analiza regionalne efikasnosti u hrvatskoj …

D. RABAR, A. GRBIN: Analiza regionalne efi kasnosti u Hrvatskoj korištenjem fi skalnih pokazatelja ...

EKONOMSKI PREGLED, 70 (4) 627649 (2019) 627

Danijela Rabar * JEL ClassiÞ cation C44, C67, E62, R58Andrej Grbin ** Prethodno priop enje https://doi.org/10.32910/ep.70.4.3

ANALIZA REGIONALNE EFIKASNOSTI U HRVATSKOJ KORIŠTENJEM FISKALNIH POKAZATELJA –

NEPARAMETARSKI PRISTUP

Neravnomjeran gospodarski rast hrvatskih županija ukazuje na potre-

bu analize njihove usporedne (relativne) eÞ kasnosti. Pritom bi, izme u osta-

loga, istraživanje bilo zanimljivo usmjeriti na pokazatelje pod dominantnim

utjecajem Þ skalne politike. Upravo je to tema ovoga rada, a istraživanjem je

obuhva eno razdoblje od 2002. do 2015. godine i uklju eno šest pokazatelja

u ve em ili manjem opsegu povezanih s mjerama Þ skalne politike. Dinami ka

je analiza provedena empirijski, korištenjem neparametarske metode analize

ome ivanja podataka (AOMP), i to na županijskoj razini na kojoj su dane i

smjernice za potrebna poboljšanja, što predstavlja novinu u odnosu na do-

sadašnje radove. Dobiveni rezultati eÞ kasnosti 21 županije potvrdili su po-

stavljene hipoteze o zna ajnim me užupanijskim nejednakostima i vode oj

poziciji Grada Zagreba u svjetlu odabranih pokazatelja, ukazuju i ujedno

na generatore neeÞ kasnosti, me u kojima je najizraženiji broj zaposlenih u

jedinicama lokalnih i podru nih samouprava. Rezultati bi trebali poslužiti

kreatorima ekonomske politike u nastojanjima unapre enja Þ skalnih odluka

s ciljem smanjenja regionalnih razlika.

Klju ne rije i: Þ skalni pokazatelji, gospodarski rast, (ne)eÞ kasnost, hr-

vatske županije, analiza ome ivanja podataka, analiza prozora

* D. Rabar, docentica, Sveu ilište Jurja Dobrile u Puli, Fakultet ekonomije i turizma (e-mail: [email protected])

** A. Grbin, student Sveu ilište Jurja Dobrile u Puli, Fakultet ekonomije i turizma (e-mail: [email protected])

Rad je primljen u uredništvo 09.07.2018. godine, a prihva en je za objavu 15.11.2018. godine.


EKONOMSKI PREGLED, 70 (4) 627649 (2019)628

1. Uvod

Prisutnost zna ajnih odstupanja me u regijama iste države, kao odraz njihova neujedna enog gospodarskog razvoja, op e je prihva ena injenica. To igra važnu ulogu u poticanju unutarnjih migracija iz manje razvijenih regija u razvijenije, što dovodi do daljnjeg produbljivanja spomenutih nejednakosti. Stoga vlade mnogih država pokušavaju uspostaviti politike u smjeru smanjenja regionalnih gospodar-skih dispariteta. U tome nije iznimka ni Hrvatska, za koju se štoviše pokazalo da je recesija, koja je zapo ela 2008. godine, imala zna ajan negativni utjecaj na disper-ziju indeksa razvijenosti, regionalnog BDP-a po stanovniku i regionalne produk-tivnosti (mjerene kao BDP po zaposleniku), odnosno da je zahvaljuju i krizi došlo do daljnjeg pove anja ionako visoke razine regionalnih razlika ( oki , Fröhlich i Raši Bakari , 2015). Budu i da je poticanje razvoja slabije razvijenih regija, koje vodi k ujedna enijem regionalnom razvoju, tradicionalno jedan od ciljeva Þ skalne politike, potrebno je što cjelovitije sagledati utjecaj Þ skalnih pokazatelja na trend me užupanijskih nejednakosti kako bi se u cilju njihova smanjenja korigirale do-nesene mjere Þ skalne politike. Name e se zaklju ak o iznimnoj važnosti na ina mjerenja stupnja regionalnog razvoja, koji uklju uje odabir relevantnih pokazatelja i primjerene metodologije, kao temelja za odre ivanje društveno-ekonomskih po-litika zemlje.

Bruto doma i proizvod po stanovniku (BDP per capita) tradicionalno se sma-tra najboljom mjerom gospodarske aktivnosti, kako na nacionalnoj tako i na regi-onalnoj razini. Na osnovi toga pokazatelja mogu se utvrditi prostorni nerazmjeri životnog standarda i razlike u razvojnim mogu nostima pojedinih regija. U dina-mi kim se analizama op enito preporu uje korištenje realnih vrijednosti BDP-a, kako bi se isklju io utjecaj inß acije na njegove promjene i tako došlo do što realnije ocjene gospodarskog rasta i razvoja. No, dosadašnja su teorijska i empirijska istra-živanja i rasprave velikog broja ekonomista pokazali kako, za stvaranje potpunije slike o stvarnom stupnju razvijenosti regija, nije dovoljno promatrati samo bruto doma i proizvod, ve ga je nužno staviti u odnos s nizom drugih pokazatelja.1 Ho e li se u analizi uz BDP koristiti gospodarski, društveni i/ili demografski po-kazatelji, ovisit e mahom o predmetu samog istraživanja. Što se ti e regionalnih nejednakosti, poznato je da na njih, izme u ostalih brojnih imbenika, posredno ili neposredno utje u i mjere Þ skalne politike koje se ogledaju kroz Þ skalne pokaza-telje. Cilj je ovoga istraživanja prikazati rezultate analize veli ine utjecaja odabra-

1 U prilog tome govore zavaravaju i rezultati koje u nekim slu ajevima može dati korištenje isklju ivo podataka o BDP-u po stanovniku. Tako, primjerice, njegova visoka razina u odre enom razdoblju ne mora biti rezultatom objektivne snage županijskog gospodarstva ve prvenstveno zna ajnih investicija javnog sektora u infrastrukturu.



nih pokazatelja dominantno Þ skalnog karaktera i BDP-a na usporednu eÞ kasnost hrvatskih županija, i to neparametarskom metodom analize ome ivanja podataka kao alternativom do sad korištenim pristupima u sli nim doma im istraživanjima. Iz postavljenog cilja proizlaze i dvije hipoteze koje e se istraživanjem testirati. Prvom se hipotezom pretpostavlja postojanje zna ajnih regionalnih nejednakosti u Hrvatskoj pri emu Grad Zagreb zna ajno pozitivno odstupa od ostalih županija. Drugom se hipotezom ukazuje na broj zaposlenih u jedinicama lokalne i podru ne samouprave kao na glavni izvor neeÞ kasnosti.

Rad je podijeljen u pet poglavlja. Nakon uvoda, u drugome je dijelu dan kra-tak pregled dosadašnjih istraživanja koja povezuju Þ skalnu politiku i regionalni razvoj. U tre emu dijelu slijedi opis odabranih pokazatelja i korištene metodologi-je za dizajn modela, dok je u etvrtome prikazana primjena modela u empirijskoj analizi i ocjena relativne eÞ kasnosti županija. Rezultati istraživanja i njihove mo-gu e implikacije za nositelje gospodarske politike, kao i zaklju ci o postavljenim hipotezama, sažeti su u posljednjem dijelu rada.

2. Povezanost Þ skalne politike i regionalnog razvoja kroz dosadašnja istraživanja

Fiskalna politika, kao jedna od temeljnih poluga ekonomske politike, i njezin utjecaj na gospodarska kretanja, predmetom su brojnih istraživanja. No, bez obzira na koji se aspekt Þ skalne politike usredoto ili i na kojoj razini izu avali njegove u inke (državnoj, regionalnoj ili lokalnoj), i koje metode i modele koristili, od iznimnog je zna aja empirijski pristup. Pregled empirijskih istraživanja o Þ skalnoj politici u našoj zemlji daju Šimovi , ori i Deskar-Škrbi (2014), grupiraju i ih prema podru ju istraživanja (u inci Þ skalne politike na ekonomski rast ili (poje-dinu) ekonomsku aktivnost; utjecaj strukture javnih rashoda (i prihoda); karakter Þ skalne politike; koordinacija monetarne i Þ skalne politike (ili nekih elemenata Þ skalne politike, npr. upravljanje javnim dugom); održivost Þ skalne politike (i jav-nog duga); politi ka ekonomija i Þ skalna politika). Me utim, uvrštena se istraživa-nja, kao i ona novijeg datuma (primjerice Šimovi i Deskar-Škrbi , 2019), gotovo isklju ivo oslanjaju na statisti ke i ekonometrijske modele2, a Þ skalne pokazatelje promatraju uglavnom na razini države, analiziraju i pritom Hrvatsku kao jedini entitet ili ju uspore uju i s drugim zemljama (bilo tranzicijskim, bilo onima sred-

