Dokumentacija

Metodologija

Definicije, pretpostavke, ograničenja i model ušteda

Model ušteda Detekcija anomalija EOY prognoza RL zrelost Backtesting

Napomena:Sve projekcije su informativne naravi i ne predstavljaju jamstvo rezultata. Stvarni ishodi ovise o kvaliteti i dostupnosti podataka, operativnoj implementaciji i organizacijskim kapacitetima.

Transparentnost

Principi citiranja i verifikacije

Temeljna politika: Svaka numerička tvrdnja na ovoj platformi mora imati izvor.

Pravila citiranja

a
Samo usvojeni proračuni — ne procjene ni projekcije medija
b
Svaka brojka ima source badge koji vodi na /sources
c
Ako izvor nije dostupan, prikazuje se "Podatak u pripremi"

Proces verifikacije

Javni dokument

Identifikacija originalnog javnog dokumenta

Ekstrakcija

Izvlačenje konkretne numeričke vrijednosti

Unakrsna provjera

Usporedba s sekundarnim izvorom

Objava s citatom

Publiciranje s vidljivim source badge-om

DokumentBrojProvjeraObjava

Izvori podataka

Pregled izvora podataka

Svi podaci uneseni na platformu moraju biti tražljivi do jednog od registriranih izvora u donjoj tablici.

Izvor	Format	Dostupnost	Frekvencija	Status
pgz.hr/djelatnost/proracun/	`HTML/PDF`	Javno	Godišnje	Aktivan
CKAN data.rijeka.hr	`JSON/CSV API`	Javno	Godišnje	Aktivan
OpenCity proracun.pgz.hr	`CSV/JSON`	Javno	Godišnje	Aktivan
MFin.hr konsolidirani	`XLSX`	Javno	Godišnje	Djelomično
RINA riznica (interno izvršenje)	`SQL/CSV`	Interno	Dnevno	Zahtijeva NDA
Komunalni operativni podaci	`CSV/GPS`	Interno	Dnevno	Demo (mock)

Ekonomika

Model ušteda

PROJEKCIJA

Transparentna specifikacija pretpostavki, formula i scenarija za procjenu potencijalnih ušteda implementacijom platforme u 2026. proračunskoj godini.

5a. Definicije

Optimizabilni dio proračuna

Rashodi koji su podložni optimizaciji: energija, nabava, održavanje, upravljanje flotom, procesna efikasnost, gubici u distribuciji.

Ne uključuje: plaće i naknade (visoko regulirani), kamate na dug, zakonski obvezatne transfere.

Stopa optimizacije

Procijenjeni postotak smanjenja troška unutar optimizabilnog dijela, temeljem implementiranih mjera: automatizacije, detekcije anomalija, prediktivnog održavanja i upravljanja resursima podacima.

5b. Pretpostavke

Optimizabilni udio

10% – 25% ukupnog proračuna

Pretpostavka; bez interne granularne analize nije moguće precizno odrediti.

Stopa optimizacije

1,0% (konzervativno) – 5,0% (napredno)

Raspon kalibriran na usporedivim javno-sektorskim implementacijama.

Baza za 2026

406,9 mil. € (usvojen proračun)SKUPSTIN

Nije uključeno

Promjena zakonodavnog okvira, inflacijski efekti, promjena opsega usluga

5c. Formula

Ušteda = Proračun × Optimizabilni_udio × Stopa_optimizacije

Konzervativni: 406,9M € × 10% × 1,0% = 406.900 €  ≈  ~407 tis. €
Bazni:         406,9M € × 17,5% × 2,5% = 1.780.188 €  ≈  ~1,78 mil. €
Napredni:      406,9M € × 25% × 5,0% = 5.086.250 €  ≈  ~5,09 mil. €

Vrijednosti iz FACTS registra. METHODOL

5d. Scenariji

Scenarij	Optim. udio	Stopa opt.	Proj. ušteda/god.	Napomena	Izvor
Konzervativni	10%	1,0%	~407 tis. €	Minimalni efekti boljih praksi	[?]
Baznibazni	17,5%	2,5%	~1,78 mil. €	Kombinirani efekti IT + procesa	[?]
Napredni	25%	5,0%	~5,09 mil. €	Puni ML + IoT implementacija	[?]

5e. Ograničenja modela

1
Model ne uzima u obzir troškove implementacije platforme
2
Optimizabilni udio je pretpostavka — stvarni iznos ovisi o granularnoj analizi proračunskih stavki
3
Pretpostavlja se ceteris paribus — bez promjene opsega usluga
4
Uštede se ostvaruju postupno (12–36 mj.) — ne odmah nakon implementacije
5
Korelacijski efekti: neke optimizacije u jednom području mogu povećati troškove u drugom
6
Mjerenje ušteda zahtijeva baseline — referentno izvršenje bez optimizacije

Statistički model

Metodologija detekcije anomalija

Statistički pristup temeljen na Z-score metodi za identifikaciju odstupanja u proračunskom izvršenju u realnom vremenu.

