Analýza návštěvnosti ubytovacích zařízení v ČR

Mendelova univerzita v Brně Provozně ekonomická fakulta

Analýza návštěvnosti ubytovacích zařízení v ČR Bakalářská práce

Vedoucí práce: Mgr. Veronika Blašková, Ph. D.

Brno 2013

Kateřina Tesařová

zadání

Ráda bych tímto poděkovala vedoucí mé práce Mgr. Veronice Blaškové, Ph. D. za odborné vedení, ochotu, cenné rady a připomínky, které mi pomohly při zpracování této bakalářské práce.

Prohlašuji, ţe jsem vypracovala bakalářskou práci na téma Analýza návštěvnosti ubytovacích zařízení v ČR samostatně, za pouţití zdrojů uvedených v seznamu literatury. V Brně dne 21. května 2013

_______________________

Abstract Tesařová, K. Analysis of attendance of accommodation facilities in the Czech Republic. Bachelor thesis. Brno: Mendel University in Brno, Faculty of Business and Economics, 2013. The aim of this bachelor thesis is to perform a statistical analysis of attendance of accommodation facilities in the Czech Republic. The analysis focuses on the time series in 2000 – 2012. In the first part of the thesis the reader is acquainted with basic statistical and econometrics methods. These methods are then applied in the practical part. In addition to the analysis is the prediction of future evolution of attendance. There are also individual accommodation facilities characterized in the thesis. It the end the results of analysis of the time series are evaluated and a recommendation for maintaining or increasing attendance of individual accommodation facilities are suggested. Keywords Tourism, accommodation facilities, time series, statistical analysis

Abstrakt Tesařová, K. Analýza návštěvnosti ubytovacích zařízení v ČR. Bakalářská práce. Brno: Mendelova univerzita v Brně, Provozně ekonomická fakulta, 2013. Cílem této bakalářské práce je provést statistickou analýzu návštěvnosti ubytovacích zařízení v České republice. Analýza se zaměřuje na časové řady v letech 2000 – 2012. V první části práce je čtenář seznámen se základními statistickými a ekonometrickými pojmy a s uţívanými metodami. Tyto metody jsou následně aplikovány v části praktické. Kromě analýzy je provedena predikce dalšího vývoje návštěvnosti. Dále jsou charakterizována jednotlivá ubytovací zařízení. Výsledky analýzy časových řad jsou vyhodnoceny a zároveň jsou navrţena doporučení pro udrţení či zvýšení návštěvnosti jednotlivých ubytovacích zařízení. Klíčová slova Cestovní ruch, ubytovací zařízení, časová řada, statistická analýza

Obsah

6

Obsah 1

2

Úvod a cíl práce 1.1

Úvod ....................................................................................... 10

1.2

Cíl práce ................................................................................. 11

Teoretická část 2.1

12

Analýza časových řad .............................................................. 12

2.1.1

Časová řada ..................................................................... 12

2.1.2

Elementární charakteristiky časových řad ........................ 13

2.2

Dekompozice časových řad...................................................... 14

2.3

Trendové funkce ..................................................................... 15

2.3.1

Metody odhadu parametrů trendových funkcí .................. 15

2.4

Volba trendové funkce modelu ................................................ 16

2.5

Sezónní vlivy ........................................................................... 18

2.6

Umělé proměnné ..................................................................... 19

2.7

Ověření správnosti modelu...................................................... 19

2.7.1

Klasické předpoklady modelu ........................................... 20

2.7.2

Kvalita modelu ................................................................. 20

2.8 3

10

Konstrukce předpovědí ........................................................... 21

Statistické zpracování dat

22

3.1

Charakteristika analyzovaných dat ......................................... 22

3.2

Časové řady jednotlivých ubytovacích zařízení......................... 22

3.2.1

Kempy.............................................................................. 23

3.3

Penziony ................................................................................. 29

3.4

Hotely ..................................................................................... 32

3.5

Modely se zlomem ................................................................... 34

4

Diskuze

37

5

Závěr

40

Obsah

7

6

Literatura

42

A

Doplňující materiály

44

Seznam obrázků

8

Seznam obrázků Obr. 1

Graf návštěvnosti kempů v ČR

Obr. 2 Graf skutečných a vyrovnaných hodnot (kempy) – lineární trend

23 25

Obr. 3 Graf skutečných a vyrovnaných hodnot (kempy) - model s umělými proměnnými 27 Obr. 4 Graf skutečných a vyrovnaných hodnot (penziony) – model s umělými proměnnými

31

Obr. 5

Graf návštěvnosti hotelů v ČR

32

Obr. 6

Graf predikovaných hodnot (hotely)

