Anyag és módszer - A fenntartható fejlődés empirikus vizsgálata az Európai Unióban

A fenntartható fejlődés empirikus vizsgálata az Európai Unióban

3. Anyag és módszer

Doktori kutatásom alapját az Európai Unió-, a 28 tagállam stratégiái és indikátorrendszerei, valamint az Agenda 2030 a fenntartható fejlődésért keretprogram és indikátorkészlete adták.

Adatbázis hátterét a különböző Európai Uniós szervezetek, mint például az Eurostat, az országok statisztikai hivatalai és a World Bank biztosítják. Mind a Göteborgi konferencia során létrehozott Fenntartható Fejlődési Stratégia (EU SDS), mind az ENSZ által kidolgozott Agenda 2030 a fenntartható fejlődési céljaihoz tartozó indikátorok kivétel nélkül megtalálhatók elég jelentős, minimum 5-10 éves időintervallumra. Az indikátorok az Eurostat honlapján a 17 célkitűzés szerint vannak gyűjtve. Ez az egyedüli, egyetlen rendszer, amelyben megtalálható mind a 28 tagállam statisztikai adatszolgáltatása és így megfelelően biztosítja a kívánt adatokat. A rendszer fontossága továbbá abban is áll, hogy az indikátorok azonos módszertan alapján lettek kidolgozva. Nem szabad megfeledkezni azonban a tagállamok statisztikai hivatalairól sem, akik időszerű adatokat szolgáltatnak a tagállamok mutatóiról, előrehaladásukra, de ettől függetlenül találkoztam a kutatás során olyan tagállamokkal, amelyeknél semmiféle információt nem találtam az indikátorokról. Érdekes, hogy míg ezen országok stratégiája említi a mutatószámokat, azonban azok konkrétan sem felsorolás szintjén, sem bármi más módon nem lelhetők fel. Ide tartozik például Románia és Bulgária. Az indikátorok gyűjtésének problémája mellett nehézséget jelentett az is, hogy sok esetben, a stratégiák csak az országok hivatalos nyelvén voltak elérhetők (Luxemburg, Lettország, Spanyolország), ilyenkor fordító program segítségével igyekeztem értelmezni őket.

A fenntartható fejlődési célokhoz tartozó indikátorok kvantitatív elemzése IBM SPSS statisztikai programcsomag és Microsoft Excel segítségével történik. A mutatószámok fajtáját tekintve mind magas mérési szintűek, metrikusak, tehát alkalmasak a különböző bonyolultabb statisztikai módszerek végrehajtására. A disszertáció vizsgált időszaka öt évet foglal magában, a 2014 és 2018 közötti időszakot. A 2014-15-ös évek alatt még érvényben volt az Európai Unió fenntartható fejlődési stratégiája, így ezek átmeneti éveknek nevezhetők, 2016 és 2018 között csak az „Agenda 2030 a fenntartható fejlődésért” volt érvényben.

A kvantitatív kutatás során különböző statisztikai, ökonometriai módszereket használtam, például a faktoranalízist (FA), korreláció analízist, skálaösszehangoló transzformációt a kompozit indikátorok létrehozásához és klaszteranalízist annak érdekében, hogy az Európai

Unió 28 tagállamát a GDP és a HDI mutató, valamint a fenntartható fejlődési stratégiákból kiválasztott öt indikátor segítségével csoportosítsam.

A vizsgálatok során a különböző módszerekhez különböző mértékű adatpontokat használtam fel. A faktoranalízis során a 17 cél egy évre vonatkozó adattartalma 9 632 adatpontot jelent részindikátorokkal együtt, amely az öt vizsgált évre összesen 48 160 db. A célok indikátoraira jellemző, hogy bizonyos indikátorok, mint az EU import a fejlődő országokból több célkitűzésben is megjelenik (10. és 17. cél). Vannak azonban olyanok is, melyeket egyáltalán nem tudunk vizsgálni, mivel aggregált, összesített adatot tartalmaznak az EU-ra vonatkozóan, ilyen „Az óceán felszíni globális átlagos savassága”. Összességében 17 fenntartható fejlődési indikátor nem mérhető.

