépéseként a faktorok rotációja is elvégezhető a modell könnyebb interpretálhatósága érdekében. A faktorok rotálása során a modell illeszkedése és a faktorok által együttesen lefedett információtartalom mennyisége nem változik, módosul azonban annak aránya, hogy „az egyes faktorok a megőrzött információ mennyiségén osztozkodnak.” (Székelyi – Barna, 2005:54). A rotáció eredményeként a faktorok által magyarázott variancia arányosabb, az értelmezés pedig egyszerűbb lesz (Sajtos–Mitev, 2007:266). A faktorok rotációja Varimax módszerrel történt, amelynek alkalmazásával korrelálatlan faktorok jönnek létre (Székelyi-Barna, 2005:53).

Az egyes faktorok összetétele a rotációt követően létrejött rotált faktorsúlymátrix segítségével állapítható meg. A faktorsúlynak el kell érnie a mininálisan elvárt 0,25-ös értéket ahhoz, hogy az adott faktor elemének tekinthessük. Az egyes faktorokat a legnagyobb faktorsúllyal rendelkező változók alkotják, ugyanis minél nagyobb a változóhoz tartozó faktorsúly, annál nagyobb hányadot magyaráz az adott faktor a változó szórásában (Székelyi–Barna, 2005:48).

A faktorelemzés nominális és ordinális változókon való végrehajtását a kategorikus főkomponens elemzés segítségével végezhetjük el. A CATPCA módszer az alacsony mérési szintű változók menti adatredukcióra alkalmas, amelynek segítségével a faktorelemzéshez hasonlóan a változók mögött meghúzódó látens struktúra tárható fel a varianciahányad maximalizálása mellett. A módszer nem tételez fel lineáris kapcsolatot a nominális vagy ordinális változók között. A kategorikus főkomponens elemzés során ki kell zárnunk a vizsgálatból azon változókat, amelyek varianciája kisebb, mint 0,1, majd a komponensvezető táblázatból leolvasható, mely változó mely főkomponenshez sorolható. A kapott eredmények értelmezésében a kutatónak jelentős felelőssége van (Research and Statistical Support, 2014).

Klaszterelemzés

A klaszterelemzés olyan dimenziócsökkentő eljárás, ahol a megfigyelési egységekhez rendelt változók jelentik azokat az eredeti dimenziókat, amelyek mentén a megfigyeléseket csoportosítani tudjuk. Az elemzés lényege, hogy homogén, de egymástól a lehető legeltérőbb csoportokat hozzunk létre (Székelyi-Barna, 2005:109).

A klaszterelemzés első lépéseként meg kell határozni a vizsgálatba bevonható változók körét, s meg kell vizsgálnunk, vannak e kiugró adataink (scatterplot diagram segítségével vizsgálható), s mennyire egységes, sztenderdizáltak a skálák, melyeken keresztül csoportokat szeretnénk alkalmazni. Az egymással erősen korreláló változók nehezítik a klaszterelemzés folyamatát, így a 0,9-es korrelációs érték feletti változók közül célszerű legalább az egyiket kivenni az elemzésből. A változók közötti korreláció a „bivariate” elemzéssel mérhető. Gyakori megoldás, hogy a klaszterelemzés a faktoranalízis során létrejött látens változók alapján történik, mellyel kizárható a változók közötti korreláció (Sajtos-Mitev, 2007:284).

A kutatásomban a klaszterelemzésbe bevont változók egységes, ötfokozatú skálán kerültek mérésre, így sem a kiugró adatok, sem az egységesség kérdése nem okozott

problémát a klaszterképzés során. A kutatásomban faktorok alapján klasztereztem, így a változók korrelációja sem gátolta az elemzést.

A klaszterelmzésben az egyes klaszterek távolságát úgynevezett Euklideszi távolságban mérhetjük, mely a klaszterközéppontoktól való távolságon alapul. A klaszterek meghatározását pedig a végső klaszterközép értékek alapján tehetjük meg (Székelyi-Barna, 2005:130).

Ezt követően ki kell választani a lehetséges eljárások közül a számunkra megfelelőt. A hierarchikus klaszterelemzés azon alapul, hogy az első lépésben valamennyi egyedet külön-külön klaszterbe soroljuk, majd ezen klasztereket vonjuk össze. A nem hierarchikus klaszterelemzést nagy minták esetén célszerű alkalmazni, ezesetben viszont előzetesen meg kell határoznunk a klaszterek várható számát, majd a program minden klaszterhez egy-egy középpontot rendel (Székelyi-Barna, 2005:115, 133).

A lehetséges analitikus módszerek közül a K-MEANS, nem hierarchikus klaszteranalízist választottam, ugyanis a minta nagysága, illetve a változók jelentős száma alapján ezzel az eljárással képezhetők különböző tulajdonságú, releváns csoportok (Székelyi-Barna, 2005:133).