34

Obr. 7 Graf skutečných a vyrovnaných hodnot (penziony) – model s přidáním zlomu

35

Obr. 8 Graf skutečných a vyrovnaných hodnot (hotely) – model s přidáním zlomu 36

Seznam tabulek

9

Seznam tabulek Tab. 1 Růstové charakteristiky

18

Tab. 2 Interpolační kritéria trendové funkce kempů

24

Tab. 3 Odhad parametrů (kempy) – lineární trend

24

Tab. 4 Odhad parametrů (kempy) - konstantní sezónnost

25

Tab. 5 Odhad parametrů (kempy) - proporcionální sezónnost

27

Tab. 6 Předpovídaná návštěvnost kempů v roce 2013

28

Tab. 7 Odhad parametrů (penziony) – lineární trend

29

Tab. 8 Volba sezónnosti penzionů - interpolační kritéria

30

Tab. 9 Odhad parametrů (penziony) - umělé proměnné

30

Tab. 10 Předpovídaná návštěvnost penzionů v roce 2013

31

Tab. 11 Odhad parametrů (hotely) – umělé proměnné

33

Úvod a cíl práce

10

1 Úvod a cíl práce 1.1 Úvod Cestovní ruch je v posledních letech podstatnou součástí všech vyspělých národních hospodářství. Pojem cestovního ruchu je neodmyslitelně spojen s dopravou, turistikou, ubytováním, historickými památkami, se sluţbami cestovních kanceláří a s mnoha dalšími sektory. Není tedy divu, ţe rozvoj cestovního ruchu není pro hospodářství zanedbatelný. Nejen proto, ţe má vliv na zaměstnanost a příjmy do státního rozpočtu, ale ovlivňuje i činnost malých a středních podnikatelů, napomáhá udrţení tradic a kultur, či podporuje zachování a obnovu památek. Při pohledu na současnou situaci v České republice zjistíme, ţe podíl zaměstnanosti v cestovním ruchu činí necelých 5 % a jeho podíl na hrubém domácím produktu se pohybuje okolo 3 %. V dnešní uspěchané době stále více lidí vyhledává různorodé moţnosti odpočinku. Ať uţ se jedná o pasivní odpočinek nebo sportovní vyţití, cestování za rodinou, kulturní akce či cestování z léčebných důvodů, je třeba zachovávat, či ještě lépe zvyšovat určitou úroveň a kvalitu poskytovaných sluţeb. Mnozí lidé nepovaţují cestovní ruch za samostatné odvětví, ale za činnost, která je výsledkem sluţeb jiných odvětví, jako jsou ubytování, stravování a doprava. Jestliţe jde výslovně o nějaký průmysl cestovního ruchu, pravděpodobně se skládá ze sluţeb pořadatelů zájezdů, tj. cestovních kanceláří a cestovních agentur, a neexistoval aţ do nástupu moderního cestovního ruchu zaloţeného na souhrnné nabídce více sluţeb. (Horner, 2003) Česká republika se po revoluci v roce 1989 stala vyhledávaným cílem turistů z celého světa – bylo to cosi nového, neokoukaného a přitom nepříliš drahého. Tento trend se však dnes jiţ pozastavil a Česká republika se stala běţnou turistickou destinací, která nemůţe více čerpat z této specifické konkurenční výhody. Udrţet pozici na trhu cestovního ruchu v období sílící konkurence evropských a zámořských destinací je dnes mimořádně náročné. (Ryglová, 2009) Rovněţ poţadavky českých turistů se značně změnily. Zatímco ještě v 90. letech se většinou spokojili pouze s faktem, ţe mohou odjet na dovolenou a příliš si na nic nestěţovali, v současnosti znají svá práva a vyţadují je. Mají mnohem více různých poţadavků a jsou náročnější. Jsou bohatší a více zcestovalí. Mění se také vztah Čechů k trávení volného času v Česku. 94 % obyvatel České republiky se shoduje na tom, ţe naše země nabízí řadu atraktivních turistických lákadel. O poznání více jsou Češi kritičtější ke sluţbám pro turisty. O jejich kvalitě pochybuje celá čtvrtina. Nejnáročnější jsou mladí lidé a také lidé s nejvyššími příjmy. (Czechtourism.cz)

Úvod a cíl práce

11

Česká republika je díky propracovanému systému značení husté sítě propojených turistických stezek a cest ideálním místem pro aktivní turistiku. Zároveň různorodost kulturních a architektonických atraktivit či památek zapsaných na seznamu UNESCO vytváří vysoký potenciál pro městskou a poznávací turistiku, pro pobyty v lázních či u vodních ploch. Kombinace těchto faktorů pak dává naší republice předpoklady stát se atraktivní navštěvovanou turistickou destinací. (Ryglová, 2009)

1.2 Cíl práce Cílem práce je provést statistickou analýzu ubytovacích zařízení v České republice. První část práce se bude zabývat získáním teoretických poznatků, které budou následně aplikovány v části praktické. Praktická část bude soustředěna na analýzu jednotlivých časových řad ubytovacích kategorií. Nejprve budou modely dat specifikovány a kvantifikovány a následně budou data otestována pomocí statistických a ekonometrických ukazatelů. Bude zjišťován vliv návštěvnosti ubytovacích zařízení na vlivu ročních období, porovnána jejich návštěvnost a definovány příčiny ve výkyvech návštěvnosti. Dílčím cílem bude srovnání vývoje počtu ubytovaných hostů pro jednotlivé zařízení mezi sebou. Dále budou doporučeny postupy jednotlivým ubytovacím kategoriím pro zachování stávající návštěvnosti a moţnosti jejího zvýšení.

Teoretická část

12

2 Teoretická část 2.1 Analýza časových řad S chronologicky uspořádanými daty se pravidelně setkáváme v nejrůznějších oblastech ţivota. Běţně a uţ po dlouhou dobu s nimi pracuje fyzika, biologie, seismologie, meteorologie. Stále většího významu však nabývá i práce s časovými řadami v ekonomii, ať uţ jde o makroekonomické ukazatele, jako např. tvorba a uţití hrubého domácího produktu, inflace, nezaměstnanosti apod., nebo o některé dílčí údaje jako vývoj kurzů cizích měn, peněţní zásoby, ceny akcií. (Hindls, 2002) 2.1.1

Časová řada

Pojmem časová řada se obecně míní jakákoli posloupnost dat y1, …, yn chronologicky uspořádaných v čase. To by mohlo opravňovat zjednodušující přístup pohlíţející na časovou řadu pouze jako na soubor čísel s časovým uspořádáním (historicky tomu tak opravdu bylo, např. v případě astronomických záznamů). Na druhé straně však dalším výrazným rysem takových posloupností je také jejich náhodnost. Proto je kvůli adekvátnosti analýzy nutné pouţívat modely, které jsou zaloţeny na principech náhodnosti a jsou schopny generovat časové posloupnosti. (Cipra, 2008) Pojem časová řada tedy můţeme chápat jako posloupnost věcně a prostorově srovnatelných pozorování (dat), která jsou jednoznačně uspořádána z hlediska času ve směru od minulosti po přítomnost. Analýzou časových řad se pak rozumí soubor metod, které pak slouţí k popisu těchto řad. Časové řady lze určitým způsobem členit: 1.

podle časového hlediska intervalové okamţikové

2.

podle periodicity roční (dlouhodobé) krátkodobé (čtvrtletní, měsíční, týdenní)

3.

podle druhu sledovaných ukazatelů časové řady primárních (prvotních) ukazatelů časové řady sekundárních (odvozených) charakteristik

Teoretická část

4.

13

podle způsobu vyjádření údajů naturální peněţní

(Hindls, 2002) 2.1.2

Elementární charakteristiky časových řad

Obvykle prvním úkolem při analýze časové řady je získat rychlou a orientační představu o charakteru procesu, který tato řada reprezentuje. Mezi základní metody proto zcela běţně patří vizuální analýza grafů spolu s určováním elementárních charakteristik. Pomocí vizuálního rozboru grafického záznamu průběhu časové řady můţeme rozpoznat např. dlouhodobou tendenci v průběhu časové řady či některé periodicky se opakující vývojové změny. Tato analýza však nikdy nestačí k poznání hlubších souvislostí a mechanismů studovaného procesu a neumoţňuje přehledným a koncentrovaným způsobem popsat jeho vlastnosti. K elementárním charakteristikám řadíme diference různého řádu, tempa a průměrná tempa růstu či průměry hodnot časové řady. (Hindls, 2002) Diference umoţňují charakterizovat směr, velikost a charakter absolutních změn znaku, přičemţ z časové řady délky T lze zjistit T-1 prvních diferencí. U časové řady s lineárním trendem diferencování produkuje řadu s „konstantním“ trendem, tedy přibliţně stacionární řadu bez trendu. U časové řady s kvadratickým trendem diferencování produkuje řadu s lineárním trendem. (Adamec a další, 2013) 1. diference (1) 2. diference (2) Pro zjištění tempa růstu podělíme hodnotu naměřenou v aktuálním období hodnotou předchozího období. Vzorec pak vypadá následovně: tempo růstu (3) Pro výpočet průměrného tempa růstu aplikujeme geometrický průměr, jelikoţ tempa růstu jsou bezrozměrné charakteristiky (Adamec a další, 2013)