A faktoranalízis segítségével létrehozott faktorok kapcsolatát megvizsgálom a GDP-vel és a HDI-vel, amiatt, hogy láthatóvá váljon a közöttük lévő összefüggés. Ebben az esetben a 2014-es év 52, a 2015-ös 61, a 2016-os 55, a 2017-es 62 és nem utolsó sorban a 2018-as év összesen 66 faktort tartalmaz. A GDP és a HDI egy évre vonatkozóan 28-28 adatpontot fed le a 28 EU tagállamra nézve.

A kompozit indikátorok létrehozására skálaösszehangoló transzformációt használok annak érdekében, hogy az indikátorok eredeti nagyságrendi viszonya, tartalma megmaradjon. Az összetett mutatóknál szétválasztom az indikátorokat a fenntarthatóság három dimenziója szerint és ilyenkor, ha a célokban található mutatók ismétlődnek, azt nem engedélyezem.

Például, ha a „hosszú távú munkanélküliségi ráta” több célban is előfordul egy dimenzión belül, akkor azt csak egyszer használom. Ennek értelmében egy évre vonatkozóan 2 044 gazdasági dimenziót (73 indikátor), 2 072 környezeti dimenziót (74 indikátor) és 3 136 társadalmi aspektust (112 indikátor) jellemző adategységet vizsgáltam és hoztam létre belőlük a kompozit indikátorokat.

A klaszteranalízis során az indikátorok száma jóval kevesebb, mint a másik négy módszernél. Célom az, hogy az Európai Unió 28 tagállamát homogén klaszterekbe, csoportokba soroljam a fenntartható fejlődési stratégiákban található közös mutatószámok és a GDP/HDI mutatók alapján. A fenntartható fejlődési stratégiák indikátorkészleteinek vizsgálata során arra a következtetésre jutottam, hogy öt indikátor található meg szinte minden stratégiában, természetesen azokban, amelyek leírják a mutatókat. Ezek az indikátorok a biogazdálkodás alatt álló terület, hosszú távú munkanélküliségi ráta, bruttó hazai kutatási és fejlesztési kiadások, üvegházhatású gázok kibocsátása és az államadósság.

A doktori kutatás elméleti hátterének (fenntartható fejlődési stratégiák) és adatbázisának összeállítása során megjelenő nehézségek – a stratégiák csak az adott ország hivatalos nyelvén voltak elérhetők vagy nem nevezték meg a konkrét indikátorokat – leküzdésével sikerült összeállítani az „Agenda 2030 a fenntartható fejlődésért” keretstratégiához tartozó célonkkénti indikátor adatbázisokat.

3.1. Adatredukció

Az ENSZ Fenntartható Fejlődési Céljai rendkívül szerteágazó, komplex stratégia és egyben keretrendszer, amely arra hivatott, hogy a korábban kidolgozott MDGs-t tovább vigye, megújítsa és kibővítse. Célját elérte, tehát valóban sokkal több célterületet lefed a fenntartható fejlődés három plusz egy dimenziójában a 17 SDGs-el és a hozzá tartozó 169 részcéllal. A szerteágazó jelenség az indikátorrendszer összetettségében is megmutatkozik, mivel a stratégia megközelítőleg több, mint 300 indikátort tartalmaz.

A mutatók sokasága megköveteli a jobb és egyszerűbb értelmezhetőséget, amelyet úgy tudunk elérni, hogy lecsökkentjük az adatkészlet méretét különböző módszerek segítségével.

