Turistički pokazatelji hrvatski turizam 2017.godina

S obzirom da je turizam perjanica hrvatskog gospodarstva odlučio sam iskoristiti podatke koji su javno dostupni na stranicama Hrvatske turističke zajednice. Koristim priliku da čestitam ekipi koja je radila na aplikaciji eVisitor.

Moja je namjera da kreiram vizualizacije koje će mi pomoći da jednostavnije razumijem podatke o gostima koji dolaze u Hrvatsku. Za analizu podataka odlučio sam koristiti izvještaje koji su napravljeni u pdf.formatu. Nakon određenog vremena shvatio sam kako bi se moj zadatak mogao vremenski odužiti, pa sam koristeći se Notepad++ i MS Excelom kreiraoradnu bazu s podacima.

Kada su podaci bili pripremljeni koristeći se Pythonom kreirao sam vizualizacije koje se odnose na broj dolazaka gostiju i broj ostvarenih noćenja u 2017.godini. Kao i uvijek kada radiš nešto novo vrijeme koje je bilo potrebno da uradim zamišljene vizualizacije iscurilo je. Međutim, kada sam kreirao finalne vizualizacije pomoću trivijalnih izmjena brzo sam iskreirao ostatak.

Vizualizacija nije uključila domaće goste.

Problem na koji sam naišao u pripremi vizualizacije je način prezentiranja podataka. Naime, prva četiri mjeseca prikazuju podatke za taj mjesec, a od mjeseca svibnja podaci su prezentirani u kumulativu. Kako bi dobio ispravan grafikon trebao sam svesti kumulativne podatke po mjesecima na pojedinačne. Bazična matematika.

Idemo na vizualizacije. Za svaku kategoriju ( broj dolazaka i broj ostvarenih noćenja ) odabrao sam prikaz iz dva dijela. Prvi grafikon predstavljaju top 20 zemalja po broju gostiju, odnosno ostvarenim noćenjima. Drugi grafikoni predstavljaju preostale podatke ( 54 zemalja ).

 

TOP 20 – Broj dolazaka inozemnih gostiju prema zemljama

Broj dolazaka inozemnih gostiju ( ostatak )

TOP 20 zemalja prema ostvarenom broju noćenja u Hrvatskoj

Informacije o broju noćenja za ostatak gostiju

Vizualizaciju podataka odlučio sam završiti s podacima top 20 država po broju dolazaka i ostvarenim noćenjima prema mjesacima.

TOP20 broj dolazaka gostiju prema zemljama

TOP20 broj ostvarenih noćenja po državama prema mjesecima

Ako imate kakvih pitanja vezano za vizualizaciju podataka, možete me kontaktirati na email ponistra@net.hr.

Analiza vinskih sorata prema podregijama Hrvatske

Vizualizacija podataka iz vinskog registra

S obzirom na dostupnost podataka nastavljamo s radom na vizualizaciji podataka Agencije za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju.

Slijedeći zadatak je vizualizacija podataka 15 vodećih sorata vinove loze prema podregijama Hrvatske.

Pretpostavimo da želite realizirati poduzetnički projekt u grani vinogradarstva. Informacija o trenutnom stanju na terenu kao poduzetniku vam je bitna. Zašto nagađati koja sorta je pogodna za područje na kojem biste realizirali ulaganje? Podaci su služebno dostupni, zar ne?

Činjenica je da podaci postoje, međutim potrebno je odvojiti vrijeme kako bi se podaci izanalizirali. U trenutku pisanja ovog članka, podaci o sortama i površinama dostupni su u Excel formatu. Međutim, vas to ne zanima, jer želite iz prve ruke i u kratkom roku saznati bitne informacije. Bez vizualizacije podataka, informacije u tabličnom prikazu lako je preskočiti.

Kako bi vizualizirali podatke odlučili smo se za heatmap grafikon. Pomoću jednostavne python skripte kreirane su dvije mape.

Vizualizacija podataka prema hektarima zasađenih sorata u podregijama Hrvatske

Prva mapa, predstavlja informaciju o zasađenim hektarima vinskih sorti koje se nalaze u podregijama Hrvatske.

Druga mapa prikazuje informaciju broj zasađenih trsova vinskih sorata prema područjima podregija Hrvatske.

Vizualizacija podataka prema količini zasađenih trsova vinskih sorata u podregijama Hrvatske

Iz grafičkog prikaza mogu se izvući zaključci bitni za investicijski pothvat.

Ako imate kakvo pitanje vezano za analitiku i vizualizaciju informacija, primjenu Pythona u tom segmentu, ili neko drugo, isto možete poslati email na ponistra@net.hr.