Teoretická část

14

průměrné tempo růstu (4) (Hindls, 2002)

2.2 Dekompozice časových řad Tradičním výchozím principem modelování časových řad je jednorozměrný model, který je závislý pouze na časové proměnné a na náhodné sloţce. Klasický model vychází z dekompozice řady na čtyři sloţky (formy) časového pohybu. Souběţná existence všech čtyř forem však není nutná a je podmíněna věcným charakterem zkoumaného ukazatele. Běţně můţe chybět u určitých procesů třeba sloţka sezónní apod. Časovou řadu lze tedy dekomponovat na: trendovou sloţku Tt sezónní sloţku St cyklickou sloţku Ct náhodnou sloţku εt Rozklad dané časové řady na tyto sloţky předpokládá, ţe v jednotlivých sloţkách rozkladu se snáze podaří rozpoznat pravidelné chování řady neţ v původně nerozloţené řadě. Přitom na trendovou, sezónní a cyklickou sloţku je pohlíţeno jako na deterministické funkce času, zatímco na náhodnou sloţku (reziduální) jako na náhodnou funkci času. (Cipra, 2008) Trendovou složkou rozumíme hlavní tendenci dlouhodobého vývoje hodnot. Trend můţe být rostoucí, klesající nebo konstantní, kdy hodnoty dané časové řady v průběhu sledovaného období mohou kolísat kolem určité, v podstatě neměnné úrovně. Sezónní složka je pravidelně se opakující odchylka od trendové sloţky, vyskytující se u časových řad s periodicitou kratší neţ jeden rok. Příčiny kolísání mohou být různé, např. vlivem změn ročních období, vlivem délky měsíčního či pracovního cyklu nebo téţ vlivem různých společenských zvyklostí. Cyklickou složkou rozumíme kolísání okolo trendu v důsledku dlouhodobého cyklického vývoje s délkou vlny delší neţ jeden rok. Někdy nebývá cyklická sloţka povaţována za samostatnou sloţku časové řady, ale je zahrnována pod sloţku trendovou jako její část. Náhodná složka je taková veličina, kterou nelze popsat ţádnou funkcí času. Je to sloţka, která zbývá po vyloučení trendu, sezónní a cyklické sloţky. Jejím zdrojem jsou drobné a v jednotlivostech nepostiţitelné pří-

Teoretická část

15

činy, které jsou vzájemně nezávislé. Chování náhodné sloţky můţeme popsat pravděpodobnostně. (Hindls, 2002) Časovou řadu si lze na základě předchozího výkladu představit jako trend, na který jsou nabaleny periodické sloţky (tj. sezónní a cyklická) a sloţka náhodná. Vlastní rozklad přitom můţe být dvojího typu. (Cipra, 2008) Aditivní rozklad ve tvaru (5) a multiplikativní rozklad (6) (Hindls, 2002)

2.3 Trendové funkce Popis tendence vývoje analyzované řady je jedním z nejdůleţitějších úkolů analýzy časových řad. Z velkého okruhu trendových funkcí se zaměříme na tři z nich, které patří jak z hlediska jejich průběhu, tak z hlediska odhadu parametrů mezi funkce jednoduché, protoţe zpravidla nemají asymptotu, tedy jejich růst není ničím omezen. (Hindls, 2002) 2.3.1

Metody odhadu parametrů trendových funkcí

Nejuţívanější metodou odhadu parametrů trendových funkcí je metoda nejmenších čtverců, která se pouţívá u funkcí lineárních v parametrech. Výhoda pouţití této metody spočívá v tom, ţe minimalizuje rozptyl náhodné sloţky a je poměrně jednoduchá. Tato metoda určí odhady lineární a parabolické funkce přímo, v případě exponenciální trendové funkce je třeba původní model lineárně transformovat, kdy se funkce pomocí logaritmizace převede na funkci lineární v parametrech. (Hindls, 2002) Lineární trend Jedná se o nejčastěji pouţívaný typ trendové funkce. Pro orientační určení směru vývoje časové řady jej můţeme pouţít vţdy. Lineární trend, čili trendovou přímku vyjádříme ve tvaru ,

(7)

kde β0 a β1 jsou neznámé parametry a t je časová proměnná. K odhadu parametrů pouţijeme metodu nejmenších čtverců, která dává nejlepší nevychýlené odhady. Řešení vyplyne z výpočtu dvou rovnic.

Teoretická část

16

Parabolický trend Parabolický trend je dalším z poměrně často pouţívaných typů trendové funkce. Trend má podobu ,

(8)

kde β0, β1 a β2 jsou neznámé parametry a t je časová proměnná. I v tomto případě pouţijeme k odhadu parametrů metodu nejmenších čtverců, která bude řešit tři rovnice. Exponenciální trend Tento typ trendové funkce lze zapsat ve tvaru ,

(9)

kde β0 a β1 jsou neznámé parametry a t je časová proměnná. Protoţe funkce není z hlediska parametrů lineární, nelze k odhadu parametrů pouţít přímo metodu nejmenších čtverců. Provedeme tedy logaritmickou transformaci funkce a dostaneme (10) Vyjdeme-li z tohoto tvaru, můţeme k odhadu parametrů pouţít metodu nejmenších čtverců. (Hindls, 2002)

2.4 Volba trendové funkce modelu Základem při volbě trendu modelu by mělo být posouzení věcně ekonomických hledisek, které je ale většinou potřeba doplňovat i kritérii statistickými. Při věcně ekonomické analýze můţeme posoudit, zda jde o funkci rostoucí nebo klesající, přichází-li v úvahu inflexní bod, zda jde o funkci rostoucí nade všechny meze apod. Tato analýza odhaluje základní vývojové tendence pouze v hrubých rysech. Další moţností odhadu trendu je vizuální analýza grafu dané časové řady. Úskalí při volbě trendu pomocí této analýzy však spočívá v její subjektivitě. Kaţdý totiţ můţe na základě grafického rozboru stejné časové řady dojít k různým závěrům o volbě adekvátního typu trendu. Z tohoto důvodu je třeba do procesu vnést i kritéria statistická. (Hindls, 2000) Za jedny ze základních statistických kritérií jsou povaţována kritéria interpolační a extrapolační. Blíţe se budeme zabývat kritérii interpolačními, která se soustředí na popis minulého vývoje časové řady. Interpolační kritéria jsou zaloţena na porovnávání odchylek skutečných hodnot od hodnot odhadovaných. Pro dosaţení optimálního mode-

Teoretická část

17

lu tedy poţadujeme co nejniţší hodnoty těchto kritérií. Kritéria jsou následující: 1.

M.E. = Mean Error = střední chyba odhadu, kde (11) Pokud k odhadu parametrů pouţijeme metodu nejmenších čtverců, je střední chyba odhadu rovna vţdy nule. Pokud však hodnoty upravíme logaritmizací či inverzí hodnot, můţe M.E. nabývat nenulových hodnot.

2.