2 Iznimka su primjerice Bošnjak i Peri (2017) koji ekonometrijsku analizu (višestruku line-arnu regresiju) kombiniraju s neekonometrijskim metodama (teorijom igara i PROMETHEE meto-dom), analiziraju i me udjelovanje monetarne i Þ skalne politike na primjeru Republike Hrvatske.



nje i isto ne Europe ili Europske unije). ak se i u malobrojnim radovima koji donose empirijska istraživanja provedena na ispoddržavnoj razini, primjerice na razini gradova (Ma ki , 2014) ili na razini županija (Jurlina Alibegovi , 2013), analiza vrši tako da se zaklju ci donose uop eno, a ne na razini pojedinog entiteta. Iako su relevantnost i primjenjivost takvih istraživanja neupitne, rezultati dobivaju na težini ako je provedena analiza usporedna, odnosno ako se, bez obzira na razinu entiteta koje promatramo, oni me usobno uspore uju. Na temelju rezultata uspo-redbe svakome se analiziranom entitetu mogu pružiti smjernice za poboljšanje njegovih performansi u okvirima onih parametara na koje on u ve oj ili manjoj mjeri može utjecati. Pritom je iznimno važno odabrati metodu koja to omogu uje. Jedna od takvih svakako je analiza ome ivanja podataka. Prema saznanju auto-ra, u trenutku provo enja ovoga istraživanja samo jedan dostupan objavljeni rad (Kordi , Mihelja Žaja i Gardijan, 2018) u doma oj literaturi koristi spomenutu metodu u kontekstu vrednovanja Þ skalne politike, ali opet na razini država, uspo-re uju i me usobno 28 zemalja Europske unije.

U inozemnoj je literaturi broj radova koji relativnu eÞ kasnost temeljenu na Þ skalnim pokazateljima izu avaju na ispoddržavnoj razini znatno ve i, ali je kod zna ajne ve ine njih tako er prisutan spomenuti nedostatak prezentacije rezultata na razini pojedinog entiteta. Me u njima nije zanemariv broj onih koji istraživa-nje temelje na analizi ome ivanja podataka (primjerice Nold Hughes i Edwards, 2000).

Na temelju ovoga kratkog pregleda srodne literature, može se zaklju iti kako potpuno izostaju radovi koji zaklju ke o utjecaju Þ skalnih pokazatelja na relativnu eÞ kasnost i posljedi ne smjernice poboljšanja donose na razini hrvatskih županija, pa ovaj rad u tome smislu predstavlja novinu.

3. Model za ocjenu eÞ kasnosti – pokazatelji, podatci i metodologija

Razli it izbor ulaznih i izlaznih varijabli dovodi do razli itih rezultata eÞ ka-snosti koji su dodatno pod utjecajem odabira modela. Stoga su izbor pokazatelja i dizajn modela podobnog za primjenu u analizi odre enog procesa, osobito pretpo-stavke njegova usmjerenja i prinosa, me u najzna ajnijim i najosjetljivijim koraci-ma u izgradnji odgovaraju eg modela AOMP za procjenu usporedne ili relativne uspješnosti županija. Pritom pozornost svakako treba obratiti i na to koji se podatci vode i jesu li oni dostupni.



3.1. Pokazatelji

Polarizacija razvijenosti hrvatskih županija, potvr ena brojnim studijama, uzrokovana je i produbljena itavim nizom imbenika zasnovanih na ljudskom ka-pitalu i prirodnim resursima. Sveprisutni je to podsjetnik na potrebu smanjivanja me užupanijskih disproporcija i klju nu ulogu koju u tome ima Þ skalna politika. Taj bi se fenomen trebao rješavati utvr ivanjem odnosa klju nih Þ skalnih i drugih povezanih pokazatelja s gospodarskim rastom.

Nakon razmatranja širokog spektra relevantnih pokazatelja i njihova rangiranja prema važnosti, za ovo je istraživanje odabrano njih šest. Uz BDP, to su porezni prihodi, teku i rashodi, kapitalni rashodi, broj zaposlenih u jedinicama lokalne i podru ne (regionalne) samouprave, te ukupan broj zaposlenih umanjen za zaposlene u tijelima lokalne i podru ne samouprave i kod korisnika prora una. Zbog kratko e, za posljednja e se dva pokazatelja u nastavku koristiti kratice LRZAP i UKZAP.

Razlozi odabira spomenutih pokazatelja su sljede i. Dvije kategorije rashoda prema funkcijskoj klasiÞ kaciji prora una, uvrštene u model, jesu teku i rashodi, koji obuhva aju rashode za zaposlene, materijalne rashode i Þ nancijske rashode, te kapitalni rashodi koji predstavljaju rashode za dobra koja uglavnom imaju vijek trajanja dulji od jedne godine i mogu utjecati na prihode u budu em razdoblju. Podjela rashoda napravljena je na taj na in u namjeri da se, s jedne strane, obuhva-te svi troškovi koje generira lokalna i podru na vlast kako bi obavljala poslove u svojoj nadležnosti unutar jedne godine, a s druge strane, pruži uvid u kojoj mjeri lokalne i podru ne vlasti doprinose kapitalnim investicijama koje su, uz radnu snagu, prema mnogim modelima endogenog rasta me u najzna ajnijima (Scott, 1991; De Long i Summers, 1991). Sukladno tomu, u model je uvrštena i radna snaga, mjerena ukupnim brojem zaposlenih, kao varijabla koja pozitivno utje e na ekonomski rast, ali umanjena za broj zaposlenih u tijelima lokalne i podru ne samouprave i kod korisnika prora una, koji neposredno utje e na razinu teku ih rashoda odnosno iji porast može doprinijeti Þ skalnoj neeÞ kasnosti (Frani , 2012). S obzirom na problem vodoravne Þ skalne nejednakosti, porezni prihodi koji su osnovni izvor Þ nanciranja prora unskih rashoda, a rezultat Þ skalne politike, u mo-del su uvršteni kao mjera Þ skalnog kapaciteta županija (Bajo i Broni , 2007).

Valja napomenuti da razina utjecaja kojega jedinice lokalne i podru ne sa-mouprave imaju na pojedine odabrane pokazatelje zna ajno varira, o emu treba voditi ra una prilikom izrade smjernica na temelju rezultata dobivenih empirij-skom analizom3.

3 Problem ograni enog utjecaja županija na pojedinu varijablu mogu e je riješiti ozna ava-njem te varijable kao nekontrolabilne. U tom bi slu aju ona i dalje utjecala na rezultat eÞ kasnosti,



U namjeri da se analiza u ini što pouzdanijom, potrebne su odre ene pri-lagodbe pokazatelja. Kako bi se u obzir isklju ivo uzelo pove anje proizvodnje i uklonio u inak pove anja cijena, BDP je uzet u stalnim cijenama iz 2015. godine. Zbog neutraliziranja zna ajnih razlika me u županijama u apsolutnim razinama pokazatelja, u dijelu koji je rezultat velikih razlika u broju stanovnika te posljedi -no u broju zaposlenih, u vrijednosti BDP-a i u veli ini prora una, svi su pokazatelji stavljeni u odnos s brojem stanovnika. Takve modiÞ kacije prilago avaju podatke u cilju uvažavanja promjene cijena i veli ine populacije tijekom promatranog raz-doblja, ime se dolazi do relevantnijih me užupanijskih usporedbi i jednostavnijeg tuma enja rezultata. Tih šest prilago enih varijabli integrirat e se u jedinstvenu mjeru izvedbe.

Za izgradnju modela primjerenog za pra enje dinami kog odnosa izme u BDP-a, kao standardne mjere nacionalnog gospodarskog u inka, i odabranih po-kazatelja, samo se BDP uzima kao output dok se ostalih pet pokazatelja uzimaju kao inputi.

3.2. Prikupljanje podataka

Priroda odabranih pokazatelja omogu ava usporedbu na godišnjoj razini. Podatci o njima, kao i o pomo nim varijablama4 potrebnima za njihov izra un, preuzeti su sa službenih stranica Državnog zavoda za statistiku ([DZS], 2017, 2018a, 2018b, 2018c) i Ministarstva Þ nancija Republike Hrvatske ([MFIN], 2018), i zatim izmijenjeni u skladu s gore navedenim zahtjevima. Nedostupnost podataka o nekima od pokazatelja za razdoblje prije 2002. i nakon 2015. godine uvjetovala je vremenski opseg modela, u koji su tako, u svrhu usporedbe županija, uvršteni upravo podatci za razdoblje 2002.-2015.

