PRIMJENA KLASIČNOG MODELA DEKOMPOZICIJE ZA

PROCJENU KRETANJA TROŠKOVA NA PRIMJERU

PROIZVODNOG PREDUZEĆA

APPLICATION OF CLASSICAL DECOMPOSITION MODEL

FOR ESTIMATION OF COSTS ON THE EXAMPLE OF
PRODUCTION COMPANIES

Mr.sc. Senad Z. Salkić, dipl.oec

Termoelektrana „Tuzla“ Tuzla
Mr. sc. Samira Dedić, dipl.oec.
Ekonomski fakultet Univerziteta u Tuzli

Ključne riječi: vremenske serije, klasični dekompozicioni model, procjena

troškova, sezonske komponente.

REZIME

U radu se nastoje rasvijetliti temeljne determinante klasičnog dekompozicionog modela

analize vremenskih serija kod procjene kretanja troškova u preduzeću. Savremeno
poslovno okruženje i modeli poslovanja postavljaju preduzeću zadatak brze
transformacije, ovladavanje novim tehnologijama i neprestanu borbu sa konkurencijom.
U takvim uslovima procjena troškova budućeg poslovanja jedna jed od ključnih
determinanti uspješnosti poslovanja preduzeća uopšte.

Key words: time series, classical decomposition model, costs estimates,

seasonal components

ABSTRACT

The article attempt to shed light on the fundamental determinants of the time series
classical decompositions model analysis in estimating of the costs in the company.
Modern business environment and business model puts the company in the task of rapid
transformation, mastery of new technologies and the constant struggle with the
competition. Under such conditions, estimates the cost of future operations is one of the
key determinants of success of business enterprises in general.

UVOD

Za upravljanja poslovnim procesima, sa stajališta konkurentnosti, važno je

sagledavanje opravdanosti troškova nastalih tokom ostvarivanja opštih i posebnih
menadžerskih ciljeva preduzeća. Postojanje savremenih informacijskih sistema
omogućava i praćenje troškova procesa, a informacije o njihovom nastanku i
trendovima omogućavaju menadžmentu pravovremeno donošenje odluka na
temelju činjenica. Pojam procjene kretanja troškova nije nova kategorija, ali je
uvođenje načela procjenjivanja troškova i njihova primjena novijeg datuma.
Možemo ga posmatrati kao proces kojem je cilj unaprijed definisati vrijednosti
troškova, na osnovu određenih poznatih kategorija, te vrijednost troškova uskladiti
sa ostvarivanjem temeljnih zadataka preduzeća. Pravilnim procjenjivanjem
troškova smanjuju se, ili čak izbjegavaju, problemi nekontrolisanog trošenja, te
pravilno donošnje odluka. Procijenjeni troškovi budućeg perioda predstavaljaju
temeljnu kontrolnu tačku u poslovanju preduzeća1

1. METODE PROCJENE KRETANJA TROŠKOVA

Danas analitičari primjenjuju više različitih metoda kako bi procijenili kretanje

troškova. Vjerovatno će se rezultati razlikovati od metode do metode. Stoga,
analitičari koriste više od jedne metode kako bi metoda imala osjećaj pouzdanosti.
Menadžeri i analitičari, koji snose krajnju odgovornost za sve procjene troškova,
često primjenjuju svoju sopstvenu najbolju prosudbu kao krajnji korak u procesu
procjene2. Tri, danas najčešće korištene, grupe metoda su:

 Statističke metode
a) uz upotrebu regresijske analize
b) uz upotrebu modela vremenskih serija
 Obračunska analiza
 Projektantske procjene

Efikasnost neke metode procjene najčešće se određuje prema kriteriju preciznosti.

Ocjena prikladnosti izabranih metoda procjenjivanja troškova zasniva se na
posmatranju razlika između stvarnih vrijednosti tražnje i predviđenih vrijednosti u
datim razdobljima. Što su izračunate razlike manje, to je preciznost metode veća.
Međutim, potrebno je apostrofirati da velika prognostička preciznost metode u
prošlosti nije garancija da će ista generisati jednako tačne prognoze i u budućnosti.
Stoga, pri vrednovanju efikasnosti prognostičke metode treba uzeti u obzir da je
procjena troškova temelj donošenja odluka koje utiču na uspješnost poslovanja.
Metode prognoziranja se mogu klasifikovati na temelju različitih kriterija. Sa
aspekta obezbjeđenja ulaznih informacija i njihovog procesuiranja možemo
govoriti o kvalitativnim i kvantitativnim prognozama. Kao treća vrsta metoda
mogu se uzeti one koje su bazirane na dosadašnjim dostignućima informacione
tehnologije3.