M.S.E. = Mean Squared Error = střední čtvercová chyb odhadu: (12) Toto kritérium je dnes prakticky nejpouţívanější.

3.

M.A.E. = Mean Absolute Error = střední absolutní chyba odhadu: (13)

4.

M.A.P.E. = Mean Absolute Percentage Error = střední absolutní chyba odhadu: (14)

5.

M.P.E. = Mean Percentage Error = střední procentní chyba odhadu: (15)

(Hindls, 2000) Mezi interpolační kritéria se řadí také růstové charakteristiky, jejichţ průběh indikuje správnou volbu trendu. V této práci bude uvaţována trendová funkce typu lineárního, kvadratického a exponenciálního.

Teoretická část

18

Tab. 1 Růstové charakteristiky

Růstová charakteristika

Průběh růstové charakteristiky v čase

Vhodný typ trendu

přibliţně konstantní

přímka

přibliţně lineárně roste

parabola

přibliţně konstantní

exponenciála

Zdroj: Hindls, 2007, str. 293

2.5 Sezónní vlivy Při analýze časových řad s periodicitou zjišťování kratší neţ jeden rok se setkáváme téměř vţdy s existencí sezónních vlivů, které jsou v modelu časové řady reprezentované sezónní sloţkou. Sezónními vlivy rozumíme soubor příčin, které se rok co rok pravidelně opakují v důsledku existence pravidelného koloběhu Země okolo Slunce. Nejčastěji jde o vlivy klimatické, či zprostředkované (zvyklosti ve stereotypech chování lidí, společenské standardy). Výsledkem působení sezónních vlivů na analyzovanou časovou řadu jsou tzv. sezónní výkyvy. Úkolem je identifikovat, zda jsou tyto výkyvy statisticky významné. Pokud reálně prokáţeme existenci sezónní sloţky v časové řadě, sezónní výkyvy budeme kvantifikovat. Kvantifikace se provádí, protoţe periodické kolísání zkresluje srovnávání ekonomických jevů v průběhu roku. Provádí se tzv. sezónním očišťováním, které sezónní sloţku z analyzované řady vyloučí. (Hindls, 2002) Ze statistického hlediska lze sezónnost měřit jako: Konstantní sezónnost Velikost kolísání sezónnosti se nemění v závislosti na směru trendové sloţky. Sezónní kolísání charakterizuje sezónní konstanta, která se s trendem skládá sčítáním. Proporcionální sezónnost Výkyvy sezónnosti souvisí s trendem. Velikost sezónního kolísání se systematicky zvyšuje u řad s rostoucím trendem a sniţuje u řad s klesajícím trendem. Sezónnost popisuje sezónní index, který se s trendem skládá násobením.

Teoretická část

19

Triviální sezónnost Vychází z proporcionální sezónnosti a k jejímu měření se pouţívá empirický sezónní index. (Minařík, 2007)

2.6 Umělé proměnné V ekonometrické analýze je běţné, ţe některé faktory zahrnuté do modelu nelze přímo měřit. Měření těchto diskrétních či kvalitativních proměnných je moţné pomocí techniky umělých proměnných. Uměle konstruovaným proměnným přisuzujeme takové hodnoty, které co nejlépe zachytí změny činitelů, které chceme měřit, a proto jsou schopny nahrazovat empirická data. V analýze časových řad se umělé proměnné pouţívají často při měření intenzity přechodných či sezónních vlivů nebo vlivů odlehlých pozorování. Technika umělých proměnných je také jedním ze způsobů sezónního vyrovnání časových řad ekonomických ukazatelů. Při konstrukci umělých proměnných se obvykle pouţívají binární proměnné, které mohou nabývat pouze dvou moţných hodnot, nula a jedna, přičemţ jednotka zpravidla označuje výskyt nebo přítomnost sledovaného atributu. (Hušek, 2007) Odhadujeme-li návštěvnost, lze předpokládat existenci sezónních výkyvů, které se projeví v rozdílných úrovňových konstantách regresních rovnic pro jednotlivá čtvrtletí. Kvantifikujeme-li sezónní rozdíly pro jednotlivá čtvrtletí, odhadovaný model bude ve tvaru: ,

(16)

kde je Yt odhadovaná návštěvnost T trendová funkce D1-D4 umělé proměnné (D1 = 1 pro první čtvrtletí, D1 = 0 pro ostatní čtvrtletí) ut náhodná sloţka. (Hušek, 2007)

2.7 Ověření správnosti modelu Zároveň je třeba při výběru vhodné funkce sledovat, zdali model splňuje dané předpoklady, tedy jestli je vytvořen správně. Dále se také ověřuje, jak kvalitní model se nám podařilo vymodelovat.

Teoretická část

2.7.1

20

Klasické předpoklady modelu

Pro klasický lineární regresní model musí být splněny následující předpoklady: 1. Regresní model je lineární v parametrech, je správně specifikován a má aditivně připojen chybový člen. 2.

Chybový člen má nulovou střední hodnotu.

3.

Všechny vysvětlující proměnné nejsou korelované s chybovým členem.

4.

Pozorování chybového členu jsou nekorelována se sebou samými = NE sériová korelace.

5.

Chybový člen má konstantní varianci = NE heteroskedasticita.

6.

Ţádná vysvětlující proměnná není perfektní lineární kombinací jiné vysvětlující proměnné = NE perfektní multikolinearita.

7.

Chybový člen je normálně rozdělen.

(Hampel a další, 2011) 2.7.2

Kvalita modelu

Pro posuzování výstiţnosti modelu existuje velké mnoţství kritérií a testů. Pro potřeby této práce si přiblíţíme koeficienty determinace. Koeficient determinace Koeficient determinace vyjadřuje relativní zastoupení regresní sloţky (část popsaná zvolenou funkcí) na celkové proměnlivosti vysvětlované veličiny. (17) kde

R2…hodnota koeficientu determinace TSS…celková suma čtverců RSS…regresní suma čtverců ESS…reziduální (chybová) suma čtverců

Koeficient determinace tedy uvádí, kolik procent proměnlivosti závislé proměnné model vysvětlil. Koeficient je normován na intervalu . Hodnota R2 blízká jedné vyjadřuje dokonalý popis empirických dat regresním modelem. Naopak hodnota R2 blízká nule znamená, ţe lze model popsat lépe. Problémem pouţití koeficientu determinace je skutečnost, ţe přidání další vysvětlující proměnné do modelu nikdy ne-

Teoretická část

21

vede ke sníţení jeho hodnoty ve srovnání s jeho hodnotou před přidáním. V důsledku se pak R2 můţe zvýšit po přidání i zcela nesmyslné vysvětlující proměnné, coţ můţe zkreslovat kvalitu modelu. (Adamec a další, 2013) Adjustovaný koeficient determinace Adjustovaný koeficient determinace je ukazatelem kvality modelu upravený o stupně volnosti. Na rozdíl od koeficientu determinace se jeho hodnota zvýší pouze tehdy, je-li do modelu přidána statisticky významná proměnná. Adjustovaný koeficient determinace se z běţného R2 vypočítá jako (18) Na rozdíl od koeficientu R2 můţe hodnota při zahrnutí nevýznamné vysvětlující proměnné klesnout. Proto je při tvorbě modelu vyuţíván právě tento koeficient. (Adamec a další, 2013)

