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.