Kvalitativne metode prognoziranja definišu se kao ocjenjivanja nekih budućih

stanja od strane stručnjaka i to na temelju poznavanja pojave i stečenog iskustva,
dok se kvantitativne metode oslanjaju na algebarske modele, a koriste se kada o
pojavi koja se prognozira postoji baza podataka i kada se može pretpostaviti
konstantnost, tj. da će se prošlost nastaviti u budućnosti. Treba naglasti da se ove
dvije grupe metoda često prožimaju4.

2. PRETPOSTAVKE I OGRANIČENJA PROCJENE KRETANJA

TROŠKOVA UPOTREBOM KLASIČNOG DEKOMPOZICIONOG
MODELA

Klasični dekompozicioni model spada u red kvantitativnih metoda za procjenu

kretanja troškova. Kvantitativne metode mogu se koristiti pod uslovom da se5:

 raspolaže podacima o vrijednostima vremenske serije u prošlosti;

 informacija o pojavi koja se prognozira može kvantifikovati i
 može usvojiti pretpostavka da će pojava u budućnosti približno nastaviti da
se ponaša kao i u prošlosti.

Ako su ovi uslovi ispunjeni moguće je primijeniti metode statističke analize

vremenskih serija. Vremenske serije predstavljaju nizove numeričkih podataka o
pojavi koji su složeni hronološkim redoslijedom u pravilnim vremenskim
periodima.
U analiziranoj vremenskoj seriji mogu se identifikovati tri specifična tipa
pravilnosti i to: trend ili dugoročna opšta tendencija porasta ili pada vrijednosti
članova serije, sezonska kretanja ili kratkoročne fluktuacije članova serije oko
trenda koje su povezane sa specifičnim kalendarskim razdobljem, te ciklična
kretanja ili fluktuacije u promjenljivim vremenskim intervalima. Pored toga, u
vremenskim serijama na vrijednosti članova serije može uticati stohastički faktor
pod kojim se podrazumijeva zajednički uticaj svih preostalih neopservabilnih
faktora, a koji je u znatnoj mjeri i izvor grešaka budućih prognoziranih
vrijednosti6.

U zavisnosti od djelatnosti kojom se bavi preduzeće kretanje njegovih troškova

može imati seznoski karakter. Kod najvećeg broja ekonomskih pojava, nije teško
uočiti periodične fluktuacije unutar godine. Promjene koje se ponavljaju svake
godine u isto doba i u istom smjeru nazivaju se sezonskim varijacijama. Obično su
prouzrokovane neekonomskim fenomenima, kao što su klimatske promjene,
državni, vjerski praznici i sl. Poznavanje karaktera i intenziteta sezonskih
varijacija je od imanentnog značaja za racionalno donošenje niza poslovnih
odluka7. Logično da sve te promjene i uticaji ne ostaju bez efekta na kretanje
troškova.

U svakom sezonskom ciklusu može postojati jedna, dvije ili više sezona, što zavisi
od posmatranih ekonomskih pojava. Osim broja sezona, za statističku analizu
sezonalnosti je od velikog značaja i tip sezonalnosti, jer o tome u velikoj mjeri
zavisi izbor adekvatne statističke metode8. Sezonske varijacije koje se tokom niza
godina ne mijenjaju sistematski, odnosno čije se dejstvo iz godine u godinu
ispoljava na približno isti način, nazivamo stabilnim. Nasuprot tome, kod
nestabilnih sezonskih varijacija dolazi do promjena u obliku, jačini, ili i u jednom i
u drugom. U oba slučaja, smjer i intenzitet sezonskih varijacija mjeri se sezonskim
indeksima.

Kod analize vremenske serije koja sadrži sezonsku komponentu obično se provodi
postupak desezoniranja, kako bi se dobile vrijednosti niza očišćene od sezonske
komponente. Ukoliko se ovaj postupak ne provede interpretirani podaci mogu dati
iskrivljenu sliku pojave (u našem primjeru troškova) koji se analiziraju.
Desezonirane vrijednosti dobijemo kada originalne podatke podijelimo sa
sezonskim faktorima. Vremenska serija očišćena od sezonskih uticaja predstavlja
fundamentalnu pretpostavku za prognoziranje dekompozicionim modelima.
U modeliranju vremenske serije uzimaju se u obzir tipični elementi razvoja pojave
u vremenu koji se nazivaju njezinim komponentama. Dekompozicija označava, s
jedne strane, razlaganje posmatrane vremenske serije na njene sastavne
komponente, a s druge, mogućnost da se pojedine komponente po potrebi
eliminišu iz serije.