2.8 Konstrukce předpovědí Ekonometrická předpověď je pravděpodobnostním odhadem budoucích hodnot určité ekonomické veličiny. K nejčastěji uţívaným metodám patří kvantitativní přístupy, u kterých rozlišujeme tři typy metod prognóz: Jednorozměrné metody prognózování Vyjadřují budoucí hodnoty časové řady jako funkce jejich minulých hodnot. Jedná se například o statistické metody vyrovnávání časových řad (exponenciální vyrovnávání, klouzavé průměry). Vícerozměrné metody prognózování K tvorbě předpovědi modelují a vysvětlují vztahy mezi minulými hodnotami časových řad. Tyto metody zahrnují jednorovnicové i vícerovnicové strukturní ekonometrické modely. Ostatní kvantitativní metody prognózování Jedná se o mnoho dalších přístupů k tvorbě předpovědí, které se tak často nepouţívají, ale v konkrétních případech přináší uţitečné výsledky. K těmto metodám řadíme například expertní systémy, umělé neuronové sítě či genetické algoritmy. (Hušek, 2007) Podle typu odhadu rozlišujeme předpověď bodovou, která spočívá v odhadu jedné budoucí hodnoty predikované proměnné a předpověď intervalovou, která vyuţívá intervalu spolehlivosti. (Hušek, 2007)


22

3 Statistické zpracování dat 3.1 Charakteristika analyzovaných dat Myšlenka poskytnout turistům nocleh je jednoduchá, ale způsobů, kterými se uskutečňuje, existuje nesčetné mnoţství. Celé toto mnoţství různých typů ubytování se obvykle dělí na tři skupiny podle toho, zda poskytuje plné, částečné nebo vůbec ţádné sluţby. (Horner, 2003) Za jeden ze zmíněných typů ubytování, který poskytuje minimální nebo vůbec ţádné sluţby je povaţován kemp. Kempy v České republice se dělí především do dvou hlavních kategorií. Jedná se o kempy v blízkosti říčních toků a kempy v blízkosti vodních ploch. Co se týče České republiky, největší koncentrace kempů se nachází v oblasti povodí řeky Vltavy, tedy v oblasti Jiţních Čech, na jejímţ území leţí také velké mnoţství stojatých vod, známých jihočeských rybníků. Další kategorizace kempů je jejich členění podle turistického regionu. Proto rozlišujeme kempy v oblasti Českého ráje, Západočeských lázní, Plzeňska a Českého lesa, Šumavy nebo také Českolipska a Jizerských hor. Za ubytovací zařízení, které poskytuje částečné sluţby, ale v některých případech i sluţby plné, je povaţován penzion. Jedná se zpravidla o menší zařízení, často jsou penziony rodinnými podniky. Obvyklá kapacita penzionu je do několika desítek osob. Penziony se většinou rozlišují podle moţnosti stravování. Některé penziony nabízí alespoň polopenzi, či dokonce penzi plnou, ale najdeme mnoho takových, ve kterých je moţnost stravovat se pouze vlastní formou. Za jednoznačného zástupce plné vybavenosti řadíme hotel. Jeho součástí je většinou restaurace a sál pro pořádání různých akcí. Součástí novějších hotelů jsou také menší sportovní nebo wellness centra, která dosavadní komfort hotelového ubytování ještě zvyšují. Hotely je moţné členit podle charakteristiky umístění, např. hotely horské, městské, lázeňské apod. Další kategorizace hotelů je běţně známá. V ní se hotely člení do pěti kategorií, kdy je kaţdá kategorie zastoupena různým počtem znaků hvězdiček. Počet hvězdiček je potom přiřazován k názvu hotelu a označuje tedy vybavenost hotelu. Jednou ze součástí této práce bude právě analýza pětihvězdičkových hotelů.

3.2 Časové řady jednotlivých ubytovacích zařízení Tato kapitola se věnuje jednotlivým časovým řadám ubytovacích zařízení a jejich návštěvnosti, jejichţ data jsou uveřejněna na webových stránkách Českého statistického úřadu. Z mnoha typů ubytovacích zařízení byla pro zpracování vybrána časová řada návštěvnosti kempů, jelikoţ kempy jsou povaţovány za zástupce jednoho


23

z finančně nejdostupnějších ubytovacích zařízení. Dále se kapitola věnuje časové řadě penzionů, které zastupují střední třídu, co se týká kvality a cenové dostupnosti ubytování. Nakonec byla vybrána časová řada pětihvězdičkových hotelů, jako zástupce nejluxusnějšího a zároveň nejdraţšího ubytování. Jedná se o čtvrtletní data v rozmezí let 2000 – 2012, která zahrnují součty návštěvníků určitých ubytovacích kategorií na území ČR. Bude provedena dekompozice časových řad na jednotlivé sloţky, vyrovnání časových řad a predikce budoucího vývoje. Dále bude na základě výsledků jednotlivých statistických analýz provedeno srovnání časového vývoje jednotlivých ubytovacích zařízení mezi sebou. 3.2.1

Kempy

Podkladem pro tvorbu modelu byla časová řada čtvrtletních dat návštěvnosti kempů v ČR v letech 2000 – 2012. Znázorňuje ji následující graf.

Obr. 1

Graf návštěvnosti kempů v ČR

K volbě vhodné trendové funkce modelu byla vyuţita interpolační kritéria M.E. (průměrné reziduum), M.A.E. (průměrná absolutní reziduální odchylka), M.S.E. (průměrná čtvercová reziduální odchylka), R.M.S.E. (reziduální směrodatná odchylka). Tato kritéria byla vypočítána v programu Excel pro lineární, parabolický a exponenciální trend. Vhodná funkční forma by měla dosahovat co nejniţších hodnot daných charakteristik. Výsledky výpočtu jsou zřejmé z následující tabulky.


24

Tab. 2 Interpolační kritéria trendové funkce kempů

přímka

M.E. M.A.E. M.S.E. R.M.S.E.

parabola exponenciála 0,00 0,00 191 781,52 274 628,65 274 965,20 238 864,80 110 110,94∙106 109 861,96∙106 146 989,90∙106 331 829,69 331 454,31 383 392,62

Nejmenší vypočtené hodnoty vykazoval parabolický trend, těsně jej následoval trend lineární. Jelikoţ je z časové řady patrná vysoká sezónnost a četnost dat je pouze čtvrtletní, rozdíly mezi lineárním a parabolickým trendem byly povaţovány za zanedbatelné. Proto byla zvolena trendová funkce lineární, která má tvar rovnice: (19) Dále bylo v programu Excel modelováno pomocí regresní analýzy. Do modelu vstoupila jako závislá proměnná návštěvnost kempů a jako nezávislé proměnné konstanta a časový trend. Výsledky znázorňuje následující tabulka: Tab. 3 Odhad parametrů (kempy) – lineární trend

Parametr const t

Koeficient 280179,981900 -1194,930377

Z výše uvedené tabulky vyplývá trendová rovnice modelu ve tvaru: (20) Graf č. 2 vykresluje časovou řadu vyrovnanou právě tímto trendem.