Algoritam

Z-score (standardizirana vrijednost)

Formula

z = (x − μ) / σ

gdje:
  μ  = rolling mean (zadnjih 12 mj.)
  σ  = rolling std. devijacija

Pragovi upozorenja

|z| ≥ 2,0Visoka anomalija

|z| ≥ 3,0Kritična anomalija

Minimalni podaci

Potrebno je minimalno 6 mjernih točaka (mjeseci) za statistički valjan izračun Z-score vrijednosti.

Sezonalno usklađivanje

Uspoređuje se isti mjesec prethodne godine (siječanj vs. siječanj) — ne uzastopni mjeseci — kako bi se eliminirali sezonalni efekti.

Smanjenje lažno pozitivnih

Whitelist poznatih outliera i human-in-the-loop potvrda kritičnih anomalija prije eskalacije na menadžment.

Prognoziranje

Metodologija EOY prognoze

Dvofazni model prognoze godišnjeg izvršenja proračuna (End of Year forecast) s postupnim povećanjem sofisticiranosti.

Faza 1 — Pilot

Linearna ekstrapolacija

Formula

EOY = YTD + (YTD / elapsed_months)
          × remaining_months

Interval pouzdanosti±8% (empirijski, kalibriran na podacima JLS)

Uvjet valjanosti≥ 3 mjeseca stvarnog izvršenja

Ograničenja

•Ne hvata sezonalne uzorke
•Značajni kapitalni rashodi u Q4 mogu narušiti procjenu

Faza 2 — Skaliranje

Prophet (Meta/Facebook)

Open-source model vremenskih serija razvijen od strane Meta. Dizajniran za poslovne prognoze s jakim sezonalnim obrascima.

SezonalnostTjedna, mjesečna, godišnja — automatska detekcija

OutlieriRobusno rukovanje outlierima i nedostajućim podacima

Minimalni podaciMinimalno 2 godine mjesečnih podataka izvršenja

Zrelost podataka

RL model zrelosti podataka

Reinforcement Learning agenti preporučuju se tek kad organizacija dostigne razinu zrelosti podataka 3 ili višu.

Pravilo: RL je preporučljiv tek na razini 3+. Pokušaj implementacije na nižim razinama gotovo uvijek rezultira neiskoristivim modelima zbog nedostatka kvalitetnih podataka.

Razina	Opis	Primjer	RL?
0 — Kaotično	Bez strukturiranih podataka	`Ručni Excel`	Ne
1 — Definirano	Konzistentni podaci, batch reporting	`CSV ingest`	Ne
2 — Upravljano	DW, automatski ingest, BI	`Pilot faza`	Ne
3 — Optimizirano	ML anomaly + forecast funkcioniraju	`Skaliranje`	Da
4 — Inovativno	RL agenti, real-time, IoT	`Phase 3+`	Da

Validacija modela

Proces backtestinga

Standardizirani šesterostupanjski proces evaluacije modela na povijesnim podacima prije deployementa u produkciju.

01
Odabir evaluacijskog perioda
Definiranje vremenskog okvira za evaluaciju (npr. 2022–2023). Period mora biti dovoljan za statički značajne zaključke.
02
Treniranje isključivo na prethodnim podacima
Model se trenira isključivo na podacima koji prethode evaluacijskom periodu — bez ikakve informacije iz testnog skupa.
03
Pokretanje na 'unseen' evaluacijskom periodu
Model generira predikcije za evaluacijski period bez pristupa stvarnim ishodima tog perioda.
04
Usporedba predikcija s poznatim ishodima
Sistemska usporedba modelnih predikcija s poznatim, verificiranim ishodima evaluacijskog perioda.
05
Mjerenje metrika kvalitete
RMSEMAEprecision@thresholdrecall@threshold
06
Deployment ili re-kalibracija
Ako metrike zadovoljavaju unaprijed definirane pragove → deployment; u protivnom → re-kalibracija i ponovni backtesting.

Napomena: Backtesting ne garantira buduće performanse. Distribucija podataka može se promijeniti (concept drift). Modeli zahtijevaju periodičnu re-evaluaciju i rekalibraciju pri promjeni strukturnih karakteristika podataka.

Ekonomska i financijska metodologija

Međunarodni referentni okviri i standardi

Platforma primjenjuje metodološke okvire i analitičke pristupe iz prakse vodećih međunarodnih savjetodavnih kuća i međuvladinih organizacija.

PwC — Public Sector Finance

Value for Money (VfM) Framework

Trojstvo ekonomičnosti, učinkovitosti i efektivnosti (3E) primijenjeno na analizu proračunskih rashoda. PwC metodologija identificira ključne pokretače troškova i benchmarkira ih prema usporedivim institucijama.

Primjena: Platforma implementira VfM scoring za sve proračunske stavke, uspoređujući troškove s prosjekom usporedivog skupa JLS.

Deloitte — Government & Public Services

Zero-Based Budgeting (ZBB) Analytics

Metodologija preispitivanja svake proračunske stavke od nule ('justify every euro') umjesto inkrementalnog planiranja. Deloitteov pristup identificira rashode bez jasne veze s ishodom.