Model dekompozicije je najstariji model procjenjivanja, a njegove fundamentalne

pretpostavke datiraju iz 1920. godine. Postoje različiti pristupi dekompoziciji
serija, ali svakom pristupu je zajedničko eliminisanje pojedinačnih komponenti.
Prvo se odstranjuje sezonska, zatim trend, pa ciklična komponenta. Slučajna
varijabla se identifikuje pomoću rezidualnih odstupanja. Dekompozicija
vremenske serije se može prikazati u funkcionalnom obliku kao9:
yt = f (St , Tt, Ct , et )
gdje je
St – sezonka komponenta u vremenu t,
Tt – trend komponenta u vremenu t,
Ct – ciklična komponenta u vremenu t i
et – slučajna komponenta u vremenu t.

Prognostička vrijednost kod analize sezonskih pojava ovim modelom dobija se

postupkom prognoziranja koji nazivamo korigovanom ekstrapolacijom trenda.
Ovakav postupak daje bolju prognozu kod izraženih sezonskih pojava od same
ekstrapolacije trenda. Korigovana ekstrapolacija trenda se provodi u četiri etape10:

 u prvom koraku iz serije se eliminiše uticaj sezone, dijeljenjem originalnih

podataka sa sezonskim indeksima i množenjem sa 100.
 u drugoj etapi određuje se odgovarajući trend na desezoniranim podacima i
ocjenjuju njegovi parametri,
 naredni korak se odnosi na ekstrapolaciju trenda u budućnosti i
 u posljednjoj etapi koriguje se ekstrapolisana trend vrijednost, uzimajući u
obzir uticaj sezone u prognoziranom periodu (mjesec ili kvartal):

Sezonski korigovana ekstrapolisana trend vr. x odgovarajući sez. indeks

ekstrapolisana trend = ––––––––––––––––––––––––––––––––––––––––
vrijednost 100

Problemi koji se javljaju pri prognoziranju pojava klasičnim modelom

dekompozicije su brojni: kod sezonske komponente u izboru tipa pomičnih
prosjeka, kod trend komponente u identifikaciji oblika trenda, a kod ciklične
komponente u poznavanju ravnoteže ekonomske aktivnosti u periodu za koji se
prognozira, što u velikoj mjeri ovisi o intuiciji prognozera. U kratkom
vremenskom horizontu ciklična komponenta se teško identifikuje, pa se kod
dugoročnih ciklusa ona najčešće ne razdvaja od trend komponente. Jedan od
glavnih nedostataka ovog modela je u tome što zahtijeva relativno veliki broj
podataka iz prošlosti, prije svega radi ocjene sezonskih indeksa. Osim toga,
nedostaci se odnose i na nepostojanje definisanog teorijsko-statističkog modela,
što onemogućava statističku verifikaciju dobijenih rezultata dekompozicije11.

3. PROCJENA KRETANJA TROŠKOVA NA PRIMJERU

PROIZVODNOG PREDUZEĆA

Mnoge vremenske serije okarakterisane su periodičnim ponašanjem, kao rezultat

dnevnih, sedmičnih, mjesečnih ili nekih drugih periodičnosti. Uopšte, kaže se da
serija pokazuje periodično ponašanje kada se sličnost u seriji ponovo pojavi nakon
odgovarajućeg vremenskog perioda.

3.1. Postupak desezoniranja vremenske serije podataka o troškovima

U našem slučaju radi se o mjesečnoj vremenskoj seriji kretanja troškova u periodu

1997.-2006. godine12. Dakle, radi se o seriji sa 120 opservacija, na osnovu kojih će
biti izvršena procjena slijedećih 12 u nizu. Praktično to znači da će serija podataka
o kretanju troškova u period od deset godina poslužiti kao baza za procjenu
troškova u slijedećoj godini, za svaki mjesec posebno. Dinamika mjesečnog
kretanja troškova navedene serije data je slijedećim grafikonom:
Slika 1. Dinamika mjesečnog kretanja troškova (1997.-2006.)
30.000.000