Az adatredukció végrehajtására két hasonló módszer közül választhatunk, melyek egy

„módszertani családba” tartoznak, ezek a Faktoranalízis (továbbiakban, FA) és a Főkomponens Analízis (PCA). A két algoritmus közötti hasonlóság, hogy mindkettő az adatredukcióra törekszik és ezen belül a faktorok létrehozását PCA-val tudjuk megvalósítani, amely a faktorok rotálásával újra faktoranalízissé változik. Sajtos – Mitev (2007) a különbséget a varianciával magyarázza: „a főkomponens-elemzés a teljes varianciát felhasználja és a kapott faktorok nemcsak közös, hanem egyedi és hibavarianciát is tartalmazhatnak, míg a közös faktorelemzés csak a közös varianciát” (Sajtos – Mitev, 2007, pp. 249). Ennek hatására disszertációmban a FA-t használom PCA-val a faktorok létrehozásához.

A többváltozós összetételű adatok statisztikai elemzése sokszor vitatott téma. A PCA-t Pearson (1901) fejlesztette ki és Hotelling (1933) fejlesztette tovább, amelyre Mamipour et al. (2019) szerint úgy tekinthetünk, mint a lineáris algebra egyik legértékesebb eredményére.

Ennek köszönhetően számos kvantitatív kutatásban alkalmazható. A PCA-t úgy határozta meg, mint egy mennyiségi és változó redukciós módszer, amelyet akkor lehet alkalmazni, ha a változók között szoros korreláció áll fent (Pearson, 1901). Aitchison 1983-as és 1984-es tanulmányaival kezdve, sok kutatást szentelt az összetett adatok hasznos transzformációjának meghatározására PCA-val (Filzmoser et al., 2009). A módszer első

funkcionális megjelenését Wold et al. (1987) az 1960-as évekre vezeti vissza, amikor Malinkowski a kémiában alkalmazta elsőként az akkor még fő faktor-elemzést. A geológiában a PCA valamivel elkülönültebben létezett, mivel működését elhomályosította a Faktaroanalízis. A nagy geofizikai adatkészletekben a PCA-t széles körben használják a térbeli és időbeli kapcsolatok feltárására (Horel, 1984). Wallace és Dickinson (1972) meteorológiai összefüggésben alkalmazta a PCA-t.

Az adatelemzési módszerek nélkülözhetetlenek az egyre növekvő, nagyméretű adatok mennyiségi elemzéséhez (Ding – He, 2004). A különböző többváltozós statisztikai technikák, mint például a PCA vagy az FA alkalmazása segíti az eredmény jobb értelmezését és a folyamatot kevésbé szubjektívvá teszi (Tripathi – Singal, 2019). A PCA egy matematikai, többváltozós statisztikai eljárás, amelyet több változó szintetizálására használnak (Akande et al., 2019; Jolliffe, 2002). Ez egy olyan módszer, amelyet széles körben alkalmaznak a felügyelet nélküli méretcsökkentéshez (Ding – He, 2004) és a többváltozós technikák között (Doukas et al., 2012). Schlens (2014) a PCA-t a modern adatelemzés standard eszközének tekinti, amely minimális erőfeszítéssel úgynevezett

„útitervet” biztosít arra, hogyan lehet az összetett adatkészletet alacsonyabb dimenzióra redukálni, hogy felfedje a gyakran alapjául szolgáló, rejtett, egyszerűsített struktúrákat.

Központi gondolata az adatkészlet dimenziójának csökkentése, miközben megőrzi a lehető legnagyobb mértékű információt (Hosseini – Kaneko, 2011). Helena et al. (2000) az alábbi módon fogalmazta meg: úgy tervezték a módszert, hogy az információkat szolgáltasson a legértékesebb paraméterekről, amelyek leírják a teljes adatkészletet és ezzel lehetővé teszik az adatok csökkentését az eredeti információ minimális veszteségével. Ezt úgy lehet elérni, hogy a változókat új változók halmazává, főkomponensekké (továbbiakban: PC) alakítja át.