Obr. 2

25

Graf skutečných a vyrovnaných hodnot (kempy) – lineární trend

V grafu si můţeme všimnout, ţe trendová přímka mírně klesá. Tudíţ se návštěvnost kempů v naší republice stává méně populární neţ v předchozích letech. Přímka sice kopíruje trend, ale odchylky od skutečných hodnot jsou stále značné, a proto je třeba vymodelovat také sezónnost. Sezónnost byla modelována pomocí metody nejmenších čtverců v programu Gretl. Jelikoţ bylo modelováno na čtvrtletních datech, k dříve zmiňovaným proměnným byly přidány celkem 4 umělé proměnné (dummy), které by měly sezónnost vykreslit přesněji. Model má tedy rovnici: (21) Pro vykreslení modelu byla uvaţována konstantní a proporcionální sezónnost. Konstantní sezónnost vykazuje následující hodnoty parametrů: Tab. 4 Odhad parametrů (kempy) - konstantní sezónnost

Parametr const t D2 D3 D4

Koeficient 45607,40 -1557,33 172461,00 793615,00 10629,20


26

Z tabulky je patrné, ţe jedna přidaná umělá proměnná v modelu chybí. Je to zapříčiněno závislostí umělých proměnných na proměnné časové. Program Gretl v rámci analýzy vypočítal také p-hodnotu, která určuje statistickou významnost jednotlivých parametrů v modelu. Za statisticky významné parametry jsou povaţovány takové, jejichţ p-hodnota byla < 0,05, jelikoţ je model vytvořen na hladině významnosti 95 %. V případě časové řady kempů jsou významné parametry D2 a D3. Parametr D4 je statisticky nevýznamným, protoţe je jeho hodnota > 0,05. Adjustovaný koeficient determinace dosahuje hodnoty 0,952417, coţ činí model vykresleným na 95 %. Model popisuje rovnice ve tvaru:

(22) Jelikoţ z modelu vypadla umělá proměnná, která zastupovala první čtvrtletí časové řady, je celá rovnice k tomuto čtvrtletí vztaţena. Proto je moţné říci, ţe návštěvnost ve druhých čtvrtletích je v průměru o 170 903 (tj. 172 461 – 1557,33) návštěvníků vyšší neţ by byla, pokud by se období řídilo stejným pravidlem jako první čtvrtletí. Podobně vztah platí pro třetí i čtvrté čtvrtletí, kdy jsou návštěvnosti vţdy vyšší neţ trendové, tj. za předpokladů, které jsou pro první čtvrtletí. Graf modelu skutečných a vyrovnaných hodnot návštěvnosti vytvořený pomocí umělých proměnných znázorňuje obrázek č. 3.


Obr. 3 nými

27

Graf skutečných a vyrovnaných hodnot (kempy) - model s umělými proměn-

Hodnoty parametrů pro proporcionální sezónnost, modelované taktéţ pomocí regresní analýzy s přidáním umělých proměnných uvádí tabulka níţe: Tab. 5 Odhad parametrů (kempy) - proporcionální sezónnost

Parametr const t T1 T2 T3

Koeficient 284375,000 -7620,720 -578,466 4154,050 21141,100

Jako u konstantní sezónnosti i zde z modelu vypadla jedna umělá proměnná z důvodu závislosti na časové proměnné. Mezi statisticky významné proměnné je zařazena pouze proměnná T3. Hodnota adjustovaného koeficientu determinace činí 0,640779. Model je tedy vykreslen na 64 % a jeho rovnice vypadá následovně:


28

(23) V tomto modelu se na časové proměnné stala závislou proměnná čtvrtého čtvrtletí, takţe je moţné konstatovat, ţe návštěvnost v prvním čtvrtletí je v průměru o 8199 (tj. – 578,466 – 7620,72) návštěvníků niţší neţ ve čtvrtém čtvrtletí. Naopak ve druhém a třetím čtvrtletí jsou kempy vytíţenější vţdy oproti trendovému průměru, tj. za předpokladu podmínek pro čtvrté čtvrtletí. Při srovnání proporcionální a konstantní sezónnosti byla za rozhodující kritérium pro volbu sezónnosti povaţována hodnota adjustovaného koeficientu determinace. Hodnota tohoto koeficientu je jednoznačně vyšší u modelu s konstantní sezónností, proto byl pro vykreslení časové řady návštěvnosti kempů zvolen právě tento model. Model s konstantní sezónností také splňuje všechny klasické předpoklady lineárně regresního modelu. Pro vyjádření moţného budoucího vývoje návštěvnosti kempů byla na časové řadě vytvořena analýza v programu Gretl pomocí funkce předpovědi. Predikce byla provedena pro následující rok 2013 a byla modelována na 95% hladině významnosti. Pro srovnání jsou ve výsledcích uvedeny i skutečné hodnoty návštěvnosti posledních dvou let. Předpokládané budoucí hodnoty návštěvnosti kempů upřesňuje následující tabulka: Tab. 6 Předpovídaná návštěvnost kempů v roce 2013

Rok

Čtvrtletí Skutečné hodnoty Predikce 95% interval Q1 3 273 Q2 142 455 2011 Q3 625 408 Q4 8 082 Q1 4 379 Q2 144 912 2012 Q3 671 405 Q4 6 913 Q1 -36931 (-194445, 120583) Q2 133972 (-23542, 291486) 2013 Q3 753569 (596055, 911083) Q4 -30974 (-188488, 126540) Predikované hodnoty dosahují v prvním a čtvrtém čtvrtletí roku 2013 záporných hodnot, coţ je způsobeno klesajícím trendem modelu. Analýza předpovědí, která se tímto trendem řídí, předpokládá, ţe pracuje s hodnotami, které by v záporných hodnotách měly věcný význam, jako


29

například finanční ztráta v Kč nebo teplotní stupně v C. V tomto případě je nutné povaţovat záporné hodnoty za minimální, dá se říci nulové, coţ je v tomto případě logické, jelikoţ kempy mají v zimní sezóně zavřeno. Co se týče letní sezóny, je podle analýzy předpokládáno, ţe dojde k navýšení návštěvnosti. V součtu obou letních čtvrtletí by mělo dojít k navýšení o přibliţně 70 000 návštěvníků. Grafické znázornění předpovídaných hodnot je přiloţeno v příloze č. 1. Závěrem je tedy moţné říci, ţe dlouhodobá návštěvnost kempů alokovaných na území České republiky je relativně stálá. Mírně klesající trend můţe být způsoben tím, ţe někteří návštěvníci, kteří dříve vyuţívali sluţeb kempů, své prostředky na rekreaci raději přesouvají do ubytovacích zařízení vyšší kvality a zároveň i ceny, jelikoţ si chtějí dopřát většího komfortu. S přihlédnutím na analýzu předpovědi je ale pravděpodobné, ţe by mohlo dojít ke zvýšení návštěvnosti tohoto ubytovacího zařízení.