Primjena: AI model kategorizira rashode po justifikabilnosti i generira preporuke za ZBB reviziju s prioritetima.

EY — Government Finance

Integrated Reporting & Performance Dashboard

EY-ev okvir za integriranom izvještavanjem financijskih i nefinancijskih pokazatelja prema IPSAS standardima (International Public Sector Accounting Standards).

Primjena: Dashboard integrira financijske KPI-e s operativnim pokazateljima za cjeloviti prikaz učinkovitosti institucije.

KPMG — Public Financial Management

PEFA Framework (Public Expenditure & Financial Accountability)

Međunarodni standard Svjetske banke i KPMG-a za ocjenu kvalitete upravljanja javnim financijama kroz 31 pokazatelj u 7 stupova (budget reliability, transparency, asset management...).

Primjena: Platforma generira PEFA-inspiriranu godišnju ocjenu za svaku integriranu instituciju.

IMF — Fiscal Affairs Department

Fiscal Transparency Code & Fiscal Monitor

MMF-ov trokutni okvir fiskalne transparentnosti: izvještavanje, prognoza i upravljanje fiskalnim rizicima. Primjenjiv na sve razine vlasti.

Primjena: Transparency score za svaku instituciju temelji se na IMF-ovim Transparency Code kriterijima (2019 edition).

Svjetska banka — BOOST Programme

Budget Transparency & Open Data

BOOST je Svjetska bankina inicijativa za otvaranje proračunskih podataka. Metodologija standardizira klasifikaciju prema GFS (Government Finance Statistics) sustavu UN-a.

Primjena: Ingestion pipeline automatski mapira preuzete proračunske podatke na GFS kategorije za usporedivost.

OECD — Budgeting & Public Expenditure

Performance Budgeting & Medium-Term Frameworks

OECD Best Practice Principles for Performance Budgeting (2019) — veza između rashoda i mjerljivih ishoda. Primjenjivo kroz programme budgeting pristup.

Primjena: Platforma podržava mapiranje rashoda na ciljeve i praćenje ostvarenja po programskim ciljevima.

Ministarstvo financija RH

Okvirni zakon o proračunu (NN 144/2021) i Pravilnik o proračunskim klasifikacijama

Domaći normativni okvir koji definira strukturu, klasifikacije i rokove za planiranje i izvještavanje proračuna JLS. Sve analize uskuđene s važećim propisima RH.

Primjena: Svi importi i klasifikacije prate domaće klasifikacijske kodove (ekonomska, funkcionalna, programska, organizacijska, lokacijska klasifikacija).

Napredne analitičke metode u javnim financijama

Monte Carlo simulacija proračunskog rizika

Kvantifikacija neizvjesnosti u proračunskim projekcijama kroz 10.000+ simuliranih scenarija. Rezultat je distribucija vjerojatnih ishoda (fan chart) umjesto jedne točkaste prognoze. Primijenjeno na forecasting prihoda od poreza i rashoda za komunalne usluge.

VAR modeli (Vector Autoregression) za makroekonomske korelacije

Analiza međuovisnosti između makroekonomskih varijabli (BDP, inflacija, kamatne stope) i proračunskih prihoda JLS. Identificira koliko su lokalni proračuni izloženi makroekonomskim šokovima.

Difference-in-Differences (DiD) procjena učinka politika

Kvazieksperimentalna metoda za mjerenje kauzalnog učinka javnih politika (npr. smanjenje stope komunalnog doprinosa) na proračunske ishode. Standard u evaluaciji javnih politika prema OECD smjernicama.

Benchmarking prema peer skupini (Propensity Score Matching)

Usporedba troškova institucije s usporedivim institucijama iste veličine, tipa i ekonomskog konteksta. Koristi PSM metodu za odabir referentne grupe, eliminira biase usporedbe.

Analiza javne nabave — Algoritamska detekcija koluzije

Primjena network analysis i clustering algoritama na podatke o javnoj nabavi za identifikaciju neuobičajenih obrazaca (uvijek isti dobavljač pobjeđuje, minimalne cjenovne razlike, krojeni tehničke specifikacije). Bazirana na EU OLAF smjernicama za detekciju prijevara u javnoj nabavi.

ARIMA-X / Prophet hibridni modeli s egzogenim varijablama

Proširenje standardnih vremenskih serija vanjskim varijablama: indeks cijena energenata, broj turista, kretanje populacije. Značajno poboljšava točnost prognoza rashoda za sezonski osjetljive institucije (turizam, zdravstvo).

Napomena o primjeni: Navedeni metodološki okviri primjenjuju se u mjeri u kojoj to dopuštaju dostupni javni podaci. Operativna implementacija naprednih metoda zahtijeva pristup internim rizničnim podacima, koji se osiguravaju u okviru pilot angažmana ili produkcijske implementacije.

Pitanja o metodologiji?

Obratite nam se za detaljan tehnički pregled ili prilagodbu modela vašem kontekstu.

Svi izvori Kontakt