U tablici 1 prikazana su osnovna statisti ka obilježja za prilago ene podatke svake varijable uvrštene u analizu.

ali bi pri formiranju projekcija neeÞ kasnih županija na eÞ kasnu granicu ostala nepromijenjena. To bi, me utim, dovelo u pitanje relevantnost rezultata jer je, kako je ve re eno, utjecaj županija na tu varijablu ograni en, ali ne i nepostoje i.

4 Rije je o broju stanovnika i indeksu potroša kih cijena kao varijablama na koje jedinice lokalne i podru ne samouprave ne mogu neposredno utjecati.



Tablica 1.

STATISTIKA POKAZATELJA KORIŠTENIH U ANALIZI, 2002.-2015.

V a r i j a b l a 5 Srednjavrijednost

MedijanStandardnadevijacija

Minimum MaksimumKoeÞ cijentvarijacije

Inputi

Porezni prihodi 2.380,87 2.123,48 1.153,43 735,55 7.030,35 48,45Teku i rashodi 2.323,80 2.076,87 885,43 838,66 5.033,79 38,10Kapitalni rashodi

1.155,87 1.032,67 541,74 400,80 3.426,68 46,87

LRZAP 74,55 68,06 28,20 21,29 141,79 37,84UKZAP 2.854,69 2.667,84 630,89 1.872,76 5.253,16 22,10

Output BDP 67.673,03 62.412,53 22.024,10 40.639.80 157.265,40 32,54

Izvor: Izra un autora na temelju podataka DZS (2017, 2018a, 2018b, 2018c) i MFIN (2018)5

Budu i da se u cilju poboljšanja u inkovitosti proizvodnim faktorima sma-traju oni podatci za koje je poželjno smanjenje a outputima oni za koje je poželjno pove anje, za porezne se prihode i UKZAP6 uzimaju recipro ne vrijednosti. Time se istodobno zadržavaju odnosi me u podatcima i omogu uje procjena relativne eÞ kasnosti županije kroz Þ skalnu prizmu s ciljem minimiziranja teku ih i kapital-nih rashoda i LRZAP-a, a maksimiziranja BDP-a, prihoda od poreza i UKZAP-a.

3.3. Metodološki okvir

AOMP je neparametarska tehnika mjerenja performansi, koja se uobi ajeno koristi za procjenu relativne eÞ kasnosti grupe entiteta/donositelja odluka (DO). Stvarni podatci o korištenim višestrukim inputima i stvorenim višestrukim out-putima promatranih entiteta ugra uju se u linearni program koji predstavlja model

5 Porezni prihodi, teku i i kapitalni rashodi i BDP uzeti su po stanovniku, dok su obje va-rijable koje se odnose na broj zaposlenih uzete na 10.000 stanovnika. Zbog jednostavnosti, u dalj-njem e tekstu biti korišteni nazivi iz tablice, bez naznake da se radi o per capita a ne o apsolutnim iznosima varijabli.

6 Upravo da bi se izbjegla situacija u kojoj je za jedan dio neke varijable poželjno smanje-nje a za drugi dio pove anje, što bi onemogu ilo njezino nedvosmisleno odre enje kao inputa ili outputa te posredno i jednozna nu interpretaciju rezultata, iz ukupnog je broja zaposlenih (za koji je poželjan rast) izdvojen broj zaposlenih u tijelima lokalne i podru ne samouprave i kod korisnika prora una (koji je nepoželjan i upu uje na potrebu za strukturnim promjenama – Bajo, 2009).



AOMP i osigurava jedinstveni indeks eÞ kasnosti relativne izvedbe. Na temelju tih podataka oblikuje se (eÞ kasna) granica koja se sastoji od DO koji pokazuju najbolju praksu te se klasiÞ ciraju kao eÞ kasni (tzv. benchmarks), i koja istodobno obavija sve ostale, neeÞ kasne DO. Potom se eÞ kasnima dodjeljuje ocjena 1 (ili 100%), a neeÞ kasnima ocjena strogo izme u 0 i 1 ovisno o njihovoj udaljeno-sti od ove empirijski konstruirane granice koja inpute obavija odozdo a outpute odozgo. Ta je neeÞ kasnost rezultat korištenja prevelike koli ine inputa za danu razinu outputa i/ili ostvarivanja premale koli ine outputa za danu razinu inputa, a može se ukloniti dostizanjem modelom izra unate eÞ kasne to ke projekcije na eÞ kasnu granicu. Budu i da je empirijski generirana, ova se granica pojavljuje kao objektivno ostvarivi cilj svakog neeÞ kasnog DO, a istodobno služi kao osnova za prepoznavanje izvora njegove neeÞ kasnosti i njihovih iznosa, smjerova poboljšanja i DO referentnih za izravnu usporedbu.

Zbog svojih jedinstvenih robusnih svojstava, AOMP se primjenjuje u itavom spektru kako proÞ tnih tako i neproÞ tnih podru ja, kako na razini organizacija tako i na razini država. Koncept AOMP temelji se na seminarskom radu M. J. Farrella (1957). Od svoga nastanka i predstavljanja od strane Charnesa, Coopera i Rhodesa (1978) pa do godine 2014., objavljeno je u bazi ISI Web of Science pri-bližno 6500 radova koji se ovom metodom bave na razini teorijskog i prakti nog interesa (Liu, Lu i Lu, 2016). Razvijen je respektabilan broj modela AOMP obilje-ženih prije svega pretpostavkom prinosa (konstantnog ili varijabilnog) i usmjere-njem modela (na minimizaciju inputa ili na maksimizaciju outputa) te posljedi no vrstom eÞ kasnosti koju izra unavaju. Postoje i brojna njihova proširenja od kojih se jedno (analiza prozora) koristi u ovome radu. Stoga se ovaj pristup dokazano smatra me unarodno i akademski prepoznatim alatom za potporu odlu ivanju.

Odlu uju i imbenik u odabiru ove metode u odnosu na tradicionalne teh-nike benchmarkinga jest njezina mogu nost dinami kog mjerenja eÞ kasnosti, s inputima i outputima izraženima u razli itim i esto nespojivim mjernim jedini-cama, a bez potrebe prethodnog odre ivanja težina varijabli ili eksplicitnog po-znavanja funkcionalne veze izme u inputa i outputa. Štoviše, težine odre uje sam model, na na in koji maksimizira ocjenu eÞ kasnosti za svaki promatrani entitet, dokidaju i tako subjektivnost u procjeni važnosti svake težine.

Prva zada a s kojom se analiti ar mora suo iti nakon odabira pokazatelja jest odre ivanje vrste prinosa u skladu s kojom se procjenjuje granica proizvodnosti. U tom su smislu dva osnovna modela, naj eš e korištena u primjenama AOMP, CCR (Charnes i sur., 1978) i BCC (Banker, Charnes i Cooper, 1984), nazvani prema inicijalima svojih autora. Prvi model pretpostavlja da funkcija proizvodnje poka-zuje konstantan prinos, dok je drugi model, s pretpostavkom varijabilnog prinosa, jedno od njegovih brojnih teorijskih proširenja. SpeciÞ ne preliminarne studije o procesu kojega se želi analizirati i ispitivanja njegovih svojstava mogu pružiti prvu



naznaku vrste prinosa. Unato tome, svojstva granice proizvodnosti se ponekad, kao u našoj primjeni, ne mogu sa sigurnoš u utvrditi što otežava izbor tipa mo-dela. U tim slu ajevima može, naime, biti rizi no osloniti se na samo jedan odre-eni model. Jedno od mogu ih rješenja je isprobati modele pod svakom od dviju

pretpostavki na prinos, usporediti njihove rezultate i, na temelju stupnja njihovih razlika i korištenjem stru nog znanja o problemu, prona i najprikladniji tip pret-postavke za analizu. Tako provedena prva faza ovdje predstavljenoga istraživanja pokazala je da se rezultati dobiveni iz navedenih modela zna ajno razlikuju, što se može pripisati efektu prinosa s obzirom na raspon aktivnosti. To model BCC ini prikladnijim za opisivanje istraživanog procesa, pa je razlogom odabira toga

modela za daljnju analizu.