Python: Analiza i vizualizacija podataka ( praktični vodič za početnike )

Nakon što sam godinama u Excelu odrađivao analitiku, odlučio sam se u svojim ranim četrdesetima naučiti koristiti programskim jezikom. Odmah da kažem kako se nisam dobro informirao u početku, pa sam tako završio učeći Ruby. Tražio sam lagan i razumljiv jezik. Nakon mjesec dana, i više konkretnih informacija, prešao sam na Python. Sada se bliži šest mjeseci od kada sam započeo taj put. Rezultate koje sam ostvario su super!

Glavna ideja koja me vodi da ne odustanem ( u trenutcima kada kod ne radi ono što želim ) je činjenica da posao koji obavljam podrazumijeva ponavljanje radnji. Ako automaziram radnje imam više vremena, učinkovitiji sam i na kraju zadovoljan što koristim novu vještinu.

Prije ovog članka objavio sam nekoliko članaka u kojima sam odradio analizu i vizualizaciju podataka s konkretnim primjerima iz sektora poljoprivrede. Za mene je svakako najvažnija činjenica da sam koristeći se Pythonom uštedio sebi vrijeme.

Nisam testirao, ali šanse da se obradi preko milijun ćelija u Excelu bez da sustav blokira nisu baš velike. Python uvijek odradi posao za mene bez blokiranja ( osim u slučaju kada kod koji napišem nije dobar ).

Što možete pronaći u ovom dokumentu? Jasne upute kako napraviti analizu i vizualizaciju podataka. Baza podataka s kojom sam radio je malena. Međutim, pravu snagu ćete upoznati tek kada primjenite neku liniju koda na bazi koja ima možda deset ili pedeset tisuća redova.

Ako imate želju saznati više kako početi s radom u Pythonu, imate zadatak koji biste htjeli automatizirati, ili neko drugo pitanje na istu temu, stojim vam na raspolaganju, ponistra@net.hr. Vještina programiranja nije ekskluziva za djecu i mlade. Riječ je o vještini na kojoj treba raditi. Rezultati koje sam osobno postigao s naglaskom na uštedu vremena za mene su veliki napredak.

Vizualizacija podataka o vinima Hrvatske

Za analizu podataka korišteni su dostupni podaci s interneta. Ideja projekta je napraviti vizualizaciju pomoću Python library Bokeh-a. Više o alatu može se pronaći na službenim stranicama alata.

Zašto Bokeh? Zato što omogućava kreiranje interaktivne vizualizacije. Postoje druge mogućnosti, ali želim se držati programskog jezika Python. Svaki zadatak s implementacijom Bokeh-a je izazov. Zadani cilj je kreiranje vizualizacije koja će omogućiti korisniku interaktivan odabir opcija, odabir seta informacija koje su korisniku bitne. Najvažnije od svega je da prilikom korištenja baze informacija uvid može obaviti u prihvatljivom vremenskom intrevalu. (more…)

Korištenje poljoprivrednog zemljišta u Hrvatskoj – analiza i vizualizacija

U prethodnim člancima koristili smo se podacima Agencije za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju ( APPRRR ) kako bismo vizualizirali informacije za brzo procesuiranje kod potencijalnih korisnika.

Najveći dio vremena potreban je bio za prikupljanje i filtriranje podataka s obzirom da podaci nisu bili u formatu pogodnom za analitiku.

Više o analizama možete saznati na slijedećim linkovima Potpore u hrvatskoj poljoprivredi – analitika i vizualizacija ( I dio ), Potpore u hrvatskoj poljoprivredi – analitika i vizualizacija ( II dio ).

Podloga za analizu podataka

Podloga za izradu analize je Izvještaj broj 1_Tražene kulture na Jedinstvenom zahtjevu iz 2017.xlsx objavljen na stranicama Agencije za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju ( APPRRR).

Dokument sadrži tri lista na kojima se nalaze raspoređeni podaci Izvještaj za 2017 po gradovima, Izvještaj za 2017 po županijama i OP_EKOP_EKO.

Pozicija Broj gospodarstava zbog moguće krive interpretacije podataka neće biti predmet analize.

Analiza podataka

Za potrebe analize koristiti ćemo se informacijama što se nalaze na listu Izvještaj za 2017 po gradovima ( ukupno 903.690 podataka ). Razlog tome je što su podaci na listu Izvještaj za 2017 po županijama generirani iz Izvještaja za 2017 po gradovima.

U prvom koraku odrediti ćemo površine poljoprivrednih površina koje su prijavljene za ostavrivanje prava na potpore prema vrsti gospodarstva.