25.000.000

20.000.000

15.000.000

10.000.000

5.000.000

0
Na grafikonu se jasno vidi da kretanje troškova, u konkretnom slučaju, ima
sezonski karakter, sa vrhovima u zimskim mjesecima i relativnom manjim
troškovima u toku ljetnjih mjeseci, osim u junu mjesecu kada se vrše remonti
postrojenja što dovodi do povećanja troškova usluga i materijala održavanja
postrojenja. Ovakvo kretanje troškova može se povezati sa prirodom proizvodnog
procesa, odnosno djelatnosti poslovnog sistema, gdje se i proizvodnja povećava
zimi (proizvodnja toplotne energije), dok je u ljetnjim mjesecima proizvodnja
manja. Pored toga, na grafikonu se, posmatranjem uzastopnih ljetnjih i zimskih
vrhova, može uočiti gotovo kontinuirani rast troškova u posmatranom periodu.

Koristeći multiplikativni model dekompozicije na osnovu podataka o pojavi može

se utvrditi dejstvo nepoznatih komponenti vremenske serije. Prognoziranje
klasičnim modelom dekompozicije je poznato kao prognoziranje korigovanom
ekstrapolacijom trenda. Prije nego što utvrdimo odgovarajući model trenda
neophodno je izvršiti postupak desezoniranja originalnih vrijednosti serije,
odnosno otkloniti sezonske fluktuacije. Postupak desezoniranja prikazan je u
Tabeli 1. Zbog obimnosti ulaznih podataka i dobivenih izlaznih rezultata prikazan
je postupak desezoniranja za prvu i dvije poslijednje godine.
Tabela 1. Postupak desezoniranja troškova 1997.-200613
Godina, Troškovi i Pomični Sezonski faktori Desezonirane Rezidualni
mjesec rashodi prosjeci vrijednosti faktori
1997/I 9.735.448 0,9685 10.025.088
1997/II 9.658.882 0,9554 10.109.778
1997/III 10.961.005 1,0750 10.196.284
1997/IV 8.972.776 0,8658 10.363.567
1997/V 9.189.705 0,8850 10-383.848
1997/VI 12.149.288 1,1620 10.455.498
1997/VII 10.593.631 10.527.202 1,0020 10.572.486 1,0043
1997/VIII 10.531.966 10.563.310 0,9941 10.594.474 1,0030
1997/IX 11.743.796 10.601.471 1,1010 10.666.481 1,0061
1997/X 10.253.473 10.636.560 0,9489 10.805.641 1,0159
1997/XI 10.411.962 10.666.919 0,9548 10.904.862 1,0223
1997/XII 11.907.077 10.701.843 1,0880 10.944.004 1,0226
…. …. …. …. …. ….
2005/I 19.398.886 19.577.950 0,9685 20.029.826 1,0231
2005/II 19.261.258 19.640.487 0,9554 20.160.412 1,0265
2005/III 21.913.724 19.705.170 1,0750 20.384.860 1,0345
2005/IV 17.894.913 19.763.705 0,8658 20.668.646 1,0458
2005/V 18.364.222 19.815.551 0,8850 20.750.534 1,0472
Godina, Troškovi i Pomični Sezonski faktori Desezonirane Rezidualni
 mjesec rashodi prosjeci vrijednosti faktori
2005/VI 24.391.411 19.872.334 1,1620 20.990.888 1,0563
2005/VII 18.893.301 19.871.330 1,0020 18.855.590 0,9489
2005/VIII 18.931.895 19.806.764 0,9941 19.044.256 0,9615
2005/IX 21.060.289 19.736.118 1,1010 19.128.328 0,9692
2005/X 18.529.803 19.639.870 0,9489 19.527.666 0,9943
2005/XI 18.676.590 19.523.208 0,9548 19.560.735 1,0019
2005/XII 21.519.213 19.374.296 1,0880 19.778.688 1,0209
2006/I 18.639.799 19.279.802 0,9685 19.246.049 0,9982
2006/II 18.470.754 19.272.809 0,9554 19.333.006 1,0031
2006/III 21.008.724 19.260.019 1,0750 19.542.999 1,0147
2006/IV 16.489.979 19.247.236 0,8658 19.045.945 0,9895
2006/V 16.969.251 19.239.553 0,8850 19.174.295 0,9966
2006/VI 22.212.511 19.230.832 1,1620 19.115.758 0,9940
2006/VII 18.804.345 1,0020 18.766.811
2006/VIII 18.853.020 0,9941 18.964.913
2006/IX 20.832.201 1,1010 18.921.163
2006/X 18.451.087 0,9489 19.444.712
2006/XI 18.570.910 0,9548 19.450.052
2006/XII 21.415.605 1,0880 19.683.460

