Mendelova univerzita v Brně Provozně ekonomická fakulta Ústav statistiky a operačního výzkumu
Analýza faktorů ovlivňující objem produkce vína v konkrétní vinařské firmě
Diplomová práce
Vedoucí práce:
Autor:
Ing. Luboš Střelec, Ph.D.
Bc. Veronika Sůkalová
Prohlášení Prohlašuji, že jsem tuto diplomovou práci vypracovala samostatně s použitím uvedené literatury pod odborným vedením Ing. Luboše Střelce, Ph.D.
V Brně dne 20. prosince 2010 Veronika Sůkalová
2
Poděkování Ráda bych poděkovala vedoucímu této diplomové práce Ing. Luboši Střelcovi, Ph.D. za ochotu, cenné rady a připomínky při vypracování mé diplomové práce.
3
Abstrakt
SŮKALOVÁ, V. Analýza faktorů ovlivňující objem produkce vína v konkrétní vinařské firmě. Diplomová práce. Brno, 2010 Cílem diplomové práce je zhodnocení vlivů podílejících se na celkovém objemu produkce vína v konkrétní vinařské firmě. K hodnocení vlivů je využito regresní analýzy, která zkoumá jednotlivé složky ovlivňující celkový objem produkce a kvalitu vína a analýzy časových řad, která zkoumá vývoj vybraných proměnných. Rovněž je popsána situace na trhu vína, především pak vývoj spotřeby obyvatel. Součástí diplomové práce je charakteristika možností financování vinohradnictví a vinařství z fondů poskytovaných Evropskou unií a domácích fondů a návrh doporučení na získání dotace z těchto fondů.
Klíčová slova: objem produkce vína, cukernatost, regresní analýza, spotřeba vína, dotace.
Abstract
SŮKALOVÁ, V. Analysis of factors influencing volume of wine production in a particular wine business. The thesis, Brno, 2010. The aim of the thesis is to evaluate effects sharing total volume of wine production in a particular wine business. The regression analysis is used for evaluating effects which examines the individual factors influencing total production volume and quality of wine and analysis of time series which examines the development of variable parameters. Situation in the wine market is described as well, especially consumption trends of the population. The part of the thesis is characteristic of the funding options for viticulture from European Union funds and domestic funds and the proposal for obtaining grants from these funds.
Key words: total volume of wine production, sugar content, regression analysis, wine consumption, grants. 4
Obsah 1
Úvod........................................................................................................................... 7
2
Cíl práce a hypotézy................................................................................................... 8
3
Literární rešerše.......................................................................................................... 9 3.1
Faktory ovlivňující objem produkce vína .......................................................... 9
3.1.1 Hektarové výnosy a faktory, které je ovlivňují .............................................. 9 3.1.2 Vliv počasí na kvalitu hroznů....................................................................... 13 3.2
Trh vína ............................................................................................................ 17
3.2.1 Situace na trhu vína v ČR............................................................................. 17 3.2.2 Situace na trhu vína v EU............................................................................. 21 3.3
Možnosti využití dotací na rozvoj vinohradnictví a vinařství.......................... 22
3.3.1 Regionální a zemědělská politika................................................................. 22 3.3.2 Možnosti financování vinařství v letech 2000 - 2006 .................................. 23 3.3.3 Předvstupní programy .................................................................................. 24 3.3.4 Programy v oblasti vinohradnictví a vinařství využívané v letech 2004 2006 ……………………………………………………………………………...25 3.3.5 Možnosti financování vinařství v letech 2007 - 2013 .................................. 28 3.3.6 Program rozvoje venkova 2007 - 2013 ........................................................ 28 3.3.7 Podpora vinařství v zemědělské oblasti ....................................................... 29 3.4
Vinařství Baloun .............................................................................................. 30
4
Metodika .................................................................................................................. 32
5
Vlastní práce a diskuze............................................................................................. 40 5.1
Vliv hektarových výnosů na produkci vína ..................................................... 40
5.1.1 Regresní analýza pro funkční vztah OP = f (HV) ........................................ 40 5.1.2 Dílčí shrnutí .................................................................................................. 46 5.2
Zhodnocení vývoje cen surovin a vstupů podílejících se na výrobě vína........ 49
5.2.1 Vývoj cen řepného cukru.............................................................................. 49 5.2.2 Vývoj ceny pesticidů používaných ve vinohradnictví.................................. 51 5.2.3 Dílčí shrnutí .................................................................................................. 53 5.3
Vliv průměrné teploty vzduchu na průměrnou cukernatost hroznů................. 54
5.3.1 Regresní analýza pro funkční vztah C = f (T) .............................................. 56 5.3.2 Dílčí shrnutí .................................................................................................. 60
5
5.4
Vliv úhrnu srážek na průměrnou cukernatost hroznů ...................................... 61
5.4.1 Regresní analýza pro funkční vztah C = f (SR)............................................ 62 5.4.2 Dílčí shrnutí .................................................................................................. 66 5.5
Vliv úhrnu slunečního svitu na průměrnou cukernatost hroznů ...................... 67
5.5.1 Regresní analýza pro funkční vztah C = f (SL) ............................................ 68 5.5.2 Dílčí shrnutí .................................................................................................. 73 5.6
Vliv počasí na průměrnou cukernatost hroznů................................................. 74
5.6.1 Vícerozměrná regresní analýza pro funkční vztah C = f (T, SR, SL) .......... 74 5.6.2 Dílčí shrnutí .................................................................................................. 79 5.7
Vliv vývoje ceny vína na spotřebu................................................................... 80
5.7.1 Regresní analýza pro funkční vztah SV = f (SC) ......................................... 80 5.7.2 Dílčí shrnutí .................................................................................................. 85 5.8
Možnosti využití dotací ve vinařství ................................................................ 87
5.8.1 Návrh možnosti využití dotací Vinařstvím Baloun ...................................... 89 5.8.2 Dílčí shrnutí .................................................................................................. 90 6
Závěr ........................................................................................................................ 91
7
Literatura .................................................................................................................. 95
8
Seznam tabulek a grafů ............................................................................................ 99
9
Přílohy .................................................................................................................... 102
6
1 ÚVOD Víno provází člověka již po staletí. Vinná réva je významnou součástí krajiny, dotváří její vzhled a přitahuje jak vinaře, tak milovníky dobrého vína. Vinohradnictví a vinařství patří mezi důležitá odvětví v České republice pro jejich význam ve společenském a kulturním působení, ve výrobě tradičních produktů hroznů, vína a moštů, které jsou součástí kultury života, stravování a udržování národních tradic obyvatelstva. Písemné zmínky o pěstování révy vinné na území Moravy pocházejí z 8. století. Vinohradnictví bylo již v této době na vysoké úrovni. Počátky českého vinohradnictví a vinařství jsou významně spojeny s rozvojem Velkomoravské říše v 9. a 10. století našeho letopočtu. V tomto období došlo také ke značnému rozšíření vinic na našem území. Významný rozkvět vinařství přišel s vládou císaře Karla IV. Za období jeho panování se stala města jako Praha a Brno důležitými obchodními centry a trh s vínem zde byl na vysoké úrovni. V průběhu času se plochy vinic na našem území značně lišily. Přispěly k tomu zejména války, vydávané právní ustanovení v oblasti vinařství a vinohradnictví a choroby révy vinné, které sužovaly evropské vinice zejména v druhé polovině devatenáctého století. Dle historických pramenů byla však česká a moravská vína vždy kvalitní a mohla tak konkurovat okolním vinařským oblastem. Domácí trh vína prošel v posledních téměř dvaceti letech důležitým vývojem. Podstatnou součástí tohoto vývoje bylo vydání zákona o vinohradnictví a vinařství, který nabyl platnosti v roce 1995. Vinařský zákon přispěl nejen ke sladění našeho právního prostředí s vinařským právem evropským, ale především ke zkvalitnění produkce domácích vín. Firma, která chce přežít v prostředí tržní ekonomiky a úspěšně se rozvíjet, je nucena věnovat pozornost vývojovým trendům působícím v jejím okolí a pružně na tyto trendy reagovat. Každá vinařská firma by měla sledovat své vnější okolí a všechny faktory, které působí na její činnost.
7
2 CÍL PRÁCE A HYPOTÉZY
Hlavním cílem diplomové práce je na základě teoretických poznatků analyzovat faktory podílející se na celkovém objemu produkce vína v konkrétní vinařské firmě a jejich dopadu na celkové hospodaření a úspěšnost vinařské firmy na trhu. Pro naplnění hlavního cíle je využito jednotlivých dílčích cílů. Mezi dílčí cíle patří analýza vlivů, které se podílejí na budoucí kvalitě vína již při samotném pěstování révy vinné. Jedná se především o vliv počasí na průměrnou cukernatost hroznů. Pomocí regresního modelu bude popsán vliv teploty vzduchu, srážek a slunečního svitu na průměrnou cukernatost hroznů v konkrétním vinařství. Rovněž budou zkoumány vstupy, které se zúčastňují výroby vína a ovlivňují tak konečnou produkci a cenu. Těmito vstupy jsou zejména ceny řepného cukru a přípravků na ochranu vinice. Jedním z dílčích cílů je možnost využití dotací z fondů Evropské unie a dotací poskytovaných Ministerstvem zemědělství a Vinařským fondem. Bude rovněž popsána situace na trhu vína v České Republice a Evropské unii, především spotřeba vína a preference konečných spotřebitelů na domácím trhu. Součástí vlastní práce je charakteristika vlivu průměrné ceny jakostního vína na její spotřebu v České republice. Na základě dosažených výsledků budou udělena jednotlivá doporučení a opatření týkající se konkrétní vinařské firmy.
Hypotéza 1: Růst cen řepného cukru a přípravků na ochranu vinic, které se podílejí na výrobě vína a pěstování révy vinné.
Hypotéza 2: Teplota vzduchu má pozitivní vliv na průměrnou cukernatost hroznů.
Hypotéza 3: Negativní vliv rostoucí ceny jakostních vín na jejich spotřebu.
8
3 LITERÁRNÍ REŠERŠE
3.1 Faktory ovlivňující objem produkce vína Nejdůležitějším faktorem, který produkci vína ovlivňuje a nejen vína, ale i všech dalších komodit, je schopnost prodeje daného subjektu, tedy jeho podnikatelské schopnosti. I špatné produkty se na trhu s úspěchem prodávají a dobré často neúspěšně. Prostředky, které vedou k dobrému výsledku, jsou spíše podpůrné, nejsou však nejzásadnější a spolupůsobí v jednom celku. Jejich použití ve správnou dobu musí člověk řídit sám. V zásadě se jedná o dobrý výběr kolektivu, který by měl mimo jiné věřit tomu, co dělá. Ať už při produkci hroznů, výrobě vína či marketingu [15]. Zdravý zralý hrozen je základem pro dobré víno, se kterým nejsou při jeho výrobě problémy. Ovšem dostane-li se do špatných rukou svého výrobce, hrozen sám nic nesvede a ztratí se v množství tuctových vín. Je-li víno chutné, musí nastoupit dobrý a přesvědčivý marketing, aby si vína zákazník všiml. Nakonec je na samotném víně, aby zákazníky zaujalo natolik, že již neodejde. Výchova zákazníka je velmi důležitá. Zákazník musí nabýt přesvědčení, že produkt, který mu nabízíme je právě to, co nutně potřebuje [15]. Faktory, které ovlivňují produkci hroznů ve vinici, jsou odlišné. Zde marketing nefunguje, neboť příroda na něj neslyší. Není-li daný rok dostatečné dobrý, ani člověk nic nesvede, může pouze více či méně minimalizovat ztráty. Zde se nejvíce projeví cit každého jedince předvídat, co se stane nebo může stát v návaznosti na životní zkušenosti [15].
3.1.1 Hektarové výnosy a faktory, které je ovlivňují Hektarové výnosy vinic nejsou ovlivněny jen samotným počtem hektarů, ale zejména počtem keřů révy vinné na jednom hektaru. Vinice, které jsou osázeny řídkými sponami, se musejí mechanizačně obdělávat téměř ve stejném množství jako ty husté. Pro dosažení dobrého výnosu je důležitý správný výběr přípravků pro ochranu vinic.
9
Tyto přípravky musejí být dostatečně účinné a včasné, aby zabránily škodám způsobených chorobami révy vinné. Neméně důležitou součástí jsou tzv. ruční práce, zejména provzdušnění vinice, aby méně působily choroby. Poté je třeba zvolit vhodnou dobu sklizně [8].
Jakostní vinohradnictví a vinařství nejen ve světě, ale i u nás je založeno na přísném omezení výnosů. To znamená, že nesmí být překročeno určité celkové množství hroznů na hektar. Důvodem je riziko, že by víno ztratilo uznání kategorie jakostního vína a bylo deklasováno na víno stolní. Maximální výnos je stanoven podle individuální vinařské oblasti a pohybuje se od 35 hektolitrů až po 200 hektolitrů. Jakost samotného vína se zvyšuje s nižším počtem hroznů na jednom keři. V místech, kde množství hroznů neomezuje sama příroda je nutný zásah člověka, neboť rostlina může dovést ke zralosti jen omezené množství plodů. Pokud na révě visí příliš mnoho hroznů, je jejich zrání pomalejší. Stejně tak v chladných oblastech se vyskytuje nebezpečí, že v období sklizně budou hrozny nevyzrálé. Vysoké výnosy mají za následek ztrátu jakosti, koncentrace a hustoty. Rostlina révy vinné, pokud to umožňuje klima a půda, má tendenci silně plodit. Proto pěstitelé révy značnou měrou omezují přirozenou produktivitu [8].
Správné vedení révy vinné ovlivňuje její produktivitu. Pokud pěstitel zvolí vedení s jedním tažněm omezuje nasazování na plod mnohem účinněji než vedení se dvěma tažni. Vliv na výnosy má rovněž hustota výsadby. Pokud je hustota výsadby na určité ploše dostatečně velká, plodí jednotlivé keře méně hroznů. Velký počet rostlin na jednom hektaru je kompenzován minimálním výnosem na jeden keř. Na některých vinicích se můžeme setkat i s 10 000 révových keřů na jednom hektaru. V takových případech je obdělávání vinice pracnější a pro vinaře složitější, neboť velká část práce se provádí ručně. I zde však platí, že vysoká nákladnost je vyvážena lepší kvalitou a vyššími cenami. Neméně důležitou součástí zakládání vinice je volba správného klonu révy. Jednotlivé klony se od sebe navzájem liší v přesně stanovených znacích. Révové školky pěstují klony od téže odrůdy, selektované na bujné plození velkého počtu hroznů s mnoha bobulemi, i klony s malým počtem bobulí v řídkém hroznu. Výnosnost vinice lze ovlivnit i jejím řezem. Zimní řez révy se provádí v období zimního klidu, kdy se odstraňuje největší část starého dřeva. Čím méně plodných tažňů se na révě ponechá,
10
obvykle se udává jeden nebo dva, tím méně réva na jaře nasazuje na plod. Podle počtu ponechaných tažňů se upravuje i počet oček, který se pohybuje od šesti do dvaceti. Někdy je nutné provést i letní řez révy. Ten se provádí zejména v případech, je-li vinice příliš ověšena plody. Řez se provádí v letních měsících červenci a srpnu, kdy lze ještě část zelených hroznů odstranit. V případech, kdy je množství plodů zredukováno chorobami, kroupami, mrazem nebo poškozením květů, není potřeba letní řez provádět vůbec [8].
K omezování výnosů révy vinné dochází i přirozenou cestou a závisí na mnoha faktorech. Pěstováním na suchých a kamenitých tzv. teplých půdách je jakákoliv velkoprodukce těžko dosažitelná. Zásadní roli hraje i klima. Chladné a vlhké jaro zapříčiňuje, že ne všechny květy mohou být oplozeny a hrozny tzv. hráškovatí. Nebezpečné jsou zejména pozdní květnové mrazíky, které mohou květy zcela zničit. Hrozbu pro vinice představují choroby révy, které někdy zdecimují její výnosy. Vhodnost území pro pěstování jakostního vína silně závisí na těchto přirozených faktorech [8]. Jak ve své práci uvádí Tomšík [13] v České republice existují kapacity pro zásobení domácího trhu vínem přibližně ze 70 %. Těmto kapacitám neodpovídá produkce hroznů, která pokryje asi 55 % spotřeby vína, zbývajících 45 % je potřeba dovážet ze zahraničí. Při výrobě samotného vína je problematické stanovit přesně na litr jeho produkci. Rovněž stanovení podílu jednotlivé kategorie vína na domácí produkci z daného roku je problematické, neboť víno může být předloženo k zatřídění ještě v roce sklizně hroznů nebo i za několik let.
Extenzifikace produkce hroznů, tj. snižování vstupu - vynechávání pracovních operací, hnojení a rovněž odklon od zavlažování vinic, má podstatný vliv na dosahovaný průměrný výnos. Průměrná výnosnost hroznů je téměř o 20 % nižší než před 25 lety. Významný podíl na snižování výnosnosti má rovněž i podíl přestárlých vinic a záměrná regulace výnosu u některých vinařských podniků s cílem dosažení vyšší kvality hroznů. Za posledních deset let činí průměrný výnos z hroznů 5,5 t/ha, ale značně kolísá.
11
Důvodem kolísání výnosů jsou přírodní podmínky severní části pěstování révy vinné v Evropě [13].
V posledních letech dochází k omlazování stávajících vinic. Obnovou a vysazováním nových mladých vinic se zvyšují průměrné výnosy. Podle Tomšíka [13] hektarové výnosy i po snížení průměrného věku vinic nedosáhnou takové hranice výnosnosti jako např. v Německu a budou se pohybovat mezi 7 a 9 t/ha.
Ochrana proti chorobám a škůdcům Dnešní pěstitelé révy vinné se při dané odrůdové skladbě vinice již neobejdou bez ochrany proti chorobám a škůdcům. V důsledku ekologizace zemědělské výroby dochází k přechodu od konvenční ochrany k integrované ochraně a integrované produkci. Zemědělská výroba si klade za cíl minimalizovat nepříznivé vlivy pesticidů pro životní prostředí, zdraví lidí a zvířat. Základním předpokladem pro takovou výrobu je změna filozofie přístupu k ochraně proti škodlivým organismům. Systém integrované ochrany preferuje význam preventivních opatření omezujících vhodnost podmínek pro šíření škodlivých organismů a zvyšujících odolnost révového keře k napadení škůdci. Nedílnou součástí ochrany révy je využití znalostí o odrůdové citlivosti a na rizikové lokality nevysazovat náchylné odrůdy. Tyto odrůdy poté postupně nahrazovat odolnějšími odrůdami révy vinné [5].
Použití pesticidů zůstává i nadále součástí integrované ochrany. Jejich užití však musí podléhat zásadám usměrněné chemické ochrany. Znalost biologie, epidemiologie původců onemocnění, bionomie škůdců a sledování vhodnosti podmínek pro výskyt a šíření onemocnění tvoří předpoklad efektivního použití pesticidů. Znalost samotného působení a vlastností přípravků je důležitou součástí efektivního a ekonomického použití i snížení rizika pro produkci a prostředí. Kvalitní aplikace je významným předpokladem efektivní ochrany a plného využití pesticidů [5].
12
3.1.2 Vliv počasí na kvalitu hroznů Charakteristika dané polohy tzv. terroir kombinuje především klimatické a půdní podmínky daného stanoviště, které mají značný vliv na celkový růst a životní děje révy vinné, ovlivňují její plodnost a tím působí na budoucí jakost a chuť vína [1].
Teplota vzduchu Vzdušná teplota patří mezi nejdůležitější stanovištní činitele ovlivňující kvalitu hroznů, neboť réva vinná je teplomilná rostlina. Průměrná teplota v nejteplejších měsících (červenec nebo srpen) by neměla klesnout pod 17 °C. Již při teplotě 19 °C u některých středně zrajících odrůd je dosaženo dobré jakosti vína. Průměrná denní teplota vzduchu je důležitá zejména v době kvetení révy vinné. Teplota by neměla několik dní před kvetením a během něj klesnout pod 15 °C. Negativní vliv na růst a vývoj révy mají teploty pod bodem mrazu. V zimním období může docházet k poškození pupenů již při poklesu na 15 °C [4].
Pro pěstování révy vinné je výskyt mrazíků ve vegetační době podstatnou charakteristikou. V místech jejího pěstování nesmějí být více než 3 roky z 10 tak silné jarní mrazíky, aby byly zničeny letorosty révy. Je-li mrazíků více, není zde pěstování révy rentabilní [5].
Kromě dlouhodobého působení teploty na révu vinnou rozlišujeme ještě její vliv v určitých vývojových fázích vegetačního cyklu. To znamená, že je potřeba určité výše teploty k překonání růstu a vývinu orgánů révového keře. Ke kritickému působení teploty dochází zejména v období slzení. Kritická teplota půdy je 5 až 6 °C. Dále je to v období rašení, kdy se termín, intenzita a místo rašení na keři řídí oteplováním vzduchu. Za kritické hodnoty je považována teplota vzduchu pod 12 °C. Následně v době kvetení by teplota několik dní před samotným kvetením a během kvetení neměla klesnout pod 15 °C v denním průměru. Již při teplotách 10 až 13 °C se pyl stává neklíčivým a není schopen opylování, kvítky tzv. sprchávají. Vliv teploty je rovněž patrný v období růstu letorostů, růstu bobulí, kdy teplota společně s dalšími faktory působí na velikost bobule a v období zrání bobulí a dřeva, kdy teplota urychluje
13
odvádění asimilátů do bobulí i tvorbu barviv, taninu a aminokyselin a záporně ovlivňuje tvorbu aromatických látek. Taktéž v období dormance1, kdy má vliv na hloubku dormance zimních pupenů [4].
Mezi průběhem vegetačního cyklu révy vinné a teplotou je možné stanovit korelace, které odpovídají místním stanovištním podmínkám. Na základě zjišťování se dá říci, že existuje všeobecně platná závislost mezi sumou aktivních teplot za období od konce kvetení (květen) do sklizně hroznů a mezi cukernatostí moštu, kterou pozorovaná odrůda vytvoří. V případě, že suma aktivních teplot za toto období (tzv. suma zrání), vyjádřená ve stupních Celsia, je podělena číslem 100, rovná se zjištěný podíl přibližné cukernatosti moštu v klosterneuburských stupních2. Takto zjištěným způsobem lze vypočítat hodnotu cukernatosti, jaké by měla moštová odrůda na daném stanovišti v určitém roce dosáhnout při dokonalém využití teploty, které měla k dispozici. Jestliže daná moštová odrůda nedosáhla předpokládané cukernatosti, můžeme říci, že odrůda je buď málo výkonná a pro dané stanoviště nevhodná, nebo byla způsobena agrotechnickou chybou jako např. příliš velké zatížení, nevhodný tvar, zanedbaná ochrana proti chorobám a škůdcům, nesprávné hnojení atd. [4].
Světlo Pro pěstování révy vinné je světlo důležitým stanovištním činitelem nejen z hlediska světelného požitku na daném stanovišti, ale i z hlediska jeho využívání odpovídajícím tvarováním keřů a rozložením jejich listové plochy tak, aby byla co největší část osvětlena přímým dopadem slunečních paprsků. Světlo a jeho intenzita má velký vliv na zakládání květenství v očkách zelených letorostů. Naopak nedostatečně osvětlené keře révy vinné málo plodí [5].