Iz podataka je vidljivo da se prema vrsti gospodarstava zahtjevi za potpore na poljoprivredne površine odnose 75,0% (808.001 hektara ) na obiteljska poljoprivredna gospodarstva, 16.5 % (177.746 hektara ) na trgovačka društva, 6.86% ( 73.951 hektara ) na obrt, 1.31% (14.098 hektara) na zadruge i 0.33 % (3.534 hektara ) na ostale oblike.

Analiza podataka prema informacijama pokazuje da je najviše prijavljenih površina 210.051 hektara (19.5%) u Osječko-baranjsko županiji, 128.949 hektara (11.97%) u Vukovarsko-srijemskoj županiji, 88.207 hektara (8.19% ) u Bjelovarsko-bilogorskoj županiji.

Prikaz prijavljenih poljoprivredenih površina prema županijama i vrstama gospodarstava. Prikaz je napravljen modelom tzv.heatmap.

Analizu ćemo nastaviti prema vrstama uporabe poljoprivrednog zemljišta. Prijavljene površine za oranice iznose 831.386 hektara (77,17 %), livade 89.193 hektara (8.28% ), te krški pašnjak 71.752 hektara (6.66% ).

Iz prikaza podataka pomoću heatmapa možemo brzo uočiti raspored poljoprivredenih površina prema vrstama uporabe.

Analiza podataka prema županijama

U nastavku ćemo temeljem dostupnih podataka koristeći se heatmapom vizualizirati podatke za svaku županiju, prema vrstama uporabe poljoprivrednog zemljišta.

Bjelovarsko-bilogorska županija

Poljoprivredne površine u Bjelovarsko-bilogorskoj županiji prema vrsti uporabe u 2017.godini.

Brodsko-posavska županija

Poljoprivredne površine u Brodsko-posavskoj županiji prema vrsti uporabe u 2017.godini.

Dubrovačko-neretvanska županija

Poljoprivredne površine u Dubrovačko-neretvenskoj županiji prema vrsti uporabe u 2017.godini.

Grad Zagreb

Poljoprivredne površine Grad Zagreb prema vrsti uporabe u 2017.godini.

Istarska županija

Poljoprivredne površine u Istarskoj županiji prema vrsti uporabe u 2017.godini.

Karlovačka županija

Poljoprivredne površine u Karlovačkoj županiji prema vrsti uporabe u 2017.godini.

Koprivničko-križevačka županija

Poljoprivredne površine u Koprivničko-križevačkoj županiji prema vrsti uporabe u 2017.godini.

Krapinsko-zagorska županija

Poljoprivredne površine u Krapinsko-zagorskoj županiji prema vrsti uporabe u 2017.godini.

Ličko-senjska županija

Poljoprivredne površine u Ličko-senjskoj županiji prema vrsti uporabe u 2017.godini.

Međimurska županija

Poljoprivredne površine u Međimurskoj županiji prema vrsti uporabe u 2017.godini.

Osječko-baranjska županija

Poljoprivredne površine u Osječko – baranjskoj županiji prema vrsti uporabe u 2017.godini.

Požeško-slavonska županija

Poljoprivredne površine u Požeško – slavonskoj županiji prema vrsti uporabe u 2017.godini.

Primorsko-goranska županija

Poljoprivredne površine u Primorsko – goranskoj županiji prema vrsti uporabe u 2017.godini.

Sisačko-moslavačka županija

Poljoprivredne površine u Sisačko-moslavačkoj županiji prema vrsti uporabe u 2017.godini.

Splitsko-dalmatinska županija

Poljoprivredne površine u Splitsko – dalmatinskoj županiji prema vrsti uporabe u 2017.godini.

Varaždinska županija

Poljoprivredne površine u Varaždinskoj županiji prema vrsti uporabe u 2017.godini.

Virovitičko-podravska županija

Poljoprivredne površine u Virovitičko – podravskoj županiji prema vrsti uporabe u 2017.godini.

Vukovarsko-srijemska županija

Poljoprivredne površine u Vukovarsko – srijemskoj županiji prema vrsti uporabe u 2017.godini.

Zadarska županija

Poljoprivredne površine u Zadarskoj županiji prema vrsti uporabe u 2017.godini.

Zagrebačka županija

Poljoprivredne površine u Zagrebačkoj županiji prema vrsti uporabe u 2017.godini.

Šibensko-kninska županija

Poljoprivredne površine u Šibensko – kninskoj županiji prema vrsti uporabe u 2017.godini.

Zaključak

Temeljem javno dostupnih podataka Agencije za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju koje smo koristili u analizi podataka, pokušali smo vizualizirati informacije na način koji će omogućiti korisnicima dokumenta razumijeti informacije.

Analizom podataka moguće je utvrditi gradove/naselja s najvećim aktiviranim potencijalom poljoprivrednog zemljišta.