Ezek a változók nem korrelálnak egymással és úgy helyezkednek el, hogy az elsők megőrzik az összes, eredeti változóban jelen lévő információk jelentős részét, tehát minimális információveszteséggel jár (Ali, 2009; Lemke – Bastini, 2020) és struktúra megtartó is (Chu et al., 2018). Másképp fogalmazva, az egyes mintákat viszonylag kevés számmal lehet ábrázolni több ezer változó értéke helyett (Ringnér, 2008). A PCA feltárja, hogy a különböző változók hogyan viszonyulnak, kapcsolódnak egymáshoz és más módszerhez viszonyítva meghatározza az indikátorok súlyát statisztikai jelentőségük alapján (Mainali et al., 2015).

A kialakított főkomponensekről majdhogynem ugyanazokat a következtetéseket tudjuk levonni, mint az eredeti változókról (Ketskeméty et al., 2011). Az eredeti modellben a p számú változóval jellemezhető statisztikai sokaságot k << p változóval jellemezzük, ebből

származnak a főkomponensek. A k-dimenziós elemzéseink következtetései ezen p-dimenziós sokaságra szintén helytállóak lesznek (Ketskeméty, 2012). How és Lam (2018) szerint a PC-ket viszonylag nehéz optimalizálni, mivel az eredeti változók konvex kombinációi.

A főkomponens analízis számos előnyt kínál. Jollands et al. (2004) a PCA viszonylag

„objektív” megközelítést biztosít a súlyok meghatározásához, amelyeket az adatok, és nem az elemző diktál. Valójában „hagyja, hogy az adatok beszéljenek”. A módszer egyik előnye, hogy képes megoldani a multikollinearitás kérdéseit a nagyszámú változót tartalmazó modellekben (Mamipour et al., 2019). Jiang et al. (2018) a módszer előnyét az objektivitásban és információ integrálásában látja, ezáltal pedig a fenntarthatósági értékelési módszerek egyik legjobbává vált, amelyet az OECD is javasol, mint elfogadott módszert.

Dimenziócsökkentő tulajdonsága mellett további pozitívum, hogy a transzformált adatok megkülönböztetésére is alkalmas (Huang et al., 2014). Mainali et al (2014) szintén a PCA erősségeit, előnyeit hangsúlyozza tanulmányában. A nagyszámú, összekapcsolt adatkészletben a PCA képes felismerni a mintákat és így egyszerűbb a méretcsökkentés és tömörítés anélkül, hogy az információ jelentős veszteségével járna, továbbá az elemzés független és semleges a felhasználóktól. Doukas et al (2012) a PCA erősségét abban látja, hogy könnyen lehet használni az adatok elemzésére, valamint a prediktív modellek kidolgozására. A módszer „relevanciája” mellett azonban nem szabad elfeledkeznünk a hibákról, hátrányokról sem. Sok esetben a főkomponens analízis nem nézi az esetek kimenetét, így elképzelhető lesz, hogy a kialakított főkomponens nem lesz magyarázó változója az adott modellnek. Gyakran előtérbe kerülhet a módszer másik problémája is, miszerint a főkomponensek elemzése rendkívül nehéz.

A módszer számtalan újítással, illetve megújított változattal gazdagodott az évek során. A disszertációban ezek közül a Kernel Főkomponens Analízis (Kernel Principal Component Analysis, továbbiakban KPCA), a Funkcionális Főkomponens Analízis (Functional Principal Component Analysis, továbbiakban FPCA), Nemlineáris Főkomponens Analízis (Non-linear Principal Component Analysis, továbbiakban NLPCA) kerülnek bemutatásra.

Hasonlóan az „alap” PCA-hoz, a KPCA-t is a dimenziócsökkentésben, az osztályozásban és a funkciók kivonásában használják a többdimenziós adatkészletekben. A KPCA képes a nemlineáris interakció kezelésére és rögzítésére, köszönhetően a kernel funkció² meglétének

2 Kernel funkció (algoritmus) jelentősége, hogy nemlineáris optimalizálás nélkül működik, ami ellentétes más nemlineáris módszerekkel (Abba et al., 2020).