Výběr lokality bohaté na sluneční záření pozitivně působí na příjem fotosynteticky aktivního záření, ovlivňuje teplotní poměry ve vinici a pozitivně působí na růst révy vinné a kvalitu samotných hroznů. Za nejvhodnější jsou považovány lokality exponované přímo ke slunci [7]. 1 2
Dormance značí období klidu, do kterého vstupuje réva vinná na podzim po opadu listů [5] Klosterneuburský stupeň (°KMW nebo °KI) udává počet kilogramů cukru ve 100 kg moštu [4].
14
Srážky Podstatný vliv na růst révy vinné mají vodní srážky a to nejen v celkovém úhrnu za rok, ale také podle jejich rozložení v průběhu vegetace. K udržení alespoň sporého růstu a plodnosti révy je nutné minimálně 300 mm vodních srážek za rok. Růstový režim révy vinné vyžaduje tři podstatná období zvýšené potřeby vody. První období je zjara před rašením oček. Druhé období je po odkvětu, v době nasazování bobulí, kdy obsah vody v půdě ovlivňuje počet nasazených bobulí a tím i hustotu osazení hroznů bobulemi. Třetí období je před zaměkáním bobulí, kdy je důležitý rovnoměrný přísun vody potřebný k jejich nalévání [5].
Z hlediska rozdělení srážek je mezi vinohradnickými oblastmi Evropy podstatný rozdíl. Maximální výskyt srážek v severních vinohradnických oblastech Evropy je převážně v letních měsících, kdežto jižní vinohradnické oblasti dosahují maxima srážek v zimních měsících. Snížené množství vody spolu s vysokou intenzitou světla a tepla v jižních oblastech způsobuje snížení růstové mohutnosti letorostů, urychlené zrání hroznů a dřeva, zvýšení koncentrace cukru v bobulích a snížení obsahu kyselin, zejména kyseliny jablečné [4].
Celkovou pozornost je třeba věnovat nejen úhrnu srážek, ale také jejich rozdělení a především formě v jaké přicházejí. Pro svažitá území jsou nebezpečné dešťové přívaly, jež mohou způsobovat erozi půdy. Zvýšený výskyt rosy v letním období může přispívat k onemocnění révy tzv. peronospory. Naopak pravidelné ranní mlhy v podzimním období přispívají k tvorbě aromatických látek ve zrajících hroznech [5].
Vzdušné proudy mohou zásadně měnit teplotní poměry na stanovišti. Tyto vzdušné proudy se dělí na ochlazující. Před nimi je nutné vinice chránit buď zvolením závětrných stanovišť, nebo výsadbou dostatečně mohutných a vysokých větrolamů. Studené větry zpožďují vegetaci révy a v době kvetení způsobují zvýšený opad kvítků nebo nasazených bobulí. Příznivý vliv na révu vinnou způsobují neplující vzdušné proudy, přicházející v období zrání bobulí. Tyto proudy zrání urychlují a omezují nebezpečí rychlého rozšiřování plísně šedé [4].
15
Zrání hroznů se projevuje zvyšujícím se obsahem cukrů ve šťávě bobulí a jejich hustotou. Obsah veškerých kyselin v bobulích se snižuje, kyselina jablečná se přeměňuje na cukr. Zevně se bobule vybarvují a zaměkají, stopky začínají dřevnatět. Stadia vyzrálosti hroznů [10]: • buketní zralost se vyznačuje úplným hroznovým aroma, avšak obsah cukru ještě není maximální, • plné zralosti je dosaženo maximálním obsahem cukru získaného asimilací, hrozny obsahují veškeré živiny a barviva, pecičky jsou vyzrálé, • u přezrálosti je slupka bobule prodyšná, voda se z bobulí odpařuje a ostatní složky se zahušťují, • nedostatečná vyzrálost, která je způsobena povětšinou suchem a přetížením keřů. Cukernatost hroznů značí množství cukru ve vylisovaném moštu. Obsah cukru v hroznech (bobulkách) představuje jeden z nejdůležitějších ukazatelů kvality prvotní suroviny pro výrobu vína a signalizuje zralost ke sklizni. U nás, na rozdíl od zemí s teplejším podnebím, tvoří základní vodítko pro pozdější kvalitativní zatřídění vína. V České republice se udává ve stupních českého normalizovaného moštoměru (°NM)3. Ve vinařském zákonu jsou zakotveny kategorie vína podle cukernatosti hroznů. Ve vzorku moštu vymačkaného z hroznů lze obsah cukru měřit jednoduchým optickým zařízením tzv. refraktometrem přímo ve vinici nebo moštoměrem [30].
Obsah a hromadění cukrů v bobulích závisí zejména na úhrnu srážek ve vegetaci, především v době dozrávání, na průměrné hmotnosti bobule, na barvě bobule a původu odrůdy. Naopak není závislé na míře plodnosti výhonů a bujnosti růstu či odolnosti k houbovým chorobám. S rostoucím výnosem hroznů ubývá jejich kvalita, což má za následek nižší cukernatost [12].
Od roku 1995 byl průměrný výnos z hroznů přibližně konstantní, zatímco průměrná cukernatost se zvýšila přibližně o 20 %. Významnou roli zde sehrává poměrně teplé Normalizovaný moštoměr se používá ke stanovení cukernatosti moštu na území ČR a Slovenska. Do jeho stupnice je zahrnut také vliv necukrů. Výsledky měření udávají počet kilogramů cukru ve 100 l moštu. Stupnice je v rozsahu 10 – 30 °NM. [4]
3
16
ročníky v posledních letech, které révě svědčí a celkově se tak podílejí na vysokém obsahu cukru v bobulích révy vinné [13].
3.2 Trh vína 3.2.1 Situace na trhu vína v ČR Vinohradnictví a vinařství má v České republice dlouholetou tradici. Víno je u nás v oblibě, což dokazuje i jeho stoupající spotřeba. Moravská a česká vína získávají na světových soutěžích medaile, avšak mezi spotřebiteli v cizině nejsou příliš známá. Důvodem je zejména fakt, že většina vína, které se u nás vyrobí, se tu také vypije [22].
Současná plocha vinic představuje 19 683,38 ha, z toho je celých 17 358,52 ha plochy osázeno vinicemi. Zbylá plocha tvoří vinice vyklučené, vinice, kterým bylo přiděleno právo na opětovnou výsadbu a státní rezervy [24].
1800
1078,31
1600
248,15
139,04
163,19
200
154,15
132,02
378,57
400
277,52
800
529,2
1000
706,11
1200
268,93
Plocha vinic (ha)
1400
600
1899,63
1608,87
2000
0 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 Rok
Graf 1: Výsadba nových vinic v ČR v letech 1997 - 2009 v ha. Zdroj: [26], vlastní zpracování Z Grafu 1 je zřejmý vzestupný trend výsadby mladých vinic v jednotlivých letech až do roku 2004. V tomto roce byly ukončeny státní dotace z MZe ČR a dotace
17
z Vinařského fondu na restrukturalizaci vinic. Od roku 2005 je patrný výrazný pokles výsadby nových vinic [26].
Nejčastěji pěstovanými odrůdami, v závislosti na velikosti osázených ploch, jsou Mőller Thurgau, Veltlínské zelené, Ryzlink rýnský, Ryzlink vlašský, Svatovavřinecké, Frankovka, Zweigeltrebe a Rulandské modré [24].
Odrůdy moštové bílé 11350,77 ha
Odrůdy moštové modré 5920,13 ha
Odrůdy stolní 45,38 ha
Odrůdy podnožové 41,37 ha
Graf 2: Struktura ploch vinic v ČR dle kategorií. Zdroj: [26], vlastní zpracování
Podle Grafu 2, tvoří celková osázená plocha vinic 17 358,52 ha. Z této plochy představují dvě třetiny odrůdy moštové bílé, jednu třetinu odrůdy moštové modré a nepatrný podíl připadá na stolní a podnožové odrůdy.
V roce 2009 představovala sklizeň hroznů 68 737 tun při průměrném výnosu 4,27 t/ha. Sklizené hrozny dosahovaly průměrné cukernatosti 20,7 °NM. Celkem bylo v ČR pro vinařský rok 2008/2009 vyrobeno kolem 840 tis. hl vína. Podíl bílého vína tvořil 530 tis. hl a červeného vína 310 tis. hl. [26].
18
Graf 3: Průměrný výnos a cukernatost hroznů. Zdroj: [26] Průměrný výnos hroznů v ČR v posledních patnácti letech vykazuje víceméně stabilní úroveň s meziročním kolísáním. Oproti tomu průměrná cukernatost moštových hroznů má trvale narůstající trend. Během posledních patnácti let se průměrná cukernatost zvýšila o 3,5 °NM [26]. Spotřeba vína a hroznů v posledních letech v ČR vzrostla. V roce 2003 se spotřeba vína na osobu za rok pohybovala kolem 16,3 litrů, v roce 2009 již tvořila 19,1 litrů. Podle Ministerstva zemědělství lze tento zvyšující trend předpokládat i do budoucna. Česká republika není v produkci vína soběstačná. Vína se u nás vyrobí méně, než je jeho spotřeba. Kupříkladu v roce 1993 tvořila spotřeba vína na jednoho obyvatele průměrně 12 litrů, nyní se už pohybuje kolem 18,5 litrů. Přesto nedosahuje takových hodnot jako ve Francii nebo v Itálii, kde se průměr pohybuje od 25 do 32 litrů na osobu [24]. Do budoucna je očekáváno, že spotřeba vína v ČR i nadále poroste, a to nejen z důvodu zvětšující se nabídky vína na trhu, ale i rostoucímu povědomí obyvatel o konzumaci vína, zvyšující se koupěschopnosti a přiměřenějším spotřebitelským cenám v důsledku silnější zahraniční konkurence [13]. Spolu s růstem životní úrovně se zájem o dobré a kvalitní víno zvyšuje. Na jednoho obyvatele připadá zhruba šest až sedm litrů vína vyrobeného tuzemskými vinaři, dvě třetiny se dováží ze zahraničí. Zahraniční
19
konkurence je na domácím trhu vysoká. Na pultech obchodů se objevují vína z celého světa, často velmi levná a ne příliš kvalitní [24]. Čeští a moravští vinaři vyrábějí víno střední a vyšší kvality. Za poslední roky se kvalita doma vyráběných vín výrazně zlepšila a předpokladem je, že tento trend bude pokračovat i nadále. Cílem českých vinařů není přímo export, ale domácí trh. Díky němu, ale také stále se rozšiřující vinařské turistice a zlepšujícím se službám, se tuzemští vinaři nemusejí vysoké konkurence obávat [22].
Graf 4: Bilance vína ve vinařských letech v ČR. Zdroj: [26] Tuzemští spotřebitelé dávají přednost bílému vínu před červeným, nejméně oblíbeným vínem je prozatím víno růžové. Zájem o lehká svěží a ovocná vína stoupá celosvětově. Značný vliv na spotřebu má také životní styl, který dává přednost lehkým nízkoalkoholickým vínům před těžkými. A právě bílá vína tyto podmínky splňují [22].
V roce 2009 se průmyslová cena lahvového jakostního bílého vína pohybovala v průměru 63,30 korun za litr. Průměrná cena průmyslových výrobců jakostního lahvového červeného vína se pohybovala okolo 54,40 korun za litr [26].
20
3.2.2 Situace na trhu vína v EU Téměř polovina světové plochy vinic se nachází v Evropské unii, zde se také produkuje většina vína světa a stejně tak se zde i většina spotřebovává. Současná světová plocha vinic zaujímá 7 861 tisíc ha, z toho 3 818 ha se nachází v EU. Za posledních 20 let snížila Evropa svůj podíl na světové ploše vinic z 70 % na necelých 60 %. Ke snižování ploch vinic přispělo i zavedení prémií za klučení vinic [24].
23%
15% 11%
1% 2% 2%
3% 11%
3% 5%
3% 6% 6%
2% 1% 1%
3%
1% 1%
Španělsko Francie Itálie Portugalsko Řecko Německo Rumunsko Bulharsko Maďarsko Ostatní země EU Čína Turecko USA Argentina Chile JAR Austrálie Brazílie Ostatní
Graf 5: Struktura plochy vinic ve světě. Zdroj: [24], vlastní zpracování
Největší plochu vinic v EU zaujímá Španělsko s 15 %, následované Francií 11 % a Itálií 11 %. Ostatní země EU, mezi něž patří i Česká republika představují 2 % z celkové světové plochy vinic [24].
Výnosy hroznů jsou závislé na klimatických podmínkách a tudíž velmi variabilní. V období let 1995 až 2008 tvořil průměrný výnost EU-15 45,4 hl/ha. Během let 2000 až 2007 se plocha vinic v EU-27 snížila o 1,2 %, v EU-15 o 1,1 % [24].
Spotřeba vína v tradičních vinařských zemích jako je Francie, Itálie a Španělsko trvale klesá. I přes fakt, že spotřeba vína se v nových členských zemích zvyšuje, v EU zaznamenává pokles. V roce 2009 se průměrná spotřeba na jednoho obyvatele EU
21
pohybovala okolo 27 litrů vína, z toho 13 litrů představovalo víno stolní. Pokles spotřeby je znatelný u stolního vína zatímco spotřeba jakostního vína se zvyšuje [24].
Preference spotřebitelů jsou ovlivněny prostředím, kde žijí, kulturou a společností, ve které se pohybují. Se zvyšujícím se průměrným věkem obyvatel EU se mění i jejich nároky na výběr vína, což zaznamenávají i výrobci. Velkou roli zde sehrává v posledních letech často diskutovaný vliv vína na zdraví člověka [28].
3.3 Možnosti využití dotací na rozvoj vinohradnictví a vinařství
3.3.1 Regionální a zemědělská politika V letech 2000 - 2004 se stala výchozí dokumentací agrární politiky Koncepce agrární politiky na období před vstupem ČR do EU. Koncepce agrární politiky zahrnovala dvě základní časové etapy. První etapu tvořilo období od roku 1999 do roku 2001. Toto období označované jako revitalizace bylo zaměřeno na zotavení a stabilizaci agrárního sektoru ČR a jeho přípravu na vstup do EU. Druhá etapa pokračuje rokem 2002 a končí vstupem ČR do EU. Období nazýváno jako adaptace, má za úkol co nejrychlejší plošné přizpůsobení agrárního sektoru ČR podmínkám Společné zemědělské politiky ve všech jejích oblastech [14]. Koncepce si brala za cíl dosažení konkurenceschopnosti agrárního sektoru ČR vůči EU při zachování intenzivního i extenzivního zemědělství na co největší ploše, při dostatečné úrovni příjmů zemědělské populace a za respektování dohodnutých závazků ČR v mezinárodním agrárním obchodu [14].
V současnosti je základní dokumentací agrární politiky Koncepce agrární politiky ČR pro období po vstupu do EU 2004 - 2013. V návaznosti na evropský model se zakládá na rozvoji multifunkčního zemědělství a venkova. Mezi priority koncepce patří zvýšení konkurenceschopnosti českého zemědělství a potravinářského průmyslu vůči členským zemím, nově přistupujícím zemím EU a třetím zemím prostřednictvím zvyšování
22
efektivnosti ve výrobě, kvalitě, bezpečnosti a přidané hodnotě produkce. Zaměřuje se na zachování přiměřené zaměstnanosti v zemědělství a zlepšení životní úrovně zemědělské populace. Za další cíle považuje koncepce zachování scenerické a rekreační funkce zemědělské kulturní krajiny, urychlení obnovy zemědělských vodních toků, odbahňování rybníků a celkové zlepšení kvality a čistoty povrchových a podzemních vod, které přicházejí do styku se zemědělstvím [14].
3.3.2 Možnosti financování vinařství v letech 2000 - 2006 Mezi základní dokumenty, ze kterých vycházelo financování zemědělství v ČR, patřil Plán rozvoje zemědělství a venkova ČR na období 2000 - 2006. Plánovací dokument se především týkal Speciálního vstupního programu Evropské unie pro rozvoj zemědělství a venkova tzv. Program Sapard. Plán měl umožnit podporu a spolupráci v rámci Programu Sapard, spolu s přijetím a zavedením příslušných norem Evropské unie. Umožňoval podporu předvstupních opatření pro rozvoj zemědělství a venkova v žadatelských zemích střední a východní Evropy [23].
Základní strategický dokument, který umožňoval získání podpory ze strukturálních fondů a z Fondu soudržnosti byl Národní rozvojový plán 2004 - 2006. Strategie plánu byla rozvedena v navazujících operačních programech Průmysl a podnikání, Rozvoj lidských zdrojů, Rozvoj venkova a multifunkční zemědělství, Infrastruktura a Společný regionální operační program. Národní rozvojový plán obsahoval popis situace, definici strategie a vymezení operačních programů. Dále umožňoval stanovovat systém pro řízení a monitorování a určovat finanční rámec Národního rozvojového plánu [14].
Programovým dokumentem rozvoje venkova byl Horizontální plán rozvoje venkova ČR na období 2004 - 2006 (dále jen HRDP), jenž měl za cíl především ochranu a podporu vysoké hodnoty přírody a udržitelného zemědělství dodržující environmentální požadavky a zachování a podporu zemědělských systémů s nízkými vstupními náklady. HRDP zahrnoval i ochranu a zlepšování přirozeného prostředí, hygienických podmínek a podmínek spokojené existence zvířat, zachování sociální struktury ve venkovských oblastech. Všechny tyto cíle spadaly pod jeden hlavní cíl, který se stal prioritou HRDP
23
s názvem „Trvale udržitelný rozvoj zemědělství, venkova a jeho přírodních zdrojů“ [23].
3.3.3 Předvstupní programy Předvstupní nástroje měly napomáhat k vytváření podmínek pro co nejrychlejší a nejefektivnější čerpání prostředků ze strukturálních fondů EU po stupu České republiky do EU se současným pozitivním dopadem na hospodářství země. Česká republika měla možnost využít tří předvstupních nástrojů. Mezi tyto nástroje patřily programy Phare, ISPA a Sapard. V průběhu 90. let získala ČR prostřednictvím programu Phare finanční prostředky v hodnotě 60 - 70 mil. EUR ročně. Od roku 2000 se objem prostředků zvýšil na 100 mil. ročně. V roce 2002 bylo pro Českou republiku ze strukturálních fondů rozděleno 103,8 mil. EUR a pro rok 2003 získala ČR 114,18 mil. EUR. Česká republika získala za celou dobu trvání programu Phare přístup celkem k 1,034 mld. EUR. V rámci programu ISPA byla do poloviny roku 2003 rozdělena částka 244,297 mil. EUR, z toho na investice 242,404 mil. EUR. Z programu Sapard čerpala ČR každoročně cca 22,063 mil. EUR až do doby jejího vstupu do EU. Celková výše prostředků z programu Sapard činila 66,1 mil. EUR [17].
Phare předvstupní nástroj zaměřený na projekty přípravy institucí veřejné správy na vstup do EU. ČR využívala program Phare již od roku 1990. V posledních letech realizace programu byla část alokovaných prostředků věnována přípravě na přijímání prostředků ze strukturálních fondů EU v jednotlivých regionech a související institucionální přípravě. Po vstupu do EU byl program nahrazen Společným regionálním operačním programem (SROP) [17].
Sapard ČR využívala tento předvstupní nástroj od roku 2000. Sapard byl speciálním programem pro rozvoj venkova a zemědělství. Po vstupu do EU byl nahrazen operačním programem Rozvoj venkova a multifunkční zemědělství [17].
24
ISPA Program ISPA se týkal financování převážně velkých projektů v oblasti životního prostředí. U nás se začal využívat od roku 2000, později byl nahrazen operačním programem Infrastruktura [17].
V současné době jsou u některých programů dokončovány závěrečné audity kontrolními orgány EU. Zejména je sledována udržitelnost projektů a jejich přínosy a probíhající závěrečné finanční transakce. [17]
3.3.4 Programy v oblasti vinohradnictví a vinařství využívané v letech 2004 - 2006 Podpory ze zdrojů Evropské unie Uvolňování prostředků ze zdrojů EU upravovalo vládní nařízení 245/2004 Sb., o stanovení bližších podmínek při provádění opatření společné organizace trhu s vínem. Cílem Společné organizace trhu EU ve vinohradnictví a vinařství bylo prostřednictvím předpisů a nařízení usměrňovat a stabilizovat trh s vínem, přizpůsobit zdroje potřebám a zabezpečit uspokojivý životní standard výrobců v daném odvětví. Vládní nařízení se dotýkalo zejména [29]: • zákaz výsadby nových vinic, povolení pro novou výsadbu se mohlo uskutečnit v případě, jestliže výsadba významně nenarušila trh s vínem, např. v případě vinařských pokusů, • podpory na výrobu hroznové šťávy, • podpory na užití zahuštěného hroznového moštu nebo rektifikovaného moštového koncentrátu ke zvýšení obsahu alkoholu v produktu, • podpory pro soukromé skladování produktu, • podpory destilace vína, • podpory na restrukturalizaci a přeměnu vinic.
25
Projekt Podpora na restrukturalizaci a přeměnu vinic se zpracovával na opatření [29]: • přeměny vinice, o změna odrůdové skladby, o zvýšení počtu keřů ve vinici, o přesun vinice do svahu, o klučení vinice, • ochrana vinice před škodami způsobených zvěří, • výsadba vinice bez práva na opětovnou výsadbu založenou na závazku vyklučit jinou vinici do tří let.
Cílem Společné organizace trhu EU ve vinohradnictví a vinařství bylo prostřednictvím předpisů a nařízení usměrňovat a stabilizovat trh s vínem, přizpůsobit zdroje potřebám a zabezpečit uspokojivý životní standard výrobců v daném odvětví [29].
Programy podpory vinařství v ČR Programy podpory vinařství v oblasti zemědělství zastřešoval Horizontální plán rozvoje venkova ČR pro období 2004 - 2006 a operační program „Rozvoj venkova a multifunkční zemědělství“ v letech 2004 - 2006.
Horizontální plán rozvoje venkova ČR pro období 2004 - 2006 Hlavním cílem plánu „ Trvale udržitelný rozvoj zemědělství, venkova a jeho přírodních zdrojů“ obsahoval tato opatření [25]: • předčasné ukončení zemědělské činnosti, • méně příznivé oblasti a oblasti s environmentálními omezeními, • agro-environmentální opatření, • lesnictví, • zakládání skupin výrobců, • technická pomoc.
26
Agro-environmentální opatření (AEO) jako součást programového dokumentu bylo možné využít pro oblast vinařství. AEO podporoval způsoby využití zemědělské půdy, které byly v souladu s ochranou a zlepšením životního prostředí, krajiny a jejich vlastností. Zemědělci, kteří písemně stvrdili svůj závazek uplatňovat pravidla agroenvironmentálního zemědělství po dobu alespoň pěti let, byla vyplacena finanční podpora ve formě vyrovnávacího příspěvku na hektar zemědělské půdy [25].