Jednostavna vizualizacija podataka poput gore prikazanih može u konkretnom slučaju biti parametar u kreiranju politike rasploganja poljoprivrednim zemljištem na područjima gradova/naselja, planiranja investicijskih ulaganja, plasmana poljoprivrednog repromaterijala, itd.

Za sva dodatna pitanja stojimo na raspolaganju ponistra@net.hr.

Potpore u hrvatskoj poljoprivredi – analiza i vizualizacija podataka ( II dio )

Analiza prema izvorima financiranja i broju isplaćenih potpora

U ovom tekstu nastaviti ćemo prethodnu započetu analizu potpora u hrvatskoj poljoprivredi za razdoblje 2015. i 2016.godine. Analiza koju ćemo odraditi povezana je s izvorima sredstava financiranja.

Za potrebe analize nećemo ulazati u detalje financijskih instrumenata, a zbog lakšeg praćenja izdvojiti ćemo kratice i pune nazive instrumenata:

  • EAFRD – European Agricultural Fund for Rural Development ( Europski poljoprivredni fond za ruralni razvoj )
  • EAGF – European Agricultural Guarantee Fund ( Europski fond za garancije u poljoprivredi )
  • EFF – European Fisheries Fund ( Europski fond za ribarstvo )
  • EMFF – European Maritime And Fisheries Fund (Europski fond za pomorstvo i ribarstvo )
  • Nacionalna potpora – sredstva Državnog proračuna RH

Prikupljanje podataka

Na stranicama Agencije za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju javno su dostupni podaci o korisnicima potpora u poljoprivredi. Međutim, želimo li dublje analizirati sustav potpora potrebni su nam alati kojima taj posao možemo odraditi efikasno.

Nakon što smo prikupili potrebne podatke o čemu smo već ranije pisali ( link na tekst ) vrijeme je da proanaliziramo nekoliko bazičnih pokazatelja. Podaci koji su prikupljeni mogu odstupati obzirom na metodologiju kojom smo se koristili u ovom analitičkom projektu.

Analiza potpora za 2015. i 2016.godinu

Od ukupno isplaćenih 3,87 milijarde kuna, prema dostupnim podacima 2,03 milijarde osigurano je EU sredstvima (52,39%), dok je Republika Hrvatska osigurala 1,84 milijardi kuna (47,61%) u 2015.godini.

Nadalje, sukladno podacima za 2015.godinu na stranicama Agencije ukupno isplaćeni iznosi potpora prema izvorima sredstava iznosili su EAGF 2,62 milijarde kuna, EAFRD 631,27 milijun kuna, Nacionalna potpora 613,04 milijuna kuna, EFF 8,45 milijuna kuna.

Prema vrstama potpore najveći iznos potpora izdvojen za Program jedinstvenih plaćanja u iznosu od 2,17 milijardi kuna. Financiranje dodatnih nacionalnih izravnih plaćanja za Hrvatsku – Mjera 18 bilo je financirano s 629,64 milijuna kuna, a izravna plaćanja u poljoprivredi iznosila su 181,38 milijuna kuna.

Od ukupno isplaćenih 3,51 milijarde kuna u 2016.godini, 2,22 milijarde osigurano je EU sredstvima (63,57%), dok je Republika Hrvatska osigurala 1,28 milijardi kuna (36,43%).

Tijekom 2016.godine raspored sredstava iznosio je kako slijedi: EAGF 2,12 milijarda kuna, EAFRD 999,60 milijuna kuna, Nacionalna potpora 269,33 milijuna kuna, EFF 62,81 milijuna kuna, EMFF 51,67 milijuna kuna.

U odnosu na 2015.godinu iznos potpora koji je evidentiran u 2016.godini bio je manji za 374,08 milijuna kuna, što predstavlja umanjenje od 9,64%.

Isplata potpore prema programima financiranja

Grafikon1. Prikaz isplaćenih potpora u poljoprivredi temeljem programa financiranja za razdoblje 2015. i 2016.godine. Izvor podataka: Agencija za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju.

Analiza potpora za 2015. i 2016.godinu prema vrstama potpore

U 2015.godini zahtjevi su financirani na slijedeći način: EAFRD 96.211 zahtjeva, EAGF 142.950 zahtjeva, EFF 81 zahtjev, Nacionalna potpora 73.911 zahtjev.

Od toga se najveći broj zahtjeva odnosio na Program jedinstvenih plaćanja 98.300, Financiranje dodatnih nacionalnih izravnih plaćanja za Hrvatsku – Mjera 18 s 96.203 zahtjeva, dok su Teži uvjeti gospodarenja imali 41.242 zahtjeva.

