68 Ove dvije skupine podataka posebno ističemo jer su dosadašnja istraživanja pokazala da su upravo ovi podaci među najvažnijima za kompleksne prostorne tipologije: bez preciznih i potpunih podataka o tome kako ljudi osiguravaju svoju egzistenciju i koliko se razlikuju naselje stanovanja i naselje rada, slika prostora nažalost ostaje nedovoljno cjelovita. Navedeno ograničenje nastojalo se umanjiti korištenjem podataka iz Upisnika poljoprivrednika, no ostali sektori i dnevne migracije nisu se uspjeli nadomjestiti. Drugo važno ograničenje jest već spomenuti visoki udio manjih naselja što može imati utjecaja u statističkim analizama koje su ovisne o veličini (broju stanovnika). Ilustrativan primjer je naselje Mala Dapčevica koja je 2021. imala pet stanovnika i izrazito visoki koeficijent mladosti (40,0) jer je tu popisom zabilježeno dvoje djece mlađe od 15 godina. Dakle, jedno rođenje može znatno utjecati na pokazatelje koji se kasnije uspoređuju s većim naseljima gdje efekt malih brojeva ne postoji. Na ovo se ograničenje nastojalo odgovoriti odabirom onih varijabli koje su manje osjetljive na ove anomalije. 4.3. Analiza općih pokazatelja trendova u demografskim procesima, poljoprivredi i funkcionalnoj strukturi Kako bi se izrada tipologije mogla čim kvalitetnije izvesti, analiziran je skup različitih pokazatelja dostupnih na razini naselja. Pokazatelji su raspoređeni u tri kategorije – stanovništvo, poljoprivreda te opremljenost uslugama, stupanj centraliteta i dostupnost. Iako u različitim statističkim izvorima postoji znatno širi izbor podataka od navedene tri kategorije, vrlo je malo ostalih podataka dostupno na razini naselja, što otežava njihovu analizu i tumačenje na nižoj prostornoj razini od jedinice lokalne samouprave. Detaljna analiza ovih pokazatelja vidljiva je u cijeloj studiji priloženoj na kraju stručno analitičke podloge. 4.4. Klaster analiza naselja Grada Grubišnog Polja i općina Veliki Grđevac, Velika Pisanica i Šandrovac Klaster analiza predstavlja jednu od ključnih multivarijatnih statističkih metoda koja se koristi za grupiranje objekata u homogene skupine na temelju njihovih međusobnih sličnosti ili razlika. Cilj je otkriti strukturu podataka koja nije unaprijed poznata, odnosno klasificirati elemente tako da objekti unutar istog klastera budu što sličniji jedni drugima, a što različitiji od objekata u drugim klasterima. Jedna od najčešće korištenih metoda hijerarhijske klaster analize, primijenjena i u ovoj studiji, jest Wardova metoda. Wardova metoda spaja klastere na način da se u svakom koraku postiže najmanji mogući porast ukupne unutargrupne varijance. Time se dobivaju klasteri koji su kompaktni i homogeni, što ovu metodu čini izrazito prikladnom kada se želi postići visoka unutarnja kohezija skupina. Proces Wardove metode započinje tako da se svaki objekt (u ovoj studiji naselje) u početku promatra kao zaseban klaster. Zatim se u svakoj iteraciji traže dva klastera čijim bi spajanjem nastao najmanji porast kvadratne pogreške unutar klastera. Taj kriterij minimizacije razlike u varijanci ključna je karakteristika Wardove metode. Spajanje se nastavlja sve dok se svi objekti ne spoje u jedan klaster, a rezultat je hijerarhijsko stablo, odnosno dendrogram, koje vizualno prikazuje proces grupiranja. Prednost Wardove metode u odnosu na neke druge hijerarhijske pristupe (poput metode najbližeg susjeda ili metode najudaljenijeg susjeda) jest u tome što generira klastere približno iste veličine i oblika. To omogućuje jasniju interpretaciju rezultata, posebno kada se želi izbjeći formiranje vrlo velikih i heterogenih klastera ili vrlo malih i izoliranih skupina. Međutim, jedan od nedostataka jest da Wardova metoda može biti osjetljiva na odstupajuće vrijednosti (outliere), koji značajno mogu
RkJQdWJsaXNoZXIy Mjc2NzM=