Najveći pozitivan uticaj sezone registrovan je u junu mjesecu, kada dolazi do

povećanja proizvodnje ali i do intenzivnih remonata postrojenja, što dovodi do
povećanja troškova. Sezonski indeks za mjesec juni iznosi 116,2%, što znači da su
troškovi u tom periodu pod uticajem sezone 16,20 % veći od prosjeka. S druge
strane, najveći negativan uticaj sezone imamo u mjesecu aprilu, gdje je sezonski
indeks 86,58%, što znači da je ostvarenje troškova pod uticajem sezone 13,42 %
manje od prosjeka.

Desezonirane vrijednosti označavaju vrijednosti troškova očišćene od sezonskih

uticaja. Drugim riječima, stvarno ostvareni troškovi u junu mjesecu 1996. godine
iznose 12.149.288 KM, a da nije bilo sezonskog uticaja oni bi iznosili 10.455.498
KM. Tu vrijednost troškovi bi imali ukoliko bi bili samo rezultat trenda i slučajne
komponente. Na sličan način objašnjavaju se i ostale desezonirane (očišćene)
vrijednosti. Ukoliko desezonirane vrijednosti predstavimo grafički onda dobijamo
prikaz sa Slike 2.
Količnik desezoniranih vrijednosti i vrijednosti pomičnih prosjeka predstavljaju
faktor rezidualnih uticaja. U našoj seriji podataka to znači da su stvarno ostvareni
troškovi, ustvari, desezonirani troškovi za mjesec koji posmatramo, korigovani za
sezonski uticaj, te korigovani za rezidualni faktor. Kao primjer uzet ćemo april
2006. godine, stvarno ostvareni troškovi iznose 16.489.979 KM. Očekivani
troškovi prema trendu iznose 19.179.295 KM. Zbog sezonskog uticaja ostvareni
troškovi su manji za 13,42 %, dok su rezidualni faktori taj iznos smanjili za
dodatnih 1,05 %.

Slika 2.Desezonirane vrijednosti ostvarenih troškova u periodu 1997.-2006.

25.000.000

20.000.000

15.000.000

10.000.000

5.000.000

Količnik desezoniranih vrijednosti i vrijednosti pomičnih prosjeka predstavljaju

faktor rezidualnih uticaja. U našoj seriji podataka to znači da su stvarno ostvareni
troškovi, ustvari, desezonirani troškovi za mjesec koji posmatramo, korigovani za
sezonski uticaj, te korigovani za rezidualni faktor. Kao primjer uzet ćemo april
2006. godine, stvarno ostvareni troškovi iznose 16.489.979 KM. Očekivani
troškovi prema trendu iznose 19.179.295 KM. Zbog sezonskog uticaja ostvareni
troškovi su manji za 13,42 %, dok su rezidualni faktori taj iznos smanjili za
dodatnih 1,05 %.

Procjena troškova u narednom periodu podrazumijeva određivanje odgovarajućeg

trend modela, te ocjenu njegovih parametara. Prvi korak u izboru adekvatnog trend
modela je računanje koeficijenata autokorelacije. Tabele 2. prikazuje vrijednosti
koeficijenata autokorelacije za stvarne.
 Tabela 2.Ocjena koeficijenata autokorelacije originalne serije vrijednosti troškova 14
POMAK VRIJEDNOST KOEFICIJENATA STANDARDNA
(LAG) AUTOKORELACIJE GREŠKA
0 1 -
1 0,7799 0,09129
2 0,7357 0,1359
3 0,8724 0,1658
4 0,6847 0,2004
5 0,6682 0,2191
6 0,8072 0,2354
7 0,6224 0,2575
8 0,6003 0,2697
9 0,7406 0,2806
10 0,5693 0,2965
11 0,5712 0,3054
12 0,7229 0,3142
13 0,5316 0,3278
14 0,4959 0,3349
15 0,6202 0,3410
16 0,4545 0,3502
17 0,4404 0,3551
18 0,5636 0,3596
19 0,3909 0,3669
20 0,3670 0,3704
21 0,4822 0,3734
22 0,3335 0,3785
23 0,3364 0,3810
24 0,4627 0,3835