U 2016.godini 142.030 zahtjeva je financirano sredstvima EAFRD, 311.628 zahtjeva je financirano sredstvima EAGF, 34 zahtjeva EFF, 162 zahtjeva EMFF, 20.060 zahtjeva sredstvima Nacionalne potpore.

Najveći broj zahtjeva odnosio se na Financiranje dodatnih nacionalnih izravnih plaćanja za Hrvatsku mjera 18 – 87.220 zahtjeva, Program osnovnih plaćanja – 71.381 zahtjeva, Plaćanje za poljoprivredne prakse korisne za klimu I okoliš – 71.221 zahtjev.

Broj potpora u poljoprivredi

Grafikon2. Prikaz broja potpora isplaćenih u razdoblju 2015. i 2016.godine. Izvor podataka: Agencija za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju.

Razlika u odnosu na 2015.godinu kada je izvršena isplata temeljem prijava potpora po 313.153 stavke, dok je u 2016.godini isplata izvršena temeljem 473.923 pojedinačnih stavki. Razlika od 160.770 novih stavki po kojima se isplaćuju potpore uvećana je za 51,30 %, dok je istovremeno ukupan iznos namijenjen isplatama potpora umanjen za 374,08 milijuna kuna.

Zaključak

Iz priloženih grafikona u ovom članku vidljiva je promjena u distribuciji sredstava kada su u pitanju izvori financiranja. Evidentna je činjenica kako u 2016.godini znatno porastao broj zahtjeva koji se financiraju sredstvima EAFRD-a.

Analiza koje je prezentirana u prvom članku, i ovom sada, primjeri su tzv.summary statistics.

Namjera je bila da se korištenjem jednostavne vizualizacije na razumljiv način detektiraju tijekovi sredstava namijenjenih poljoprovredi. S obzirom da je riječ o temi koja je uvijek aktualna, eventualna pitanja vezano za izradu analitike pošaljite na mail ponistra@net.hr.

Potpore poljoprivreda – analiza i vizualizacija podataka

Zašto potpora u poljoprivredi?

Pitanje potpora u poljoprivredi uvijek je aktualno. U slučaju da imate zadatak izraditi analizu poljoprivrednih potpora naći ćete se pred izazovom. U daljnjem tekstu pojasniti ćemo korake kako pristupiti izazovu koji obuhvaća nekoliko koraka.

Kako prikupiti podatke

Agencija za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju objavljuje na internet stranicama http://isplate.apprrr.hr, informacije o korisnicima potpora u poljoprivredi. Korištenje filtera na stranicama dozvoljava jednostavno pretraživanje baze podataka. Ako je cilj saznati informacije o određenom korisniku to je moguće učiniti elegantno.

Što kada želimo saznati informacije o isplaćenim potporama po korisnicima na razini države, županije ili mjesta? Zbog ograničenja vezano za maksimalan broj prikaza podataka o korisnicima potpora po stranici ( do 100 korisnika ), analiza podataka traži drugačiji pristup.

Pretpostavimo da imamo za cilj saznati sve korisnike potpora u poljoprivredi Splitsko – dalmatinske županije. Korištenje filtera omogućava da brzo dobijemo rezultat. Rezultat će biti na nekoliko desetaka stranica.

Kako iskoristiti rezultate pretrage za analizu podataka? Kako podatke spremiti u format pogodan za analizu podataka? Kopiranje sadržaja stranicu po stranicu? Nakon nekoliko stranica kopiranih u Excel, brzo možemo zaključiti kako to nije produktivan pristup.

Jedan od načina pristupa tom problemu je kreiranje skripte kako bi se proces prikupljanja podataka automatizirao. Želimo li proširiti analizu s 2015. godinu na 2016.godinu pisanje koda jedina opcija je što preostaje. U svakom drugom slučaju, s obzirom da podaci nisu javno dostupni u formatu pogodnom za analizu podataka, posao prikupljanja podataka je gubljenje vremena.

Struktura podataka na internet stranici Agnecije uvjetovala je kod skripte. Koristeći se kodom za potrebe projekta prikupljanja podataka kreiran je dokument na dvije razine ( prva s podacima o korisniku, i druga s podacima o vrstama potpore po svakom korisniku ).

Sređivanje podataka

Nakon što su podaci prikupljeni, slijedeći korak je čišćenje (filriranje) podataka. Zapis informacija prema definiranom kodu obuhvatio je dodatne elemente, a zbog čega je bilo potrebno uložiti dodatni napor.

Riječ je o filtriranju podataka i to na način da se uklone oni podaci koji nisu relevantni za analizu. U konkretnom slučaju valjalo je ukloniti sintaktičke pogreške. S obzirom na relevantnost podataka za analizu potpora u poljoprivredi, dio podataka poput godine, valute je bio brisan.