Sljede i je problem s kojim se analiti ar mora suo iti odabir usmjerenja mo-dela. Naime, ovisno o tome je li menadžerski izbor prije svega smanjenje ulaznih vrijednosti ili pak pove anje izlaznih veli ina, modeli AOMP usmjereni su na in-pute ili na outpute. Ova razlika u usmjerenju modela rezultira razli itim smjero-vima projekcije na eÞ kasnu granicu te posljedi no razli itim to kama projekcije neeÞ kasnih DO. Budu i da se udaljenosti neeÞ kasnog DO i njegovih projekcija usmjerenih na inpute i na outpute o ito razlikuju, eÞ kasnost nije jednako ostvari-va u razli ito usmjerenim modelima. Kako je ovdje BDP jedini output me u šest odabranih pokazatelja, usmjerenje na inpute odabrano je kao prikladnije jer pruža mogu nost procjene mjere u kojoj bi se inputi trebali poboljšati, bez smanjenja ostvarenog iznosa outputa, kako bi se DO smatrao relativno eÞ kasnim. Kratki opis modela u nastavku temelji se na Cooper, Seiford i Tone (2006, str. 87-89). Sukladno tome, radi se o ocjeni relativne eÞ kasnosti n DO (DO

j, j = 1, 2, ..., n), od

kojih svaki koristi m inputa za stvaranje s outputa. Model BCC usmjeren na inpute ocjenjuje eÞ kasnost DO

0 rješavanjem sljede eg linearnog programa:

uz ograni enja (1)

(2)

(3)

(4)

gdje je matrica utrošenih inputa, a matrica ostvarenih outputa, , a e n-dimenzionalni vektor-redak iji su svi elementi jednaki 1. Stoga se uvjeti (1), (2) i (4) sastoje od m, s i n ograni enja, respektivno. U slu aju kojega se ovdje analizira, n je 21, m je 5, a s je 1. Vektor l pokazuje mjeru



u kojoj eÞ kasni DO doprinose projekciji neeÞ kasnog DO0 na eÞ kasnu granicu.

Optimalna vrijednost qB funkcije cilja predstavlja iznos eÞ kasnosti za DO

0 a, uko-

liko je on neeÞ kasan, tako er i faktor smanjenja inputa .

Ova prva faza minimizira qB, a prva dva ograni enja pripadnog linearnog

programa pokazuju da nadmašuje kada je . U tom se kontekstu viškovi inputa i manjkovi outputa (tzv. dopunske varijable) ra unaju formulama

, ,

gdje je , i , za svako mogu e rješenje .

U drugoj e fazi eventualni preostali viškovi inputa i manjkovi outputa biti otkriveni maksimiziranjem njihova zbroja uz zadržavanje .

DeÞ nicija 1 (BCC eÞ kasnost):

Ako optimalno rješenje modela BCC (dobiveno uz pomo

opisanoga dvofaznog postupka) zadovoljava i nema dopunskih varijabli

, tada se DO0 naziva BCC eÞ kasnim, u suprotnom je BCC

neeÞ kasan.

DeÞ nicija 2 (referentni skup):

Za BCC neeÞ kasni DO0 deÞ nira se njegov referentni skup E

0 baziran na

optimalnom rješenju l* s

Svako od eventualno višestrukih optimalnih rješenja izražava se kao:

Navedene relacije sugeriraju da se eÞ kasnost od (x0, y

0) za DO

0 može dose i

ako se vrijednosti inputa smanje proporcionalno s omjerom i ako se uklone viškovi inputa zabilježeni u s–*, a vrijednosti outputa pove aju manjkovima out-puta u s+*. Opisano poboljšanje može se izraziti sljede om formulom (tzv. BCC projekcija):

,

.

,

.

.



Budu i da je razdoblje kojega e se analizirati podijeljeno na etrnaest po-drazdoblja, potrebno je osigurati prikladan pregled dobivenih rezultata tijekom vremena. To e se omogu iti analizom prozora gdje svaki prozor, kao razdoblje unutar kojega se usporedbe provode, ovisno o svojoj duljini može obuhva ati od jedne do etrnaest godina. Ovim se dinami kim proširenjem osnovnog modela AOMP relativna eÞ kasnost odre ene županije može procijeniti ne samo u odnosu na druge županije unutar istog podrazdoblja, ve i u odnosu na rezultate drugih županija, uklju uju i i vlastite, iz drugih podrazdoblja. Me utim, ovisno o svrsi analize, potrebno je odrediti duljinu prozora iz koje se potom izvodi broj prozora. Kako bi se analiza u inila što uravnoteženijom, nužno je sve promatrane godine tretirati ravnopravno. To je mogu e samo u slu ajevima s minimalnom ili mak-simalnom duljinom prozora. U prvome slu aju postoji etrnaest jednogodišnjih prozora, dok je u drugome samo jedan etrnaestogodišnji pri emu se model kon-struira kao i osnovni, s razlikom u broju promatranih entiteta. Kako bi se postigao cilj ovoga istraživanja i u isto vrijeme premostio spomenuti nedostatak, razmatrat e se upravo ova dva slu aja.7

4. Primjena modela u empirijskoj analizi i ocjena relativne eÞ kasnosti županija

Rezultati relativne eÞ kasnosti 21 hrvatske županije, prikazani u daljnjem tek-stu, dobiveni su izra unom autora na temelju rezultata programa DEA-Solver-Pro, primijenjenog na modelu usmjerenom na inpute uz pretpostavku varijabilnog pri-nosa.

7 Ako bi se primjerice odabrala duljina prozora od deset godina, bilo bi pet prozora (2002-2011, 2003-2012, 2004-2013, 2005-2014 i 2006-2015), pa bi se rubne godine testirale samo u po jednom prozoru, po etna u prvom a završna u zadnjem, dok bi se primjerice 2006. godina testirala u svim prozorima.



Tabli

ca 2

.

RE

LA

TIV

NA

EF

IKA

SN

OS

T Ž

UPA

NIJ

A P

RE

MA

MO

DE

LU

AN

AL

IZE

PR

OZ

OR

A –

E

TR

NA

ES

T P

RO

ZO

RA

Župa

nija

God

ina

Stat

istik

a po

župa

nija

ma

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

Pros

jek

St. d

ev.

Min

.iz

nos

Ran

g

Zagr

eba

ka1

0,96

41

10,

922

11

11

11

11

10,

992

0,02

20,

922

6K

rapi

nsko

-zag

orsk

a1

11

11

11

11

11

11

11

01

1Si

sako

-mos

lava

ka1

11

11

10,

991

11

0,89

90,

861

0,88

20,

968

0,77

30,

955

0,07

20,

773

13K

arlo

vaka

11

10,

989

11

10,

985

0,98

30,

962

0,93

50,

966

0,91

20,

913

0,97

50,

033

0,91

27

Vara

ždin

ska

11

11

11

11

11

11

11

10

11

Kop

rivni

ko-k

rižev

aka

11

10,

943

11

11

0,92

90,

901

0,88

90,

877

0,85

50,

965

0,95

40,

054

0,85

514

Bjel

ovar

sko-

bilo

gors

ka0,

975

0,98

91

0,97

70,

953

0,97

20,

970

0,93

80,

975

0,99

01

10,

984

0,90

20,

973

0,02

70,

902

9Pr

imor

sko-

gora

nska

0,87

70,

876

0,99

30,

945

0,97

30,

990

0,97

00,

951

0,92

80,

935

0,94

90,

943

10,

895

0,94

50,

040

0,87

616

Liko

-sen

jska

0,76

90,

891

0,98

80,

896

0,82

70,

869

0,82

20,

828

0,93

00,

824

0,82

00,

829

0,85

60,

762

0,85

10,

061

0,76

221

Viro

viti

ko-p

odra

vska

11

0,98

40,

909

0,93

60,

917

0,90

31

0,93

60,

829

0,86

00,

802

0,85

70,

804

0,91

00,

071

0,80

219

Pože

ško-

slavo

nska

10,

884

0,98

81

11

11

0,94

40,

930

0,91

40,

870

0,91

41

0,96

00,

049

0,87

012

Brod

sko-

posa

vska

10,

983

11

11

10,

982

0,99

90,

953

10,

970

11

0,99

20,

015

0,95

35

Zada

rska

0,97

10,

916

0,93

10,

920

0,91

40,

933

0,89

70,

910

0,93

00,

886

0,89

30,

885

0,88

50,

832

0,90

70,

032

0,83

220

Osje

ko-b

aran

jska

0,91

61

10,

953

0,94

01

11

11

0,95

70,

929

0,94

70,

904

0,96

80,

036

0,90

411

Šibe

nsko

-kni

nska

10,

980

0,98

50,

985

0,92

20,

998

0,94

50,

908

0,94

00,

858

0,86

40,

873

0,85

60,

853

0,92

60,

058

0,85

318

Vuko

vars

ko-s

rijem

ska

11

11

0,91

80,

915

0,86

10,

976

10,

988

0,95

80,

870

0,98

30,

854

0,95

20,

056

0,85

415

Split

sko-

dalm

atin

ska

0,91

60,

978

10,

969

0,94

30,

974

0,97

60,

967

0,96

10,

968

0,96

00,

998

0,97

90,

986

0,97

00,

021

0,91

610

Ista

rska

0,87

90,

995

0,97

40,

894

0,99

21

0,94

20,

938

0,91

70,

919

0,93

70,

905

0,97

50,

861

0,93

80,

044

0,86

117

Dub

rova

ko-n

eret

vans

ka1

11

11

11

10,

967

0,93

70,

941

0,91

60,

935

0,94

30,

974

0,03

30,

916

8M

eim

ursk

a1

11

11

11

11

11

11

11

01

1G

rad

Zagr

eb1

11

11

11

11

11

11

11

01

1

Stat

istik

apo

godi

nam

a

Pros

jek

0,96

70,

974

0,99

30,

971

0,96

40,

979

0,96

60,

971

0,96

90,

942

0,94

00,

929

0,94

80,

916

0,95

9

St. d

ev.