Na isti način vrši se i proračun koeficijenata autokorelacije serije desezoniranih

vrijednosti podataka. Ocjena koeficijenata autokorelacije ukazuje na
nestacionarnost serije, što pokazuje i pojedinačno testiranje koeficijenata
1
autokorelacije slučajne serije koji je jednak nuli, dok mu je standardna greška
n
. Ako je n = 120 onda je standardna greška koeficijenata autokorelacije 0,09128,
pa se uz vjerovatnoću od 95 % može tvrditi da će se kod slučajne serije
koeficijenata autokoreacije naći u intervalu {0  z (  ) }, odnosno serija se može
definisati kao stacionarna ako se u intervalu {0  0,1789} nađu ocjene svih
koeficijenata sa razmakom tri i više.
Kod analizirane serije vidljivo je da serija niti sa jednim pomakom ne ulazi u
zadani interval, čime se potvrđuje pretpostavka nestacionarnosti, pa se na nivou
95% pouzdanosti prihvata alternativna hipoteza da su koeficijenti autokorelacije
signifikantno različiti od nule. Pretpostavi li se prisustvo linearnog trenda prve
diferencije bi trebale otkloniti nestacionarnost.

Iako pojedinačno testiranje koeficijenata autokorelacije pokazuje da je različita od

nule ocjena sa šestim pomakom, serija prvih diferencija se može definisati kao
stacionarna. Uvažavajući pretpostavku linearnog trenda, jednačina linearnog
trenda glasila bi:
ŷ= 9.592.487,829 + 89.083,277x
U slijedećem koraku množenjem ekstrapolirane trend vrijednosti sa sezonskim
faktorima dobijamo procijenjene vrijednosti.

3.2. Analiza dobijenih rezultata

Prikaz ostvarenih i troškova procijenjenih klasičnim modelom dekompozicije dat

je u Tabeli 3.
Tabela 3. Prikaz ostvarenih i procijenjenih vrijednosti troškova klasičnim dekompozicionim
modelom za 2007. godinu sa greškom procjene
GREŠKA
MJESEC OSTVARENI TROŠKOVI PROCIJENJENI TROŠKOVI
(%)
I 19.893.961 19.729.860 0,83
II 19.690.582 19.548.103 0,73
III 22.408.334 22.090.961 1,44
IV 18.286.577 17.869.085 2,34
V 18.821.244 18.344.189 2,6
VI 24.882.602 24.189.332 2,87
VII 20.982.692 20.947.876 0,17
VIII 21.021.825 20.871.276 0,72
IX 23.185.564 23.213.738 0,12
X 19.618.475 20.091.358 2,35
XI 19.726.994 20.301.337 2,83
XII 22.795.238 23.230.411 1,87
Ukupno 251.314.088 250.427.525 0,35

Vidimo da smo procjenom dobili manje vrijednosti troškova od onih koje su

ostvarene. Klasični model dekompozicije predvidio je značajno povećanje
troškova u odnosu na predhodnu godinu, ali prognozirane vrijednosti su manje u
odnosu na procijenjene. Najmanje odstupanje zabilježeno je u septembru i to
0,12% naviše, dok je najveće odstupanje u junu 2,87% naniže. Prosječna greška
iznosi 0,35%.

Grafiči prikaz ostvarenih i procijenjenih vrijednosti troškova dat je na Slici 3.

Slika 3. Komparacija ostvarenih i procijenjenih vrijednosti troškova za 2007. godinu

27000000

25000000
T r o š k o v i (K M )

23000000

21000000

19000000

17000000

15000000
1 2 3 4 5 6 7 8 9 10 11 12
Mjesec
Ostvarena Vrijednost Procijenjena vrijednost

Vidimo da najveće poklapanje krivulja ostvarenih i procijenjenih troškova imamo

tokom ljetnih mjeseci (od sredine juna do polovine septembra), dok se najveće
odstupanje bilježi početkom jeseni i u proljeće.