Sređivanje podataka napravljeno je korištenjem alata Notepad ++. Praćenjem jednostavnih uputa koje je moguće pronaći na internetu, baza podataka relativno brzo pripremljena je za uvoz u program za analizu podataka.

Uvoz i analiza podataka

Projekt je napravljen u Pythonu – programskom jeziku ( korištenjem modula za obradu i vizualizaciju podataka ).

S obzirom na 99.801 korisnika potpora u poljoprivredi za 2015.godinu bilo je važno da bazične operacije zbrajanja, oduzimanja, množenja i dijeljenja budu bez grešaka ili izostavljanja dijela informacija. To je razlog zbog čega uvoz podataka nije napravljen u Excelu. Set podataka za 2015.godinu na kojem je odrađena analiza imao je 499.005 podataka.

Identičan način uvoza podataka napravljen je za 2016.godinu. Ukupan broj korisnika potpora 103.914, ukupan set iznosio je 519.570 podataka. Vrijeme potrebno da se analizira set podataka bio je iznimno kratak jednom kada je model podešen.

Važno je dodati detalj o tipu podataka koji se uvozi. Nerijetko je potrebno promijeniti tip podataka ( iz teksta u broj ) kako bi bilo moguće odraditi matematičke operacije kako u Excelu, tako i u Pythonu. Korištenjem jednostavnih uputa i formula izračunati su parametri potrebni za analizu i vizualizaciju podataka.

Vizualizacija podataka

Cilj članka je da učinimo korak dalje u vizualizaciji podataka u odnosu na Excel. Što kada želimo prikazati na karti Hrvatske kako izgleda raspodijela potpora prema broju korisnika po županijama?

Na identičan način kod možemo koristiti kako bi dobili vizualizacije za 2015. ( broj korisnika, iznos isplaćenih potpora po županijama ) i 2016.godinu ( broj korisnika, iznos isplaćenih potpora po županijama ).

Raspored korisnika poljoprivrednih potpora prema županijama

Broj korisnika potpore u poljoprivredi 2015.godine

Najveći broj korisnika potpore 2015.godine bilo je u Bjelovarsko-bilogorskoj, Koprivničko-križevačkoj i Zagrebačkoj županiji. Najmanje korisnika potpore u poljoprivredi imala je Primorsko-goranska županija.

Broj korisnika potpora u poljoprivredi 2016.godine

Tijekom 2016.godine vodeća županija po broju korisnika potpora u poljoprivredi ostala je Bjelovarsko-bilogorska, Zagrebačka županija zabilježila je rast broja korisnika, i zauzela je drugo mjesto. Na trećem mjestu se smjestila Koprivničko – križevačka županija.

Raspored poljoprivrednih poticija prema iznosu po županijama

Financijski iznosi potpora u poljoprivredi prema županijama 2015.godina

Najviše sredstava isplaćeno je korisnicima u Osječko-baranjskoj županiji, Vukovarsko – srijemskoj, Bjelovarsko-bilogorskoj županiji. Šibensko-kninska županija nalazi se na začelju isplaćenih potpora korisnicima u poljoprivredi.

Financijski iznosi potpora prema županijama u 2016.godini

Prema isplaćenim financijskim sredstvima u poljoprivredi 2016.godine najveći dio povukle su Osječko – baranjska, Vukovarsko – srijemska i Virovitičko – podravska županije. U odnosu na 2015.godine najmanji iznos sredstava isplaćeno je korisnicma potpore Dubrovačko – neretvanske županije.

Usporedba podataka 2015.godina i 2016.godina u poljoprivredi

Novi korisnici potpora u 2016.godini

Tamnija boja na karti signalizira područja gdje su evidentirani novi korisnici potpora u poljoprivredi u 2016.godini u odnosu na 2015.godinu. Izraženo u postotcima ( % ) bilježi se porast od 4,12 % u odnosu na prethodno razdoblje.

Razlika u financijskim iznosima

Tamnija područja signaliziraju povećanje iznosa isplate potpora u odnosu na prethodno razdoblje.

Zaključak

U projektu su korišteni javno dostupni podaci Agencije za plaćanja u poljoprivredi, ribarstvu i ruralnom razvoju. Analiza podataka nije bila izvediva zbog ograničenja u prikazu podataka, zbog čega je bilo potrebno napisati skriptu čime je automatiziran proces. Sređivanje podataka napravljeno je pomoću Notepad ++ kako bi se omogućio uvoz podataka prema željenim parametrima. Pomoću Python modula razinu vizualizacije podigli smo na razinu više, te smo kreirali zanimljivu prezentaciju podataka.

