58 3.1.3 Opis instrumenta
Raziskavo smo izvedli z namenom primerjave vpliva managementa tveganj (planiranja, organiziranja, vodenja in kontroliranja) na pogostost soočanja s škodnimi dogodki. Za zbiranje podatkov in informacij smo oblikovali anketni vprašalnik, na katerem smo zasnovali kvantitativno raziskavo.
Vprašalnik je vključeval štiri skupine vprašanj:
1. osnovne demografske podatke o organizaciji (število zaposlenih, čisti prihodki od prodaje, vrednost osnovnega kapitala aktive ipd.);
2. informacije o implementiranih modelih managementa kakovosti (ISO 9000, ISO 14000, ISO 18000 ipd.), poznavanje modelov kakovosti managementa in mnenje predstavnikov organizacije o učinkovitosti teh modelov v njihovi organizaciji;
3. podatke o obvladovanju tveganj v organizacijah (planiranje, organiziranje, vodenje in kontroliranje) in
4. podatke o nastalih škodnih dogodkih in področju zavarovanj v organizacijah.
Podatke smo statistično analizirali s pomočjo aplikacije SPSS in opravili analizo povezanosti spremenljivk (Pearsonov korelacijski koeficient), faktorsko in regresijsko analizo. Ugotavljali smo, ali management tveganj (planiranje, organiziranje, vodenje in kontroliranje) v elektrogospodarskih organizacijah vpliva na pogostost soočanja s škodnimi dogodki. S faktorsko analizo smo proučevali povezave v množici opazovanih dejavnikov politike kakovosti elektrogospodarskih organizacij ter vrst tveganj, in sicer tako, da smo poskušali ugotoviti novo množico spremenljivk, ki predstavljajo, kaj je skupnega opazovanim spremenljivkam. Z regresijsko analizo smo proučevali, kateri dejavniki managementa tveganj vplivajo na pogostost soočanja s škodnimi dogodki v teh organizacijah. Kjer je bilo smiselno, smo s T-testom preverili razlike glede na vlogo, ki jo ima anketiranec v organizaciji. Rezultati primerjave so prikazani le pri tistih vsebinskih sklopih, kjer so se pokazale statistično značilne razlike.
Pearsonov koeficient korelacije je številska mera, ki predstavlja velikost linearne povezanosti spremenljivk X in Y, merjenih na istem predmetu preučevanja. Vrednost Pearsonovega koeficienta korelacije se lahko nahaja med vrednostma –1 in 1. Tako vrednost –1 predstavlja popolno negativno povezanost spremenljivk, obratno vrednost 1 pomeni popolno pozitivno povezanost. Pearsonov koeficient 0 označuje ničelni vpliv ene spremenljivke na drugo (Pirnat 2011, 7–8).
Cronbachov koeficient α je mera zanesljivosti spremenljivke. Zanesljivost merjenja sestavljene spremenljivke iz izmerjenih spremenljivk, ki ima koeficient α večji od 0,80, se šteje za zgledno, med 0,70 in 0,80 za zelo dobro, med 0,60 in 0,70 za zmerno ter s
59
koeficientom, ki je nižji od 0,60, za komaj sprejemljivo (Ferligoj, Leskošek in Kogovšek 1995, 157).
Faktorsko analizo lahko uporabimo kot merski postopek, s katerim merimo latentne, neposredno nemerljive spremenljivke. Cilj faktorske analize je poiskati faktorje, ki predstavljajo skupne lastnosti izmerjenim spremenljivkam. Vsak faktor predstavlja skupino izmerjenih spremenljivk, ki medsebojno in z njim visoko korelirajo. Faktor predstavlja skupno razsežnost teh spremenljivk (Ferligoj, Leskošek in Kogovšek 1995, 47).
Smiselnost uporabe faktorske analize preizkušamo z Bartlettovim testom sferičnosti. Z njim preizkušamo ničelno domnevo, da je osnovna korelacijska matrika enaka matriki enote, kar pomeni, da ni odvisnosti med opazovanimi spremenljivkami. Visoka vrednost te statistike govori v prid uporabe faktorske analize. Poleg Bartlettovega testa sferičnosti se uporablja še Kaiser-Meyer-Olkinova statistika (KMO), ki temelji na primerjavi velikosti korelacijskih in parcialnih korelacijskih koeficientov. Uporaba faktorske analize je smiselna pri visoki vrednosti te statistike, to je pri vrednosti, ki je večja od 0,5 (Bastič 2006, 44).
Metoda glavnih komponent (principal component analysis, PCA) je statistična tehnika, ki analizira medsebojno soodvisnost spremenljivk z namenom, da se število spremenljivk zmanjša. Pri tem osnovni nabor spremenljivk preslikamo v množico spremenljivk, ki jih imenujemo glavne komponente. Glavne komponente se izražajo kot linearna kombinacija osnovnih spremenljivk in ohranjajo njihovo skupno variabilnost (vpliv). Metoda je uspešna kadar prvih nekaj glavnih komponent pojasni velik del celotne variance osnovnih spremenljivk (nad 60 %), ostale pa precej manj.