ZAKLJUČAK

Učinkovito upravljanje troškovima podrazumijeva pronalaženje mogućnosti

značajnih za oblikovanje metodološke osnovice obuhvaćanja troškova, pri čemu se
jednako značenje daje informacijama iz okruženja (vanjski aspekt) i onima koje
nastaju u procesima i aktivnostima unutar poslovnog sistema. Oblikovanje seta
informacija o troškovima mora se zasnivati na informacijskim zahtjevima
menadžmenta, uvažavajući njegove interese ili potrebe, ali i zahtjeve koji dolaze iz
drugih izvora kao što su ISO norme, propisi, hijerarhija ciljeva koje treba ostvariti,
itd.
U ovom radu identificirana je potreba za primjenom kvantitativnih modela
prilikom procjene troškova, odnosno mogućnosti aplikacije modela vremenskih
serija. Za istraživanje ekonomskih vremenskih serija najčešće se primjenjuje
multiplikativni model, koji pretpostavlja da je odnos faktora koji utiču na pojedine
komponente, kao i samih komponenti relativan, odnosno trend je izražen u istim
mjernim jedinicama kao i vremenska serija, a uticaji ostalih komponenti dati su u
procentima od trenda (ili ostalih komponenti). Multiplikativni model je osnova
današnjih metoda primjerenih kompjuterskoj obradi podataka. Koristi se ako se
sa povećanjem ili smanjenjem vremenske serije proporcionalno povećava ili
smanjuje i uticaj sezonske komponente. Aditivni model je primjeren serijama kod
kojih sa povećanjem, odnosno smanjenjem serije uticaj sezonske komponente
ostaje isti. Bitno je naglasiti da svaka komponenta modela može imati svoju
direktnu interpretaciju, ali definisanje svake komponente za sebe nije jednostavan
zadatak.

Na osnovu provedenog istraživanja može se izvesti opšti zaključak da procjena

kretanja troškova, klasičnim modelom dekompozicije, predstavlja veoma efikasan
i koristan mehanizam upravljanja privrednim društvom, što imedijativno implicira
preciznije planiranje i organizovanje kvalitetnije organizacije poslovanja, a samim
time i donošenje kvalitetnih poslovnih odluka. Klasični model dekompozicije
koristimo, uglavnom, za kratkoročna predviđanja u nepromijenjenom okruženju,
što znači da se može prognozirati jedino uz pretpostavku "ceteris paribus". Da bi
se anticipirali budući troškovi, neophodno je raspolagati podacima iz predhodnih
perioda. Usklađivanje kretanja troškova u budućim periodima, sa realnim
faktorima okruženja, unutrašnje organizacije preduzeća, ponude i potražnje za
proizvodom, od krucijalne je važnosti za proces planiranja i donošenja odluka
vezanih za budući razvoj preduzeća.

Tehnika dekompozicije u praksi se vrlo često primjenjuje, ne samo u svrhu

prognoziranja, nego i kod kontrole poslovanja. Postupak je razumljiv i jednostavan
za primjenu i interpretaciju. Danas su razvijene brojne usavršene metode
dekompozicije, od kojih je najpoznatija CENSUS II metoda. Razvio ju je Juliusa
Shiskina za potrebe Bureau of the Census oh the U.S.A. Metoda je doživjela
različite verzije, od kojih je najkvalitetnija x-1115.

