Dvanáct návrhů, jak uspořit ve státním rozpočtu
Metoda AIE (Applied Information Economics), jejímž autorem je Douglas W. Hubbard, je jednou z možností, jak zkvalitnit rozhodovací proces v případě, že klíčová rozhodovací kritéria jsou zatížena značnou nejistotou. Jednou z jejích základních myšlenek je to, že pokud o nějakém klíčovém faktoru nevíme téměř nic, i „levné“ zpřesnění může vést k poměrně značnému snížení nejistoty, a tedy lepším výsledkům. Jedním z takových příkladů je např. tzv. „studentovo rozdělení“, které statistik W. S. Gosset používal pro zkoumání kvality v pivovaru Guinness a které bylo možné použít i pro statistické vzorky o 3 nebo 5 kusech.
Předpokladem, popř. prvním krokem při aplikaci metody, je poopravení chápání pojmu měření. Dokonce i na zmíněném odkazu na Wikipedii je možné se dočíst: „Výsledkem měření je tedy číslo…“ a metodou první volby je zpravidla počítání kusů či porovnání s nějakou jednotkou měřené veličiny. I u otázek, kde by tyto přístupy teoreticky šlo použít (např. počet ryb v jezeře), kdy to však v praxi není možné a zejména tam, kde to možné není vůbec (teplota uvnitř Slunce, očekávané obchodní příjmy za příští rok), je zřejmé, že výsledkem měření mnohem spíše bude interval, uvnitř kterého se skutečná faktická hodnota bude (s nějakou měrou pravděpodobnosti) nacházet a snahou měření bude tento interval zúžit při udržení přijatelné míry pravděpodobnosti (rizika). Hubbard definuje měření jako sled pozorování, které snižují nejistotu a jejichž výsledky jsou vyjádřeny kvantitativně.
Druhým typem problémů je pak častá absence jednoznačné definice kvantifikovatelného objektu měření. V našem příkladu budeme pracovat s pojmy kvalita či přínos, u kterých je potřeba definice zřejmá. Problémem je, že ani formulace této definice nemusí být triviálním problémem a u problémů, jejichž řešení připomíná spíše „průzkum bojem“, může být i sám výsledek teprve postupně objevován. Hubbard radí, abychom v takovýchto případech hledali odpovědi na otázky jako: Co můžeme pozorovat, dojde-li k navýšení toho, co hledáme? Je možné cílový objekt rozdělit na části (z nichž pro některé už mohou být postupy jejich měření známé, popř. jejichž měření může vyžadovat odlišné metody)? a zejména Proč to potřebujeme, jaké rozhodnutí na tom bude záviset? Kolik o tom už víme teď? Při jaké hodnotě by u rozhodnutí došlo ke změně? popř. Jakou má dodatečná informace cenu?
Posledním typem problémů spojených s měřením je pak to, že s výsledky empirických pozorování se často nepracuje korektně – např. korelace jevů je interpretována jako kauzalita.
Při nedávném projednávání návrhu státního rozpočtu vyzval ministr financí Zbyněk Stanjura: „Přivítám návrhy, které budou směřovat k úsporám ve státním rozpočtu.“ Úspory v rozpočtu jsou zdánlivě dobře definovaný měřitelný objekt. Při debatách o rozpočtu je vždy hlavním, někdy dokonce výhradním předmětem celkové saldo. V tomto kontextu by tedy úspory mohly znamenat buď vyškrtnutí některých nákladových položek, nebo realizaci některých položek při nižších nákladech (návrhy toho druhého na úrovni diskuze v parlamentu asi očekávat nelze).
Ve skutečnosti, už i samotný mechanismus finančního plánování pomocí rozpočtu není optimální, či dokonce nebezpečný – vytváří iluzi kontroly. Zaručuje však pouze kontrolu, zda byly přidělené prostředky vyčerpány domluveným způsobem, nikoliv zda šlo o efektivní investici, a to jak na nákladové, tak na „výnosové“ straně. Předpoklady se mohly změnit, nové příležitosti či hrozby objevit, někdo měl utratit méně a jiný více. Hlavně však platí, že s výjimkou daňových poplatníků, kteří se rozhodovacího procesu přímo nemohou účastnit vůbec, neexistuje nikdo, kdo je motivován na tom, aby se investice využily efektivně. Je-li tedy nějaký projekt schválen s finančním polštářem, čímž se z něj stanou „něčí“ peníze, bude tento polštář spotřebován bez ohledu na to, jestli je získaná protihodnota adekvátní. Změnou metodiky rozpočtování (1) od byrokratických procesů k flexibilním a transparentním decentralizovaným autonomním modelům plánování a řízení se zabývá Beyond Budgeting. Aplikace na státní finance by mohla vypadat například tak, jak je popsáno zde.