Tab. 1: Přehled financování Agro-environmenálních opatření 2004 - 2006 (v mil. EUR)
Opatření
AEO
Rok
Celkem veřejné zdroje
Z toho příspěvek EU
2004
95,267
76,213
2005
113,004
90,403
2006
126,72
101,376
celkem
334,99
267,992
Zdroj: [23], vlastní zpracování
Operační program „Rozvoj venkova a multifunkční zemědělství 2004 - 2006“ Operační program představoval rozpracování 5. Prioritní osy Národního rozvojového plánu ČR na období 2004 - 2006. Vztahoval se na oblasti České republiky spadající pod Cíl 1 tj. území ČR kromě hlavního města Prahy. Podpora zemědělské prvovýroby a zpracování zemědělských produktů, podpora lesního a vodního hospodářství a zajištění trvale udržitelného rozvoje venkova bylo hlavním účelem zpracování operačního programu. Cíl programu spočíval v podpoře trvalého hospodářského růstu i růstu kvality života obyvatel založených především na [23]: • zvyšování konkurenceschopnosti odvětví, • zajištění zaměstnanosti a rozvoje lidských zdrojů, • snižování rozdílů v sociálních podmínkách, • zachování kulturní krajiny, • ochraně a zlepšování životního prostředí.
27
Hlavní důraz byl kladen na udržení a rozvoj sociálně-ekonomických podmínek obyvatel venkova. Projekty realizované v rámci operačního programu Rozvoj venkova a multifunkční zemědělství byly spolufinancovány z orientační sekce EAGGF (Evropský zemědělský podpůrný a záruční fond) a z FIFG (Finanční nástroj pro podporu rybolovu) [23].
3.3.5 Možnosti financování vinařství v letech 2007 - 2013 Mezi strategické dokumenty, z nichž je vycházeno při podpoře zemědělství v programovacím období 2007 - 2013 patří Národní rozvojový plán ČR 2007 - 2013 a Národní strategický plán rozvoje venkova ČR na období 2007 - 2013. Národní rozvojový plán ČR 2007 - 2013 definuje strategii rozvoje České republiky pro období 2007 - 2013. Vychází z nařízení ke strukturálním fondům a Fondu soudržnosti, jeho strategie se opírá o klíčové evropské i domácí strategické dokumenty. Prioritní osy a cíle vycházejí z definované strategie a následně jsou promítnuty do struktury operačních programů [21].
Národní strategický plán rozvoje venkova ČR (NSPRV), vychází z hlavních strategických priorit EU pro období 2007 - 2013. Hlavním cílem je zvyšování ekonomického růstu, vytváření nových pracovních příležitostí a udržitelný ekonomický rozvoj. Národní strategický plán rozvoje venkova ČR je realizován prostřednictvím Programu rozvoje venkova a zajišťuje vazby mezi obecnými cíli rozvoje evropského venkova a cíli rozvoje venkova ČR. Přínos NSPRV je orientace ČR jako členského státu EU směrem k požadavkům rozvoje společného trhu v souladu se Společnou zemědělskou politikou, přispívá k orientaci a podpoře investorů v zemědělství, lesnictví, potravinářství a venkovských oblastí směrem k úspěšné integraci do jednotného evropského trhu prostřednictvím rozvoje ekonomických příležitostí pro podnikání [16].
3.3.6 Program rozvoje venkova 2007 - 2013 Program rozvoje venkova, který zajišťuje působení Evropského zemědělského fondu pro rozvoj venkova, specifikuje strategie v jednotlivých osách stanovených Národním 28
strategickým plánem rozvoje venkova do prováděcí úrovně a zajišťuje jeho efektivní realizaci. Existence a realizace Programu rozvoje venkova přispívá k dosažení cílů, tj. k rozvoji venkovského prostoru ČR na základě trvale udržitelného rozvoje, zlepšení stavu životního prostředí a snížení negativních vlivů intenzivního zemědělského hospodaření. Program umožňuje vytvářet podmínky pro konkurenceschopnost České republiky
v základních
potravinářských
komoditách,
podporuje
rozšiřování
a diverzifikaci ekonomických aktivit ve venkovském prostoru s cílem rozvíjet podnikání, vytvářet nová pracovní místa, snížit míru nezaměstnanosti na venkově a posílit sounáležitost obyvatel na venkově [25].
3.3.7 Podpora vinařství v zemědělské oblasti OSA I - Zlepšení konkurenceschopnosti zemědělství a lesnictví OSA I je orientována na podporu konkurenceschopnosti zemědělství a lesnictví a posílení dynamiky podnikání v zemědělské výrobě a v navazujícím potravinářství. Finanční podpora činí 22,39 % celkových prostředků EZFRV. Podpory v rámci Osy I nevedou ke zvýšení zemědělské prvovýroby. Osa I se především zaměřuje na oblast modernizace zemědělských podniků, pozemkové úpravy a přidávání hodnoty zemědělským produktům. Na tyto účely je soustředěno největší množství finančních prostředků [25].
OSA II - Zlepšování životního prostředí a krajiny Pro podporu vinařství v oblasti zemědělství lze v souvislosti s osou II využít agroenvironmentálních
opatření
(AEO)
týkajících
se
ekologického
zemědělství
a integrované produkce. Integrovaná produkce představuje mezistupeň šetrných postupů mezi standardní konvenční produkcí a ekologickým zemědělstvím. Její přínos je právě u kultur, kde lze jen obtížně aplikovat plný režim ekologického zemědělství. Cílem agro-environmentálního opatření je podpora způsobů hospodaření na zemědělské půdě šetrných k životnímu prostředí a poskytujících základ pro produkci kvalitních surovin [25].
29
OSA III - Kvalita života ve venkovských oblastech a diverzifikace hospodářství venkova Pro podporu rozvoje životních podmínek na venkově a diverzifikaci ekonomických aktivit je určena Osa III. Cíle vycházejí z analýz problémů venkova a jeho potřeb v oblasti vzniku nových pracovních příležitostí, disponibility místních služeb a úrovně kvality života. Osa se snaží řešit dlouhodobé negativní trendy spojené se snižováním populace ve venkovských oblastech. Tyto negativní trendy jsou částečně spojené s obecnými demografickými trendy vývoje a částečně se ztrátou pracovních míst v zemědělství. [25]
3.4 Vinařství Baloun Vinařství Baloun bylo založeno v roce 1991 v prostorech bývalého sklepního hospodářství Státního statku ve Velkých Pavlovicích. Již v tomto roce bylo vyrobeno cca 850 tisíc lahví perlivého vína pod názvem Casius. V následujícím roce si vinařství pronajalo několik sklepních hospodářství z okolních zemědělských družstev. Od roku 1992 přestala firma perlivá vína téměř vyrábět a přešla na výrobu tichých lahvových vín. V roce 1993 firma získala do vlastnictví již zmíněné sklepní hospodářství ve Velkých Pavlovicích a pobočku v Hustopečích u Brna. Nynější kapacita obou provozů je více než milion litrů, přičemž středisko v Hustopečích je používáno jako zpracovatelský provoz, který pojme cca 850 tisíc litrů vína. Od roku 1997 začalo vinařství Baloun s výrobou vín tzv. řízené fermentace, což je zjednodušeně řečeno tepelné ovlivňování veškerých procesů probíhajících při výrobě vína, od sklizně hroznů až po jeho nalahvování. Následující roky firma investovala do rekonstrukcí sklepů a budov včetně instalace moderního zařízení. Proces modernizace bude postupně trvat ještě další léta, neboť Vinařství Baloun čerpá inspiraci a architektonické zkušenosti ve světě, což obnáší náročnější investice do rekonstrukcí. [15]
Vinařství v současnosti obhospodařuje 30 hektarů dlouhodobě pronajatých vinic v chráněné krajinné oblasti Pálava. V roce 2002 až 2003 bylo vysazeno 30 hektarů mladých vinic bílé odrůdy Sauvignon, Chardonnay, Tramín červený a Rulandské šedé. V roce 2004 bylo ve Velkých Pavlovicích pronajato dalších 30 hektarů mladých
30
červených vinic, ze kterých byla panenská úroda postupně sklízena v roce 2005 až 2007. [15]
Firma svá vína každoročně prezentuje na prestižních výstavách vín doma i v zahraničí. Odměnou za účast na těchto výstavách jsou získaná ocenění, která mají svůj význam hlavně pro potenciální zákazníky, kteří se s víny firmy Baloun setkávají poprvé. Mezi významné tuzemské výstavy patří Valtické vinné trhy, Grand Prix Vinex, Vinium Juvenale, Přehlídka vín Zámek Velké Březno, Víno & Destiláty Praha, Salon vín ČR. Zahraniční výstavy jsou například Muvina Prešov, Vinoforum, které je pořádané v různých částech Evropy, Weinparade Poysdorf v Rakousku, Vinalies Internationalis v Paříži a mnohé další. [15]
Za nejvýznamnější medailová ocenění získaná na prestižních výstavách patří zlatá medaile pro Sauvignon 2003, získaná na mezinárodní přehlídce vín VINALIES INTERNATIONALES v Paříži 2004.
Zlatá medaile pro Müller Thurgau 2008, získaná na mezinárodní výstavě vín CONCOURS MONDIAL DE BRUXELLES 2009.
Zlatá medaile pro Tramín červený 2008, získaná na mezinárodní výstavě vín FEMMES ET VINS DU MONDE MONACO 2009.
Zlatá medaile pro Zweigeltrebe 2008, získaná na mezinárodní přehlídce vín WEINPARADE POYSDORF Rakousko 2009. [15]
31
4 METODIKA Vlastní práce se zaměřuje na analýzu faktorů ovlivňujících celkový objem produkce a kvalitu vína v konkrétní vinařské firmě, vlivu ceny vína na jeho spotřebu a možnosti využití dotací z evropských i domácích fondů na podporu vinohradnictví a vinařství. Pomocí jednorozměrného a vícerozměrného regresního modelu je popsán vliv hektarových výnosů na samotném objemu produkce vína, vliv počasí na průměrnou cukernatost hroznů a vliv ceny jakostního vína na průměrné spotřebě. Na základě využití statistických metod jsou jednotlivé výsledky popsány a vyhodnoceny. Jednotlivé metody, se kterými je ve vlastní práci počítáno, jsou uvedeny níže.
Ve vlastních výpočtech je vhodný typ regresní funkce určen na základě rozboru empirického průběhu závislosti. Jako základní metoda je použita grafická, kdy průběh závislosti se znázorňuje ve formě bodového diagramu. Každá dvojice pozorování x a y tvoří jeden bod tohoto grafu [9].
Po prozkoumání výsledků bodových diagramů se jako nejvhodnější model jeví takový, který bude vyrovnaný přímkou. Podle Hindlse [3] je přímková regrese vyjádřená vzorcem: Y = b0 + b1 x
Pro jednotlivé datové soubory, se kterými je ve vlastní práci počítáno, byly vytvořeny tři součty čtverců odchylek. Podle Minaříka [6] je možné dané součty čtverců odchylek definovat jako: • součet
čtverců
odchylek
pozorovaných
hodnot
závislé
proměnné
hodnot
závislé
proměnné
kolem aritmetického průměru s y2 = • součet
čtverců
odchylek
1 ( yi − y )2 ∑ n
vypočtených
kolem aritmetického průměru sY2 =
1 (Yi − y )2 ∑ n
32
• součet čtverců odchylek pozorovaných hodnot závislé proměnné kolem hodnot vypočtených s (2y −Y ) =
1 ( yi − Yi )2 ∑ n
Vydělením všech součtů čtverců rozsahem souboru byly získány odpovídající rozptyly: rozptyl pozorovaných hodnot
, rozptyl vypočtených hodnot
pozorovaných hodnot kolem hodnot vypočtených
a rozptyl
, pro něž platí vztah [6]:
s y2 = sY2 + s (2y −Y ) Pro popis jednotlivých regresních modelů je využito indexu determinace. Intenzita závislosti a kvalita regresní funkce byla hodnocena podle toho, jak se podílí na rozptylu skutečně zjištěných hodnot rozptyl vyrovnaných hodnot. Závislost proměnné y a x bude tím silnější, čím větší bude podíl rozptylu vyrovnaných hodnot na celkovém rozptylu, a tím slabší, čím bude tento podíl menší. Tento podíl se nazývá index determinace a podle Hindlse [3] je vyjádřen jako:
I
2 yx
sY2 = 2 sy
V případě funkční závislosti nabude index determinace hodnoty 1, v opačném případě hodnoty 0.
Druhá odmocnina indexu determinace slouží jako charakteristika intenzity závislosti a označuje se jako index korelace. I yx =
sY2 s 2y
Index korelace je bezrozměrné číslo a měří intenzitu závislosti na intervalu nula až jedna. Hodnoty nula poukazují na nezávislost, hodnoty jedna na pevnou závislost. [3]
33
Ve vlastní práci bylo využito regresní funkce Y = b0 + b1x, jež je považována za výběrovou regresní funkci, pomocí které byla odhadnuta regresní přímka základního souboru (teoretická regresní funkce) [2].
η = β 0 + β1 x Intervaly spolehlivosti pro β0, β1, η jsou zkonstruovány ve formě: b0 − t1−α / 2 s b0 < β 0 < b0 + t1−α / 2 s b0 b1 − t1−α / 2 s b1 < β 1 < b1 + t1−α / 2 s b1 Yi − t1−α / 2 sYi < η i < Yi + t1−α / 2 sYi
kde t1-α/2 jsou 100 (1-α/2) % kvantily Studentova rozdělení t s n - 2 stupni volnosti [3]. Pomocí
analýzy
variance
byla
ověřena
statistická
průkaznost
definovaného
ekonometrického modelu. Testování modelu vychází z nulové hypotézy, která předpokládá H0 ≡ Ekonometrický model je statisticky neprůkazný. Jak uvádí Hindls [3] testové kritérium F tvoří podíl rozptylu teoretických hodnot závisle proměnné k rozptylu kolem regrese (reziduálnímu rozptylu) a jeho kritická hodnota při stanovené hladině významnosti se vztahuje pro (k, n-k-1) stupně volnosti, tzn.
F( k ,n −k −1) =
Pokud platí Fvyp. > Ftab. při
sY2 s (2y −Y )
α = 0,05… model je statisticky průkazný, α = 0,01…model je statisticky vysoce průkazný.
34
Testování jednotlivých parametrů bi (kde i = 1,2,…, k) vychází z testového kritéria t, které je dáno jako:
t ( n− k −1) =
bi s bi
Platí-li tvyp. > ttab. pro stupně volnosti (n - k - 1) a stanovené α, je příslušný koeficient výrazně odlišný od nuly a na stanovené hladině významnosti α statisticky průkazný [2]. Ve vlastních výpočtech je rovněž využit Durbinův-Watsonův test. Jak uvádí Minařík [6], Durbinův-Watsonův test nabývá hodnot v intervalu <0,4>. Hodnota DW blížící se hodnotě 4 poukazuje na nepřímou závislost, naopak hodnota blížící se 0 poukazuje na přímou
závislost.
V případě
nezávislosti
se
testové
kritérium
pohybuje
kolem hodnoty 2. Durbinův-Watsonův test je vypočítán na základě vzorce:
n
DW =
∑ (e t =2
t
− et −1 )
2
n
∑e t =1
2 t
Detekce sériové korelace (autokorelace) vyšších řádů je testována pomocí tří testů. Jedná se o Breuschův-Godfreyův test, Boxův-Piercův test a Ljungův-Boxův test testující
autokorelaci
vyššího
řádu.
Nulová
hypotéza
je
definována
jako H0: autokorelace chybového členu není přítomna. Ve všech případech je testována autokorelace třetího řádu, neboť n = 9 = √9 = 3, n = 12 = √12 = 3 (zaokrouhleno na celá
čísla dolů). Pro výpočet pomocí diference 1. řádu je testována autokorelace druhého řádu. Boxův-Piercův test a Ljungův-Boxův test se opírají o výpočet testové statistiky, která je porovnávána s kritickou hodnotou chí-kvadrát rozdělení s K stupni volnosti, kde
K vyjadřuje řád zpoždění. Testové statistiky mají následující tvar: [27]
35
… výběrový korelační koeficient řádu k
K
… počet autokorelačních koeficientů
T
… počet pozorování
Pro testování stacionarity časových řad je ve vlastní práci využit standardní ADF-test
(Augmented Dickey-Fuller Test). Nulová hypotéza je testována pro tři varianty regresních modelů. Jde o varianty modelu bez konstanty, modelu s konstantou a modelu s konstantou a trendem. Podle nulové hypotézy časová řada obsahuje jednotkový kořen, tudíž není stacionární. Jestliže je nulová hypotéza zamítnuta, je možné učinit závěr, že časová řada je stacionární [20]. Stacionární časová řada je taková, jejíž základní vlastnosti, jako je například její průměr a rozptyl, se v průběhu času nemění. Naopak nestacionární časová řada má jednu či více základních vlastností, které se v průběhu
času mění [11]. Nestacionaritu časové řady je možné řešit provedením první diference, kdy je namísto původní rovnice Yt a Xt použit tvar:
∆ Y = Yt – Yt-1 ∆ X = Xt – Xt-1 V souvislosti s ekonomickými daty, použití první diference je dostačující k převedení nestacionární časové řady na stacionární časovou řadu. Před použitím první diference je nutné otestovat kointegraci časové řady. [11] Kointegrace zahrnuje odpovídající stupeň nestacionarity proměnných v rovnici tak, že činí chybový člen stacionární a zbavuje rovnici všech výsledků nepravé regrese. Pokud existuje dlouhodobá rovnováha mezi proměnnými, jsou tyto proměnné tzv. kointegrované. Pro výpočet kointegrace je ve vlastní práci využito EnglovaGrangerova testu. [11]
36
Metoda regresní analýzy je ve vlastní práci rozdělena do tří částí. V první fázi bude využito jednorozměrného regresního modelu, přičemž bude zkoumán vliv hektarových výnosů na celkovém objemu produkce vína. Vysvětlovanou proměnnou budou tvořit roční data objemu produkce (OP) vína v konkrétním vinařství uvedené v litrech. Jako vysvětlující proměnná budou uvažována roční data výnosů hroznů (HV) z jednoho hektaru zemědělské plochy vinic. V souvislosti s výše uvedenou teorií bude analyzován funkční vztah:
OP = f (HV) Přičemž je předpokládán pozitivní vliv hektarových výnosů na celkovém objemu produkce vína, tj.:
OP = f (HV) + V druhé fázi bude využito jednorozměrného a vícerozměrného regresního modelu, přičemž bude zkoumán vliv počasí na průměrnou cukernatost hroznů následovně:
• vliv průměrné teploty vzduchu na průměrnou cukernatost hroznů • vliv ročního úhrnu srážek na průměrnou cukernatost hroznů • vliv ročního úhrnu slunečního svitu na průměrnou cukernatost hroznů Vliv průměrné teploty vzduchu na průměrnou cukernatost hroznů Vysvětlovanou proměnnou tvoří roční data průměrné cukernatosti hroznů (C) konkrétního vinařského podniku uvedené v °NM. Jako vysvětlující proměnná jsou uvažována roční data průměrné teploty vzduchu (T) v stupních celsia. V souvislosti s výše uvedenou teorií bude analyzován funkční vztah:
C = f (T) Přičemž je předpokládán pozitivní vliv průměrné teploty vzduchu na průměrné cukernatosti hroznů, tj.:
C = f (T) +
37
Vliv ročního úhrnu srážek na průměrnou cukernatost hroznů Vysvětlovaná proměnná představuje roční data průměrné cukernatosti hroznů (C) konkrétního vinařského podniku uvedená v °NM. Vysvětlující proměnnou tvoří roční data úhrnu srážek (SR) v mm za sledované období. V souvislosti s výše uvedenou teorií bude analyzován funkční vztah:
C = f (SR) Přičemž je předpokládán pozitivní vliv úhrnu srážek na průměrné cukernatosti hroznů, tj.:
C = f (SR) + Vliv ročního úhrnu slunečního svitu na průměrnou cukernatost hroznů Vysvětlovanou proměnnou tvoří roční data průměrné cukernatosti hroznů (C) konkrétního vinařského podniku uvedené v °NM. Jako vysvětlující proměnná jsou uvažována roční data úhrnu slunečního svitu (SL) uvedené v hodinách za sledované období. V souvislosti s výše uvedenou teorií bude analyzován funkční vztah:
C = f (SL) Přičemž je předpokládán pozitivní vliv slunečního svitu na průměrné cukernatosti hroznů, tj.:
C = f (SL) + Ve vícerozměrné regresní analýze bude zkoumán vliv vybraných proměnných na průměrnou cukernatost hroznů. Vysvětlovanou proměnnou tak opět bude průměrná cukernatost hroznů uvedená v °NM za sledované období tj. v letech 2001 - 2009. Jako vysvětlující proměnné budou uvažovány:
• průměrná teplota vzduchu (T) vyjádřená ve °C za sledované roky 2001 - 2009 • roční úhrn srážek (SR) vyjádřené v mm za sledované roky 2001 - 2009 • roční úhrn slunečního svitu (SL) vyjádřeného v hodinách za sledované roky 2001 - 2009.
38
V souvislosti s výše analyzovanou teorií bude zkoumán vztah:
C = f (T, SR, SL) Přičemž je předpokládán pozitivní vliv všech proměnných na průměrnou cukernatost, tj.
C = f (T +, SR +, SL +) Ve třetí fázi bude rovněž využito jednorozměrného regresního modelu, pomocí něhož bude analyzován vliv spotřebitelské ceny jakostního bílého vína na průměrnou spotřebu vína. Vysvětlovanou proměnnou budou roční údaje spotřeby vína na jednoho obyvatele (SV), vysvětlující proměnnou je spotřebitelská cena jakostního bílého vína (SC). Následně tak bude zkoumán vztah:
SV = f (SC) Přičemž je předpokládán negativní vliv spotřebitelské ceny na průměrnou spotřebu, tj.
SV = f (SC) -
Ke zpracování kvantitativních údajů a tvorbě grafů je ve vlastní práci využito tabulkového procesoru MS Excel a ekonometrického softwaru GRETL4.
4
http://gretl.sourceforge.net/win32
39
5 VLASTNÍ PRÁCE A DISKUZE
5.1 Vliv hektarových výnosů na produkci vína Pro posouzení vlivu hektarových výnosů na objemu produkce vína ve vinařství Baloun je využito jednorozměrného regresního modelu. Hlavním úkolem regresní analýzy je vystihnout pomocí regresní funkce na základě hektarových výnosů a objemu produkce vína průběh závislosti mezi oběma proměnnými, což umožňuje provést odhad hodnot objemu produkce vína na základě hodnot hektarových výnosů.
5.1.1 Regresní analýza pro funkční vztah OP = f (HV) Graf 6 zachycuje vývoj hektarových výnosů a celkového objemu produkce vína. Pro uvedený graf jsou specifické zejména poslední tři roky 2007, 2008 a 2009, kdy se výrazně zvýšily hektarové výnosy a tím i celkový objem produkce. Hlavním důvodem nárůstu hektarových výnosů je omlazení stáří vinic. V roce 2002 a 2003 byly vysázeny nové vinice a v roce 2007 dosáhly tyto vinice plné plodnosti. Vysazováním nových mladých vinic bylo dosaženo vyšších průměrných výnosů. Další specifickou hodnotu představuje rok 2006, kdy hektarový výnos tvořil 10,5 tun, ale objem produkce byl pouze 452 tis. litrů. Důvodem mohou být vysoké úhrny srážek, zejména v měsíci srpnu, které podpořily zvýšený výskyt hniloby bobulí révy a zapříčinily úbytek průměrného výnosu, což se odrazilo i na samotném objemu produkce.