Faktorska analiza prikaže samo tisti del variance, ki je skupen vsem spremenljivkam, metoda PCA pa poleg skupne variance prikaže še specifično, oziroma tisto, ki je značilna za vsako posamezno spremenljivko. Faktorska analiza ustvari latentne in pravzaprav neobstoječe
»faktorje«, katerih temeljna naloga je razkritje strukture spremenljivk, metoda PCA pa ustvari nove spremenljivke – »glavne komponente«, v katerih je prispevek posamezne spremenljivke glede na ostale, enak njeni pomembnosti. Zaradi navedenega smo se v naših analizah odločili za izvedbo metode principal component analysis (PCA).
Če se redukcija izkaže za uspešno analizo, nadaljujemo na glavni komponenti, kar je še posebej koristno pri metodi multiple regresije. Največjo pozornost je potrebno nameniti izbiri matrike. V primeru da so podatki centrirani oziroma na isti merski lestvici, lahko uporabimo obe, le da bo kovariančna matrika poudarila pomen tistih spremenljivk, ki imajo večji pomen od ostalih. Glavne komponente so torej linearne kombinacije spremenljivk z največjo variabilnostjo. Kot takšne so bistveno boljše od »navadnega povprečja« spremenljivk.
60
Iz glavnih komponent ustvarimo novo spremenljivko kot »uteženo povprečje« po formuli:
( )
Komunaliteta je delež variabilnosti posamezne spremenljivke vključene v faktorski model, ki jo lahko pojasnimo z vplivom posamičnih dejavnikov. Splošno pravilo pravi, da je meja 0,5 (50%). variance. Faktorskih uteži, manjših od 0,500 po absolutni vrednosti ne interpretiramo kot pomembne za faktor.
Regresijska analiza je vrsta statistične analize, ki jo uporabljamo za napovedovanje.
Regresijska analiza oceni razmerje med spremenljivkami, iz tega pa sledi, da je mogoče napovedati vrednost ene spremenljivke pri določenih vrednostih drugih spremenljivk (Microsoft Office 2010 SP1 2010, 1). Z regresijsko analizo torej ugotavljamo medsebojno odvisnost med dvema ali več skupinami spremenljivk, omogoča pa tudi ugotavljanje vzročnosti. Enostavna regresija vključuje eno odvisno in eno neodvisno spremenljivko.
Multipla regresijska analiza je vrsta statistične analize, ko na vrednost ene odvisne spremenljivke vpliva več dejavnikov, oziroma spremenljivk. Če med opazovanimi spremenljivkami obstaja odvisnost, je mogoče napisati regresijsko enačbo. Zanesljivost izračunane regresijske enačbe ugotavljamo z F testom (tabela ANOVA), zanesljivost njenih (parcialnih) regresijskih koeficientov pa s t testom. Vrednosti značilnosti testov morajo biti pod 0,05. Prvi kazalnik uspešnosti metode je determinacijski koeficient. Statistično predstavlja delež variance v odvisni spremenljivki, ki je pojasnjena z variabilnostjo v neodvisnih spremenljivkah. Pove nam koliko odstotkov vpliva na odvisno spremenljivko (posledico) je pojasnjeno z neodvisnimi spremenljivkami (vzroki). Če je determinacijski koeficient dovolj visok, lahko v enačbi smiselno interpretiramo parcialne regresijske koeficiente. Pomenijo moč vpliva posamezne neodvisne spremenljivke na odvisno. Vrednost pod 0,1 predstavlja šibek vpliv, nad vrednostjo 0,3 pa močen. Osnovne predpostavke, na katerih temelji regresijska analiza so:
61
− neodvisne spremenljivke ne smejo biti med seboj premočno korelirane. To preverimo z variance inflation factor (VIF) in če je njegova vrednost nad 10, obstaja med neodvisnimi spremenljivkami premočna koreliranost,
− homoskedastičnost, ki pomeni, da mora biti varianca rezidualov konstantna za vse vrednosti odvisne spremenljivke,
− reziduali (ostanki) morajo biti nekorelirani.
V primeru večjega števila neodvisnih spremenljivk, uporabimo naprednejše metode vključevanja spremenljivk (npr. enter, stepwise, backward).
3.2 Analiza in interpretacija raziskave
3.2.1 Opis analize izidov raziskave – osnovna analiza
V nadaljevanju bomo predstavili rezultate testiranja kakovosti vzorca ter izide raziskave po posameznih vsebinskih sklopih anketnega vprašalnika.
Testiranje kakovosti vzorca
S Cronbachovim alfa koeficientom smo testirali konsistentnost vprašalnika za vsako od proučevanih dimenzij obvladovanja tveganj (planiranje, organiziranje, vodenje in kontroliranje).