I v tradičním způsobu však existuje jedna specifická otázka, která patří spíše do domény AIE a jejíž správná odpověď může mít cenu až několika set miliard: jak stanovit, kteří ze žadatelů mají dostat podporu a v jaké výši?
V komerčním světě je možné toto rozhodnutí učinit na základě ukazatelů, jakými jsou benefit-cost-ratio nebo cost of delay, který přináší i časové hledisko, protože u řady rozhodnutí existuje riziko, že výsledné náklady i přínosy se mohou v čase měnit, a to zpravidla nepříznivým směrem. U z rozpočtu financovaných aktivit však navíc ani nemusí být zřejmé, jak vůbec mezi sebou přínosy porovnat. To je možné demonstrovat například na státních příspěvcích pro neziskové organizace (např. zde), které jdou nejvíce do tělovýchovy a na charity či sociální programy, následované obory vzdělávání a školství, resp. kultura a ochrana památek. Absolutně největším příjemcem je FAČR, ale už i třeba porovnání s hokejisty, kteří dostávají zhruba třetinu, může být obtížné.
V souladu s doporučeními o měření však není nutné hledat hned absolutní odpověď, ale spíše se kvantitativně snažit o snížení nejistoty. Prvním krokem (2), který má svoje místo i v metodě AIE, je začít si vést záznamy o tom, zda byla financovaná služba skutečně dodána ve slíbeném množství a kvalitě. Tuto informaci je pak možné také učinit dostupnou veřejnosti (3). Spolu s tím by mělo být zaznamenáváno, i když už možná ne zveřejňováno, kdo rozhodnutí o přidělení prostředků schválil (4). K nedodržení původních závazků mohou být dobré důvody, které v době schvalování nemuselo být možné znát – např. v současné době může být takovýmto faktorem rostoucí cena energií. Sledování shody predikcí a skutečných výsledků u daného schvalovatele pak může napomoci odhalit, který z expertů je ve svých odhadech příliš optimistický či naopak. Tomu může pomoci trénink (5), tzv. kalibrace expertů. Dle záznamů Hubbard Decision Research se 85 % absolventů tohoto půldenního tréninku dostalo ve svém oboru se svými odhady na přesnost srovnatelnou s bookmakery sázkových kanceláří.
Sběr dat o párování nákladů a přínosů, které dnes (mnohdy záměrně – např. v kauze bývalého předsedy PS Miloslava Vlčka se nikdy nepodařilo odhalit, kdo danou dotaci navrhl a schválil) nejsou k dispozici, umožní časem regresní analýzu, jejíž výstupy mohou být užity při případné predikci očekávaných přínosů (6). Stejně tak bude možné porovnat mezi sebou podobné účely (7) a zkoumat, jaké jsou příčiny rozdílů, pokud se bude zdát, že jsou signifikantní.
Už jen samotné zavedení záznamů a jejich zveřejňování, přestože se nejedná o žádné „šetřící“ opatření, může paradoxně tento efekt mít, podobně jako přítomnost neozbrojených válečných pozorovatelů v oblasti konfliktu může zabránit některým zločinům.
K užitku však mohou přijít i další metody či otázky. Například, zda je možné nabízenou službu rozdělit na různé účely a které z těchto účelů by bylo žádoucí zachovat, pokud (při současném trendu vývoje státních financí je na místě spíše spojka: až) začne být peněz nedostatek (8). Či naopak, které substitutní služby existují a jaké jsou či mohou být jejich jednotkové náklady (9). Tento způsob uvažování (shluková analýza) může vést k nalezení způsobu, jak mezi sebou porovnat i některé na první pohled neporovnatelné účely. Například, v případě FAČR nejde o státní sponzoring fotbalu jako takového. Primárně jdou peníze na spolufinancování oddílů mládeže a účelem je zde smysluplné využití volného času. Postranním efektem pak může být i reprezentace země, posílení turismu apod. Pokud by se stát rozhodl preferovat např. Sokol nebo dobrovolné hasiče, některé z přínosů mohou zůstat zachovány, některé zmizí a některé nové se možná objeví. Smyslem je pokusit se nalézt ekonomickou hodnotu investice. Například, u investicí do vzdělání se může jednat o snahu vychovat pracovníky pro práce s vyšší přidanou hodnotu, což se může odrazit ve vyšším výběru daní, u podpory sportu pak o vytvoření zdravějšího životního stylu, který se může následně odrazit v nižších nákladech na lékařskou péči, popř. o podporu stabilnějšího sociálního prostředí.