(Abba et al., 2020). Összehasonlítva a két módszert, ami igazán megkülönbözteti őket az az, hogy a KPCA hatékonyabb algoritmus a nemlineáris folyamat leképezésére, először a sztochasztikus, csökkentett sorrendű modellezéshez használták (Ma – Zabaras, 2011).

Beretta et al. (2020) tanulmányában az FPCA-t emeli ki a főkomponens analízis különböző változatai közül. Bizonyos esetekben az előrejelzés az adatok függőségének csökkentését követeli meg a PCA-tól. Ebben az esetben célszerű az FPCA-t használni, mivel ez a statisztikai módszer a funkcionális adatok ábrázolására szolgál. A módszer integrálható bármely idősoros prediktív modellbe a jövőbeli minták előrejelzésére. Megvizsgálva a hagyományos PCA-t és az NLPCA-t, a különbséget a linearitás módjában találjuk. Tan és Lu (2016) szerint a hagyományos PCA alkalmasabb az adatok lineáris leképezéssel történő feldolgozására, míg az NLPCA a nemlineáris leképezést hajtja végre. A szerzők véleménye szerint a regionális fenntartható fejlődési rendszer nemlinearitást és komplexitást mutat, tehát az NLPCA-t célszerű használni az adatok méretének csökkentésére.

Az alábbiakban szemléltetem azokat a tanulmányokat, amelyek a PCA-hoz, FA-hoz, mint módszerhez és mint kutatási eredményekhez kapcsolódnak. Bemutatja azokat az eredményeket, indikátorokat, amelyeket a kutatók felhasználtak a hipotéziseik bizonyításához (7. táblázat).

7. táblázat: Adatredukció alapú tanulmányok összefoglalása a fenntarthatóság témakörében

Szerző(k) neve Év Cél Vizsgálat tárgya Alkalmazott

módszer Akande et al. 2019 rangsorolni a fővárosokat,

mennyire okosak és fenntarthatók

28 európai főváros hierarchikus klaszterezés és PCA

Ali 2009 Arab víz fenntarthatósági index (AWSI – Arab Water Sustainability Index) vizsgálata

22 indikátor PCA

Beretta et al. 2020 elektromos fogyasztási minták megértése és Bhowmik et al. 2018 a zöld energiát meghatározó

tényezők társadalmi

Bro - Smilde 2014 bemutatni a főkomponens analízist

44 fajta vörösbor FA, PCA

7. táblázat: Adatredukció alapú tanulmányok összefoglalása a fenntarthatóság témakörében (folyt.)

Chu et al. 2018 a kulcsfontosságú környezeti mutatók meghatározása

Doukas et al. 2012 vidéki közösségek energia fenntarthatóságának

2017 Brazil szójabab biodízel módszerének

Filzmoser et al 2009 módszertani bemutatás + geokémiai példa

2019 értékelni a 10 legjobban teljesítő ország

2011 a kiválasztott országok makro-fenntarthatósági mutatóinak kidolgozása

131 ország PCA és rangsorolás How - Lam 2018 biomassza-ellátási lánc

fenntarthatósági

teljesítményének értékelése a malajziai Johorban

13 indikátor PCA

Huang et al. 2014 károk osztályozási módszere 10 véletlenszerű bemeneti- és kimeneti adatkészlet

FA, PCA

Jha - Gundimeda 2019 az árvíz által érintett térségek sebezhetőségének felmérése,

Jiang et al. 2018 fenntarthatósági értékelési modellt javasol a vállalati

7. táblázat: Adatredukció alapú tanulmányok összefoglalása a fenntarthatóság témakörében (folyt.)