Az elemzés a klaszterek értelmezésével és interpretálásával zárul. Az egyes klaszterek jellemzését célszerű azon változók alapján elvégezni, melyek bevonásra kerültek az elemzésbe, előfordulhat ugyanakkor, hogy további változók vizsgálata segítségünkre lehet az interpretálásban. A klaszterek értelmezéséhez a klaszterközéppontok adnak segítséget, célszerű ugyanakkor az átlagokat varianciaanalízis segítségével összehasonlítani (Sajtos-Mitev, 2007:309).

Kereszttábla-elemzés

A kereszttábla olyan statisztikai technika, amely két vagy több változót ír le egyidejűleg egy olyan táblával, ami megmutatja két vagy több korlátozott számú kategorizált vagy értéket felvevő változó együttes eloszlását (Sajtos-Mitev, 2007:138).

A vizsgált változók közötti összefüggést a Khi-négyzet statisztika módszerével vizsgálhatjuk, melynek sziginifikancia értéke alapján megállapítható, hogy van-e statisztikai összefüggés a vizsgált változók között. Amennyiben a Khi-négyzet sziginifikanciája < 0,05, feltételezhetjük az összefüggést. A statisztikai sziginifikancia bebizonyítását követően a kapcsolat erősségét is megvizsgálhatjuk, erre a Cramer V mutató a legalkalmasabb, melynek értéke -1 és 1 között mozog, ahol a 0 és a hozzá közeli értékek a kapcsolat hiányát, míg az abszolút értékben számított 1 vagy aközeli érték a kapcsolat szorosságát mutatja (Sajtos-Mitev, 2007:143).

Lineáris regresszió- és korrelációanalízis

A változók között fennálló kapcsolatok vizsgálatára a lineáris regresszió- és korrelációanalízis szolgál. A lineáris regresszió- és korrelációelemzések elvégzése előtt, meg kell győződnünk arról, hogy változóink alkalmasak-e az elemzések lefolytatására.

Ennek eldöntéséhez, meg kell vizsgálnunk a változókra, illetve a hibatagokra vonatkozó feltételek teljesülését.

A változókra vonatkozó feltételek:

 a változók normális eloszlást követnek [xi ~ N(0, 2) és yi ~ N(0, 2)]

 a magyarázó változók determinisztikusak [xi és uj függetlenek minden i-re és j-re]

 a magyarázó változók függetlenek [xj-k között nincs lineáris összefüggés]

(Sajtos-Mitev, 2007:214-215).

A lineáris regressziós modell feltétele a normalitás, vagyis a változók normális eloszlása. Amennyiben a változók nem e normális eloszlást követik, több statisztikai próba, pl. az F- és a t-próba sem alkalmazható, aminek következtében a kapott eredményeket nem tudjuk értékelni.

A magyarázó változók determinisztikus jellegére vonatkozó feltétel vizsgálatára akkor van szükség, ha valószínűségi változókra vonatkozóan végezzük el az elemzéseket.

Mivel jelen esetben konkrét adatok elemzésére kerül sor, e feltétel teljesülését nem kell külön megvizsgálnunk.

A változókra vonatkozó harmadik feltétel, vagyis a magyarázó változók függetlensége az elemzés során szintén teljesül, mivel a faktoranalízis eredményeként létrejött látens változók vizsgálatát végzem el, amelyek függetlenek egymástól, tehát nincsen köztük lineáris korrelációs kapcsolat.

A többváltozós regresszió során a kapcsolat erősségét a többszörös korrelációs együttható (jele:R) négyzetével mutatható ki, amelyet többszörös determinációs együtthatónak is neveznek (jele:R²). Minél nagyobb R² értéke, annál erősebbnek mondható a kapcsolat, vagyis a modell magyarázó ereje is annál jobbnak bizonyul. Az F-próba, illetve t-próba alacsony (p<0,05) szignifikanciája a feltételezett kapcsolat meglétét igazolja (Sajtos – Mitev, 2007:216).

A regresszióelemzés során a változók szelektálására, vagyis a modellből történő elhagyására többféle módszer áll rendelkezésünkre, ezek közül a Backward módszert használtam. A Backward módszer esetén valamennyi magyarózó változónk bevonásra került az elemzésbe, majd egyenként kerülnek ki azon elemek, melyek F értéke nem megfelelő (Székelyi – Barna, 2005:238).

A korrelációanalízis során meghatározásra kerül a korrelációs (vagy Pearson-féle) együttható (jele: r), amelynek abszolút értéke a tényezők közötti kapcsolat szorosságát, míg előjele a kapcsolat irányát mutatja. Minél közelebb esik a korrelációs együttható értéke az 1-hez, annál erősebb a kapcsolat a változók között; míg minél inkább 0-hoz közeli az érték, annál lazább az együttmozgás (Zwerenz, 2006). A kapcsolat intenzitásának megítélésekor a ±0,3 alatti „r” érték esetén gyenge, ±0,3 és ±0,5 közötti érték esetén közepesen szoros, míg ±0,5 feletti együttható esetén szoros kapcsolatról beszélhetünk. A korrelációs együttható négyzete, a determinációs együttható (jele: r²), amely arra ad választ, hogy a független változó a függő változó varianciáját hány százalékban magyarázza (Sajtos – Mitev, 2007:205).