40
16
1 200 000
14 12
1 000 000
10
800 000
8 600 000
6
400 000
4
200 000
Hektarové výnosy (t/ha)
Objem produkce vína (l)
1 400 000
2
0
0 2001
2002
2003
2004
2005
objem produkce vína
2006
2007
2008
2009
hektarové výnosy
Graf 6: Vývoj objemu produkce vína a hektarových výnosů za sledované období 2001 - 2009. Zdroj: Data firmy Vinařství Baloun, vlastní zpracování. Jednorozměrná analýza sleduje vliv hektarových výnosů na celkovém objemu produkce vína. Pro obě proměnné byly použity roční údaje za období 2001 - 2009. Celkový objem produkce vína je udáván v litrech za sledované období a hektarové výnosy v tunách na hektar zemědělské plochy. V regresní analýze je použito celkem 9 údajů, které jsou uvedeny v příloze (Tab.č. 1). Graf 7 zachycuje bodový diagram včetně uvažovaného modelu.
1 350 000
Objem produkce vína (l)
1 200 000 1 050 000 900 000 750 000 600 000 450 000 300 000 6
8
10
12
14
Hektarové výnosy (t/ha)
Graf 7: Bodový diagram vlivu hektarových výnosů na celkový objem produkce vína
41
Pro zvolený model byly následně vypočteny OLS odhady parametrů, standardních chyb odhadů parametrů a nezkreslené (korigované) odhady indexu determinace. Poté byly provedeny t-testy významnosti jednotlivých odhadů parametrů a celkový F-test vhodnosti modelu. Získané výsledky pro model regresní přímky jsou uvedeny níže.
Přímka:
Ŷi
=
– 685 527
t
=
(-3,6)
R2 = 0,88
128 039 xi
+
(7,2)
R 2 = 0,86
F = 51,79
DW = 1,4
Pomocí regresní analýzy došlo k potvrzení očekávaného pozitivního vlivu. Konkrétní výsledek udává, že zvýšení hektarových výnosů o jednotku způsobí nárůst objemu produkce vína o 128 039 litrů. Celkovým F-testem průkaznosti byla pro kritickou hodnotu Fc = 5,591 a hodnotu testové statistiky F = 51,79 nulová hypotéza o neprůkaznosti regresního modelu zamítnuta. Odhadnutý model lze považovat za statisticky průkazný. 200000 150000 100000 50000 0 -50000
1
2
3
4
5
6
7
8
9
-100000 -150000 -200000 -250000
Graf 8: Vývoj reziduí pro model regresní přímky s konstantou
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky prokázal statistickou významnost uvedených odhadů parametrů. Odpovídající intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 9, τ 0,975 (7) = 2,37
42
a τ 0,995 (7) = 3,49 uvádí Tab. 2. Hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet čtverců a hodnotu korigovaného indexu determinace R 2 zobrazuje Tab. 3. Tab. 2: Intervaly spolehlivosti parametrů modelu regresní přímky Parametr
SE
1 - alfa = 0,95
1 - alfa = 0,99
Dolní
Horní
Dolní
Horní
b0 = -685527
189705,4
-1134108,7
-236944,8
-1,34940E+6
-21656
b1 = 128039
17791,6
85968,4
170109,1
65777,5
190300
V Tab. 2 jsou uvedeny dolní a horní meze intervalu na 5% a 1% hladině významnosti pro daný regresní model. Na 5% hladině významnosti se parametr b0 bude pohybovat v intervalu -1134108,7 až -236944,8 a parametr b1 v intervalu 85968,4 až 170109,1. Tab. 3: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
8,36732E+11
1,13091E+11
9,49824E+11
0,880
0,863
0,938
Na základě výsledků regresní analýzy lze považovat uvedený model za statisticky průkazný. Regresní model vypovídá o přímém vztahu celkového objemu produkce vína na hektarových výnosech, tj. vypovídá o pozitivním vlivu hektarových výnosů na objemu produkce. Sériová korelace (autokorelace) chybového členu je ověřována pomocí čtyř testů. Jednotlivé výsledky testů zobrazuje Tab. 4. Tab. 4: Testy autokorelace chybového členu Test
Testová statistika
P-value
Durbin-Watson test
DW = 1,464
0,096
Breusch-Godfrey test
LMF = 12,926
0,015
Box-Pierce test
Chí-kvadrát = 8,158
0,428
Ljung-Box test
Chí-kvadrát = 4,102
0,251
43
Na základě výsledků testů autokorelace chybového členu je zřejmé, že autokorelace prvního řádu není přítomna. Výsledky testů autokorelace vyššího řádu ukazují, že v případě Breuschova-Godfreyova testu byla prokázána autokorelace na 5% hladině významnosti. Autokorelace vyššího řádu v případě Boxova-Piercova a LjungovaBoxova testu není na 5% hladině významnosti přítomna, tedy nulovou hypotézu nezamítáme. Pro posouzení stacionarity časové řady je využit Rozšířený Dickey-Fullerův test. Výsledky testování časové řady pomocí ADF testu uvádí Tab. 5.
Tab. 5: Testování stacionarity pomocí ADF testu Test bez konstanty
Test s konstantou
Test s konstantou a trendem
Autokorelační koeficient 1. řádu
-0,045
-0,067
-0,471
Odhadovaná hodnota (a - 1)
0,118
-0,430
-1,182
Testovací statistika tδ
1,103
-0,328
-0,891
Asymptotická p-hodnota
0,930
0,918
0,955
Rozšířený Dickey-Fullerův test
Výsledky ADF testu jsou hodnoceny pomocí p-hodnoty. P-hodnota testu bez konstanty
činí 0,930, s konstantou 0,918 a s konstantou a trendem 0,955. Jestliže je tato hodnota porovnávána na 5% hladině významnosti, tak p-hodnota je větší jak hodnota 0,05, tudíž nelze zamítnout nulovou hypotézu a časová řada je nestacionární. Pro takovéto veličiny je vhodné provést následnou kointegrační analýzu. Test kointegrace je ověřen pomocí Englova-Grangerova testu.
Tab. 6: Testování kointegrace pomocí Englova-Grangerova testu Individuální proměnná OP
Individuální proměnná HV
Rezidua
Autokorelační koeficient 1. řádu
-0,137
-0,124
-0,075
Odhadovaná hodnota (a - 1)
-0,987
-0,402
-1,346
Testovací statistika tδ
-2,301
-1,277
-2,317
Asymptotická p-hodnota
0,171
0,642
0,364
Engle-Granger test kointegrace
44
Z výše uvedených výsledků je zřejmé, že na 5% hladině významnosti nebyla zamítnuta nulová hypotéza pro rezidua. Časová řada není kointegrovaná. Jelikož pro danou
časovou řadu nebyla prokázána stacionarita ani kointegrace je nutné přistoupit k výpočtům diference 1. řádu. Jednotlivé výsledky jsou uvedeny níže.
Diference 1. řádu:
R2 = 0,511
∆ Ŷi
=
28222
t
=
(0,474)
R 2 = 0,475
+
∆ 98591,3xi (2,508)
DW = 2,15
F = 6,29
Po provedené první diferenci se opět potvrdil pozitivní vliv hektarových výnosů na objem produkce vína. Konkrétní výsledky udávají, že při zvýšení hektarových výnosů o jednotku vzroste objem produkce o 98 591 litru. Na základě celkového F-testu průkaznosti je pro kritickou hodnotu Fc = 5,98 a hodnotu testové statistiky F = 6,29 nulová hypotéza zamítnuta, tudíž lze odhadnutý model považovat za statisticky průkazný.
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky prokázal statistickou významnost uvedených odhadů parametrů jen na 5% hladině významnosti. Odpovídající intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 8, τ 0,975 (6) = 2,447 a τ 0,995 (6) = 3,707 uvádí Tab. 7. Hodnoty rozkladu součtu
čtverců na celkový, regresní a reziduální součet čtverců a hodnotu korigovaného indexu determinace R 2 zobrazuje Tab. 8. Tab. 7: Intervaly spolehlivosti parametrů modelu regresní přímky pro 1. diferenci 1 - alfa = 0,95
1 - alfa = 0,99
Parametr
SE
Dolní
Horní
Dolní
Horní
b0 = 28222,0
59441,3
-117226
173669
-1,92E+05
248596
b1 = 98591,3
39308,6
2406,4
194776
-47142,7
244325
45
Tab. 8: Analýza rozptylu v případě přímkové regrese pro diferenci 1. řádu ESS
RSS
TSS
R2
adj. R2
R
1,57E+11
1,50E+11
3,08E+11
0,511
0,430
0,715
Výsledky čtyř testů autokorelace chybového členu pro první diferenci uvádí Tab. 9. Jednotlivé testy nepotvrdily na 5% hladině významnosti autokorelaci chybového členu u prvního ani u vyššího (třetího) řádu. Tab. 9: Testy autokorelace chybového členu pro diferenci 1. řádu Test
Testová statistika
P-value
Durbin-Watson
DW = 2,154
0,517
Breusch-Godfrey-test
LMF = 0,587
0,598
Box-Pierce test
Chí-kvadrát = 1,816
0,403
Ljung-Box test
Chí-kvadrát = 1,093
0,579
5.1.2 Dílčí shrnutí Na výrobě vína se podílí celá řada faktorů. Kvalita vína je ovlivněna samotnou péčí o hrozny ve vinici. Významnou roli hraje stanovení správného termínu sklizně v nejlepším období zralosti hroznů dané odrůdy. Zdravé, vyzrálé a ve správném termínu šetrně sklizené hrozny tak předznamenávají jakost výsledného vína. V kapitole 5.1.1 byl analyzován vliv hektarových výnosů na objem produkce vína v konkrétní vinařské firmě. Získané výsledky mohou být ovlivněny menším počtem pozorování, rozsah souboru tvoří 9 údajů, avšak i přes tuto skutečnost výsledky regresní analýzy poskytují dostatečné informace o zkoumaných proměnných. Na základě teorie byl očekáván pozitivní vliv hektarových výnosů na celkový objem produkce. Za pomoci regresní analýzy byla tato hypotéza potvrzena. Jednorozměrný regresní model vypovídá o přímém vztahu hektarových výnosů na celkovém objemu produkce vína. Hodnota regresního parametru 128 039 signalizuje, že při zvýšení výnosů z hektaru o jednotku, dojde ke zvýšení objemu produkce o 128 039, tj. na základě použitých jednotek lze hodnotu regresního parametru charakterizovat následovně: nárůst hektarových výnosů o 1 tunu způsobí nárůst objemu produkce vína o 128 039 litrů. Na intenzitu závislosti
46
a kvalitu regresní funkce ukazují i hodnoty indexu determinace R2. Hodnota 0,88 vykazuje silnou závislost objemu produkce vína na hektarových výnosech. Na základě celkového F-testu průkaznosti modelu byla nulová hypotéza o neprůkaznosti modelu zamítnuta a model lze považovat za statisticky průkazný. Výsledky testů autokorelace chybového členu prokázaly na 5% hladině významnosti autokorelaci vyššího (třetího)
řádu pouze u Breuschova-Godfreyova testu. Autokorelace prvního řádu vypočtená pomocí Durbinova-Watsonova testu nebyla na 5% hladině významnosti prokázána, stejně tak i vyššího řádu pomocí Boxova-Piercova a Ljungova-Boxova testu. Časová
řada byla rovněž podrobena testu stacionarity. Pomocí ADF testu nebyla prokázána stacionarita časové řady, proto bylo přistoupeno k testu kointegrace. EngleůvGrangerův test kointegrace neprokázal kointegraci časové řady, tudíž bylo nutné data podrobit diferenci 1. řádu. Diference 1. řádu opět potvrdila pozitivní vliv hektarových výnosů na celkovém objemu produkce vína. Konkrétní výsledek udává, že zvýšení hektarových výnosů o jednotku, způsobí nárůst objemu produkce vína o 98 591 litrů. Oproti předchozí regresní analýze, hodnota indexu determinace R2 = 0,511 se snížila a nevykazuje již tak silnou závislost mezi oběma proměnnými. Celkovým F-testem průkaznosti modelu byla nulová hypotéza zamítnuta a model lze považovat za statisticky průkazný. Testy autokorelace pro diferenci 1. řádu neprokázaly autokorelaci prvního ani vyššího (druhého) řádu. Hektarové výnosy přímo ovlivňují celkový objem vyráběné produkce. Na základě dosažených hektarových výnosů získá podnik jasnou představu o vyráběném množství produkce pro daný rok. Podnik je tak schopen si s dostatečnou časovou rezervou efektivně naplánovat množství dalších vstupů, které se účastní výroby. Objem vyráběného množství vína ve vinařství Baloun závisí na dané roční sklizni. V případě, že by došlo k podstatnému snížení hektarových výnosů (např. vlivem špatného počasí nebo napadení škůdci a chorobami), celkový objem vyráběné produkce by výrazně poklesl. Tato situace by negativně působila na celkové finanční hospodaření firmy, neboť vinařství je závislé na každoroční sklizni. Za těchto podmínek se vinařství nabízí
řešení odkupu hroznů od cizích pěstitelů. Výkup hroznů je pro mnoho vinařských firem běžným způsobem získání suroviny potřebné pro výrobu vína. Výkupní cena hroznů se v současné době pohybuje od 13 do 16 Kč/kg v závislosti na odrůdě a dosažené
47
cukernatosti. Vinařství Baloun se zaměřuje na výrobu kvalitních vín, která každoročně prezentuje doma i v zahraničí. Z těchto důvodů je pro podnik vhodné zaměřit se na výkup hroznů od pěstitelů, jejichž vinice se nacházejí ve stejné vinařské oblasti. Zvýšení objemu produkce vína v posledních letech zapříčinil růst hektarových výnosů. Vysoké výnosy z hektarů ovlivnilo především celkové omlazení stáří vinic, neboť v roce 2002 a 2003 byla vysazena část nových vinic, které po pěti letech dosáhly plné plodnosti. Mladé a zdravé keře révy dosahují vyšších výnosů a celkově se podílejí na kvalitě budoucí suroviny. V současné době vinařství obhospodařuje celkem 90 ha vinic. Z této plochy je 60 ha mladých vinic, které byly vysazeny po roce 2000. Především se jedná o odrůdy Sauvignon, Chardonay, Tramín červený a Rulandské šedé.
30 ha
staré vinice v CHKO Pálava
30 ha
mladé vinice červených odrůd v lokalitě Velké Pavlovice
30 ha
mladé vinice bílých odrůd v CHKO Pálava
Graf 9: Současná plocha obhospodařovaných vinic. Zdroj: Data firmy Vinařství Baloun, vlastní zpracování.
Při hodnocení výsledků, a to jak dosažených hektarových výnosů a celkové produkci vína, tak výsledků ocenění vyrobených vín, je pro firmu vhodné zaměřit svoji pozornost na bílé odrůdy s malým hroznem, které dávají nejlepší ekonomické výsledky. Do budoucna by se měl podnik zaměřit na obnovu zbylých 30 ha vinic v CHKO Pálava, které jsou v současnosti starší dvaceti let, aby byly zajištěny dostatečně kvalitní výnosy hroznů. Nová výsadba by byla naplánována jako obnova stávajících 30 ha vinic s dostatečnou časovou rezervou tak, aby bylo možné ponechat půdu při rekultivaci odpočívat alespoň čtyři roky. Podnik tak může využít získaných zkušeností
48
pro optimalizaci výběru odrůdy a skloubení všech prvků, pro dosažení odpovídající kvality a dlouhověkosti takto založených vinic. Doporučením pro podnik je rozdělit celkovou plochu 30 ha staré vinice na výsadbu 20 ha bílých odrůd s malým hroznem, jako je např. chardonnay, rulandské šedé, ryzlink rýnský, pálava nebo sauvignon a na zbylých 10 ha vysadit červené odrůdy jako jsou andré nebo zweigeltrebe.
obnova staré vinice v CHKO Pálava bílé odrůdy 20 ha
30 ha
10 ha
obnova staré vinice v CHKO Pálava červené odrůdy mladé vinice červených odrůd v lokalitě Velké Pavlovice
30 ha
mladé vinice bílých odrůd v CHKO Pálava
Graf 10: Plánovaná plocha obhospodařovaných vinic.
5.2 Zhodnocení vývoje cen surovin a vstupů podílejících se na výrobě vína 5.2.1 Vývoj cen řepného cukru Při výrobě vína se mimo jiné využívá řepného cukru. Mošt z nedostatečně vyzrálých hroznů, dosahujících cukernatosti méně než 19 °NM, se musí před kvašením upravit přídavkem řepného cukru. Tato úprava se smí použít pouze při výrobě stolního a jakostního vína, nikoli vína jakostního s přívlastkem. Na domácím trhu se cena cukru od vstupu ČR do EU pohybuje v závislosti na cenových předpisech EU. Vývoj ceny řepného cukru znázorňuje Tab. 10.
49
Tab. 10: Vývoj ceny řepného cukru ve sledovaném období 2001 - 2009 rok
2001
2002
2003
2004
2005
2006
2007
2008
2009
cena Kč/q
1810
1365
1730
1830
1845
1914
1826
1614
1820
Zdroj: [18]
Ceny cukru za sledované období 2001 - 2009 spíše stagnují. Výrazný pokles se projevil pouze v roce 2002, kdy se průměrná cena průmyslových výrobců snížila až na 13,65 Kč/kg a poté ještě v roce 2008, kdy průměrná cena řepného cukru poklesla na 16,10 Kč/kg. Důvodem poklesu je snížení ceny cukru na trhu EU, což se odrazilo i ve snížení průměrné cenové úrovně cukru. Pokles ceny cukru byl ovlivněn světovou krizí a nejistotou na tomto trhu v EU i ve světě. V roce 2009 sice ceny cukru mírně vzrostly, nicméně vzhledem k dalšímu snížení cen cukru na trhu EU v roce 2009/2010 zřejmě dojde k dalšímu snížení ceny řepného cukru na tuzemském trhu v závěru roku 2010. Pro predikci vývoje cen řepného cukru na budoucí období je využito statistické metody extrapolace. Na základě této metody byla provedena předpověď na rok 2010, 2011 a 2012. Hodnoty současného a budoucího vývoje cen zachycuje Graf 11. V Tab. 11 je znázorněn vývoj ceny řepného cukru včetně její predikce na období 2010 - 2012. Trendovou funkci pro predikci cen cukru je možné zapsat jako:
Tt = 1753,8 + 10,1t R2 = 0,03
R 2 = -0,11
DW = 2,19
F = 0,19
Tab. 11: Vývoj ceny řepného cukru včetně predikovaného období rok
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
cena Kč/q 1810 1760 1365 1830 1845 1914 1826 1614 1820 1804 1815 1825
Celkovým F-testem průkaznosti nebyla pro kritickou hodnotu Fc = 5,591 a hodnotu testové statistiky F = 0,19 nulová hypotéza o neprůkaznosti modelu zamítnuta. Hodnota indexu determinace 0,03 poukazuje na slabou závislost.
50
2500
Cena cukru (Kč/q)
2000 1500 1000
500 0 2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Rok
Graf 11: Vývoj ceny řepného cukru včetně její predikce na období 2010 - 2012. Predikce budoucího vývoje ceny cukru ukazuje na stabilní vývoj bez větších výkyvů. Pro rok 2010 je cena průmyslových výrobců odhadována ve výši 1804 Kč/q, pro rok 2011 ve výši 1815 a v roce 2012 by se cena měla pohybovat okolo 1825 Kč/q. Na základě předpovědi lze říci, že vývoj cen cukru bude stagnovat a jejich cena nebude mít negativní dopad na hospodaření firmy.
5.2.2 Vývoj ceny pesticidů používaných ve vinohradnictví Ochrana proti chorobám a škůdcům je důležitou součástí pěstování révy vinné. I přes stále se rozšiřující ekologizaci zemědělské výroby je použití pesticidů nedílnou součástí integrované ochrany. Součástí efektivního a ekonomického použití a snížení rizika pro produkci i prostředí je znalost samotného působení a vlastností daného přípravku. Ceny přípravků na ochranu vinic každoročně narůstají. Za posledních 9 let vzrostly o téměř 50 %. Rostoucí vývoj cen přípravků na ochranu vinic zobrazuje Tab. 12. Tab. 12: Vývoj ceny pesticidů za sledované období 2001 - 2009 Rok
2001
2002
2003
2004
2005
2006
2007
2008
2009
Cena Kč/1 ha
8800
9100
9800
10500
12300
13100
15138
17049
16244
Zdroj: Data firmy Vinařství Baloun, vlastní zpracování
51
V roce 2009 se cena chemie používané ve vinohradnictví vyšplhala až na 16 244 Kč na jeden hektar vinice. Od roku 2001 tyto ceny neustále narůstají. Pro predikci vývoje cen přípravků na ochranu vinice je využito statistické metody extrapolace. Budoucí odhad je proveden na roky 2010, 2011 a 2012. Vývoj cen pesticidů a jejich predikci zobrazuje Graf 12. Tab. 13 zachycuje cenový vývoj pesticidů včetně budoucího odhadu na období 2010 - 2012. Trendovou funkci pro budoucí odhad cen je možné zapsat jako:
Tt = 12447,9 + 1114,9t R2 = 0,95
R 2 = 0,94
F = 130,7
DW = 1,69
Tab. 13: Vývoj ceny pesticidů včetně predikovaného období Rok
2001 2002 2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Cena Kč/ha 8800 9100 9800 10500 12300 13100 15138 17049 16244 18023 19138 20253
Celkovým F-testem průkaznosti byla pro kritickou hodnotu Fc = 5,591 a hodnotu testové statistiky F = 130,7 nulová hypotéza o neprůkaznosti modelu zamítnuta. Odhadnutý model lze považovat za statisticky průkazný. Hodnota indexu determinace 0,95 a korigovaného indexu determinace 0,94 ukazuje na silnou závislost.
Cena pesticidů (Kč/1 ha)
25000 20000 15000 10000 5000 0 2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Rok
Graf 12: Vývoj ceny přípravků na ochranu vinice včetně predikce na období 2010 - 2012
52
2012
Odhad budoucího vývoje cen naznačuje, že ceny pesticidů se budou i nadále zvyšovat. Pro rok 2010 se odhadnutá cena bude pohybovat okolo 18 tis. Kč na 1 ha plochy, v roce 2011 okolo 19 tis. Kč na 1 ha a v roce 2012 by se tato cena mohla vyšplhat až k 20 tis. Kč/ ha zemědělské plochy.