Za sva pitanja vezano za analizu i vizualizaciju podataka obratite se na email: ponistra@net.hr

Analiza potpora poduzetništvu u Hrvatskoj

Potpore poduzetništvu u Hrvatskoj za razdoblje od 2008. do 2016.godine

Temeljem službenih podataka objavljenih na stranicama Ministarstva napravili smo kratku analizu dodijeljenih potpora u razdoblju od 2008. do 2016.godine. Dokument je pripremljen u pdf formatu.

U navedenom razdoblju ukupan iznos dodjeljenih potpora iznosio je 1,572 milijardu kuna. Najveći iznos potpora dodijeljen je 2009.godine u ukupnom iznosu od 318,4 mijuna kuna, dok je 2016.godine iznos bio najmanji, odnosno iznosio je 15,7 milijuna kuna. Najveći prosječni iznos po projektu ostvaren je 2013.godine odnosno 77.425,07 kuna, dok je isti za 2016.godinu iznosio 7.024,78 kuna. Broj projekata koji su dobili potporu u 2008.godini iznosio je 6.408 što je ujedno najveći broj tijekom promatranog razdoblja, dok je 2014.godine broj sufinanciranih projekata iznosio 1.467.

Ukupan broj potpora koji je ostvaren bio je 31.895, dok je broj kategorija tijekom promatranog razdoblja smanjen s 41 iz 2009.godine na 2 kategorije u 2016.godini ( Stipendiranje učenika u obrtničkim zanimanjima i Cjeloživotno obrazovanje za obrtništvo ).

potpore_grafika

PowerPoint Infografika i kako je napraviti

Infografika je način prezentiranja podataka na sažet i vizualno dopadljiv način.

Infografika se duže vrijeme koristi kao komunikacijski alat. Velike zasluge da se infografika počinje koristiti pripada društvenim mrežama, ali primarno je rezultat filtiranja informacija. Izrada infografike u većini slučajeva je zahtjevan posao ( vrijeme i resursi ), a konačan proizvod rezultat je rada više osoba ili odjela u poslovnom subjektu.

U namjeri da se samostalno okušate u kreiranju infografike, u nastavku možete vidjeti primjer ( predložak na zahtjev možemo poslati na vašu email adresu ) koji je napravljen u PowerPointu. Vjerujemo kako primjer infografike u PowerPointu može biti motivirajući za Vas da se poigrate s predloškom, bojama, tekstom. U konačnici sami ćete tijekom vremena doći do zaključka kako je publici potrebna jasna poruka. Infografika služi upravo tome. Odbaciti višak informacija, a zadržati ključne podatke.

Infografika, dok je stvaramo, potiče na kreativnost. Potiče nas da komuniciramo fokusirano i sažeto. Potiče nas na filtraciju informacija i ideja, a sve kako bismo što jasnije komunicirali s ciljanom publikom. S druge strane infografika je alat koji pomaže tvrtci da svoje druge marketinške aktivnosti prilagodi današnjem vremenu. Naprimjer, infografika može biti odličan izvor i poticaj u kreiranju sadržaja na društvenim mrežama. Twitter dozvoljava komunikaciju s maksimalno 140 znakova ( tekstualna poruka ). Stoga je filtracija ideja, odbacivanje nepotrebnog teksta pomoću infografike, samo jedan od mogućih koraka u komunikaciji prema društvenim mrežama.

powerpoint_infografika

Infografika nije powerpoint prezentacija. Infografika je vizualni sažetak prilagođen publici da u kratkom roku shvati vašu ideju, proizvod ili uslugu, poantu. Jednom kada je napravljena infografika se može koristiti u cilju promoviranja vašeg poslovanja na različite načine. Jasna infografika može u nekoliko sekundi odaslati ljudima jasnu poruku što radite, što želite potići, što su vaše namjere. Osobnog sam mišljenja kako male tvrtke koristeći infografiku mogu puno efikasnije djelovati, jer u kratkom vremenskom periodu mogu mijenjati, prilagođavati, testirati svoju poruku, a da pritom ne riskiraju previše.

Infografika je poput haiuku poezije. Infografika je savršena onda kada joj se nema što dodati, a niti što oduzeti. Ako se odlučite pomoću našeg predloška na kreaciju infografike, javite nam vaš rezultat.

PowerPoint Prezentacija – Fontovi

U prezentacijama se najčešće koriste fontovi koji dolaze s instalacijskom paketom operativnog sustava. Font slova vizualno utječe na prezentaciju. Izbor je velik i nije jednostavno odlučiti se koji font slova koristiti u prezentaciji. Nije rijetkost da font koji bi odgovarao prezentaciji treba preuzeti ( download ) s internet stranice, ali iz nekog razloga to nije odobreno. Što onda? U tom slučaju uvijek možete posegnuti za klasičnim fontovima koji se nude u postojećem instaliranom okruženju.