0,06

10,

043

0,01

60,

038

0,04

60,

038

0,05

20,

045

0,03

20,

058

0,05

70,

064

0,05

70,

081

Min

. izn

os0,

769

0,87

60,

931

0,89

40,

827

0,86

90,

822

0,82

80,

917

0,82

40,

820

0,80

20,

855

0,76

2Br

oj (%

)eÞ

kas

nih

14 67 %

11 52 %

14 67 %

10 48 %

10 48 %

13 62 %

11 52 %

11 52 %

838

%6

29 %

733

%6

29 %

733

%7

33 %

Ran

g7

31

49

28

56

1112

1310

14

Izvo

r: I

zra

un a

utor

a



Prvi model koristi etrnaest jednogodišnjih prozora. Na taj se na in izvedba svake županije u odre enoj godini uspore uje samo s izvedbama preostalih žu-panija u toj istoj godini, što se promatra zasebno za svaku godinu. Budu i da se svaka županija smatra pojedina nim entitetom za svaku godinu, eÞ kasnost se u ovome modelu analizira unutar etrnaest skupova od kojih se svaki sastoji od 21 entiteta. Iznosi relativne eÞ kasnosti, prikazani u tablici 2, omogu uju usporedbu performansi svih županija u istoj godini kao i usporedbu iznosa eÞ kasnosti jedne županije tijekom svih godina. Dana je i statistika eÞ kasnosti po županijama i po godinama, kao i rang županija i godina prema prosje nim iznosima eÞ kasnosti.

Najviši prosje ni iznos eÞ kasnosti na godišnjoj razini (0,993) ostvaren je u 2004. godini, a najniži (0,916) u 2015. Najviše je eÞ kasnih županija (14) u 2002. i 2004., a najmanje (6) u 2011. i 2013. godini. Kontinuirano eÞ kasne županije su Krapinsko-zagorska, Varaždinska, Me imurska i Grad Zagreb, dok su jedine ne-prekidno neeÞ kasne Li ko-senjska i Zadarska pri emu je zanimljivo napomenuti da je Zadarska najmanje eÞ kasna u samo jednoj godini a Li ko-senjska u ak devet od etrnaest promatranih godina. Razlika izme u najvišeg i najnižeg ostvarenog iznosa eÞ kasnosti (0,227) najizraženija je kod Sisa ko-moslava ke i Li ko-senjske županije koje su se obje najmanje eÞ kasnima pokazale u posljednjoj analiziranoj godini. Niti jedna županija ne pokazuje kontinuirani pad ili kontinuirani rast rela-tivne eÞ kasnosti. Sveukupna prosje na ocjena eÞ kasnosti od 0,959 ukazuje na to da su županije u prosjeku neeÞ kasne svega 4,1%8.

Standardna odstupanja o ito su znatno manja kada se promatra ista županija u razli itim godinama nego kada se promatraju razli ite županije u istoj godini. To ukazuje na relativno uravnotežene performanse tijekom vremena na razini žu-panije, ali i na prisutne me užupanijske nejednakosti. Zna ajne razlike izme u minimalnih i maksimalnih rezultata eÞ kasnosti u pojedinim slu ajevima posebno potvr uju te nejednakosti.

Uvažavaju i injenicu da nudi vrijedne informacije o trendovima relativne eÞ kasnosti, zna aj analize prozora u okviru AOMP izvan svake je sumnje. Modeli s prozorima, me utim, ne pružaju prijeko potrebne informacije o izvorima neeÞ -kasnosti i prijedlozima poboljšanja. Dobivanje tih informacija uklju uje pokreta-nje osnovnog modela BCC etrnaest puta – po jednom za svaku pojedinu godinu. Razine eÞ kasnosti u ovih etrnaest analiza identi ne su onima prikazanima ta-blicom 2. Viškovi inputa i manjkovi outputa, odnosno razlike izme u stvarnih i projiciranih vrijednosti, izra unate su u svakoj varijabli, uzimaju i u obzir ranije spomenutu izvršenu prilagodbu izvornih podataka. Te su razlike zatim uprosje-ene po županijama i izražene u tablici 3 kao postotci odgovaraju ih inicijalnih

vrijednosti, a predstavljaju potrebna poboljšanja koja se mogu posti i korištenjem

8 (1 – 0.959)*100



prethodno objašnjenog dvofaznog postupka9. U 2012. godini, primjerice, najizra-ženiji je višak od 17,38% u broju zaposlenih u jedinicama lokalne i podru ne sa-mouprave, od ega 6%10 otpada na radijalnu neeÞ kasnost i uklanja se u prvoj fazi, a preostalih 11,38% do traženog iznosa na mješovitu neeÞ kasnost koja se uklanja u drugoj fazi.

Tablica 3.

IZVORI RELATIVNE NEEFIKASNOSTI ŽUPANIJA I NJIHOVA VELI INA PREMA MODELU ANALIZE PROZORA – ETRNAEST PROZORA

Poboljšanjainputa

ioutputa

(%)

Godina

V a r i j a b l eInputi Output

Porezniprihodi

Teku irashodi

Kapitalnirashodi

LRZAP UKZAP BDP

2002 6,03 -4,62 -4,69 -6,49 4,22 4,492003 6,47 -3,96 -4,37 -10,70 11,81 7,202004 3,39 -2,11 -4,50 -4,69 4,92 0,952005 3,45 -3,73 -5,92 -8,36 4,37 5,552006 4,36 -5,25 -10,63 -9,38 5,96 2,962007 2,25 -2,62 -4,85 -5,80 2,71 2,792008 3,89 -4,18 -6,34 -8,03 4,53 3,882009 3,34 -3,11 -4,35 -5,44 4,89 6,862010 5,66 -3,39 -10,78 -11,88 4,92 7,082011 13,17 -6,06 -12,80 -18,24 11,30 11,242012 7,42 -6,28 -11,87 -17,38 7,41 9,132013 9,27 -8,47 -17,78 -21,12 14,15 14,492014 7,00 -6,92 -11,60 -19,73 7,47 9,772015 16,61 -8,35 -20,14 -22,38 10,31 13,83

Izvor: Izra un autora

9 Budu i da model za inpute uvijek zahtijeva smanjenja, valja posebnu pozornost obratiti na porezne prihode i UKZAP. Naime, kako je ranije pojašnjeno, za ta su dva inputa uzete recipro ne vrijednosti, pa za njih traženo smanjenje od primjerice 20% zapravo zna i traženo pove anje od 25%. Konkretno, smanjenje recipro ne vrijednosti na ekvivalentno je pove anju vrijedno-sti na .

10 Prosje na eÞ kasnost u 2012. godini iznosi 0,940 (tablica 2).



Razumljivo je da su zna ajne prosje ne zahtijevane promjene koli ina inpu-ta i outputa posljedica velikih traženih poboljšanja neeÞ kasnih županija, što pak ukazuje na me užupanijsku divergenciju. U ak deset od etrnaest promatranih godina, najve i utjecaj na eÞ kasnost, u smislu spomenutih zahtijevanih pobolj-šanja, ima broj zaposlenih u jedinicama lokalne i podru ne samouprave. Taj je utjecaj osobito izražen u posljednje etiri analizirane godine, s tendencijom daljnjeg pove anja. Jedna od iznimki je primjerice 2009. godina, u kojoj vode i utjecaj na eÞ kasnost preuzima BDP. Razlog tome nesumnjivo je u injenici da se, slijedom recesijskih kretanja, upravo u toj godini dogodio njegov najve i pad. S druge strane, teku i su rashodi najslabijim uzrokom neeÞ kasnosti u osam slu a-jeva, od ega je sedam posljednjih godina promatranoga razdoblja. Zanimljivost je da su svi pokazatelji u svim godinama u manjoj ili ve oj mjeri uzrokovali neeÞ kasnost, što na odre eni na in svjedo i o relevantnosti njihova odabira za ovo istraživanje.