5.2.3 Dílčí shrnutí Výroby vína se zúčastňuje řada vstupů, které se více či méně podílejí na konečné kvalitě vyráběného produktu. Ať už jsou to suroviny potřebné k samotné výrobě nebo vstupy podílející se na zdravém růstu plodiny. Jejich cena ovlivňuje finanční hospodaření podniku a podílí se na výši ceny finálního produktu. V kapitole 5.2 byl zkoumán cenový vývoj řepného cukru a byla provedena predikce cen na další období let 2010 - 2012. Ceny cukru za sledované období vykazují stabilní vývoj. Na základě předpovědi se dá očekávat nepatrný nárůst průmyslové ceny řepného cukru. Avšak tento nárůst není nikterak výrazný a nelze proto říci, že by výrazným způsobem ovlivnil finanční hospodaření podniku. Současně tak nebyla potvrzena hypotéza o nárůstu cen řepného cukru za sledované období. Jak ukazuje Tab. 11 ceny
řepného cukru za sledované období včetně jejich predikce spíše stagnují. V souvislosti s vypočtenými údaji i vývojem na trzích EU není očekáván prudký růst cen řepného cukru, přesto je pro podnik vhodné dojednat s dodavatelem, kterým je firma Agrico CZ ve Velkých Pavlovicích, fixní cenu cukru platnou během celého roku. Hlavní výhoda je spatřována zejména v tom, že podniku se nezvyšují náklady spojené s růstem cen během roku. Kromě cukru byl sledován cenový vývoj u přípravků na ochranu vinice - pesticidů a byla provedena predikce jejich vývoje na období 2010 - 2012. Vývoj cen pesticidů ve sledovaném období strmě stoupá a tento trend lze očekávat i v budoucnosti, což potvrdila i předpověď pomocí metody extrapolace. V průběhu let 2001 až 2009 se ceny těchto přípravků zvýšily o téměř 50 %. Na základě cenového vývoje přípravků na ochranu vinice byla potvrzena hypotéza o rostoucí ceně těchto přípravků za sledované období 2001 - 2009. Negativní vývoj cen se rovněž promítá do finančního hospodaření podniku a má vliv i na zvyšující se ceně vína. Částečné snížení negativního
53
vývoje cen na finanční hospodaření podniku umožňuje systém integrované ochrany, který preferuje význam preventivních opatření omezujících vhodnost podmínek pro šíření škodlivých organismů a zvyšuje odolnost révy k napadení škůdci. Cílem systému integrované produkce je minimalizace použití chemických ochranných prostředků. Aby podnik snížil výdaje na chemické ošetření vinic, jsou doporučena následující opatření:
• jednou z možností je aplikace dravého roztoče, Typhlodromus pyri, který se významným způsobem podílí na regulaci škodlivých roztočů, zejména svilušek, háčkovců a vlnovníků, čímž je značně omezeno používání pesticidů. Dravý roztoč ve vinicích přezimuje, takže zavedení této biologické ochrany je jednorázové a dlouhodobé. Díky těmto vlastnostem je schopen potlačovat výskyt škodlivých roztočů trvale.
• součástí integrované ochrany révy vinné je využití znalostí o odrůdové citlivosti a na rizikové lokality nevysazovat odrůdy náchylné k napadení. Ty je možné postupně nahrazovat odrůdami odolnějšími. V souvislosti s doporučenou obnovou vinice v CHKO Pálava je vhodné, aby se podnik zaměřil na výsadbu těchto odolných odrůd. Pro výsadbu jsou vhodné zejména odrůdy ryzlink rýnský, jež má dobrou odolnost proti houbovým chorobám nebo červené odrůdy andré a zweigeltrebe, které velmi dobře odolávají plísni šedé a ostatním houbovým chorobám.
5.3 Vliv průměrné teploty vzduchu na průměrnou cukernatost hroznů Pomocí jednorozměrného regresního modelu je posuzován vliv průměrné teploty vzduchu na průměrnou cukernatost hroznů. Údaje o teplotě vzduchu byly naměřeny meteorologickou stanicí ve Velkých Pavlovicích a jsou uvedeny v Tab. 14.
54
Tab. 14: Průměrná měsíční teplota vzduchu za sledované období 2001 - 2009 měsíc rok
I.
II.
III.
IV.
V.
VI.
VII.
VIII.
IX.
X.
XI.
XII.
roční prům.
2001
0,4
1,9
5,9
9,2
16,6
16,5
20,3
20,6
13
12,3
3
-3,4
9,7
2002
-0,5
4,4
6,4
9,8
17,5
19,3
21,2
20,3
14,2
8,2
7,2
-2,2
10,5
2003
-1,6
-2,2
5,3
9,7
17,5
21,6
20,6
22,6
15,4
7,2
6,4
0,6
10,3
2004
-3
1,5
4
11,3
13,6
17,2
19,3
20,1
14,9
11,2
5
0,7
9,7
2005
0,5
-1,9
2,9
11,2
15,2
18
19,9
18,4
16,1
10,6
3,5
-0,4
9,5
2006
-5,8
-2
2,2
11,3
15
18,8
23,2
17,1
17,5
12
7,1
2,9
9,9
2007
4,2
4,4
7,1
12,6
16,9
20,5
21
20,6
13,3
8,7
3
-0,1
11
2008
2,1
3,2
5,1
10,5
15,8
19,8
20,3
20,1
14,4
10,4
6,5
2,1
10,7
2009
-3,5
1,1
5,3
13,6
15,1
17,2
20,2
19,9
16,2
9
6,1
0,5
10,1
Zdroj: [17], vlastní zpracování Níže uvedený Graf 13 sleduje vývoj teploty vzduchu a průměrnou cukernatost hroznů. Rok 2004 poukazuje na odlišnou hodnotu, kdy při průměrné roční teplotě vzduchu 9,7 °C bylo dosaženo nižší cukernatosti tj. 20,8 °NM. Podstatný vliv na obsah cukru v bobulích mají teploty zejména v měsících květnu až říjnu. V těchto měsících byla průměrná teplota vzduchu nižší než v ostatních letech, což zapříčinilo i menší hodnoty cukernatosti. 11,5 11
22
10,5 21,5 10 21 9,5 20,5
9
20
Průměrná teplota vzduchu (°C)
Průměrná cukernatost (°NM)
22,5
8,5 2001
2002
2003
2004
2005
průměrná cukernatost hroznů
2006
2007
2008
2009
teplota vzduchu
Graf 13: Vývoj teploty vzduchu a průměrné cukernatosti. Zdroj: [17], data firmy Vinařství Baloun, vlastní zpracování
55
5.3.1 Regresní analýza pro funkční vztah C = f (T) V jednorozměrné analýze je následně sledován vliv teploty vzduchu na cukernatost hroznů. Data, jež jsou pro analýzu použita, jsou uvedena v příloze (Tab. č. 2). Jedná se o roční údaje v letech 2001 - 2009. Vysvětlovaná proměnná průměrná cukernatost hroznů je udávána ve stupních normalizovaného moštoměru (°NM), vysvětlující proměnná průměrná teplota vzduchu je vyjádřena ve stupních celsia.
Průměrná cukernatost hroznů (°NM)
24 23,5 23 22,5 22 21,5 21 20,5 20 9,3
9,6
9,9
10,2
10,5
10,8
11,1
Průměrná teplota vzduchu (°C)
Graf 14: Bodový diagram vlivu průměrné teploty vzduchu na průměrnou cukernatost Pro vybraný regresní model byly následně vypočteny OLS odhady parametrů, standardních chyb odhadů parametrů a nezkreslené (korigované) odhady indexu determinace. Poté byly provedeny t-testy významnosti jednotlivých odhadů parametrů a celkový F-test vhodnosti modelu. Získaný tvar pro model regresní přímky je následující:
Přímka:
R2 = 0,56
Ŷi
=
15,107
t
=
(3)
(6,8)
R 2 = 0,50
DW = 3,01
+
0,653 xi
F = 9,04
Vysoké hodnoty DW testu značí negativní autokorelaci prvního řádu. Na základě těchto
56
údajů je model odhadován pomocí Prais-Winstenovy metody, která eliminuje výskyt sériové korelace.
Přímka:
Ŷi
=
14,523
t
=
(10,19)
R2 = 0,71
0,71 xi
+
(5,078)
R 2 = 0,67
F = 4 108,7
DW = 2,26
Na základě celkového F-testu průkaznosti modelu byla pro kritickou hodnotu
Fc = 5,591 a hodnotu testové statistiky F = 4 108,7 nulová hypotéza o neprůkaznosti regresního modelu zamítnuta. Z uvedených výsledků lze konstatovat, že odhadnutý model je statisticky průkazný. 0,6 0,4 0,2 0 -0,2
1
2
3
4
5
6
7
8
9
-0,4 -0,6 -0,8
Graf 15: Vývoj reziduí pro model regresní přímky s konstantou
) Testováním významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky byla prokázána statistická významnost uvedených odhadů parametrů. Intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 9, τ 0,975 (7) = 2,37 a τ 0,995 (7) = 3,49 uvádí Tab. 15. Odpovídající hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet čtverců a hodnotu nezkresleného indexu determinace R 2 znázorňuje Tab. 16.
57
Tab. 15: Intervaly spolehlivosti parametrů modelu regresní přímky Parametr
SE
1 - alfa = 0,95
1 - alfa = 0,99
Dolní
Horní
Dolní
Horní
b0 =14,522
1,425
11,153
17,892
9,535
19,509
b1 = 0,710
0,139
0,379
1,041
0,220
1,199
Pro daný regresní model byly vypočteny dolní a horní meze intervalu na 5% a 1% hladině významnosti, jež uvádí Tab. 15. Na 5% hladině významnost se parametr b0 bude pohybovat v intervalu 11,153 až 17,892 a parametr b1 v intervalu 0,379 až 1,041. Tab. 16: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
0,880
0,681
1,562
0,711
0,670
0,750
Výsledky regresní analýzy pro jednorozměrný model regresní přímky poukazují na statistickou průkaznost analyzovaného modelu. Regresní model vypovídá o přímém vztahu průměrné cukernatosti hroznů a teploty vzduchu za sledované období, tj. vypovídá o pozitivním vlivu teploty na cukernatost hroznů. Prostřednictvím analýzy se potvrdil očekávaný pozitivní vliv. Na základě regresní analýzy je možné konstatovat, že zvýšení teploty vzduchu o jednotku způsobuje nárůst cukernatosti o 0,71 °NM. Pomocí ADF testu byla rovněž testována stacionarita časové řady. Výsledky ADF testu jsou uvedeny v Tab. 17.
Tab. 17: Testování stacionarity pomocí ADF testu Test bez konstanty
Test s konstantou
Test s konstantou a trendem
Autokorelační koeficient 1. řádu
-0,51
-0,384
-0,794
Odhadovaná hodnota (a - 1)
0,011
-1,371
-2,884
Testovací statistika tδ
0,516
-1,371
-3,070
Asymptotická p-hodnota
0,827
0,597
0,113
Rozšířený Dickey-Fullerův test
58
K interpretaci výsledků ADF testu je použito p-hodnoty, dle níž není nulová hypotéza o nestacionaritě časové řady na 5% hladině významnosti zamítnuta. Výsledky ADF testu poukazují na nestacionaritu časové řady. Výsledky výše uvedeného testu poukazují na nestacionaritu časové řady. Z těchto důvodů je nutné přistoupit k dalšímu kroku, a to testu kointegrace, který je ověřen pomocí Englova-Grangerova testu.
Tab. 18: Testování kointegrace pomocí Englova-Grangerova testu Individuální proměnná C
Individuální proměnná T
Rezidua
Autokorelační koeficient 1. řádu
-0,013
-0,002
0,048
Odhadovaná hodnota (a - 1)
-1,017
-1,142
-1,966
Testovací statistika tδ
-1,364
-3,049
-2,411
Asymptotická p-hodnota
0,601
0,031
0,319
Engle-Granger test kointegrace
Englův-Grangerův test ukazuje na nekointegrovanost uvedené časové řady. Na 5% hladině významnosti byla zamítnuta nulová hypotéza u individuální proměnné teplota a zároveň nebyla zamítnuta nulová hypotéza u reziduí. Vzhledem k nestacionaritě a neprokázané kointegraci analyzovaného modelu je vhodné provést následnou diferenci 1. řádu.
Diference 1. řádu:
R2 = 0,706
∆ Ŷi
=
0,028665
t
=
(0,350)
R 2 = 0,657
+
∆ 0,579911xi (3,173)
DW = 2,879
F = 9,962
Celkovým F-testem průkaznosti modelu byla pro kritickou hodnotu Fc = 5,98 a hodnotu testové statistiky F = 9,962 nulová hypotéza o neprůkaznosti regresního modelu zamítnuta. Z uvedených výsledků lze konstatovat, že odhadnutý model je statisticky průkazný.
59
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky prokázal statistickou významnost uvedených odhadů parametrů pouze na 5% hladině významnosti. Intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 8, τ 0,975 (6) = 2,447 a τ 0,995 (6) = 3,707 uvádí Tab. 19.
Tab. 19: Intervaly spolehlivosti parametrů modelu regresní přímky pro 1. diferenci 1 - alfa = 0,95
1 - alfa = 0,99
Parametr
SE
Dolní
Horní
Dolní
Horní
b0 = 0,028665
0,081
-0,171
0,229
-2,75E-01
0,332
b1 = 0,579911
0,182
0,132
1,027
-0,097
1,257
5.3.2 Dílčí shrnutí Obsah cukru v hroznech představuje jeden z nejdůležitějších ukazatelů kvality prvotní suroviny pro výrobu vína a signalizuje zralost ke sklizni. Na obsahu cukru v bobulích révy vinné se podílí řada faktorů. Ve výše uvedené kapitole byl analyzován vliv průměrných ročních teplot na průměrné cukernatosti hroznů v jednotlivých letech. Původní výpočet modelu vykazoval vysokou hodnotu DW testu. Z tohoto důvodu byl regresní model vypočten pomocí PW metody. Jak dokazují výsledky celkového F-testu, nulová hypotéza o neprůkaznosti modelu byla zamítnuta, model je tedy možné považovat za statisticky průkazný. Vysoké hodnoty indexu determinace poukazují na silnou závislost obou proměnných. Na základě ekonomické teorie byl očekáván pozitivní vliv teploty na průměrnou cukernatost hroznů. Výsledky regresní analýzy potvrdily danou hypotézu. Hodnota regresního parametru 0,71 udává, že při zvýšení průměrných teplot o jednotku dochází ke zvýšení průměrné cukernatosti o 0,71. Hodnotu regresního parametru lze vysvětlit následně: nárůst průměrné teploty vzduchu o 1 °C zapříčiní nárůst průměrné cukernatosti o 0,71 °NM. Pomocí ADF testu stacionarity časové řady byla prokázána nestacionarita analyzovaného modelu, tudíž bylo přistoupeno k testování kointegrace daného modelu. Vybraný Englův-Grangerův test nepotvrdil kointegraci časové řady, tudíž další krok vedl k využití diference 1. řádu. Upravený model byl odhadnut pomocí
60
PW metody. Výsledky celkového F-testu
ukazují na statistickou průkaznost
analyzovaného modelu. Konkrétní výsledek udává, že při zvýšení průměrné teploty o 1 °C vzroste průměrná cukernatost o 0,579 °NM. V souvislosti s analyzovaným modelem byla potvrzena hypotéza o pozitivním vlivu teploty vzduchu na průměrnou cukernatost hroznů. Na základě dosažených hodnot průměrné teploty vzduchu v jednotlivých měsících je možné odvodit výslednou cukernatost hroznů v daném roce. Vinař je tak schopný určit nejlepší dobu sklizně, aby bylo dosaženo vysokých hodnot cukru v bobulích a získat představu o kvalitě budoucí suroviny. Pomocí regresní analýzy byl prokázán přímý vliv teploty vzduchu na cukernatosti hroznů. Při vysokém obsahu cukru již není potřeba doslazovat víno řepným cukrem, naopak pokud průměrná teplota vzduchu byla v daném roce nízká, nebyly vhodné podmínky pro dosažení optimální cukernatosti hroznů, je třeba ještě získanou surovinu přislazovat řepným cukrem.
5.4 Vliv úhrnu srážek na průměrnou cukernatost hroznů Pro
posouzení
vlivu
úhrnu
srážek
na
průměrnou
cukernatost
je
využito
jednorozměrného regresního modelu. V Tab. 20 jsou uvedeny hodnoty úhrnu srážek z údajů meteorologické stanice ve Velkých Pavlovicích. Tab. 20: Průměrný měsíční úhrn srážek za sledované období 2001 - 2009 měsíc rok
I.
II.
III.
IV.
V.
VI.
VII.
VIII.
IX.
X.
XI.
XII.
roční úhrn
2001
25,3
19,1
52,4
28,7
42,9
38,2
109,4
69,5
100,6
10,4
24,1
28,9
549,5
2002
8,9
18,6
21,7
23
42,4
90,9
51,5
126,5
26,3
88,1
38,4
31,8
568,1
2003
29,2
0,9
3,6
18,4
51
26
47,7
29,7
24,5
51,1
25,3
50,7
358,1
2004
40,1
28,9
49,9
19,8
28,5
91,7
19,2
31,4
37,4
42,8
37,6
9,3
436,6
2005
17,8
44,7
9,7
44,2
68,4
54,1
92,7
65,8
19,5
3
24,1
53,5
497,5
2006
27
31,1
49,7
65
62,5
55,9
28,5
129,3
10,1
9,6
15,4
14,1
498,2
2007
28,6
29,4
64,7
3,3
28,9
107,5
51,1
44,6
97,7
39,3
25,7
26,5
547,3
2008
17,3
11,5
34,7
24
63,8
44,9
50,4
34,9
37,1
17,9
29,6
23,5
426
2009
26,9
57,8
90,3
5,3
42,4
121,8 166,2
27
22,4
30,9
58,9
43,6
693,5
Zdroj: [17], vlastní zpracování
61
Graf 16 zachycuje vývoj úhrnu srážek a průměrné cukernatosti hroznů za sledované období. Odlišnou hodnotu představuje rok 2004, kdy při průměrném ročním úhrnu srážek bylo dosaženo nižších hodnot cukernatosti. Důvodem mohou být nízké hodnoty srážek za měsíc červenec, pouze 19,2 mm. V tomto období před zaměkáním bobulí je důležitý rovnoměrný přísun vody potřebný k jejich nalévání. Nedostatečné srážky mohly způsobit, že hodnoty cukernatosti byly nižší než v ostatních letech.
22,5
800
600 500
21,5
400 21
300 200
20,5
Průměrný úhrn srážek (mm)
Průměrná cukernatost (°NM)
700 22
100 0
20 2001
2002
2003
2004
2005
cukernatost
2006
2007
2008
2009
srážky
Graf 16: Vývoj průměrné cukernatosti a úhrnu srážek. Zdroj: [17], data firmy Vinařství Baloun, vlastní zpracování
5.4.1 Regresní analýza pro funkční vztah C = f (SR) Pomocí jednorozměrné analýzy je dále sledován vliv úhrnu srážek uvedeného v mm na průměrnou cukernatost hroznů. Analýza pracuje s ročními hodnotami, která jsou
čerpána z období 2001 - 2009 uvedených v příloze (Tab.č. 2). Graf 17 zachycuje bodový diagram
spolu
s uvažovaným
modelem.
Z diagramu
je
zřejmé,
že
jako o vhodném klasickém regresním modelu lze uvažovat o přímce. Na základě uvedeného bodového diagramu lze konstatovat, že roční úhrn srážek nemá podstatný vliv na obsah cukru v bobulích révy.
62
Průměrná cukernatost hroznů (°NM)
24 23,5 23 22,5 22 21,5 21 20,5 20 300
400
500
600
700
800
Úhrn srážek (mm)
Graf 17: Bodový diagram vlivu úhrnu srážek na průměrnou cukernatost hroznů Regresní model obsahuje výpočty OLS odhadů parametrů, standardních chyb odhadů parametrů a nezkreslené (korigované) odhady indexu determinace. Pro vybraný model jsou následně provedeny t-testy významnosti jednotlivých odhadů parametrů a celkový
F-test vhodnosti modelu. Vypočtený tvar pro model regresní přímky je následující:
Přímka:
R2 = 0,004
Ŷi
=
21,6985
t
=
(24,48)
R 2 = - 0,14
+
0,001 xi (0,05)
DW = 1,95
F = 0,0028
Na základě modelu regresní přímky lze říci, že vysvětlující proměnná úhrn srážek nemá podstatný vliv na konečnou výši cukernatosti, což dokládají i hodnoty indexu determinace.
63
0,8 0,6 0,4 0,2 0 -0,2
1
2
3
4
5
6
7
8
9
-0,4 -0,6 -0,8 -1 -1,2
Graf 18: Vývoj reziduí pro model regresní přímky s konstantou Podle celkového F-testu průkaznosti nebyla pro kritickou hodnotu Fc = 5,591 a hodnotu testové statistiky F = 0,0028 nulová hypotéza o neprůkaznosti regresního modelu zamítnuta. Na základě F-testu nelze odhadnutý model považovat za statisticky průkazný.
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky nepotvrdil statistickou významnost uvedených odhadů parametrů. Intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 9, τ 0,975 (7) = 2,37 a τ 0,995 (7) = 3,49 uvádí Tab. 21. Odpovídající hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet čtverců a hodnotu nezkresleného indexu determinace znázorňuje Tab. 22. Tab. 21: Intervaly spolehlivosti parametrů modelu regresní přímky Parametr
SE
1 - alfa = 0,95
1 - alfa = 0,99
Dolní
Horní
Dolní
Horní
b0 =21,698
0,886
19,602
23,794
18,597
24,799
b1 = 9,05E05
0,001
-0,004
0,004
-0,070
0,073
64
R2
V Tab. 21 jsou uvedeny dolní a horní meze intervalu na 5% a 1% hladině významnosti pro daný regresní model. Na 5% hladině významnosti se parametr b0 bude pohybovat v intervalu 19,602 až 23,794 a parametr b1 v intervalu -0,004 až 0,004. Tab. 22: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
0,0006
1,5616
1,5622
0,0004
-0,1424
0,0199
Výsledky regresní analýzy pro jednorozměrný model regresní přímky nepotvrdily statistickou průkaznost analyzovaného modelu. Z výše vypočtených údajů lze konstatovat, že daný regresní model nevypovídá o přímém vztahu úhrnu srážek na průměrnou cukernatost hroznů. Výsledky čtyř testů autokorelace zobrazuje Tab. 23. Jedná se o Durbinův-Watsonův test testující autokorelaci prvního řádu a Breuschův-Godfreyův test, Boxův-Piercův test a Ljungův-Boxův test testující autokorelaci vyššího řádu, konkrétně je testována autokorelace třetího řádu. Tab. 23: Testy autokorelace chybového členu Test
Testová statistika
P-value
Durbin-Watson
DW = 1,95
0,456
Breusch-Godfrey-test
LMF = 0,094
0,959
Box-Pierce test
Chí-kvadrát = 0,596
0,897
Ljung-Box test
Chí-kvadrát = 0,496
0,92
Jednotlivé výsledky testů autokorelace ukazují, že na 5% hladině významnosti nebyla prokázána sériová korelace prvního ani vyššího (třetího) řádu. Pomocí ADF testu je testována stacionarita časové řady. Výsledky uvádí Tab. 24.
65
Tab. 24: Testování stacionarity pomocí ADF testu Test bez konstanty
Test s konstantou
Test s konstantou a trendem
Autokorelační koeficient 1. řádu
-0,886
-0,796
-0,617
Odhadovaná hodnota (a - 1)
0,079
-1,599
-4,009
Testovací statistika tδ
0,673
-0,654
-3,559
Asymptotická p-hodnota
0,861
0,856
0,033
Rozšířený Dickey-Fullerův test
Z uvedených výsledků ADF testu je zřejmé, že nulová hypotéza o nestacionaritě časové
řady nebyla zamítnuta na 5% hladině významnosti u testu bez konstanty a testu s konstantou. Naproti tomu u testu s konstantou a trendem byla nulová hypotéza na 5% hladině významnosti zamítnuta. Stacionarita se vyskytuje kolem trendu. Lze tedy říci, že časová řada je trendově stacionární. V takovém případě již není nutné přistoupit k testům kointegrace.