Szerző(k) neve Év Cél Vizsgálat tárgya Alkalmazott

módszer Jollands et al. 2004 ökohatékonyság összesített

intézkedéseinek kidolgozását

Kumar et al. 2018 kifejleszteni a robusztus sztochasztikus celluláris

Ma - Zabaras 2011 csökkentett sorrendű sztochasztikus bemeneti modellt állítson elő

- KPCA (kernel

főkomponens analízis) Mahdinia et al. 2018 algoritmust javasoljon olyan

keretként, amely figyelembe

Mainali et al. 2015 módszer bevezetése a vidéki villamos energiában

Mamipour et al. 2019 a fenntartható fejlődés kérdését elemzi Iránban a gazdaság, a társadalom és a környezet három ágazatára

7. táblázat: Adatredukció alapú tanulmányok összefoglalása a fenntarthatóság témakörében (folyt.)

Szerző(k) neve Év Cél Vizsgálat tárgya Alkalmazott

módszer Mascarenhas et

al.

2015 azonosítsa a fenntarthatósági mutatók egy sorát a

Mayer 2008 többdimenziós rendszerek közös fenntarthatósági

Nardo et al. 2005 módszertani jellegű tanulmány

19 indikátor PCA és életciklus elemzés

Riccioli et al. 2020 megvizsgálni az SFM (Sustainable Forest Management) mutatóit

6 SFM indikátor PCA, FA

Rodrigues - Franco

2019 a mutatók rendszerezése, amely lehetővé teszi a

Salvati - Carlucci 2014 egy olaszországi térségben komplex eloszlást mutat,

99 indikátor faktor súlyozási modell (FWM – Factor Weighting Model) és PCA

Schlens 2014 módszertani bemutatás - PCA

Stefănescu - On 2012 elemezni a vállalati

tevékenységek mutatóit és a

7. táblázat: Adatredukció alapú tanulmányok összefoglalása a fenntarthatóság témakörében (folyt.)

Szerző(k) neve Év Cél Vizsgálat tárgya Alkalmazott

módszer Tan - Lu 2016 új regionális fenntartható

fejlődési értékelési módszert

Wang et al. 2015 módszertani bemutatás:

kompozíciós adatvektorok főkomponens-elemzése

- PCA

Wold et al. 1987 módszertani bemutatás - PCA

Zandagba et al. 2017 vízminőségi mutató (Water Quality Index – WQI)

Zarrabi - Fallahi 2014 fenntarthatósági ráta

vizsgálata Teherán tartomány,

Irak

Zhang et al. 2015 az energiapiaci integráció (EMI) és evolúciójának

Salvati és Carlucci (2014) PCA-módszert alkalmazott esettanulmányként a 99 mutató közti kapcsolat meghatározására és egyben meghatározták azok hozzájárulását a fenntarthatósági indexbe, amelyet a faktor-súlyozási modell alkalmazásával nyernek. Vizsgálatuk tárgyát egy olaszországi térség képezte, melyben megfigyelték a versenyképes és hátrányos helyzetű régiók klasszikus társadalmi és gazdasági különbségeit. Reisi et al. (2014) fenntarthatósági indexet hozott létre a Melbourne-i közlekedéshez kapcsolódóan a PCA megközelítését alkalmazva kilenc társadalmi, környezeti és gazdasági mutató kombinálására. Bolcarová és Kološta (2015) a PCA megközelítés alkalmazásával létrehozta a fenntartható fejlődés

aggregált mutatóját az Európai Unió 27 tagállamára vonatkozóan az SDIs indikátorokból.

Mascarenhas et al. (2015) a PCA segítségével csökkentette az Algrave térség (Portugália) regionális tervében szereplő fenntarthatósági eredmények kiszámításához szükséges mutatók számát, amelyek a stratégia nyomon követésére használtak. Cîrstea et al. (2018) egy olyan indexet hozott létre, mely a megújuló energia fenntarthatóságát képviseli.

Módszertanát tekintve faktoranalízissel és PCA-val alakították a négy dimenzióhoz tartozó 23 indikátort.

