Dotace

Projekt pro stažení různých zdrojů dotací, jejich sjednocení a uložení do jedné databáze

Problémy se zdroji dat

Cedr

• Zbytečně složitá struktura - pro většinu lidí nepochopitelná, obyčejný člověk nebude mít čas, aby něco takového koumal

• Spousta dat je naprosto nesmyslně ve dvou tabulkách namísto jedné a informaci je potřeba zbytečně dohledávat 2x:

  • ciselnikcedroperacniprogramv01 + ciselnikmmroperacniprogramv01
  • ciselnikcedropatreniv01 + ciselnikmmropatreniv01
  • ciselnikcedrgrantoveschemav01 + ciselnikmmrgrantoveschemav01
  • adresasidlo + adresabydliste

• Dokumentace je zkratkovitá a některé věci se z ní nedají jednoduše (například co znamená refundace indikátor?!) pochopit. Nebýt pomoci lidí z dotačního parazita a ochoty některých lidí z CEDRu, tak bychom nedali ani správnou reprezentaci dat dokupy.

• ciselnikobecv01 nejde jednoduše napojit na ciselnikokresv01, protože ID nesedí - je potřeba upravit id a odseknout poslední část u ciselniku okres prijemcepomoci - obsahuje nesmyslné ičo u různých subjektů (00000001, 99999999)

• V rámci CEDRu je také nekonzistentní způsob uložení informace např.

  • PRA-V-36/2003, kdy jeden kód projektu má dva záznamy v dotacích pro stejného příjemce
  • CZ.1.01/2.1.00/09.0132, kdy jeden kód projektu má jeden záznam v dotacích, s 601 záznamy o čerpání
    • navíc konkrétně u této dotace pro ŘSD nechápu, proč by měli dostat dotaci od "Státní fond kinematografie" [1 507 871 Kč v roce 2010 a 1 507 871 Kč v roce 2013], obzvlášť když název projektu je "Dálnice D3 Tábor-Veselí nad Lužnicí")

• Častokrát se v identifikátoru projektu vyskytují nesmyslné údaje - např. slovo "smlouvy"

EU Fondy

• past za pastí - stejná autorita tři rozdílné zdroje s rozdílnou strukturou, rozdílnými názvy sloupců a každý má jiný obsah:
  • soubor 2004 - 2006 (xls); chybí ičo k identifikaci subjektů
  • soubor 2007 - 2013 (xls)
  • soubor 2014 - 2020 (xml)
• Soubory jsou navíc poschovávané na různých místech webu (ještě že jim alespoň funguje online chat, kde jsou ochotní a pomohli)
• Dokumentace?

Dotacím chybí id

DotInfo

• PEKLO!

• web vypadá, jako by ho dělal o přestávkách student střední školy (a možná i to by byla urážka studentům středních škol)

• http://dotinfo.cz/ -> žádné přesměrování, odkazuje na úvodní stránku IIS ?!?!

• https://www.dotinfo.cz/ -> konečně

• https://data.mfcr.cz/cs/dataset/dotace-dotinfo -> dalo práci najít soubor, který se dá zpracovat. Člověk aby byl detektiv

• V době prvotního zpracování (začátek 2020) byl k dispozici ke stažení soubor s daty k 13. 7. 2017, dnes je tam už soubor s daty k 29. 1. 2020

• Data v souboru jsou v šíleném stavu

  • u sloupce evidenčního čísla dotace se objevují hodnoty null
  • uprostřed souboru se namísto odělovače ";" začne používat TABulátor
  • můj osobní favorit je tento řádek: chyba;xxxxxxxxxx;LRS;LRS Chvaly, o.p.s. ;24805807;NULL;Ministerstvo zdravotnictví;24341;1.00;0.00;NULL;;;

SZIF

• velmi málo informací k dotacím
• starší dotace nedávají k dispozici (nebýt paměti internetu, tak se k datům za roky 2014 - 2016 už nikdo nedostane)
• aktuálně jsou k dispozici na jejich webu https://www.szif.cz/irj/portal/szif/seznam-prijemcu-dotaci informace o dotacích pouze za 2017 a 2018
• zvláštní struktura xml, nikde jsem nenašel její popis
• chybí ičo
• chybí bližší popis některých informací

czechinvest

• chybějící informace o zrušené dotaci v české verzi
• ve sloupečku s rokem se místy objevuje celé datum

---

Report ze zpracování

Z cedr bylo nacteno 2002391 polozek.  
Z eufondy bylo nacteno 129481 polozek.  
Z dotinfo bylo nacteno 145426 polozek.  
Z szif bylo nacteno 657891 polozek. Tyto zaznamy jsou unikatni (neexistuje o nich informace v CEDRu).  
Z czechinvest bylo nacteno 1029 polozek. Tyto zaznamy jsou unikatni (neexistuje o nich informace v CEDRu).  
Po spojeni zdroju mame celkem 2936218 polozek.  
Celkem nalezeno 294402 potencionalnich duplicit.  
Nepodarilo se nalezt v cedru 113330 polozek, ktere by tam meli byt.  

poděkování:

O.Kokeš
M.Sebera
A.Petrák
Dotační parazit