5.4.2 Dílčí shrnutí Jednorozměrná analýza pro regresní model sledovala vliv ročního úhrnu srážek na průměrnou cukernatost hroznů v letech 2001 až 2009. Pro daný model byl očekáván pozitivní vliv srážek na průměrnou cukernatost hroznů. Výsledky regresní analýzy vypovídají o nevýznamném vlivu úhrnu srážek na průměrnou cukernatost hroznů. Lze
říci, že při zvýšení ročního úhrnu srážek o jednotku dojde ke zvýšení průměrné cukernatosti hroznů o 0,001, což lze interpretovat jako: nárůst ročního úhrnu srážek o 1 mm způsobí nárůst průměrné cukernatosti o 0,001 °NM. Z uvedených výsledků lze vyvodit, že úhrn srážek nemá podstatný vliv na cukernatost, což dokládají i další statistické výpočty. Provedeným F-testem nebyla zamítnuta nulová hypotéza o průkaznosti modelu a model nelze považovat za statisticky průkazný. Stejně tak i hodnota indexu determinace ukazuje na malou závislost mezi oběma proměnnými. Výsledky čtyř testů autokorelace neprokázaly přítomnost sériové korelace prvního ani vyššího (třetího) řádu. Výpočet ADF testu stacionarity prokázal stacionaritu časové řady kolem trendu. V případě, že by se v daném roce vyskytly vysoké hodnoty úhrnu srážek nad dlouhodobým průměrem nebo naopak srážky by byly minimální, neovlivní
66
významným způsobem cukernatost hroznů. Výskyt srážek, ať už vysokých nebo nízkých, má vliv především na kvantitu nikoli na kvalitu hroznů. Čemuž svědčí i údaje z roku 2010, kdy extrémně deštivé jarní počasí zapříčinilo úbytek hektarových výnosů místy až o 40 %. Avšak hodnoty cukernatosti se pohybovaly od 18 °NM do 22 °NM, což odpovídá průměrným hodnotám naměřeným v posledním desetiletí.
5.5 Vliv úhrnu slunečního svitu na průměrnou cukernatost hroznů Pomocí jednorozměrného regresního modelu je posuzován vliv úhrnu slunečního svitu na
průměrnou
cukernatost
hroznů.
Údaje
o
slunečním
svitu
byly
naměřeny meteorologickou stanicí ve Velkých Pavlovicích a jsou uvedeny v Tab. 25. Tab. 25: Průměrné měsíční údaje o slunečním svitu za sledované období 2001 - 2009 měsíc rok
I.
II.
III.
2001
56,6
120,2
84,6
2002
56,6
74
187,7
2003
42,9
142,6 171,7 216,4 286,2 323,2 256,7 333,3 213,6 117,1 75,1 72,9 2251,7
2004
80,9
89,7
2005
73,2
83
2006
106,7 117,7 144,8 202,6 222,2 273,3 344,8 181,1 250,2 197,1 60,3 45,2
2007
61,5
2008
59,8
113,4 155,9 192,7 259,4 265,7 225,8 246,1
2009
44,4
36,1
75
IV.
V.
VI.
VII.
VIII.
IX.
X.
217
290
82,6
89,2
76,4 63,1 1726,5
260,6 257,8 193,6 175,2
91,9
45,8 40,8
163,6 291,6 191,6 169
218
XI.
XII.
celkem
1771
101,5 182,1 203,1 187,7 214,8 241,9 187,1 104,2 67,5 35,3 1695,8 182,1 227,3 288,7 270,6 215,8 214,5 190,7
163
75,7
193
77,5 59,5 2075,9 2146
313,8 248,2 254,2 279,8 259,4 177,2 120,9 67,2 29,7 2049,9 161
271,9 212,3 173,4 272,9 245,8 191,8
99,7
59,8 39,2 1878,5
91,3
58,3 40,9 1714,8
Zdroj: [17], vlastní zpracování V Grafu 19 je zachycen vývoj slunečního svitu a průměrné cukernatosti hroznů. Jako specifická hodnota se zde jeví rok 2004, který ukazuje nízkou hodnotu cukernatosti tj. 20,8 °NM. Nízkou hodnotu cukernatosti mohly způsobit snížené úhrny slunečního svitu, které se zejména v měsíci červnu pohybovaly okolo 187 hodin, což je hodnota pod průměrným stavem z ostatních sledovaných let.
67
2500
22
2000
21,5
1500
21
1000
20,5
500
20
Roční úhrn slunečního svitu (h)
Průměrná cukernatost hroznů (°NM)
22,5
0 2001
2002
2003
2004
2005
2006
průměrná cukernatost hroznů
2007
2008
2009
sluneční svit
Graf 19: Vývoj průměrné cukernatosti a slunečního svitu za sledované období 2001 - 2009. Zdroj: [17], data firmy Vinařství Baloun, vlastní zpracování.
5.5.1 Regresní analýza pro funkční vztah C = f (SL) Jednorozměrná analýza se dále zabývá vlivem slunečního svitu na průměrnou cukernatost. Data, se kterými je zde pracováno jsou uvedena v příloze (Tab.č. 2). Celkem je do modelu zahrnuto 9 ročních údajů za období 2001 - 2009. Vysvětlovaná proměnná cukernatost je uvedena ve stupních normovaného moštoměru, vysvětlující proměnná sluneční svit je udávána v hodinách.
24
Prlměrná cukernatost (°NM)
23,5 23 22,5 22 21,5 21 20,5 20 1600
1700
1800
1900
2000
2100
2200
Sluneční svit (h)
Graf 20: Bodový diagram vlivu slunečního svitu na průměrnou cukernatost
68
2300
Ve sledovaném regresním modelu byly následně vypočteny OLS odhady parametrů, standardních chyb odhadů parametrů a nezkreslené (korigované) odhady indexu determinace. Analyzovaný model se dále zabýval t-testy významnosti jednotlivých odhadů parametrů a celkovým F-testem vhodnosti modelu. Jednotlivé výsledky jsou uvedeny v této kapitole. Tvar regresní přímky pro sledovaný model je následující:
Přímka:
Ŷi
=
20
t
=
(14,5)
R2 = 0,19
0,0009 xi
+
(1,26)
R 2 = 0,069
F = 1,5884
DW = 1,26
Na základě modelu regresní přímky lze usuzovat, že vysvětlující proměnná sluneční svit nemá přímý vliv na cukernatost, což dokládají i nízké hodnoty indexu determinace. 0,8 0,6 0,4 0,2 0 -0,2
1
2
3
4
5
6
7
8
9
-0,4 -0,6 -0,8 -1
Graf 21: Vývoj reziduí pro model regresní přímky s konstantou
Celkovým F-testem průkaznosti modelu nebyla pro kritickou hodnotu Fc = 5,591 a hodnotu testové statistiky F = 1,5884 nulová hypotéza o neprůkaznosti regresního modelu zamítnuta. V souvislosti s uvedeným F-testem nelze regresní model považovat za statisticky průkazný.
69
) Rovněž test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky nepotvrdil
statistickou
významnost
uvedených
odhadů
parametrů.
Intervaly
spolehlivosti pro regresní parametry modelu regresní přímky pro n = 9, τ 0,975 (7) = 2,37 a τ 0,995 (7) = 3,49 uvádí Tab. 26. Odpovídající hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet čtverců a hodnotu nezkresleného indexu determinace R 2 znázorňuje Tab. 27. Tab. 26: Intervaly spolehlivosti parametrů modelu regresní přímky Parametr
1 - alfa = 0,95
SE
1 - alfa = 0,99
Dolní
Horní
Dolní
Horní
b0 =20,0115
1,3823
16,7429
23,2802
15,1741
24,8489
b1 = 0,0009
0,0007
-0,0008
0,0026
-0,0192
0,0408
V Tab. 26 jsou uvedeny dolní a horní meze intervalu na 5% a 1% hladině významnosti pro daný regresní model. Na 5% hladině významnosti se parametr b0 bude pohybovat v intervalu 16,7429 až 23,2802 a parametr b1 v intervalu -0,0008 až 0,0026. Tab. 27: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
0,288
1,273
1,562
0,185
0,068
0,430
Jednorozměrný regresní model neprokázal statistickou významnost vlivu úhrnu slunečního svitu na průměrnou cukernatost hroznů, což dokládají i jednotlivé výsledky regresní analýzy. Z vypočtených údajů lze usoudit, že daný regresní model nevypovídá o přímém vztahu slunečního svitu na průměrnou cukernatost hroznů, což dokládá i nízká hodnota indexu determinace. Testy autokorelace prvního a vyššího řádu zobrazuje Tab. 28. Jedná se rovněž o autokorelaci třetího řádu.
70
Tab. 28: Testy autokorelace chybového členu Test
Testová statistika
P-value
Durbin-Watson
DW = 1,263
0,109
Breusch-Godfrey-test
LMF = 0,642
0,627
Box-Pierce test
Chí-kvadrát = 2,927
0,403
Ljung-Box test
Chí-kvadrát = 3,257
0,354
Z výsledků testů autokorelace prvního i vyššího (třetího) řádu je zřejmé, že na 5% hladině významnosti nebyla prokázána sériová korelace. Pro testování stacionarity je opět využito ADF testu. Dosažené výsledky jsou uvedeny v Tab. 29.
Tab. 29: Testování stacionarity pomocí ADF testu Test bez konstanty
Test s konstantou
Test s konstantou a trendem
Autokorelační koeficient 1. řádu
0,471
0,318
0,269
Odhadovaná hodnota (a - 1)
-0,031
-1,567
-0,220
Testovací statistika tδ
-0,566
-0,705
-0,041
Asymptotická p-hodnota
0,471
0,843
0,995
Rozšířený Dickey-Fullerův test
Z výše uvedených výpočtů je zřejmé, že nulová hypotéza o nestacionaritě časové řady nebyla na 5% hladině významnosti zamítnuta. Na základě ADF testu tedy nebyla prokázána stacionarita časové řady. Výsledky ADF testu nepotvrdily stacionaritu časové řady, tudíž je nutné provést test kointegrace pomocí Englova-Grangerova testu. Jednotlivé výpočty zobrazuje Tab. 30.
71
Tab. 30: Testování kointegrace pomocí Englova-Grangerova testu. Individuální proměnná C
Individuální proměnná SL
Rezidua
Autokorelační koeficient 1. řádu
-0,013
0,108
-0,041
Odhadovaná hodnota (a - 1)
-1,017
-1,954
-0,792
Testovací statistika tδ
-1,364
-2,754
-1,401
Asymptotická p-hodnota
0,601
0,065
0,799
Engle-Granger test kointegrace
Jednotlivé výsledky naznačují, že na 5% hladině významnosti nebyla zamítnuta nulová hypotéza pro rezidua. Pomocí Englova-Grangerova testu je patrné, že časová řada není kointegrována. Jelikož se v analyzovaném modelu neprokázala stacionarita ani kointegrace je vhodné přistoupit k provedení diference 1. řádu.
Diference 1. řádu:
R2 = 0,551
∆ Ŷi
=
0,039663
t
=
(0,237)
R 2 = 0,477
+
∆ 0,00147866xi (2,718)
DW = 2,081
F = 7,388
Na základě celkového F-testu průkaznosti je pro kritickou hodnotu Fc = 5,98 a hodnotu testové statistiky F = 7,388 nulová hypotéza zamítnuta, tudíž lze odhadnutý model považovat za statisticky průkazný.
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky prokázal statistickou významnost uvedených odhadů parametrů pouze na 5% hladině významnosti. Odpovídající intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 8, τ 0,975 (6) = 2,447 a τ 0,995 (6) = 3,707 uvádí Tab. 31. Vypočtené hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet
čtverců a hodnotu korigovaného indexu determinace R 2 zobrazuje Tab. 32.
72
Tab. 31: Intervaly spolehlivosti parametru modelu regresní přímky pro 1. diferenci 1 - alfa = 0,95
1 - alfa = 0,99
Parametr
SE
Dolní
Horní
Dolní
Horní
b0 = 0,0396625
0,1673
-0,3697
0,4491
-5,81E-01
0,6600
b1 = 0,0014786
0,0005
0,0001
0,0028
-0,0005
0,0034
Tab. 32: Analýza rozptylu v případě přímkové regrese pro 1. diferenci ESS
RSS
TSS
R2
adj. R2
R
1,65E+00
1,34E+00
3,00E+00
0,551
0,477
0,742
Pro odhad regresního modelu pomocí diference 1. řádu byly rovněž vypočteny čtyři testy autokorelace chybového členu viz. Tab. 33. Tab. 33: Testy autokorelace chybového členu pro 1. diferenci Test
Testová statistika
P-value
Durbin-Watson
DW = 2,081
0,664
Breusch-Godfrey-test
LMF = 0,099
0,908
Box-Pierce test
Chí-kvadrát = 0,378
0,827
Ljung-Box test
Chí-kvadrát = 0,444
0,801
Jednotlivé výpočty uvádějí, že autokorelace není na 5% hladině významnosti přítomna pro první ani vyšší (druhý) řád.
5.5.2 Dílčí shrnutí Pomocí jednorozměrné regresní analýzy byl sledován vliv úhrnu slunečního svitu za dané období na průměrnou cukernatost hroznů. Na základě uvedené teorie byl očekáván pozitivní vliv slunečního svitu. Z vypočtených údajů lze konstatovat, že zvýšení slunečního svitu o jednotku způsobí zvýšení průměrné cukernatosti o 0,0108, což lze vysvětlit jako: nárůst úhrnu slunečního svitu o 1 hodinu způsobí nárůst průměrné cukernatosti o 0,0108 °NM. Z uvedených výsledků lze vyvodit, že úhrn slunečního svitu nemá podstatný vliv na cukernatost. Celkovým F-testem nebyla zamítnuta nulová hypotéza o průkaznosti modelu a daný model tak nelze považovat
73
za statisticky průkazný. Rovněž test významnosti regresních parametrů modelu regresní přímky nepotvrdil statistickou významnost uvedených odhadů parametrů. Výsledky testů autokorelace nepotvrdily přítomnost sériové korelace prvního ani vyššího (třetího)
řádu. Pomocí ADF testu byla rovněž testována stacionarita časové řady. Vzhledem k výsledné nestacionaritě daného modelu bylo přistoupeno k výpočtům kointegrace za pomoci Englova-Grangerova testu. Výsledky udávají, že časová řada není kointegrovaná, tudíž byla provedena následná diference 1. řádu. Výsledky první diference ukazují na pozitivní vliv slunečního svitu na průměrné cukernatosti bobulí révy vinné. Konkrétní výsledek udává, že při zvýšení úhrnu slunečního svitu o 1 hodinu se zvýší průměrná cukernatost o 0,0015 °NM. Z uvedeného výsledku je zřejmé, že sluneční svit nemá výrazný vliv na samotnou cukernatost. Oproti původnímu regresnímu modelu byla celkovým F-testem zamítnuta nulová hypotéza o průkaznosti modelu a uvedený model lze považovat za statisticky průkazný. Pokud by v daném roce došlo k výrazné změně počasí a úhrn slunučního svitu by poklesl pod dlouhodobý průměr, tato změna nebude mít podstatný vliv na obsah cukru v bobulích révy vinné. Jak dokazují výsledky regresní analýzy, sluneční svit nemá přímý vliv na cukernatost.
5.6 Vliv počasí na průměrnou cukernatost hroznů Výše uvedené jednorozměrné modely nejsou pro danou analýzu úplné, neboť nelze uvažovat o tom, že by cukernatost hroznů byla ovlivňována pouze jedním z těchto faktorů. Naopak lze říci, že všechny tyto faktoru spolu působí a podstatným způsobem ovlivňují výši cukernatosti. V následující analýze tak bude sledován vztah vybraných proměnných a průměrné cukernatosti hroznů a to v rámci vícenásobného regresního modelu.
5.6.1 Vícerozměrná regresní analýza pro funkční vztah C = f (T, SR, SL) Získané
odhady
parametrů
včetně
odhadů
standardních
chyb
pro vícerozměrný regresní model jsou následující:
Ŷi
=
13,2585 +
0,5947 T + 0,0139 SR + 0,0116 SL
74
a
t-statistik
t
= R2 = 0,72
n=9
(2,83)
(0,92)
(1,64)
R 2 = 0,55
F = 4,21
DW = 2,61
Při testování významnosti regresních parametrů
)
β j , j = 0,1 …3 vícenásobného
regresního modelu pro n = 9, τ 0,975 (5) = 2,57 a τ 0,995 (5) = 4,03 byla na 5% hladině významnosti prokázána statistická významnost pro parametr u proměnné teplota vzduchu (T). Ostatní proměnné jsou na 5% hladině významnosti statisticky neprůkazné. Celkový F-test přesto naznačuje, že model není statisticky průkazný. Hodnota korigovaného indexu determinace je 0,72. Tab. 34: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
1,119
0,443
1,562
0,720
0,546
0,846
Graf 22 zobrazuje rezidua analyzovaného vícenásobného lineárního regresního modelu. 0,5 0,4 0,3 0,2 0,1 0 -0,1
1
2
3
4
5
6
7
8
9
-0,2 -0,3 -0,4 -0,5
Graf 22: Vývoj reziduí pro model regresní přímky s konstantou V Tab. 35 jsou uvedeny výsledky čtyř testů autokorelace testující sériovou korelaci prvního i vyššího (třetího) řádu. Nulová hypotéza je definována jako H0: autokorelace chybového členu není přítomna.
75
Tab. 35: Testy autokorelace chybového členu Test
Testová statistika
P-value
Durbin-Watson
DW = 2,612
0,803
Breusch-Godfrey-test
LMF = 0,923
0,558
Box-Pierce test
Chí-kvadrát = 5,226
0,156
Ljung-Box test
Chí-kvadrát = 1,814
0,612
Z uvedených výsledků testů autokorelace vyplývá, že na 5% hladině významnosti nebyla prokázána sériová korelace u prvního ani vyššího (třetího) řádu.
Na základě výsledků celkového F-testu není uvedený model statisticky průkazný. Z těchto důvodů je nutné model odmítnout a přikročit ke korekci formulace modelu a to selekcí proměnných. Z původního modelu je vynechána statisticky nevýznamná proměnná srážky (SR). Získané odhady parametrů včetně odhadů standardních chyb a t-statistik jsou následující:
Ŷi
=
t
=
n=9
14,21
+
0,6118 T
+
(2,95) R2 = 0,67
R 2 = 0,56
0,0082 SL (1,37)
F = 6,05
DW = 2,21
Ze statistického hlediska model obsahuje jednu nevýznamnou proměnnou a to sluneční svit. Pro výslednou cukernatost hroznů však vypuštění této proměnné není příliš vhodné, neboť sluneční svit se pozitivně podílí na výsledné cukernatosti a je tedy vhodné s ní v modelu uvažovat. Z analýzy vícerozměrného regresního modelu tak vyplývá, že změna v průměrné teplotě o jednotku vede ke zvýšení cukernatosti o 0,6118 za předpokladu neměnnosti ostatních vysvětlujících proměnných a změna v úhrnu slunečního svitu o jednotku vede ke zvýšení cukernatosti o 0,0082 za předpokladu neměnnosti ostatních vysvětlujících proměnných.
) Při testování významnosti regresních parametrů β j , j = 0,1 ,2 vícenásobného regresního modelu pro n = 9, τ 0,975 (6) = 2,45 a τ 0,995 (6) = 3,71 byla na 5% hladině významnosti
76
prokázána statistická významnost pouze pro parametr u proměnné teplota vzduchu (T). Proměnná sluneční svit (SL) je statisticky neprůkazná. Korigovaný index determinace má hodnotu 0,56. Z pohledu očekávaných znamének je model v souladu s ekonomickou teorií. Tab. 36: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
1,044
0,517
1,562
0,668
0,558
0,817
Odpovídající intervaly spolehlivosti pro regresní parametry pro n = 9, τ 0,975 (6) = 2,45 a τ 0,995 (6) = 3,71 jsou uvedeny v Tab. 37.
Tab. 37: Intervaly spolehlivosti parametrů modelu regresní přímky Parametr
SE
1 - alfa = 0,95
1 - alfa = 0,99
Dolní
Horní
Dolní
Horní
T = 0,6118
0,2068
0,1059
1,1179
-0,1548
1,3785
SL = 0,0082
0,0059
-0,0064
0,0228
-0,0139
0,0304
Dolní a horní meze intervalu na 5% a 1% hladině významnosti uvádí Tab. 37. Proměnná teplota vzduchu se na 5% hladině významnosti bude pohybovat v intervalu 0,1059 až 1,1179 a proměnná sluneční svit na intervalu -0,0064 až 0,0228.
Graf 23 zobrazuje rezidua upraveného vícenásobného lineárního regresního modelu.
77
0,3 0,2 0,1 0 -0,1
1
2
3
4
5
6
7
8
9
-0,2 -0,3 -0,4 -0,5 -0,6
Graf 23: Vývoj reziduí pro regresní model přímky s konstantou Výsledky regresní analýzy pro vícerozměrný model regresní přímky poukazují na statistickou
průkaznost
analyzovaného
modelu.
Regresní
model
vypovídá
o pozitivním vlivu teploty a slunečního svitu na cukernatost hroznů. Prostřednictvím analýzy se tak potvrdil očekávaný pozitivní vliv obou vysvětlujících proměnných. Jako v předešlém případě jsou v Tab. 38 uvedeny čtyři testy autokorelace chybového
členu. Opět je ve všech případech nulová hypotéza definována jako H0: autokorelace chybového členu není přítomna. Tab. 38: Testy autokorelace chybového členu Test
Testová statistika
P-value
Durbin-Watson
DW = 2,217
0,573
Breusch-Godfrey test
LMF = 0,122
0,941
Box-Pierce test
Chí-kvadrát = 0,978
0,806
Ljung-Box test
Chí-kvadrát = 0,5169
0,915
Jednotlivé výsledky testů autokorelace ukazují, že na 5% hladině významnosti nebyla zamítnuta nulová hypotéza, tudíž autokorelace prvního ani vyššího (třetího) řádu není přítomná.