Budu i da se u ovome modelu svaka godina razmatra zasebno, najbolji re-zultat eÞ kasnosti odre ene županije u nekoj godini ne ukazuje nužno na njezine najbolje performanse u odnosu na ostale godine promatranog razdoblja. To samo zna i da su njezine performanse u usporedbi s drugim županijama u toj godini bile bolje od njezinih performansi u usporedbi s drugim županijama u ostalim godi-nama. Stoga ovaj model nije pogodan za izravne usporedbe kroz godine za svaku županiju, budu i da je baza za uspore ivanje razli ita za svaku godinu. Slijedom toga, ini se smislenim proširiti usporedbu kako bi se u nju istodobno uklju ile performanse svih županija u svim godinama. U takvome e se modelu procjena re-lativne eÞ kasnosti temeljiti na istih šest pokazatelja, no sada uz korištenje jednoga etrnaestogodišnjeg prozora. Na taj se na in performanse svake županije u svakoj

godini uspore uju s performansama svih županija u svim godinama, uklju uju i i nju samu. EÞ kasnost se u ovome modelu stoga analizira unutar jednog skupa sa 294 (= 14 x 21) entiteta, što ini klju nu razliku izme u ovog i prethodnog mo-dela. Rezultati relativne eÞ kasnosti prema novome modelu prikazani su u tablici 4, zajedno s elementima deskriptivne statistike koji pojednostavljuju usporedbu s rezultatima prethodnoga modela iz tablice 2.



Tabli

ca 4

.

RE

LA

TIV

NA

EF

IKA

SN

OS

T Ž

UPA

NIJ

A P

RE

MA

MO

DE

LU

AN

AL

IZE

PR

OZ

OR

A –

JE

DA

N P

RO

ZO

R

Župa

nija

God

ina

Stat

istik

a po

župa

nija

ma

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

Pros

jek

St. d

ev.

Min

.iz

nos

Ran

g

Zagr

eba

ka0,

980

0,91

00,

893

0,88

10,

888

0,88

60,

908

0,87

70,

896

0,89

30,

921

0,92

20,

929

10,

913

0,03

60,

877

5K

rapi

nsko

-zag

orsk

a1

0,99

80,

976

0,97

10,

984

10,

997

0,94

40,

961

0,88

20,

887

0,90

10,

898

10,

957

0,04

60,

882

4Si

sako

-mos

lava

ka1

0,85

70,

862

0,82

20,

821

0,82

40,

800

0,78

90,

837

0,77

40,

779

0,74

60,

800

0,77

20,

820

0,06

20,

746

14K

arlo

vaka

0,96

50,

923

0,92

50,

869

0,96

80,

910

0,87

10,

848

0,88

00,

834

0,83

00,

786

0,75

50,

908

0,87

70,

063

0,75

59

Vara

ždin

ska

11

0,99

20,

973

11

0,91

00,

878

0,91

20,

970

10,

884

0,89

11

0,95

80,

050

0,87

83

Kop

rivni

ko-k

rižev

aka

0,91

10,

923

0,92

20,

895

0,90

90,

926

0,86

90,

854

0,81

60,

769

0,76

10,

753

0,73

80,

925

0,85

50,

073

0,73

811

Bjel

ovar

sko-

bilo

gors

ka0,

945

0,89

90,

922

0,89

30,

916

0,92

00,

893

0,86

20,

877

0,79

80,

948

0,91

60,

806

0,87

60,

891

0,04

50,

798

6Pr

imor

sko-

gora

nska

0,82

70,

799

0,79

00,

767

0,77

10,

785

0,78

40,

770

0,74

00,

720

0,71

70,

709

0,69

50,

886

0,76

90,

051

0,69

520

Liko

-sen

jska

0,70

10,

808

0,82

70,

774

0,77

20,

749

0,70

90,

678

0,73

30,

645

0,65

20,

664

0,67

00,

735

0,72

20,

058

0,64

521

Viro

viti

ko-p

odra

vska

10,

852

0,83

50,

872

0,88

40,

896

0,85

90,

826

0,82

60,

710

0,72

00,

688

0,69

30,

710

0,81

20,

094

0,68

816

Pože

ško-

slavo

nska

0,96

40,

832

0,94

40,

908

0,86

90,

937

0,92

60,

878

0,89

60,

751

0,75

60,

718

0,73

60,

921

0,86

00,

085

0,71

810

Brod

sko-

posa

vska

10,

873

0,91

70,

922

0,90

70,

954

0,91

50,

867

0,88

00,

738

0,76

60,

741

0,84

70,

955

0,87

70,

081

0,73

88

Zada

rska

0,84

80,

830

0,83

80,

791

0,80

50,

797

0,76

10,

751

0,76

20,

719

0,74

90,

731

0,71

10,

824

0,78

00,

045

0,71

119

Osje

ko-b

aran

jska

0,87

70,

898

0,90

10,

897

0,92

20,

924

0,90

40,

881

0,90

20,

851

0,83

90,

805

0,82

60,

898

0,88

00,

036

0,80

57

Šibe

nsko

-kni

nska

0,99

50,

894

0,89

20,

867

0,89

20,

888

0,82

00,

758

0,80

10,

699

0,72

50,

717

0,68

80,

843

0,82

00,

092

0,68

815

Vuko

vars

ko-s

rijem

ska

10,

864

0,89

60,

868

0,86

00,

880

0,84

20,

813

0,87

00,

783

0,82

00,

759

0,78

20,

814

0,84

60,

060

0,75

912

Split

sko-

dalm

atin

ska

0,83

70,

886

0,88

20,

829

0,84

60,

849

0,82

10,

790

0,80

20,

768

0,79

30,

810

0,77

80,

986

0,83

40,

056

0,76

813

Ista

rska

0,78

80,

767

0,78

00,

789

0,80

90,

824

0,83

60,

790

0,76

60,

742

0,74

80,

723

0,71

40,

851

0,78

10,

041

0,71

418

Dub

rova

ko-n

eret

vans

ka1

0,84

10,

803

0,77

40,

816

0,75

30,

710

0,77

20,

747

0,70

50,

725

0,70

80,

696

0,92

80,

784

0,08

90,

696

17M

eim

ursk

a1

11

0,98

31

10,

972

0,94

70,

920

0,92

60,

912

0,92

60,

901

0,99

90,

963

0,03

90,

901

2G

rad

Zagr

eb0,

965

0,96

40,

954

0,98

91

0,98

91

11

0,96

90,

980

10,

928

10,

981

0,02

20,

928

1

Stat

istik

apo

godi

nam

a

Pros

jek

0,93

30,

887

0,89

30,

873

0,88

80,

890

0,86

20,

837

0,84

90,

793

0,81

10,

791

0,78

50,

897

0,85

6

St. d

ev.

0,08

70,

066

0,06

40,

070

0,07

40,

079

0,08

20,

076

0,07

50,

092

0,09

60,

096

0,08

60,

090

Min

. izn

os0,

701

0,76

70,

780

0,76

70,

771

0,74

90,

709

0,67

80,

733

0,64

50,

652

0,66

40,

670

0,71

0M

ax. i

znos

11

10,

989

11

11

10,

970

11

0,92

91

Broj

(%)

eÞ k

asni

h8

38 %

210

%1 5 %

0 0 %

314

%3

14 %

1 5 %

1 5 %

1 5 %

0 0 %

1 5 %

1 5 %

0 0 %

838

%R

ang

16

37

54

810

912

1113

142

Izvo

r: I

zra

un a

utor

a



O igledno je da niti jedna županija nije uspjela ostvariti kontinuiranu eÞ ka-snost. Od 294 promatrana entiteta, samo je 26 relativno eÞ kasnih. Grad Zagreb i Varaždinska županija eÞ kasni su u šest, Me imurska u pet i Krapinsko-zagorska u tri godine. Šest županija eÞ kasnost je dostiglo u samo jednoj godini, dok je preo-stalih 11 kontinuirano neeÞ kasno. Niti jedna županija nije postigla neprekinuti rast ili neprekinuti pad eÞ kasnosti. Godina 2002. daleko je najuspješnija, kako po broju eÞ kasnih županija (8) tako i po prosje nom iznosu eÞ kasnosti (0,933). Najmanje uspješna je 2014., s prosje nim iznosom eÞ kasnosti 0,785 i bez ijedne eÞ kasne žu-panije. EÞ kasnih županija nije bilo ni u 2005. i 2011. godini. Treba naglasiti da niti jedan iznos eÞ kasnosti u novome modelu nije ve i od odgovaraju eg iznosa u pret-hodnome, što se može pripisati duljini prozora odnosno obuhvatu podataka za po-jedinu usporedbu. Naime, za pojedini je entitet povoljnija usporedba sa 20 entiteta (prvi model) nego sa 293 entiteta (drugi model) me u kojima je i spomenutih 20.