LITERATURA

1. Bival G., Dinamička statistička analiza ekonomskih pojava na primjeru ugostiteljsko-

turističke privrede SR Hrvatske, Ekonomski fakultet, Sarajevo, 1986.
2. Dedić S., Uloga metode analize vremenskih serija u prognoziranju turističke tražnje u
Bosni i Hercegovini, magistarski rad, Ekonomski fakultet Univerziteta u Tuzli, Tuzla,
2007.
3. Đolević V., Primenjena statistika, Naučna knjiga, Beograd, 1993.
4. Hanke E. J., Reitsch G. A., Business forecasting, fourth edition, Allyn and Bacon,
London, 1992., str. 308. i Ante R., Desezoniranje ekonomskih vremenskih
nizova,Ekonomski fakultet, Split, 2001.
5. Harper, W.M., ACMA: Cost Managemanet Accounting, Pitman Publishing, Handbook
series, London, 2002.
6. Kapetanović I., Zahirović S., Konjić T., Koncept stohastičkog modeliranja dugoročne
prognoze potrošnje električne energije, IV savjetovanje bosansko-hercegovačkog
komiteta CIGRÉ, zbornik radova, Neum, 1999.
7. Kapić, R., Savremene metode upravljanja troškovima, Zbornik radova; Značaj i uloga
upravljačke funkcije u poslovnim sistemima, Intermedija, Tuzla, 1995.
8. Lovrić M., Komić J., Stević S., Statistička analiza - metodi i primjena, Ekonomski
fakultet, Banja Luka, 2006.
9. Novak M., Odabrani statistički modeli kratkoročnog prognoziranja, Ekonomski
fakultet Zagreb, 1993.
10. Pejić B. M., Dabić M., Šimičević V., Analiza uticaja različitih metoda prognoziranja
potražnje na uspješnost preduzeća pristupom sistemske dinamike, Tehnički vjesnik,
vol. 12., broj 3, 4, Sveučilište u Osijeku, 2005.
11. Salkić S., Procjena kretanja troškova u funkciji poslovnog upravljanja, magistarski
rad, Ekonomski fakultet Univerziteta u Tuzli, Tuzla, 2009.
12. Weil R.L., Maher M., Handbook of cost Menagement, John Wilery & Soons inc.,
New York, 2005.
13. Zahirović S., Poslovna prognostika, Prvo izdanje, Infograf, Tuzla, 1999.
1
Harper, W.M., ACMA: Cost Managemanet Accounting, Pitman Publishing, Handbook series, London, 2002., str. 48
2
Weil R.L., Maher M., Handbook of cost Menagement, John Wilery & Soons inc., New York, 2005., str 357.
3
Kapetanović I., Zahirović S., Konjić T., Koncept stohastičkog modeliranja dugoročne prognoze potrošnje električne
energije, IV savjetovanje bosansko-hercegovačkog komiteta CIGRÉ, zbornik radova, Neum, 1999., str. 31-8.
4
Novak M., Odabrani statistički modeli kratkoročnog prognoziranja, Ekonomski fakultet Zagreb, 1993., str. 10.
5
Lovrić M., Komić J., Stević S., Statistička analiza - metodi i primjena, Ekonomski fakultet, Banja Luka, 2006., str. 536.
6
Pejić B. M., Dabić M., Šimičević V., Analiza uticaja različitih metoda prognoziranja potražnje na uspješnost preduzeća
pristupom sistemske dinamike, Tehnički vjesnik, vol. 12., broj 3, 4, Sveučilište u Osijeku, 2005., str. 27 – 37.
7
Đolević V., Primenjena statistika, Naučna knjiga, Beograd, 1993., str. 165.
8
Bival G., Dinamička statistička analiza ekonomskih pojava na primjeru ugostiteljsko-turističke privrede SR Hrvatske ,
Ekonomski fakultet, Sarajevo, 1986., str. 8-9.
9
Novak M., Odabrani statistički modeli kratkoročnog prognoziranja, Ekonomski fakultet, Zagreb, 1993., str. 69.
10
Lovrić M., Komić J., Stević S., Statistička analiza - metodi i primjena, Ekonomski fakultet, Banja Luka, 2006., str. 539.
11
Zahirović S., Poslovna prognostika, Prvo izdanje, Infograf, Tuzla, 1999., str. 41.
12
Za period 1997.-2001. Godišnji izvještaji o poslovanju, TE-TO Zagreb1, za period 2001.-2006. Mjesečni izvještaj o radu i
poslovanju sa analizom ostvarenja, TE-TO Zagreb1
13
Rezultati dobiveni korištenjem statističkog paketa StartMaster verzija 1.5.1
14
Rezultati dobiveni korištenjem statističkog softvera Autobox (Automatic forecasting systems, platform, version
6.0.0./2002).
15
Metoda CENSUS II uglavnom se izvodi na računaru, jer ima veliki broj iteracija, a pruža veoma mnogo informacija o
samoj vremenskoj seriji. U metodi se upotrebljavaju ponderisani, umjesto jednostavni pomični prosjeci, a takođe se
ekstremne vrijednosti izoliraju i elimišu više selektivno. Tu se takođe izračunavaju i mjere relativne značajnosti trend-
ciklične, sezonske i iregularne komponente svake serije, što se opet upotrebljava kao putokaz za dalje operacije. Metodom
CENSUS II se (po želji) dobivaju konstantni sezonski indeksi za posebnu upotrebu. Takođe se računaju postotne promjene
iz mjeseca u mjesec vrijednosti vremenske serije i komponenti iz kojih se sastoji. Budući da se tokom vremena ova metoda
kontinuirano usavršavala, postoji više različitih verzija, od kojih je svaka sljedeća uklanjala nedostatke one prethodne.
Detaljnije o verzijama CENSUS II metode pogledati u Hanke E. J., Reitsch G. A., Business forecasting, fourth edition,
Allyn and Bacon, London, 1992., str. 308. i Ante R., Desezoniranje ekonomskih vremenskih nizova,Ekonomski fakultet,
Split, 2001., str. 32.