78
5.6.2 Dílčí shrnutí Hromadění a obsah cukru v bobulích révy vinné je tvořeno souhrnem všech faktorů, které v dané lokalitě působí. Ať už je to klima, půda nebo počasí v daném roce. Všechny tyto faktory společně působí na růst a vývoj plodiny a následně i na její kvalitu. V kapitole 5.6 byl analyzován vliv počasí, tj. teploty vzduchu, úhrnu srážek a slunečního svitu na průměrnou cukernatost hroznů. Původní výpočet vícerozměrného modelu zahrnoval všechny tři vysvětlující proměnné, avšak tento model byl na základě vypočteného F-testu statisticky neprůkazný. Následně byl model omezen pouze na dvě vysvětlující proměnné, tj. teplotu vzduchu a sluneční svit. Na základě celkového F-testu byla nulová hypotéza o neprůkaznosti modelu zamítnuta a model lze považovat za statisticky průkazný. Použité testy autokorelace neprokázaly přítomnost sériové korelace prvního ani vyššího (třetího) řádu. V souladu s teorií byl očekáván pozitivní vliv průměrné teploty vzduchu a slunečního svitu na cukernatost hroznů. Výsledky regresní analýzy tuto hypotézu potvrdily. Hodnoty regresních parametrů lze vysvětlit následně: nárůst průměrné teploty vzduchu o 1 °C způsobí nárůst průměrné cukernatosti o 0,6118 °NM a zároveň nárůst úhrnu slunečního svitu o 1 h způsobí nárůst cukernatosti o 0,0082 °NM. Jak již bylo uvedeno na cukernatosti hroznů se podílí celá řada faktorů. Není proto možné říci, že jedině vysoké hodnoty teploty vzduchu nebo slunečního svitu povedou k vysoké cukernatosti. Každá plodina tedy i réva vinná potřebuje ke zdárnému růstu optimální teploty vzduchu, slunečního svitu a srážek. Jedině tak je možné dosáhnout odpovídající kvality budoucí suroviny pro výrobu vína. Poté už je na samotném vinaři, aby na základě vývoje počasí a především vlastních zkušeností zvolil vhodné přípravky na ochranu vinice a určil správnou dobu sklizně. Jestliže se v daném roce vyskytuje velké množství srážek, je nezbytné provést ošetření vinice přípravky proti hnilobě révy vinné, aby bylo zabráněno největším ztrátám. Stejným způsobem musí vinař reagovat při každém výskytu některého z extrémních vlivů počasí, aby svým působením předešel největším ztrátám na úrodě. Vývoj a předpověď počasí je důležitým ukazatelem nejen v oblasti vinohradnictví, ale v celém zemědělském sektoru.
79
5.7 Vliv vývoje ceny vína na spotřebu Spotřeba vína má v ČR vzrůstající charakter. V roce 1996 spotřebovala jedna osoba průměrně 15,8 litrů vína ročně, dnes je to již 19,1 litrů. Přesto Česká republika nedosahuje takových hodnot jako některé evropské země, kde se roční spotřeba pohybuje okolo 25 až 30 litry vína na osobu.
21
65,0 60,0
18
55,0 50,0
15
45,0 40,0
12
35,0 30,0
9
Průměrná cena jakostního bílého vína (Kč/l)
Spotřeba vína na osobu (l/rok)
Průměrná cena jakostního vína (Kč)
70,0
Spotřeba vína na osobu (l/rok)
Graf 24: Vývoj průměrné spotřeby a ceny vína ve sledovaném období 1996 - 2009. Zdroj: [18] [22]. Na základě výše uvedeného grafu je možné sledovat vývoj průměrné spotřebitelské ceny jakostního bílého vína. Hlavní výkyv byl zaznamenán v roce 2001, kdy se průměrná cena jakostního vína vyšplhala až na 66,1 korun za litr. Nárůst ceny mohl být způsoben např. nízkou úrodou v daném roce. Od roku 2005 spotřebitelské ceny vína zaznamenaly mírný pokles. V posledních dvou letech dochází opět k jejich růstu.
5.7.1 Regresní analýza pro funkční vztah SV = f (SC) Následující jednorozměrná analýza zkoumá vliv průměrné spotřebitelské ceny jakostního bílého vína na celkovou spotřebu vína v České republice. Hodnoty jsou sledovány za období 1996 až 2009. Průměrná cena jakostního bílého vína je udávána
80
v korunách za litr, průměrná spotřeba představuje roční spotřebu vína na jednoho obyvatele v litrech. V regresní analýze je použito celkem 14 údajů, které jsou uvedeny v příloze (Tab.č. 3). Graf 25 zachycuje bodový diagram včetně uvažovaného modelu. Již na základě bodového diagramu je zřejmé, že cena nemá podstatný vliv na spotřebu vína.
Spotřeba vína na osobu v l/rok
25 20 15 10 5 0 45,0
50,0
55,0
60,0
65,0
70,0
Průměrná cena vína v Kč
Graf 25: Bodový diagram vlivu průměrné spotřebitelské ceny jakostního bílého vína na průměrnou spotřebu Pro daný regresní model byly vypočteny OLS odhady parametrů, standardních chyb odhadů parametrů a nezkreslené (korigované) odhady indexu determinace. Následně byly provedeny t-testy významnosti jednotlivých odhadů parametrů a celkový F-test vhodnosti modelu. Získané výsledky pro model regresní přímky jsou uvedeny níže.
Přímka:
R2 = 0,004
Ŷi
=
17,7075
t
=
(4,3)
(-0,2)
R 2 = - 0,078
DW = 0,11
-
0,01632 xi
F = 0,053
Konkrétní výsledek vypočteného regresního modelu uvádí, že zvýšení průměrné ceny vína o jednotku způsobí snížení průměrné spotřeby o 0,02 litrů. Z analyzovaného
81
modelu vyplývá, že vysvětlující proměnná cena nemá podstatný vliv na konečnou spotřebu. Celkovým F-testem průkaznosti nebyla pro kritickou hodnotu Fc = 4,74 a hodnotu testové statistiky F = 0,053 nulová hypotéza o neprůkaznosti regresního modelu zamítnuta. Odhadnutý model nelze považovat za statisticky průkazný.
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky nepotvrdil statistickou významnost uvedených odhadů parametrů. Intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 14, τ 0,975 (12) = 2,18 a τ 0,995 (12) = 3,05 uvádí Tab. 39. Odpovídající hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet čtverců a hodnotu nezkresleného indexu determinace R 2 znázorňuje Tab. 40. Tab. 39: Intervaly spolehlivosti parametrů modelu regresní přímky Parametr
SE
1 - alfa = 0,95
1 - alfa = 0,99
Dolní
Horní
Dolní
Horní
b0 = 17,7075
4,1003
8,7738
26,6412
5,1831
30,2319
b1 = -0,0163
0,0708
-0,1705
0,1378
-0,2325
0,1998
Pro daný regresní model byly vypočteny dolní a horní meze intervalu na 5% a 1% hladině významnosti, jež uvádí Tab. 39. Na 5% hladině významnost se parametr b0 bude pohybovat v intervalu 8,7738 až 26,6412 a parametr b1 v intervalu -0,1705 až 0,1378. Tab. 40: Analýza rozptylu v případě přímkové regrese ESS
RSS
TSS
R2
adj. R2
R
0,062
14,189
14,252
0,004
-0,078
0,066
Na základě výsledků regresní analýzy nelze považovat uvedený model za statisticky průkazný. Regresní model nevypovídá o přímém vztahu průměrné spotřebitelské ceny vína na průměrné spotřebě.
82
V Tab. 41 jsou zobrazeny výsledky pro čtyři testy autokorelace chybového členu. Tab. 41: Testy autokorelace chybového členu Test
Testová statistika
P-value
Durbin-Watson
DW = 0,113
4,34E-06
Breusch-Godfrey-test
LMF = 14,734
0,0009
Box-Pierce test
Chí-kvadrát = 12,326
0,015
Ljung-Box test
Chí-kvadrát = 13,670
0,008
Z výsledků jednotlivých testů je patrné, že nulová hypotéza je zamítnuta. Na 5% hladině významnosti byla prokázána autokorelace prvního řádu i autokorelace vyššího (čtvrtého) řádu. Pro testování stacionarity je vybrán ADF test. Výsledky jednotlivých testů jsou uvedeny v Tab. 42.
Tab. 42: Testování stacionarity pomocí ADF testu Test bez konstanty
Test s konstantou
Test s konstantou a trendem
Autokorelační koeficient 1. řádu
-0,01
-0,358
-0,348
Odhadovaná hodnota (a - 1)
0,002
-0,916
-0,644
Testovací statistika tδ
0,101
-2,020
-1,202
Asymptotická p-hodnota
0,714
0,277
0,909
Rozšířený Dickey-Fullerův test
K interpretaci výsledků ADF testu je opět využito p-hodnoty, dle níž není nulová hypotéza o nestacionaritě časových řad na 5% hladině významnosti zamítnuta. Z důvodů dosažené nestacionarity časové řady je přistoupeno k testování kointegrace pomocí Englova-Grangerova testu. Tab. 43 uvádí jednotlivé výpočty testu kointegrace.
83
Tab. 43: Testování kointegrace pomocí Englova-Grangerova testu. Individuální proměnná SV
Individuální proměnná SC
Rezidua
Autokorelační koeficient 1. řádu
0,007
-0,005
-0,445
Odhadovaná hodnota (a - 1)
0,191
-0,483
0,021
Testovací statistika tδ
1,448
-1,779
0,229
Asymptotická p-hodnota
0,999
0,391
0,992
Engle-Granger test kointegrace
Pomocí Englova-Grangerova testu kointegrace není na 5% hladině významnosti zamítnuta nulová hypotéza pro rezidua, tudíž časová řada není kointegrována. Vzhledem k dosaženým výsledkům je v následující části přistoupeno k výpočtům pomocí diference 1. řádu.
Diference 1. řádu:
R2 = 0,054
∆ Ŷi
=
0,263307
t
=
(3,68)
R 2 = -0,032
-
∆ 0,0160978xi (-0,791)
DW = 0,66
F = 0,627
Na základě celkového F-testu průkaznosti není pro kritickou hodnotu Fc = 4,667 a hodnotu testové statistiky F = 0,627 nulová hypotéza zamítnuta, tudíž odhadnutý model nelze považovat za statisticky průkazný.
) Test významnosti regresních parametrů β j , j = 0,1 modelu regresní přímky neprokázal statistickou významnost uvedených odhadů parametrů. Odpovídající intervaly spolehlivosti pro regresní parametry modelu regresní přímky pro n = 13,
τ 0,975 (11) = 2,201 a τ 0,995 (11) = 3,106 uvádí Tab. 44. Hodnoty rozkladu součtu čtverců na celkový, regresní a reziduální součet čtverců a hodnotu korigovaného indexu determinace R 2 zobrazuje Tab. 45.
84
Tab. 44: Intervaly spolehlivosti modelu regresní přímky pro diferenci 1. řádu 1 - alfa = 0,95
1 - alfa = 0,99
Parametr
SE
Dolní
Horní
Dolní
Horní
b0 = 0,263307
0,0715
0,1058
0,4207
4,11E-02
0,4855
b1 = -0,01609
0,0203
-0,0608
0,0286
-0,0792
0,0470
Tab. 45: Analýza rozptylu v případě přímkové regrese pro diferenci 1. řádu ESS
RSS
TSS
R2
adj. R2
R
4,06E-02
7,12E-01
7,52E-01
0,054
-0,032
0,232
Výsledky čtyř testů autokorelace pro diferenci 1. řádu jsou uvedeny v Tab. 46. Tab. 46: Testy autokorelace chybového členu pro diferenci 1. řádu Test
Testová statistika
P-value
Durbin-Watson
DW = 0,668
0,002
Breusch-Godfrey-test
LMF = 2,931
0,099
Box-Pierce test
Chí-kvadrát = 6,807
0,078
Ljung-Box test
Chí-kvadrát = 10,100
0,017
Durbinův-Watsonův test prokázal na 5% hladině významnosti autokorelaci prvního
řádu. Autokorelace vyššího (třetího) řádu byla na 5% hladině významnosti prokázána pouze u Ljungova-Boxova testu.
5.7.2 Dílčí shrnutí V kapitole 5.7 byl zkoumán vliv průměrné spotřebitelské ceny jakostního bílého vína na průměrnou spotřebu. Na základě teorie byl očekáván negativní vliv ceny na spotřebu. Za pomoci regresní analýzy bylo zjištěno, že cena nemá podstatný vliv na konečnou spotřebu vína. Hodnota regresního parametru -0,01632 udává, že při zvýšení ceny o jednotku dojde ke snížení spotřeby o 0,01632 litru. Rovněž hodnoty indexu determinace a korigovaného indexu determinace poukazují na slabou závislost obou proměnných. Na základě celkového F-testu průkaznosti modelu nebyla nulová hypotéza o neprůkaznosti modelu zamítnuta, tudíž model nelze považovat za statisticky
85
průkazný. Testy autokorelace prokázaly na 5% hladině významnosti autokorelaci prvního i vyššího (třetího) řádu. Pomocí ADF testu byla pro daný model vypočtena nestacionarita časové řady. Z důvodu nestacionarity bylo přistoupeno k výpočtu kointegrace na základě Englova-Grangerova testu. Výsledky neprokázaly kointegraci
časové řady, tudíž byly provedeny výpočty diference 1. řádu. Rovněž výsledky diference 1. řádu nepotvrdily negativní vliv ceny na samotnou spotřebu vína. Celkovým F-testem průkaznosti nebyla zamítnuta nulová hypotéza a model nelze považovat za statisticky průkazný. Hodnota indexu determinace R2 = 0,054 ukazuje na slabou závislost mezi analyzovanými proměnnými. Testy autokorelace prokázaly na 5% hladině významnosti autokorelace prvního řádu i vyššího (třetího) řádu u LjungovaBoxova testu. Na základě analyzovaného modelu nebyla potvrzena hypotéza o negativním vlivu průměrné spotřebitelské ceny jakostního bílého vína na průměrnou spotřebu vína na 1 obyvatele. Spotřeba vína v České republice zaznamenává vzrůstající trend. Jak dokládá výše uvedený regresní model, spotřebu nesnížil ani nárůst cen jakostních vín. I v případě, že by růst cen pokračoval i v budoucnu, spotřeba vína se nesníží. A stejně tak i v opačném případě, kdy by ceny vína klesly. Konzumace vína je především ovlivněna módními trendy a životním stylem. Spotřebitelé v posledních letech dávají přednost kvalitě a zaměřují se na konzumaci jakostních vín před víny levnými. Zásluhu na zvýšené konzumaci a zájmu o vína samotná má rovněž neustále se rozvíjející vinařská turistika. Vinaři mohou návštěvníkům nabídnout nejen ochutnávku vín, ale i tradiční folklór a specifickou kulturu vinařské oblasti, což činí víno pro jeho konzumenty přitažlivé. V roce 2004 otevřelo Vinařství Baloun svoji pobočku v Praze Nuslích. Doporučením pro vinařský podnik je rozšířit poskytované služby pro potenciální zákazníky i ve Velkých Pavlovicích, kde má vinařství své sídlo. Rozšíření služeb zahrnuje vybudování menší vinotéky v areálu vinařského podniku. Její součástí je představení firmy a jejích produktů zákazníkům. Součástí vinotéky by bylo venkovní posezení, které je v současnosti mezi turisty a návštěvníky vinařských oblastí velmi oblíbené a vyhledávané. Hlavní výhoda pro vinařství je, že může čerpat zkušenosti a znalosti s vedením pražské vinotéky. Navíc podnik je situován ve frekventované městské části, což umožňuje dobrou dostupnost. Přínosem je seznámení s nabízenými víny,
86
představení společnosti a získání zákazníků na chuť domácích vín, jež musí být dostatečně podmanivá, aby jim zákazník podlehl a neustále se vracel. V souvislosti s rozvíjející se vinařskou turistikou je pro vinařství vhodné zaměřit se právě na tuto cílovou skupinu. V rámci kulturních akcí spojených s vínem a vinařstvím, je možné návštěvníkům umožnit prohlídku vinařského podniku spojenou s ochutnávkou vína a seznámit je se samotnou výrobou a provozem. Vinařství umožní turistům a návštěvníkům obeznámit se s nabízeným sortimentem vín a získat povědomí o značce a vyráběném produktu.
5.8 Možnosti využití dotací ve vinařství Existence a realizace programů z fondů EU i domácích fondů přispívá k dosažení cílů, především k rozvoji venkovského prostoru, trvale udržitelnému rozvoji, zlepšení stavu životního prostředí a snížení vlivů intenzivního zemědělství. Jednotlivé programy podpory umožňují vytvářet podmínky pro konkurenceschopnost a podporují rozšiřování a diverzifikaci ekonomických aktivit ve venkovském prostoru. Hlavním cílem Společné organizace trhu EU ve vinohradnictví a vinařství je prostřednictvím předpisů a nařízení usměrňovat a stabilizovat trh s vínem, přizpůsobit zdroje potřebám a zabezpečit uspokojivý životní standard výrobců v odvětví. Vinařství Baloun během minulých let využilo některých dotačních programů na podporu a rozvoj vinařství. V Tab. 47 je uveden přehled využitých dotací a finanční podpor poskytnutých z fondů na podporu vinohradnictví a vinařství. Uvedené dotace byly poskytnuty na 1 ha zemědělské půdy a jsou uvedeny v korunách.
87
Tab. 47: Přehled využitých dotací Vinařstvím Baloun poskytnuté dotace/rok
2004
2005
2006
2007
2008
Dotace na zemědělskou půdu (1 ha)
2 500
2 500
2 500
2 500
2 500
Dotace na aktivní a pasivní ochranu proti ptactvu (1 ha)
_
_
35 000
13 000
220
Dotace na pojištění vinice
_
_
_
_
30 % pojistného
Dotace poskytnutá na částečnou splátku úroků z úvěru
_
_
_
3%z úroků
3%z úroků
Poskytnuté dotace celkem na 1 ha
14 000
14 000
51 000
29 000
16 220
Zdroj: Data firmy Vinařství Baloun, vlastní zpracování Dotace na aktivní a pasivní ochranu proti ptactvu5, poskytované na základě Společné organizace trhu, zaznamenaly během tří let značný pokles. V roce 2006 činila přidělená dotace 35 tis. Kč/ha zemědělské půdy, v roce 2008 tvořila přidělená dotace pouze 220 Kč/ha plochy. Dotace poskytnuté na částečnou splátku úroků z úvěru byly poskytnuty na koupi traktoru a kombajnu na hrozny. Tato dotace tvořila 3 % z úroků, což představovalo měsíční částku kolem 4 tis. korun. V současnosti je možné na základě Společné organizace trhu (SOT) čerpat dotace pro oblast vinohradnictví a vinařství na [25]:
• vydávání licencí pro víno, od 1. srpna 2008 již není dovoz a vývoz vína do nebo z EU podmíněn předložením dovozní licence. Dovoz etylalkoholu ze třetích zemí do ES je i nadále podmíněn předložením licence,
• reforma společného trhu s vínem - Restrukturalizace vinic, žádosti o podporu lze podávat na opaření:
o změna odrůdové skladby vinice, o snížení produkce révy vinné na jednom keři při současném zachování produkčního potenciálu zvýšením počtu keřů révy vinné, 5
Aktivní ochrana proti ptactvu představuje aktivní hlídání vinice. Pasivní ochrana proti ptactvu zahrnuje instalaci automatických plašičů [13].
88
o přesun vinice do svahu, o ochrana proti poškození keřů révy vinné způsobovanému zvěří, žádosti o podporu na vinařský rok 2009/2010 lze podávat do 30.4.2010,
o ochrana proti poškození keřů révy vinné způsobovanému ptactvem, žádosti o podporu na vinařský rok 2009/2010 lze podávat do 26.2.2010,
• investice, žádosti o podporu na investice v rámci SOT s vínem lze podávat na opatření:
o pořízení nového lisu na hrozny, o pořízení nového filtru na víno, o pořízení nové speciální kvasné nádoby pro získávání červeného vína s aktivním zařízením k potápění matolinového klobouku,
• prémie za vyklučení vinice.
5.8.1 Návrh možnosti využití dotací Vinařstvím Baloun Moderní a technicky propracované stroje a zařízení jsou součástí každého moderního vinařství. V současné době se většina vinařství přiklání k výrobě vín procesem řízeného kvašení. Od roku 1997 začalo Vinařství Baloun s výrobou vín tzv. řízenou fermentací. V následujících letech firma investovala finanční prostředky do rekonstrukce sklepů a budov včetně instalace moderního zařízení. Investice do nového zařízení a vybavení i nadále pokračují. Mimo jiné se jedná o výměnu části otevřených kvasných nádob tzv. vinifikátorů za nádoby uzavřené, které umožňují řízené kvašení. V rámci Společné organizace trhu je možné pro rok 2010/2011 využít možnosti dotace na pořízení nové speciální kvasné nádoby pro získávání červeného vína s aktivním zařízením k potápění matolinového klobouku.
89
V souvislosti s nákupem nového strojního zařízení je pro vinařství výhodné využití možnosti dotace v rámci SOT. Dotace bude požadována na nákup vinifikátoru s pneumatickým pístem a skrápěním o objemu 4 500 litrů v celkové hodnotě 196 311 Kč od výrobce Monos Technology. Vinifikátor je vyroben z nerezu, míchání rmutu je zajištěno pomocí pneumatického pístu, na kterém jsou umístěny speciálně tvarované lopatky, které potápí matolinový klobouk a zajišťují tak extrakci barvy a aromatických látek do vína. Hlavní výhoda řízeného kvašení je vliv na kvalitu vína. Ta mají bohaté aroma, protože aromatické látky ve větší míře zůstávají ve víně. Nízkými teplotami lze zabránit bakteriálnímu odbourávání kyselin. Mléčné a jiné bakterie, ale i různé nežádoucí kvasinky se nemohou při nízkých teplotách rozmnožovat. Vzor vyplněné žádosti na pořízení speciální kvasné nádoby je uveden v (Příloha č.5).
5.8.2 Dílčí shrnutí V rámci Společné organizace trhu s vínem mělo Vinařství Baloun již možnost využít některé dotace na podporu vinohradnictví a vinařství. Jednalo se zejména o dotace poskytované na zemědělskou půdu a rovněž byly využity dotace na aktivní a pasivní ochranu vinice před ptactvem. Poskytnuté dotace na ochranu proti ptactvu zaznamenaly od roku 2006 značný pokles. V roce 2008 tvořila poskytnutá částka pouze 220 Kč/ha zemědělské plochy vinice. Další přidělené dotace se týkaly splátky úroků z úvěru na nákup zemědělské techniky. V současné době je možné vinaři využít dotace na vydávání licencí pro víno, restrukturalizaci vinice, investice do nového strojního zařízení a poskytnutí prémií za vyklučení vinice. Dotace jsou poskytovány na vinařský rok 2010/2011. V souvislosti s modernizací prostor a rozšiřující se výrobou Vinařství Baloun je firmě uděleno doporučení využít možnosti dotace na investice. Tato dotace zahrnuje investici na pořízení nové kvasné nádoby pro získávání červeného vína s aktivním zařízením k potápění matolinového klobouku. Kvasná nádoba tzv. vinifikátor bude využita k řízenému kvašení červeného vína.