Při hledání „souhrnných cílů“ či „společných jmenovatelů“ je možné se inspirovat mnemonikou VORSL. (Value – jakou hodnotu a na jak dlouho může tato příležitost přinést? Options – dojde realizací k otevření dalších možností? Risk – jaké jsou šance na úspěch, nakolik bude nové pozice udržitelná? Stimulation – přinese to stimul pro další rozvoj? Like – jak potom budeme vypadat před ostatními?) Ať už ale bude benefit z kterékoliv kategorie, vždy by měla existovat jedna či více metrik, které jej zastupují. V opačném případě se při hledání úspor lze řídit i radou kočky Šklíby: pokud nevíš, kam jdeš, dovede tě tam jakákoliv cesta. Kvantifikace očekávaných vylepšení pomocí objektivně měřitelných kritérií je nutnou podmínkou pro dosažení cíleného zlepšení, protože jinak ani nemusí být jasné, jak zjistit, zda vůbec k nějakému zlepšení došlo, popř. zda tak došlo v důsledku vykonaných kroků.
Podobně užitečná jako analýza účelu může být odpověď, při jaké hodnotě (a jakých) vstupů má vůbec ještě smysl službu provozovat (10). V některých případech, např. u péče o přestárlé či o osoby s těžkou invaliditou, tato hranice neexistuje, ale rostoucí náklady si vynutí omezení v počtu osob, kterým může být služba poskytována. Bohužel, pro tyto služby často substitut existovat nebude. Rostoucí počet odřeknutých (avšak objektivně potřebných) žadatelů může být dokonce významnějším ukazatelem „kvality“ rozpočtu než celkové saldo. Jinými významnými metrikami „kvality“ mohou být výše a trend vývoje mandatorních výdajů, kterými současná politická reprezentace vytváří budoucí závazky, které navíc nemusí být snadné odstranit.
Podpora neziskových organizací, na nichž jsme princip hledání úspor demonstrovali, představuje samozřejmě jen zlomek státních výdajů. Stejné postupy by se však daly použít i pro posuzování rentability státních agend. Zde bude často možné se setkat s argumentem: musíme to dělat, protože to po nás chce… (zpravidla EU). I v případě, že nějaký vnější regulátor skutečně vyžaduje dodržování nějakých pravidel, nebývá na škodu prověřit, zda agenda skutečně reflektuje jen tyto požadavky, nebo toho ve skutečnosti dělá mnohem více (11). Rovněž bývá užitečné znát rizika vyplývající z nesplnění požadavků – ta vlastně představují vyčíslený finanční benefit (12).
Celkově se dá očekávat, že potenciální úspory při optimalizaci státních agend budou větší než u neziskových organizací, avšak zároveň bude existovat výrazně větší rezistence – v řadě případů pak bude nejprve nezbytné upravit příslušnou legislativu. Proto může být snadnější začít v segmentu neziskových organizací, vyladit nejprve postupy a teprve poté se začít zabývat státními agendami. Všimněte si také, že od otázky salda, tj. jak pořídit muziku za co nejméně, se pozornost přesouvá k otázce efektivity vynaložených nákladů, tj. jak s tím, co máme, pořídit muziky co nejvíce.
Metoda AIE samozřejmě něco stojí – bude třeba sbírat, uchovávat a analyzovat data, která jsme dříve nesledovali, a to bude také vyžadovat čas – a stejně tak samozřejmě není bezchybná; jejím cílem je snížení, nikoliv úplně odstranění nejistoty. Velkou její výhodou je, že dokáže kvantifikovat i to, nakolik se vyplatí provádět další měření, či zda už je lepší učinit rozhodnutí při současné míře nejistoty. Při srovnání s pouhými expertními odhady se u referenčních zákazníků podařilo snížit nejistotu zhruba o 50 % - tj. trefí-li se expert ve svých odhadech jednou ze tří – čtyř pokusů, jsou odhady pomocí AIE správné jednou ze dvou. Metoda AIE byla vyzkoušena u řady vládních organizací, ať už ve vyspělých (USA), tak i v rozvojových zemích (Keňa).