FUTURA

FUTURA – font slova koji je kreiran 1927.godine, primjer je Bauhaus dizajna – geometrijski precizan, jednake veličine slova. Font FUTURA najčešće se koristi kada su u pitanju naslovi. Font je vrlo elegantan, zbog čega se naslov može naglasiti u prezentaciji. Zbog svoje geometrije i čistih linija tekst je čitljiv za publiku. Korištenje fonta FUTURA nije ograničeno samo za naslove, jer se jednako učinkovito može primijeniti na popratni tekst slajda. Futura Font

GARAMOND

GARAMOND – ovo je font koji ima svoju povijest, kreiran je daleke 1540.godine. Sigurno da je font izdržao test vremena, ali se u međuvremenu nekoliko puta ažurirao. Glavna ideja u kreaciji fonta bila je stvoriti font koji odgovara načinu pisanja ( tinta ), s puno jasnijim linijama koje će osiguarti bolju čitljivost. Font obzirom na svoju priču, zaslužuje da se koristi u prezentacijama s većim auditorijem. Zbog svoje klasičnosti danas se često koristi prilikom tiskanja knjiga. Logotip tvrtke Google napravljen je u ovom fontu, kao i poznati slogan tvrtke Apple “Think different”. Zaključimo priču s ovim fontom, ako ga koristite u dobroj ste tvrtci.

Garamond Font

GILL SANS

GILL SANS – riječ je o fontu koji je dobro balansiran. Poznatiji je pod nadimkom “Helvetica of England!” To je jedan od razloga zbog kojeg se često koristi od strane tvrtki na otoku. Font GILL SANS engleski je odgovor na font FUTURA. U zlatnim vremenima, font koji je nastao 1928.godine, koristile su tvrtke The British Railways, Penguin Books, Monotype. U današnje vrijeme najpoznatiji logotip koji je napravljen korištenjem fonta GILL SANS je onaj televizijske kuće BBC. Font dolazi u nekoliko varijanti s kojima vrijedi eksperimentirati ( od Light do Ultra Bold ), što ga čini pogodnim za postavljanje naslova, podnaslova, popratnog teksta, a sve kako bi zadržali jedinstveni grafički prikaz kroz cijelu prezentaciju.

GILL SANS Font

HELVETICA

HELVETICA – za ovaj font govore kako je prekomjerno korišten. Ali stvar je slijedeća, font HELVETICA je zanimljiv, poseban, interesantan pa samim time se često koristi. Font HELVETICA je višenamjenski, tako da se može koristiti za projekte različite namjene jer je balansiran, neutralan i jednostavan. Prilikom izrade prezentacije font HELVETICA dobar je odabir za eksperimentiranje. Font HELVETICA datira iz 1957.godine. Tvrtke koje imaju izrađen logotip u font HELVETICA su American Apparel, Scotch, Skype, naravno u različitim podvarijantama fonta.

Helvetica Font

ROCKWELL

ROCKWELL – font je različit u odnosu na ostale. Font ROCKWELL je tzv.bold font koji odmah privlači pažnju publike. Ako postoji naslov koji je potrebno naglasiti, ili činjenicu u prezentaciji vrijedi se poslužiti fontom ROCKWELL. Prema svojim tehničkoj izvedbi vrlo je sličan fontu FUTURA, ali prema osobnom mišljenju font ROCKWELL jasnije može naglasiti specifičnost. Ipak, font ROCKWELL najbolje funkcionira na slajdovima samostalno, kada slajd sadrži samo nekoliko riječi. Pogodan je za ekperimentiranje s naslovima i podnaslovima. Primjer logotipa je Malibu Rum.

Rockwell Font

CALIBRI

CALIBRI – za razliku od fontova koje smo prethodno predstavili, font CALIBRI nastao je 2007.godine, koji je istisnuo s trona Times New Roman kao default font u Microsoft Office 2007 ( i fonta Arial kao default fonta u PowerPointu ). S obzirom na svoje zaobljene linije, font CALIBRI je zahvalan za korištenje naslova, podnaslova. Font CALIBRI pripada grupi tzv. ClearType FONT Collections tj.grupi fontova koji su jednostavni za čitanje. Osobito je zanimljiva verzija fonta u italic verziji. Prilikom izrade prezentacije italic verzija fonta CALIBRI pogodna je isticanje, dok se standardna verzija može lijepo komponirati s naslovima, podnaslovima, popratnim tekstom zbog svoje čitljivosti i jasnoće.

Calibri Font

Vjerujemo da su ove informacije korisne, te da ćete kod izrade slijedeće prezentacije testirati fontove što smo ih izdvojili.