Najmanji od 294 iznosa eÞ kasnosti (0,645) ostvarila je Li ko-senjska županija u 2011. godini. Sli no prethodnome modelu, ta je županija zabilježila i najnižu pro-sje nu ocjenu eÞ kasnosti (0,722), dok je najvišu (0,981) ostvario Grad Zagreb. Ovi brojevi svjedo e opet o razlikama me u hrvatskim županijama, koje su u ovome modelu još izraženije nego u prethodnome. Najzna ajniji skok eÞ kasnosti u odnosu na prethodnu godinu, kako negativan (-0,159 u 2003.) tako i pozitivan (+0,232 sa u 2015.), ostvarila je ista, Dubrova ko-neretvanska županija. Ta je županija zanimljiva i zbog najve eg pada prosje nog iznosa eÞ kasnosti u drugome modelu, u kojemu je eÞ kasnost ostvarila samo u prvoj godini, u odnosu na prvi model u kojemu je bila eÞ kasna u ak osam (prvih) uzastopnih godina, što je ujedno rezultiralo najve im pogoršanjem ranga (za devet mjesta). To se može predo iti sljede im primjerom. Ako se performanse Dubrova ko-neretvanske županije iz 2008. godine usporede samo s performansama ostalih županija u istoj godini (prvi model), niti jedna župa-nija ne pokazuje se eÞ kasnijom od nje. Ako se pak njezine performanse iz iste godi-ne usporede s performansama svih županija, uklju ivši i nju samu, u svim godinama promatranoga razdoblja, ak 276 od 294 entiteta pokazuje ve u eÞ kasnost od nje, uklju uju i i nju samu s performansama iz ostalih godina (osim 2011., 2013. i 2014.).

O ekivano, može se ustvrditi da me u rezultatima dvaju modela postoje odre ene sli nosti, ali i izrazite razlike. Devet je županija koje su bolje rangirane u prvome, a deset onih koje su bolje rangirane u drugome modelu. Jedine dvije županije koje su zadržale rang ujedno su najbolje (Grad Zagreb) i najlošije (Li ko-senjska) rangirane. Prosje na ocjena eÞ kasnosti (za sve županije u cijelom razdo-blju) od 0,856 ukazuje na to da su županije u prosjeku neeÞ kasne 14,4%, što je znatno više nego u prethodnome modelu. Posljedica je to injenice da su prosje ne iznose eÞ kasnosti u drugome modelu, u odnosu na prvi, pogoršale sve županije, ali je ta promjena kod nekih više a kod nekih manje izražena, o emu svjedo e spomenute promjene u rangu.



Izvori neeÞ kasnosti u obliku traženih poboljšanja inputa i outputa, uprosje e-nih kroz promatrano razdoblje, dani su u tablici 5.

Situacija s obzirom na utjecaj pokazatelja na razine eÞ kasnosti u ovome je mo-delu znatno jasnija nego u prethodnome. Tako broj zaposlenih u jedinicama lokalne i podru ne samouprave ponovno ima najve i utjecaj na neeÞ kasnost, ali ovoga puta uz samo dvije iznimke (u 2009. i 2010. godini, kada to ima BDP) i znatno ja e nego u prethodnome modelu. Na eÞ kasnost ponovno najmanji utjecaj imaju teku i ras-hodi, ali sada sa samo jednom iznimkom (u posljednjoj godini, kada to ima BDP). O igledno je BDP jedini pokazatelj koji se istodobno nalazi i me u pokazateljima s najslabijim i me u pokazateljima s najja im utjecajem na eÞ kasnost. Zašto je BDP u 2009. godini preuzeo vode i utjecaj na eÞ kasnost pojašnjeno je kod prethodnoga modela, dok se njegov najmanji utjecaj na eÞ kasnost u 2015. može jednostavno obra-zložiti injenicom da je ta godina prva godina njegova rasta nakon šest uzastopnih godina recesije. injenica da su, u odnosu na prethodni model, razlike izme u hrvat-skih županija dublje opet je izravna posljedica razlike u duljini prozora.

Tablica 5.

IZVORI RELATIVNE NEEFIKASNOSTI ŽUPANIJA I NJIHOVA VELI INA PREMA MODELU ANALIZE PROZORA – JEDAN PROZOR

Poboljšanjainputa

ioutputa

(%)

Godina

V a r i j a b l eInputi Output

Porezniprihodi

Teku irashodi

Kapitalnirashodi

LRZAP UKZAP BDP

2002 10,39 -6,84 -10,85 -16,10 13,54 14,872003 14,54 -11,34 -21,03 -26,93 17,76 20,432004 13,87 -10,71 -20,91 -31,10 13,43 23,522005 17,87 -12,70 -24,52 -31,51 16,28 24,722006 15,35 -11,24 -25,54 -31,76 14,42 23,732007 14,70 -11,00 -28,42 -31,36 15,95 28,052008 18,40 -13,77 -32,68 -37,07 18,25 31,702009 22,17 -16,33 -29,86 -42,39 22,24 46,022010 20,81 -15,13 -20,21 -45,11 26,30 55,722011 31,96 -20,98 -22,05 -41,52 30,39 37,442012 28,24 -19,48 -20,29 -42,92 28,67 41,162013 29,95 -21,35 -23,15 -47,59 33,03 46,332014 30,17 -21,52 -24,16 -46,28 35,37 45,802015 13,10 -10,33 -13,44 -25,25 14,43 10,21

Prosjek 20,11 -14,48 -22,65 -35,49 21,43 32,12

Izvor: Izra un autora



Stavljaju i u odnos doprinose pokazatelja neeÞ kasnosti (slika), o igledan je najve i udio broja zaposlenih u jedinicama lokalne i podru ne samouprave (24%) i najmanji udio teku ih rashoda (10%).

Slika.

DOPRINOS INPUTA I OUTPUTA NEEFIKASNOSTI PREMA MODELU ANALIZE PROZORA – JEDAN PROZOR

5. Zaklju ne napomene

Usporedna eÞ kasnost 21 hrvatske županije empirijski je ocijenjena na temelju me usobne usporedbe izravnih i neizravnih pokazatelja njihovih Þ skalnih per-formansi, korištenjem analize prozora kao proširenja osnovnog modela metode analize ome ivanja podataka. Analiza je obuhvatila etrnaestogodišnje razdoblje (2002.-2015.), omogu uju i tako pra enje dinamike relativne eÞ kasnosti župani-ja. Uporabom dvaju modela, usmjerenih na inpute uz pretpostavku varijabilnog prinosa, koji se me usobno razlikuju u duljinama prozora, performanse županija uspore ene su unutar pojedinih godina i izme u njih, s fokusom na Þ skalnu eÞ -kasnost.

Empirijski rezultati sugeriraju nekoliko važnih zaklju aka. Prvo, iznosi eÞ -kasnosti uprosje eni po županijama tijekom svih etrnaest promatranih godina svjedo e velikim me užupanijskim razlikama. Pritom je Grad Zagreb rangiran kao prvi a Li ko-senjska županija kao posljednja, bez obzira na korišteni model.

Porezniprihodi14%

Tekućirashodi10%

BDP22%

Kapitalnirashodi15%

UKZAP15%

LRZAP24%



Navedeno ukazuje na empirijsku utemeljenost prihva anja prve hipoteze istraživa-nja: postoje zna ajne regionalne nejednakosti u Hrvatskoj, pri emu Grad Zagreb zna ajno pozitivno odstupa od ostalih županija. Drugo, na temelju veli ine nee-Þ kasnosti svake županije izvedena je veli ina neeÞ kasnosti za hrvatske župani-je u cjelini, sugeriraju i mogu nost pove anja razine eÞ kasnosti. Prosje na bi se ukupna neeÞ kasnost tako mogla smanjiti za 4.1% odnosno 14.4%, ovisno o izboru modela. Tre e, kao op i zaklju ak, daleko naj eš i glavni izvor neeÞ kasnosti jest broj zaposlenih u jedinicama lokalne i podru ne samouprave, što empirijski po-tvr uje drugu hipotezu. Istodobno, teku i su rashodi naj eš e najmanje zna ajan izvor neeÞ kasnosti. Iako teku i rashodi obuhva aju i rashode za zaposlene, ovakav zaklju ak nije proturje an nego ga valja protuma iti na na in da su teku i rashodi županija prili no me usobno ujedna eni unato prili no neujedna enom broju za-poslenih u njihovim tijelima.

Zaklju ci ovoga istraživanja, temeljeni na empirijskim usporedbama me u županijama, trebali bi biti od interesa analiti arima i pomo i nositeljima politike u Republici Hrvatskoj u prepoznavanju snaga i slabosti njezinog u inka na kretanje razvojnih nejednakosti hrvatskih županija, a time i u oblikovanju ciljane Þ skalne politike. Oni daju uvid u razinu i dinamiku relativne eÞ kasnosti i rezultiraju smjer-nicama za stvaranje novih ili preispitivanje postoje ih Þ skalnih uvjeta. Kako bi se ovaj uvid u inio cjelovitijim, analiza kroz predložene modele trebala bi se proširiti na dulje razdoblje i uklju iti više pokazatelja koji bi odražavali neke dodatne as-pekte utjecaja Þ skalnog sustava na regionalne disparitete. Tako bi se, primjerice, kao output mogao pridodati prihod poduzetnika po stanovniku, kojim bi se na odre eni na in provjerila robusnost ovdje dobivenih rezultata.