90
6 ZÁVĚR Vinařství a vinohradnictví tvoří jednu z důležitých oblastí zemědělství v České republice. Vinná réva se zde pěstuje téměř dva tisíce let. V Jihomoravském kraji, hlavní oblasti pěstování révy vinné, se vinařství podílí přibližně 1/5 na celkové zemědělské produkci. Vinařství má pro Českou republiku podstatný význam nejen po stránce zemědělství, ale také pro rozvoj cestovního ruchu. Na celkový objem produkce vína působí celá řada faktorů. Mezi tyto faktory patří zejména hektarové výnosy vinice a samotné výrobní možnosti daného podniku, které ovlivňují konečný objem vyrobeného vína. Ovšem nejdůležitějším faktorem, který zásadním způsobem ovlivňuje úspěšnost firmy na trhu, je schopnost daného podnikatelského subjektu prodat své výrobky. Zdravý zralý hrozen je základem pro dobré víno, se kterým nejsou při jeho výrobě problémy. Je-li víno chutné, musí nastoupit dobrý a přesvědčivý marketing, aby si vína zákazník všiml. Nakonec je na samotném víně, aby zákazníky zaujalo natolik, že již neodejde. Faktory, které ovlivňují produkci hroznů ve vinici, jsou odlišné. Není-li daný rok dostatečně dobrý, ani vinař nic nesvede, může pouze více či méně minimalizovat ztráty. Zde se nejvíce projeví cit každého jedince předvídat, co se stane nebo může stát v návaznosti na životní zkušenosti. Cílem diplomové práce bylo zhodnocení nejdůležitějších faktorů podílejících se na celkovém objemu produkce vína v konkrétní vinařské firmě. Byli popsáni hlavní
činitelé ovlivňující hektarové výnosy ve vinici a vlivy počasí na průměrnou výši cukernatosti hroznů. V rámci vlastní části práce byl za pomoci jednorozměrné regresní analýzy zkoumán vliv hektarových výnosů na celkový objem produkce vína. Na základě analyzovaného modelu byl očekáván pozitivní vliv hektarových výnosů na objemu produkce. Výsledky regresní analýzy pozitivní vliv průměrných výnosů z hektarů potvrdily. V roce 2002 a 2003 byly vysázeny mladé vinice, které po pěti letech dosáhly plné plodnosti, což ovlivnilo průměrnou výši hektarových výnosů. V souvislosti s omlazováním stáří vinic vzrostly průměrné hektarové výnosy o téměř 35 %. V současnosti Vinařství Baloun obhospodařuje celkem 90 ha vinic, z čehož
91
je 60 ha mladých vinic vysazených po roce 2000. V závislosti na dosažených hektarových výnosech, celkové produkci vína a získaných ocenění je pro firmu vhodné zaměřit se na pěstování bílých odrůd s malým hroznem, které dávají nejlepší ekonomické výsledky. Do budoucna by bylo pro firmu žádoucí obnovit zbylých 30 ha vinic v chráněné krajinné oblasti Pálava, které jsou v současné době starší dvaceti let, aby byly zajištěny dostatečné a kvalitní výnosy. V další části byly popsány vstupy zúčastňující se výroby vína a jejich cenový vývoj mající vliv na konečnou cenu vyráběného produktu. Mezi tyto vstupy lze zahrnout
řepný cukr a přípravky na ochranu révy vinné proti chorobám a škůdcům. Na základě zkoumaných dat byla pro oba vstupy provedena predikce cenového vývoje na období 2010 až 2012. Cenový vývoj řepného cukru zaznamenal v posledních letech nepatrný nárůst. Tento trend se dá očekávat i do budoucna, avšak zvýšení ceny by nemělo být nikterak výrazné, aby zásadním způsobem ovlivnilo finanční hospodaření firmy. V souvislosti s analyzovanými údaji nebyla potvrzena hypotéza nárůstu ceny řepného cukru za sledované období 2001 - 2009. Naopak značný nárůst cen se projevil u přípravků na ochranu vinice. V průběhu let 2001 až 2009 vzrostly ceny těchto přípravků o téměř 50 %. Na základě predikce cenového vývoje se dá předpokládat, že zvyšování cen bude i nadále pokračovat. Současně tak byla potvrzena hypotéza nárůstu cen přípravků na ochranu vinice za sledované období 2001 - 2009. Částečné
řešení na snížení výdajů za chemické přípravky poskytuje přechod od konvenčního způsobu hospodaření k integrovanému. Systém integrované ochrany preferuje význam preventivních opatření, která omezují vhodnost podmínek pro šíření škodlivých organismů a zvyšují odolnost révy vinné k napadení škůdci. Za pomoci jednorozměrného a vícerozměrného modelu byl rovněž zkoumán vliv počasí na cukernatost hroznů. Konkrétně se jednalo o vliv průměrné roční teploty vzduchu, ročního úhrnu srážek a úhrnu slunečního svitu na průměrnou cukernatost hroznů. Na základě dosažených výsledků jednorozměrné regresní analýzy byl prokázán pozitivní vliv teploty vzduchu na cukernatost hroznů. Současně tím byla potvrzena hypotéza o pozitivním vlivu průměrné teploty vzduchu na průměrnou cukernatost hroznů. Naopak regresní analýza neprokázala statistickou významnost vlivu úhrnu
92
srážek a úhrnu slunečního svitu. Na základě výsledků jednotlivých regresních modelů lze říci, že úhrn srážek i úhrn slunečního svitu podstatným způsobem neovlivní výslednou cukernatost. V rámci vícerozměrného regresního modelu byl zkoumán vliv nezávislé proměnné teplota vzduchu, úhrn srážek a úhrn slunečního svitu na průměrnou cukernatost. Zkoumaný model potvrdil statistickou nevýznamnost proměnné úhrnu srážek a slunečního svitu. Následně byl model omezen pouze na proměnnou teplota vzduchu a úhrn slunečního svitu. I přes statistickou nevýznamnost proměnné sluneční svit, nelze říci, že by průměrná cukernatost hroznů byla ovlivněna pouze teplotou vzduchu. Naopak na cukernatost má vliv řada faktorů. Každá plodina, tedy i réva vinná potřebuje ke zdárnému růstu optimální teploty vzduchu, slunečního svitu a srážek. Jedině tak je možné dosáhnout odpovídající kvality budoucí suroviny pro výrobu vína. Poté už je na samotném vinaři, aby na základě vývoje počasí a především vlastních zkušeností zvolil vhodná opatření na ochranu vinice a správnou dobu sklizně, aby bylo dosaženo požadované cukernatosti. Mezi dílčí cíle, které byly ve vlastní práci zkoumány, patří vývoj spotřeby vína v České republice a vliv průměrné spotřebitelské ceny jakostního vína na tuto spotřebu. Spotřeba vína v ČR neustále narůstá. V roce 1996 činila průměrná spotřeba 15,8 litrů vína na osobu za rok, dnes se tato spotřeba pohybuje kolem 19 litrů na osobu. V souvislosti se zvyšující se spotřebou byl za pomoci jednorozměrné regresní analýzy zkoumán vliv průměrné spotřebitelské ceny jakostního bílého vína na průměrnou spotřebu, přičemž byl očekáván negativní vliv ceny na spotřebu. Na základě regresního modelu nebyla prokázána statistická významnost odhadnutého modelu. Lze říci, že průměrná cena vína nemá podstatný vliv na spotřebu. V souvislosti s dosaženými výsledky tak nebyla potvrzena hypotéza o negativním vlivu spotřebitelské ceny vína na její spotřebu. Konzumace vína je spíše ovlivněna módními trendy a životním stylem. Spotřebitelé v posledních letech dávají přednost kvalitě a zaměřují se na konzumaci jakostních vín před víny levnými. Zásluhu na zvýšené konzumaci a zájmu o vína samotná má rovněž neustále se rozvíjející vinařská turistika. Vinařské oblasti mohou návštěvníkům nabídnout nejen ochutnávku vín a tradiční folklór, ale také neustále se rozšiřující služby v oblasti pohostinství a sportovních aktivit. Právě ve vinařské turistice je spatřována budoucnost domácího vinařství a vinohradnictví. Narůstá zájem po vinařských stezkách
93
a speciálních programech zaměřených na poznávání vinařských oblastní a odrůdových vín. Na možnosti rozvoje vinohradnictví a vinařství mají rovněž vliv speciální dotační programy poskytované Evropskou unií, Ministerstvem zemědělství a Vinařským fondem ČR. Existence programů z fondů EU i domácích fondů přispívají k rozvoji venkovského prostoru, trvale udržitelnému rozvoji, zlepšení stavu životního prostředí a snížení vlivů intenzivního zemědělství. Jednotlivé programy podpory umožňují vytvářet podmínky pro konkurenceschopnost a podporují rozšiřování a diverzifikaci ekonomických aktivit ve venkovském prostoru. V současné době je v rámci Společné organizace trhu možné vinaři využít dotace na vydávání licencí pro víno, restrukturalizaci vinice, investice do nového strojního zařízení a poskytnutí prémií za vyklučení vinice. V souvislosti s poskytovanými dotacemi bylo Vinařství Baloun uděleno doporučení na podání žádosti na investice. Na základě rostoucího objemu produkce vína a probíhající modernizace výrobních prostor by dotace na investice byla využita na pořízení nové kvasné nádoby pro získávání červeného vína s aktivním zařízením k potápění matolinového klobouku. Kvasná nádoba tzv. vinifikátor by byla zakoupena za účelem řízeného kvašení
červeného vína. Význam vinifikátorů je spatřován v lepší extrakci barvy a aromatických látek do vína. Víno si tak zachová svoji plnost a barvu. Hlavním cílem Společné organizace trhu EU ve vinohradnictví a vinařství je prostřednictvím předpisů a nařízení usměrňovat a stabilizovat trh s vínem, přizpůsobit zdroje potřebám a zabezpečit uspokojivý životní standard výrobců v odvětví.
94
7 LITERATURA [1]
GOODE, J., 2005: The science of Wine. 1. vyd. Octopus Publishing Group Ltd, str. 213, ISBN 0-520-24800-7.
[2]
HINDLS, R., HRONOVÁ, S., NOVÁK,I., 2000: Metody statistické analýzy pro
ekonomy. 2. vyd. Praha: Management Press, 259 s. ISBN 80-7261-013-9.
[3]
HINDLS, R., HRONOVÁ, S., SEGER, J., 2007: Statistika pro ekonomy. 8.vyd. Praha: Professional Publishing, str. 169-331. ISBN 80-86946-43-6.
[4]
KRAUS, V., 2005: Encyklopedie českého a moravského vína. 1. vyd. Praha: Praga Mystica, str. 306. ISBN 80-86767-00-0.
[5]
KRAUS, V., HUBÁČEK, V., ACKERMANN, P., 2000: Rukověť vinaře. 1.vyd. Praha: Květ, str. 272. ISBN 80-85362-34-1.
[6]
MINAŘÍK, B. Statistika I., Popisná statistika, II. Část. Dotisk Brno: Mendelova zemědělská a lesnická univerzita, 2004, str. 107-207. ISBN 80-7157-427-9.
[7]
PAVLOUŠEK, P., 2007: Encyklopedie révy vinné. 1.vyd. Computer Press, str. 320. ISBN 978-80-251-170-0.
[8]
PRIEWE, J., 2003: Nová škola vína. 1. vyd. Praha: Knižní klub, str. 256. ISBN 80-242-1047-9.
[9]
SEGER, J., HINDLS, R., 1995: Statistické metody v tržním hospodářství. 1. vyd. Praha: Victoria Publishing, a.s. str. 445. ISBN 80-213-0620-3.
[10]
STEIDL, R., 2001: Sklepní hospodářství. 6. vyd. Národní salon vín, str. 307. ISBN 80-903201-0-4.
95
[11]
STUDENMUND, A. H., 2006: Using econometrics, a practical guide. 6. vyd. Pierson Education, str. 639. ISBN-13: 978-0-13-136773-9.
[12]
TARGOŠOVÁ, B., Odrůdy vhodné pro ekologické směry ve vinohradnictví. Brno: Mendelova zemědělská a lesnická univerzita, 2008, str. 57.
[13]
TOMŠÍK, P. a kol., 2006: Perspektivy vývoje a návrhy opatření politiky
vinohradnictví a vinařství a rozvoje venkova v Jihomoravském regionu. 1. vyd. Brno: Mendelova zemědělská a lesnická univerzita, str. 156. ISBN 80-7157971-8.
[14]
VÉVODOVÁ, M., Předpoklady a možnosti rozvoje vinařství v Jihomoravském
kraji. Brno: Mendelova zemědělská a lesnická univerzita, 2007, str. 112.
Internetové zdroje:
[15]
Baloun
vinařství
[online]
[cit.
2010-11-18].
Dostupná
na
URL:
.
[16]
BusinessInfo
[online]
[cit.
2010-04-04].
Dostupná
na
URL:
.
[17]
Centrum pro regionální rozvoj České republiky [online] [cit. 2010-03-05]. Dostupná na URL: .
[18]
Český hydrometeorologický ústav [online] [cit. 2010-02-07]. Dostupný na URL: .
[19]
Český statistický úřad [online] [cit. 2009-11-18]. Dostupný na URL: < http://www.czso.cz/>.
96
[20]
Czech Journal of Economics and Finance [online] [cit. 2010-10-14]. Dostupný na URL: < http://journal.fsv.cuni.cz>.
[21]
Fondy Evropské unie [online] [cit. 2010-03-14]. Dostupná na URL: .
[22]
Profit [online] [cit. 2010-03-22]. Dostupná na URL: .
[23]
Ministerstvo zemědělství [online] [cit. 2010-04-08]. Dostupná na URL: .
[24]
Ministerstvo zemědělství [online] [cit. 2010-04-15]. Situační a výhledová zpráva
Réva vinná a víno. Dostupná na URL: .
[25]
Státní zemědělský a intervenční fond [online] [cit. 2010-02-23]. Dostupná na URL: .
[26]
Státní zemědělský a intervenční fond [online] [cit. 2010-03-06]. Zpráva o trhu
vína a vinných hroznů. Dostupná na URL: .
[27]
STŘELEC, L., BLAŠKOVÁ, V., Sériová korelace. [online] [cit. 2010-10-12]. Dostupná na URL: .
[28]
The global wine industry [online] [cit. 2010-04-16]. Dostupná na URL: .
[29]
Vinařský fond [online] [cit. 2010-03-08]. Dostupná na URL: .
97
[30]
Vinopark [online] [cit. 2009-11-20]. Dostupná na URL: .
98
8 SEZNAM TABULEK A GRAFŮ Seznam tabulek Tab. 1: Přehled financování Agro-environmenálních opatření 2004 - 2006 .................. 27 Tab. 2: Intervaly spolehlivosti parametrů modelu regresní přímky................................ 43 Tab. 3: Analýza rozptylu v případě přímkové regrese.................................................... 43 Tab. 4: Testy autokorelace chybového členu.................................................................. 43 Tab. 5: Testování stacionarity pomocí ADF testu .......................................................... 44 Tab. 6: Testování kointegrace pomocí Englova-Grangerova testu................................. 44 Tab. 7: Intervaly spolehlivosti parametrů modelu regresní přímky pro 1. diferenci ...... 45 Tab. 8: Analýza rozptylu v případě přímkové regrese pro diferenci 1. řádu .................. 46 Tab. 9: Testy autokorelace chybového členu pro diferenci 1. řádu ................................ 46 Tab. 10: Vývoj ceny řepného cukru ve sledovaném období 2001 - 2009 ...................... 50 Tab. 11: Vývoj ceny řepného cukru včetně predikovaného období ............................... 50 Tab. 12: Vývoj ceny pesticidů za sledované období 2001 - 2009 .................................. 51 Tab. 13: Vývoj ceny pesticidů včetně predikovaného období........................................ 52 Tab. 14: Průměrná měsíční teplota vzduchu za sledované období 2001 - 2009............. 55 Tab. 15: Intervaly spolehlivosti parametrů modelu regresní přímky.............................. 58 Tab. 16: Analýza rozptylu v případě přímkové regrese.................................................. 58 Tab. 17: Testování stacionarity pomocí ADF testu ........................................................ 58 Tab. 18: Testování kointegrace pomocí Englova-Grangerova testu............................... 59 Tab. 19: Intervaly spolehlivosti parametrů modelu regresní přímky pro 1. diferenci .... 60 Tab. 20: Průměrný měsíční úhrn srážek za sledované období 2001 - 2009 ................... 61 Tab. 21: Intervaly spolehlivosti parametrů modelu regresní přímky.............................. 64 Tab. 22: Analýza rozptylu v případě přímkové regrese.................................................. 65 Tab. 23: Testy autokorelace chybového členu................................................................ 65 Tab. 24: Testování stacionarity pomocí ADF testu ........................................................ 66 Tab. 25: Průměrné měsíční údaje o slunečním svitu za sledované období 2001 - 2009 67 Tab. 26: Intervaly spolehlivosti parametrů modelu regresní přímky.............................. 70 Tab. 27: Analýza rozptylu v případě přímkové regrese.................................................. 70 Tab. 28: Testy autokorelace chybového členu................................................................ 71
99
Tab. 29: Testování stacionarity pomocí ADF testu ........................................................ 71 Tab. 30: Testování kointegrace pomocí Englova-Grangerova testu............................... 72 Tab. 31: Intervaly spolehlivosti parametru modelu regresní přímky pro 1. diferenci .... 73 Tab. 32: Analýza rozptylu v případě přímkové regrese pro 1. diferenci ........................ 73 Tab. 33: Testy autokorelace chybového členu pro 1. diferenci ...................................... 73 Tab. 34: Analýza rozptylu v případě přímkové regrese.................................................. 75 Tab. 35: Testy autokorelace chybového členu................................................................ 76 Tab. 36: Analýza rozptylu v případě přímkové regrese.................................................. 77 Tab. 37: Intervaly spolehlivosti parametrů modelu regresní přímky.............................. 77 Tab. 38: Testy autokorelace chybového členu................................................................ 78 Tab. 39: Intervaly spolehlivosti parametrů modelu regresní přímky.............................. 82 Tab. 40: Analýza rozptylu v případě přímkové regrese.................................................. 82 Tab. 41: Testy autokorelace chybového členu................................................................ 83 Tab. 42: Testování stacionarity pomocí ADF testu ........................................................ 83 Tab. 43: Testování kointegrace pomocí Englova-Grangerova testu............................... 84 Tab. 44: Intervaly spolehlivosti modelu regresní přímky pro diferenci 1. řádu ............. 85 Tab. 45: Analýza rozptylu v případě přímkové regrese pro diferenci 1. řádu ................ 85 Tab. 46: Testy autokorelace chybového členu pro diferenci 1. řádu .............................. 85 Tab. 47: Přehled využitých dotací Vinařstvím Baloun................................................... 88
Seznam grafů Graf 1: Výsadba nových vinic v ČR v letech 1997 - 2009 v ha. Zdroj: [26] ................. 17 Graf 2: Struktura ploch vinic v ČR dle kategorií. Zdroj: [26], vlastní zpracování ......... 18 Graf 3: Průměrný výnos a cukernatost hroznů. Zdroj: [26]............................................ 19 Graf 4: Bilance vína ve vinařských letech v ČR. Zdroj: [26] ......................................... 20 Graf 5: Struktura plochy vinic ve světě. Zdroj: [24], vlastní zpracování ....................... 21 Graf 6: Vývoj objemu produkce vína a hektarových výnosů za sledované období ....... 41 Graf 7: Bodový diagram vlivu hektarových výnosů na celkový objem produkce vína . 41 Graf 8: Vývoj reziduí pro model regresní přímky s konstantou ..................................... 42
100
Graf 9: Současná plocha obhospodařovaných vinic. Zdroj: Data firmy Vinařství Baloun, vlastní zpracování. .......................................................................................................... 48 Graf 10: Plánovaná plocha obhospodařovaných vinic. .................................................. 49 Graf 11: Vývoj ceny řepného cukru včetně její predikce na období 2010 - 2012. ......... 51 Graf 12: Vývoj ceny přípravků na ochranu vinice včetně predikce na období .............. 52 Graf 13: Vývoj teploty vzduchu a průměrné cukernatosti. Zdroj: [17], data firmy Vinařství Baloun, vlastní zpracování.............................................................................. 55 Graf 14: Bodový diagram vlivu průměrné teploty vzduchu na průměrnou cukernatost 56 Graf 15: Vývoj reziduí pro model regresní přímky s konstantou ................................... 57 Graf 16: Vývoj průměrné cukernatosti a úhrnu srážek. Zdroj: [17], data firmy Vinařství Baloun, vlastní zpracování.............................................................................................. 62 Graf 17: Bodový diagram vlivu úhrnu srážek na průměrnou cukernatost hroznů.......... 63 Graf 18: Vývoj reziduí pro model regresní přímky s konstantou ................................... 64 Graf 19: Vývoj průměrné cukernatosti a slunečního svitu za sledované období ... 2001 2009. Zdroj: [17], data firmy Vinařství Baloun, vlastní zpracování.............................. 68 Graf 20: Bodový diagram vlivu slunečního svitu na průměrnou cukernatost ................ 68 Graf 21: Vývoj reziduí pro model regresní přímky s konstantou ................................... 69 Graf 22: Vývoj reziduí pro model regresní přímky s konstantou ................................... 75 Graf 23: Vývoj reziduí pro regresní model přímky s konstantou ................................... 78 Graf 24: Vývoj průměrné spotřeby a ceny vína ve sledovaném období 1996 - 2009.. .. 80 Graf 25: Bodový diagram vlivu průměrné spotřebitelské ceny jakostního bílého vína na průměrnou spotřebu ................................................................................................... 81
101
9 PŘÍLOHY Seznam příloh Tab. č. 1: Objem produkce vína a hektarových výnosů za období 2001-2009............. 103 Tab. č. 2: Vývoj průměrné cukernatosti hroznů, průměrné teploty vzduchu, ročního úhrnu srážek a ročního úhrnu slunečního svitu za sledované období 2001 - 2009 ...... 103 Tab. č. 3: Vývoj průměrné ceny jakostního bílého vína a spotřeby na 1 obyvatele. .... 104 Tab. č. 4: Objem produkce bílého a červeného vína v litrech ..................................... 104 Obr. č. 1: Žádost o vyplacení podpory na investice...................................................... 105
102
Tab. č. 1: Objem produkce vína a hektarových výnosů za období 2001-2009 Rok
Objem produkce vína (l)
Hektarové výnosy (t/ha)
2001
470 000
8,9
2002
420 000
8,4
2003
405 000
8
2004
400 000
8,7
2005
390 000
8,2
2006
452 000
10,54
2007
920 000
13,8
2008
1 250 000
14
2009
1 100 000
13
Tab. č. 2: Vývoj průměrné cukernatosti hroznů, průměrné teploty vzduchu, ročního úhrnu srážek a ročního úhrnu slunečního svitu za sledované období 2001 - 2009
Rok
Průměrná cukernatost hroznů (°NM)
Průměrná teplota vzduchu (°C)
Roční úhrn srážek (mm)
Roční úhrn slunečního svitu (h)
2001
21,5
9,7
549,5
1726,5
2002
21,8
10,5
568,1
1771
2003
22
10,3
358,1
2251,7
2004
20,8
9,7
436,6
1695,8
2005
21,7
9,5
497,5
2075,9
2006
21,6
9,9
498,2
2146
2007
22,2
11
547,3
2049,9
2008
22,3
10,7
426
1878,5
2009
21,8
10,1
693,5
1714,8
103
Tab. č. 3: Vývoj průměrné ceny jakostního bílého vína a spotřeby na 1 obyvatele.
rok
Průměrná cena jakostního bílého vína (Kč/l)
Spotřeba vína na osobu (l/rok)
1996
50,1
15,8
1997
54,3
15,9
1998
55,2
16
1999
54,8
16,1
2000
57,4
16,1
2001
66,1
16,2
2002
61,1
16,2
2003
62,3
16,3
2004
62,0
16,5
2005
61,5
16,8
2006
56,7
17,2
2007
54,5
18
2008
55,4
18,5
2009
57,7
19,1
Tab. č. 4: Objem produkce bílého a červeného vína v litrech Rok
Bílé odrůdy (l)
Červené odrůdy (l)
Celkem (l)
2001
280 000
190 000
470 000
2002
235 000
185 000
420 000
2003
276 000
129 000
405 000
2004
215 000
185 000
400 000
2005
215 000
175 000
390 000
2006
225 000
227 000
452 000
2007
470 000
450 000
920 000
2008
600 000
650 000
1 250 000
2009
570 000
530 000
1 100 000
104
105