3.3 Penziony Návštěvnost penzionů byla modelována taktéţ na čtvrtletních datech v období od roku 2000 do konce roku 2012. Trendová funkce byla vybrána pomocí metody nejmenších čtverců v programu Gretl, kdy se jako nejvhodnější nabízel trend lineární o hodnotách parametrů a rovnici: Tab. 7 Odhad parametrů (penziony) – lineární trend

Parametr const t

Koeficient 414268,00 -3153,75

(24) Kvalita vyrovnání modelu byla měřena pomocí kritérií výstiţnosti M. E., M.A.E., M.S.E. a R.M.S.E. K výběru sezónnosti se nabízeli tři typy a to triviální, proporcionální a konstantní sezónnost. Tabulka č.8 naznačuje výsledky charakteristik:


30

Tab. 8 Volba sezónnosti penzionů - interpolační kritéria

M.E. M.A.E. M.S.E. R.M.S.E.

triviální proporcionální -7,49 -1,30 27805,39 27793,94 1140861638,67 1117285044,74 33776,64 33425,81

konstantní 0,00 25891,26 945526454,39 30749,41

Při tomto měření bylo ţádoucí dosáhnout co nejniţších hodnot těchto kritérií. Z tabulky je patrné, ţe u průměrného rezidua (M.E.) dosahuje nejniţší hodnoty triviální sezónnost, avšak u ostatních charakteristik se s nejmenšími čísly setkáme u sezónnosti konstantní, proto je zvolena pro popis modelu právě tato sezónnost. Znamená to tedy, ţe sezónní výkyvy v návštěvnosti penzionů jsou v průběhu let přibliţně stále stejné. Pomocí regresního přístupu byl vytvořen model s umělými proměnnými pro konstantní sezónnost a výsledkem byly následující hodnoty parametrů: Tab. 9 Odhad parametrů (penziony) - umělé proměnné


Koeficient 351420,00 -3153,94 26468,70 72599,40 152345,00

Model návštěvnosti penzionů má tedy rovnici ve tvaru:

(25) Statisticky velmi významnými parametry jsou v tomto modelu proměnné D2 a D3, významnou je i proměnná D1. Hodnota adjustovaného koeficientu modelu činí 0,842890. Model je tedy odhadnut na přibliţně 84 %. Tato hodnota je povaţována za vysokou, i kdyţ by bylo moţné model vymodelovat lépe. Model splnil všechny klasické předpoklady kromě výskytu autokorelace, jejímţ odstraněním se bude zabývat jedna z následujících kapitol. Graf se skutečnými a vyrovnanými hodnotami je součástí obrázku č. 4.


31

Obr. 4 Graf skutečných a vyrovnaných hodnot (penziony) – model s umělými proměnnými

Pro predikci budoucího vývoje časové řady byla opět pouţita analýza předpovědi v programu Gretl. Časová řada byla odhadována na rok 2013 a pro přehlednost byly přiloţeny skutečné hodnoty dvou předchozích let. Výsledky analýzy jsou zřejmé z následující tabulky: Tab. 10 Předpovídaná návštěvnost penzionů v roce 2013

Rok

Čtvrtletí Skutečné hodnoty Predikce 95% interval Q1 231 380 Q2 259 221 2011 Q3 367 544 Q4 181 389 Q1 238 686 Q2 268 256 2012 Q3 376 012 Q4 190 051 Q1 210730 (141128, 280331) Q2 253707 (184105, 323308) 2013 Q3 330299 (260697, 399900) Q4 174799 (105198, 244401) Předpovídané hodnoty pro návštěvnost penzionů nejsou nikterak příznivé. Predikční analýza na rok 2013 i nadále předpokládá pokles návštěv-


32

nosti, a to v celkovém součtu o více neţ 100 000 návštěvníků ve srovnání s rokem 2012. Grafické znázornění této předpovědi je přiloţeno v příloze č. 2. Časová řada návštěvnosti penzionů má jednoznačně klesající trend, takţe se penziony v ČR potýkají se stále menší návštěvností. Tato skutečnost můţe být způsobena rovněţ větší „pohodlností“ návštěvníků, jejichţ část své pobyty přesouvá do zařízení vyššího komfortu. Z uvedeného vyplývá, ţe pokud si lidé mohou dopřát větší komfort na dovolených či jiných cestách, roste tak kupní síla obyvatelstva. V klesající návštěvnosti penzionů se pravděpodobně výrazně projevila i hospodářská krize, protoţe krize nejvíce postihla střední a niţší příjmovou skupinu obyvatel. Tato skutečnost je patrná v grafu návštěvnosti jako výrazný propad trendu v polovině roku 2008.

3.4 Hotely Dalším podkladem k analýze byla časová řada návštěvnosti hotelů. Tato řada se liší od ostatních časových řad především ve směru trendové funkce. Oproti předchozím ubytovacím zařízením obliba ubytování v hotelech stoupá, a proto je trendová funkce vzrůstajícího charakteru. Časová řada hotelové návštěvnosti vypadá následovně:

Obr. 5

Graf návštěvnosti hotelů v ČR

Vzhledem k tomu, ţe data návštěvnosti hotelů jsou podobného rázu jako ta předchozí (tj. obsahují trend a sezónnost), byl rovnou vytvořen


33

pomocí regresní analýzy model s umělými proměnnými v programu Gretl. Hodnoty parametrů a rovnice modelu jsou zde: Tab. 11 Odhad parametrů (hotely) – umělé proměnné


Koeficient 90793,80 3145,73 -43311,20 12392,80 28705,50

(26) Podle adjustovaného koeficientu determinace, jehoţ hodnota je rovna 0,907833, se model stal důvěryhodným na necelých 91 %, coţ je moţné povaţovat za vysokou hodnotu. Graf skutečných a vyrovnaných hodnot této časové řady je přiloţen v příloze č. 3. Pro vyjádření moţného budoucího vývoje návštěvnosti hotelů byla na časové řadě vytvořena analýza v programu Gretl pomocí funkce předpovědi. Predikce byla provedena pro následující rok 2013 a byla modelována na 95% hladině významnosti. Její výsledky vykresluje následující graf:


Obr. 6

34

Graf predikovaných hodnot (hotely)

Budoucí hodnoty se tedy budou pohybovat v rozmezí 95% intervalu, který je v grafu vykreslen zeleně. Pro návštěvnost hotelů je tedy moţno předpokládat, ţe bude mít stále rostoucí tendenci, i kdyţ je moţné, ţe výkyvy mezi jednotlivými ročními obdobími budou stále větší. Pro konkrétnější představu je přiloţena tabulka s předpokládanými hodnotami v příloze č. 4. Při pohledu na časovou řadu návštěvnosti hotelů je moţné konstatovat, ţe odvětví hoteliérství je na vzestupu. Lidé si neváhají připlatit za luxusnější pobyty, neţ na které byli zvyklí. I z hlediska předpovědi budoucích hodnot se na 95 % dá předpokládat, ţe hotely v ČR budou vítat stále více návštěvníků. Při testování správnosti bylo zjištěno, ţe v modelu byl splněn předpoklad konstantního rozptylu (homoskedasticita), ale byl porušen předpoklad autokorelace. I pro tento typ ubytovacího zařízení je patrný propad způsobený krizí v roce 2008. Předpoklad autokorelace by mohlo splnit přidání strukturálního zlomu pro rok 2008 do modelu.