Premda bi time ve i naglasak bio stavljen na BDP, a manji na Þ skalne poka-zatelje, analizu na temelju ovdje korištenih pokazatelja bilo bi zanimljivo provesti i uz usmjerenje na output, te dobivene rezultate i zaklju ke usporediti s onima uz usmjerenje na inpute. Kao alternativa do sada korištenim pristupima u doma-im istraživanjima povezanosti Þ skalne politike i regionalnog razvoja, u fokusu je

ovoga rada neparametarski pristup, no analiza se u nekom budu em istraživanju može provesti na na in da se u modele AOMP uklju e samo Þ skalne varijable i stopa rasta BDP-a, a da se potom Tobit regresijom analizira u inak po etne razine BDP-a po stanovniku, nezaposlenosti i zaposlenosti u lokalnim jedinicama za pro-sjek svih obuhva enih godina. Sve su spomenute mogu nosti otvorene za budu a istraživanja.



Literatura

1. Bajo, A. (2009). Struktura zaposlenih u lokalnim jedinicama, Newsletter br.

43, Zagreb: Institut za javne Þ nancije. Dostupno na http://web3.ijf.hr/newslet-ter/43.pdf

2. Bajo, A. i Broni , M. (2007). Procjene u inkovitosti modela Þ skalnog iz-ravnanja u Hrvatskoj. Financijska teorija i praksa, 31(1), 1-24. Dostupno na https://hrcak.srce.hr/12239

3. Banker, R. D., Charnes, A. i Cooper, W. W. (1984). Some Models for Estimating Technical and Scale InefÞ ciencies in Data Envelopment Analysis. Management Science, 30(9), 1078-1092. Dostupno na https://www.jstor.org/stable/pdf/2631725.pdf, https://doi.org/10.1287/mnsc.30.9.1078

4. Bošnjak, K. i Peri , T. (2017). Game theory in the analysis of monetary and Þ scal policy on the example of Republic of Croatia. HUMAN, 7(1), 77-82. Dostupno na https://human.ba/wp-content/uploads/2017/04/Full-Issue.pdf#page=77

5. Charnes, A., Cooper, W. W. i Rhodes, E. (1978). Measuring the EfÞ ciency of Decision Making Units. European Journal of Operational Research, 2(6), 429-444. Dostupno na https://doi.org/10.1016/0377-2217(78)90138-8

6. Cooper, W. W., Seiford, L. M. i Tone, K. (2006). Introduction to Data

Envelopment Analysis and Its Uses: With DEA-Solver Software and

References. New York: Springer.

7. De Long, J. B. i Summers, L. H. (1991). Equipment investment and eco-nomic growth. The Quarterly Journal of Economics, 106(2), 445-502. Dostupno na https://www.jstor.org/stable/pdf/2937944.pdf, https://doi.org/10.2307/2937944

8. Državni zavod za statistiku Republike Hrvatske. (2018a). Bruto doma i proiz-

vod za Republiku Hrvatsku i prema NKPJS-u 2012. – 2. razina i županije. https://www.dzs.hr/Hrv_Eng/Pokazatelji/Bruto%20domaci%20proizvod.xls (pristupljeno 13. travnja 2018.)

9. Državni zavod za statistiku Republike Hrvatske. (2018b). Indeks potroša kih

cijena. https://www.dzs.hr/Hrv_Eng/Pokazatelji/MSI%20CIJENE.xlsx (pristupljeno 13. travnja 2018.)

10. Državni zavod za statistiku Republike Hrvatske. (2018c). Procjena

stanovništva prema dobnim skupinama i spolu, po županijama, 31.12. https://www.dzs.hr/hrv/publication/subjects.htm (pristupljeno 13. travnja 2018.)

11. Državni zavod za statistiku Republike Hrvatske. (2017). Ukupno zaposle-

ni prema administrativnim izvorima, stanje 31. ožujka. https://www.dzs.



hr/Hrv_Eng/Pokazatelji/ Zaposlenost%20i%20place.xlsx (pristupljeno 13. travnja 2018.)

12. oki , I., Fröhlich, Z. i Raši Bakari , I. (2015). The impact of the econom-ic crisis on regional disparities in Croatia, Cambridge Journal of Regions.

Economy and Society, 9(1), 179-195. Dostupno na https://bib.irb.hr/datote-ka/792084.cjres.rsv030.full.pdf

13. Farrell, M. J. (1957). The Measurement of Productive EfÞ ciency. The Journal

of the Royal Statistical Society, 120(3), 253-290. Dostupno na https://doi.org/10.2307/2343100

14. Frani , J. (2012). Zapošljavanje na lokalnoj razini u Republici Hrvatskoj ti-jekom gospodarske krize, Newsletter br. 71, Zagreb: Institut za javne Þ nan-cije. Dostupno na https://doi.org/10.3326/nlh.2013.71

15. Jurlina Alibegovi , D. (2013). Less is More: Decentralization in Croatia and Its Impact on Regional Development. U W. Bartlett, S. Malekovi i V. Monastiriotis (Ur.), Decentralization and Local Development in South East

Europe (str. 51-66). London: Palgrave Macmillan.

16. Kordi , G., Mihelja Žaja, M. i Gardijan, M. (2018). Evaluating Þ scal rules efÞ ciency in European Union countries using data envelopment analysis. U A. Mašek Tonkovi i B. Crnkovi (Ur.), 7. Me unarodni znanstveni sim-

pozij Gospodarstvo isto ne Hrvatske – vizija i razvoj (str. 1014-1022). Osijek: Ekonomski fakultet Sveu ilišta Josipa Jurja Strossmayera.

17. Liu, J. S., Lu, L. Y. i Lu, W. M. (2016). Research fronts in data envelop-ment analysis. Omega, 58, 33-45. Dostupno na https://doi.org/10.1016/j.ome-ga.2015.04.004

18. Ma ki , V. (2014). Political budget cycles at the municipal level in Croatia. Financial theory and practice, 38(1), 1-35. Dostupno na https://doi.org/10.3326/Þ ntp.38.1.1

19. Ministarstvo Þ nancija Republike Hrvatske. Financijski izvještaji JLP(R)S, razna izdanja. http://www.mÞ n.hr/hr/Þ nancijski-izvjestaji-jlprs (pristupljeno 13. travnja 2018.)

20. Nold Hughes, P. A. i Edwards, M. E. (2000). Leviathan vs. Lilliputian: a data envelopment analysis of government efÞ ciency. Journal of Regional Science, 40(4), 649-669. Dostupno na https://doi.org/10.1111/0022-4146.00192

21. Scott, M. (1991). A New View of Economic Growth: Four Lectures, World

Bank Discussion Papers br. 131, Washington, D. C.: The World Bank. Dostupno na https://doi.org/10.1093/ 0198287429.001.0001

22. Šimovi , H., ori , T. i Deskar-Škrbi , M. (2014). Mogu nosti i ograni enja Þ skalne politike u Hrvatskoj. Ekonomski pregled, 65(6), 541-575. Dostupno na https://hrcak.srce.hr/132919



23. Šimovi , H. i Deskar-Škrbi , M. (2019). Fiscal Policy and European Semester in Croatia: Why Should We Focus on Public Debt?. U Z. Petak i K. Kotarski (Ur.), Policy-Making at the European Periphery – The Case of Croatia (str. 169-186). Cham: Palgrave Macmillan.

ANALYSIS OF THE REGIONAL EFFICIENCY IN CROATIA USING FISCAL INDICATORS – A NONPARAMETRIC APPROACH

Summary

The uneven economic growth of Croatian counties points to the need for an analysis of their relative efÞ ciency. Among other things, it would be interesting to focus the research on indicators under the dominant inß uence of Þ scal policy. This is exactly the subject of this paper, and the rese-arch covers the period from 2002 to 2015 and includes six indicators which are to a greater or lesser extent related to Þ scal policy measures. The dynamic analysis is conducted empirically, using the nonparametric method of data envelopment analysis (DEA), at the county level at which are also gi-ven the guidelines for necessary improvements, which is novel in comparison to previous literature. The obtained results of 21 counties’ efÞ ciency conÞ rmed the hypothesis of signiÞ cant inter-county disparities and the leading position of the City of Zagreb in the sense of selected indicators, also pointing to inefÞ ciency sources among which the most prominent is the number of employees of local and regional self-government units. The results should serve the economic policy makers in the efforts to improve Þ scal decisions with the aim of reducing regional differences.

Keywords: Þ scal indicators, economic growth, (in)efÞ ciency, Croatian counties, data enve-lopment analysis, window analysis

analiza regionalne efikasnosti u hrvatskoj …

Documents