Összegző megállapításaim

A disszertációban és általánosságban a fenntartható fejlődésben azért használjuk a FA-t, PCA-FA-t, hogy meghatározzuk azokat a mutatókaFA-t, amelyek a fenntarthatóság szempontjából a legjelentősebbek. A PCA-t a fenntarthatóság különböző ágazataiban és dimenzióiban használták és használják is jelenleg: energiarendszerek, vízkészletek, feldolgozóipar (Mainali et al., 2015). A fenntartható fejlődés környezeti dimenziójának elemzéséhez szintén hasznos statisztikai módszer a PCA, Riccioli et al. (2020) tanulmánya megerősíti ezt a tényt, ugyanis tanulmányukban a fenntartható erdészet mutatóit vizsgálták. Figyelembe véve az erősségeket, úgy tűnik, hogy a PCA használata jó talajként szolgálhat az ökohatékonyság elemzéséhez szükséges intézkedések kidolgozásához. Számos kutató a PCA-t kompozit fenntarthatósági indikátorok létrehozására használta, annak érdekében, hogy a leegyszerűsített adatkészlet segítéségével egyszerűbben lehessen vizsgálni és következtetéseket levonni egy-egy témakörrel kapcsolatosan. Tripathi és Singal (2019) szintén a környezeti mutatók paramétereinek csökkentéséhez használták a PCA-t, mivel a módszer egyik előnye, hogy kevés információt veszít a működés során.

Az elemzések és a táblázat segítségével bemutatásra kerülő tanulmányok alapján megállapítható, hogy számtalan területet fednek le, például: a brazil szójabab biodízelként történő hasznosítása, a vállalati tevékenységek indikátorait a válság előtti és válság utáni vagy akár az ökohatékonyság összesített intézkedéseinek kidolgozását célozza a politikai döntéshozók. Összefoglalva elmondható, hogy a FA és a PCA adatredukciós módszereket akkor lehet alkalmazni, ha a változók szorosan korrelálnak.

Ezek csökkentik a megfigyelt változók számát kisebb számú faktorokká, főkomponensekké, amelyek a változók varianciájának legnagyobb részét teszik ki a nagy mintavételi eljárás keretén belül. A bemutatott szerzők munkássága, szakmaisága jelentős mértékben hozzájárul a disszertáció hipotéziseinek bizonyításához.

69 3.2. Kompozit indikátorok

A „nagyközönség” számára gyakran egyszerűbbnek tűnik egyetlen indikátor értelmezése, mint különféle mutatók közös tendenciáinak azonosítása, melyek hasznosak több ország teljesítményének egyidejű összehasonlításában (Li et al., 2012). A fenntartható fejlődés fogalmának számtalan tudományos és tudományterületen kívüli értelmezési módja igencsak megnehezíti az indikátorok értékelési munkáját. A fenntartható fejlődés értelmezésének sokszínűsége mellett az is nehézséget jelent, hogy a fenntarthatósági folyamatok időben és térben másképpen alakulnak. A bonyolultság megragadása érdekében a fenntarthatósági értékelések gyakran több mutató integrálását igénylik egy összetett index megalkotásához (Cîrstea et al., 2018). A kompozit indikátorokat egyre több nemzeti és nemzetközi szervezet használja fel teljesítménymegfigyelés, politikai elemzés és nyilvános kommunikáció céljából (Zhou et al., 2007).

A kompozit mutatók számos területen és tudományágban megjelennek, mint egyfajta vonzó rendszer, amely sokféle információ szintetizálására képesek egyedi módon. Kompozit indikátornak nevezzük azt az összetett mutatót, amely egy jelenség különféle aspektusait egyesíti egy fogalom alapján összetetten, egyetlen számban, egy közös mértékegységgel (Cîrstea et al., 2018). Zhou et al. (2007) megfogalmazásában az egyedi mutatók halmazának matematikai összesítése, amelyek többdimenziós fogalmakat mérnek, de általában

In document A fenntartható fejlődés empirikus vizsgálata az Európai Unióban (Pldal 73-105)