3.5 Modely se zlomem Hospodářská krize v roce 2008 ovlivnila návštěvnosti jednotlivých ubytovacích zařízení. Proto se nabízela moţnost do modelů přidat další


35

umělou proměnnou, která by popisovala právě tento zlom návštěvnosti způsobený hospodářskou krizí. Tato umělá proměnná popisující propad návštěvnosti v roce 2008 byla přidána do modelů penzionů a hotelů, jelikoţ nesplňovaly předpoklad autokorelace. Penziony a hotely s přidáním propadu v roce 2008 V modelu časové řady penzionů byla ponechána lineární trendová funkce a byla do ní pouze přidána umělá proměnná. Po přidání zlomové proměnné se v modelu výrazně zlepšil adjustovaný koeficient determinace, a to z původních 84 % na 92 %. V modelu byly splněny všechny předpoklady lineárně regresního modelu kromě předpokladu autokorelace. Tento předpoklad se podařilo splnit pouze pro případ, kdyby se pracovalo na jednoprocentní hladině významnosti. V této práci je modelováno na pětiprocentní hladině významnosti, a proto se tedy nepodařilo autokorelaci odstranit. Graf nového modelu je přiloţen níţe:

Obr. 7

Graf skutečných a vyrovnaných hodnot (penziony) – model s přidáním zlomu

Jako nejvhodnější funkce pro modelování návštěvnosti hotelů se jevila trendová parabola se zlomem v prvním čtvrtletí roku 2008. Adjustovaný koeficient determinace se po přidání proměnné zlomu zvýšil z necelých 91 % na necelých 93 %. Tento model splňoval všechny předpoklady lineárně regresního modelu. Nový model znázorňuje následující graf:


Obr. 8

Graf skutečných a vyrovnaných hodnot (hotely) – model s přidáním zlomu

36

Diskuze

37

4 Diskuze Po provedené celkové analýze je na místě zaměřit se na detaily jednotlivých časových řad ubytovacích zařízení. Při pohledu na jednotlivé časové řady je moţné si povšimnout několika výkyvů návštěvnosti způsobených různými příčinami. V časové řadě kempů se jedná například o výrazný pokles návštěvnosti v létě roku 2002. Tato skutečnost byla pravděpodobně zapříčiněna povodněmi v srpnu 2002, které zasáhly celou republiku. Tyto povodně dosahovaly takového rozsahu, ţe jejich kulminace byla například v Praze o přibliţně 800 m3.s-1 větší, neţ doposud největší změřená povodeň, která byla ovšem způsobena táním sněhu. Největší „sráţková“ povodeň, při které byl pobořen Karlův most, byla v roce 1890 a měla kulminaci přibliţně o 1300 m3.s-1 niţší neţ srpen 2002. Povodně proto měly obrovský vliv na návštěvnost kempů. Kempy konkrétně navštívilo přibliţně o 360 000 návštěvníků méně neţ předchozí rok. Dalším výrazným výkyvem v návštěvnosti byl rok 2004, kdy kempy navštívilo o necelých 200 000 lidí více. Jednalo se naopak o počasí mimořádně teplé uţ začátkem jara. Tehdy se v praţském Klementinu přepsal teplotní rekord, kdyţ teploty 18. března přesahovaly 21°C. O ubytování v kempech jeví největší zájem mladí lidé, kteří se spokojí s niţším komfortem ubytování. Zároveň si také většina mladých lidí, např. studentů nebo mladých rodin, nemůţe dovolit luxusnější dovolenou s ohledem na jejich finanční situace. Obecně mírně klesající trend této návštěvnosti by proto mohl být zapříčiněn skutečností, ţe v České republice, tak jako i v jiných vyspělých ekonomikách, dochází ke stárnutí obyvatelstva, takţe u nás ţije relativně vyšší počet obyvatel v důchodovém věku. Starší lidé s ohledem na své moţné zdravotní problémy o kempy příliš zájem nejeví. Dalo by se tedy tvrdit, ţe zájem o kempy ze strany mladších návštěvníků je stále stejný, jen se jejich počet postupně sniţuje. Hlavním faktorem ovlivňujícím návštěvnost kempů je beze sporu roční období. V zimních měsících jsou kempy zavřené, takţe se nedá předpokládat ani jakákoliv návštěvnost. Co se týče teplejších měsíců, v těch záleţí na charakteru počasí. V deštivém nebo chladném počasí se návštěvnost kempů zvyšovat také nebude. Pouze pokud uţ lidé tráví dovolenou v kempech a v jejím průběhu je zastihne nepříznivé počasí, mohli by majitelé organizovat různé společenské programy v provizorních přístřešcích. Tím by mohli zabránit předčasnému odjezdu návštěvníků z důvodu špatného počasí. Rodiny s dětmi se jeví jako nejvhodnější cílová skupina pro zvýšení návštěvnosti kempů. Pokud by se v kempech pořádaly různé akce pro děti, hry, soutěţe, kempy by nabízely dostatečné mnoţství dětských atrakcí v podobě hřišť nebo vodních

Diskuze

38

skluzavek, jistě by se staly pro mladé rodiny ještě zajímavějšími. Kempy by také mohly zajišťovat hlídání dětí, které by bylo realizováno přímo v areálu kempu nebo ve formě výletů pro děti. Jelikoţ jsou kempy většinou situovány v blízkosti vodních toků, zajímavá by mohla být také nabídka zapůjčení lodí pro rodiny s dětmi za zvýhodněnou cenu. Při pohledu na stav návštěvnosti penzionů v České republice se nesetkáme s příliš optimistickými vyhlídkami. Časová řada penzionů má jiţ přesvědčivější klesající trend, neţ tomu bylo u návštěvnosti kempů. K největším poklesům návštěvnosti docházelo v období let 2007-2009, kdy kaţdý rok penziony ztratily v průměru okolo 200 000 návštěvníků. K poklesu návštěvnosti docházelo pravděpodobně proto, jelikoţ byla v části těchto let ekonomika na vzestupu, takţe si lidé mohli dovolit komfortnější dovolenou, jejíţ součástí byly pravděpodobně i luxusnější ubytovací prostředky. Při studii časových řad hotelů však bylo zjištěno, ţe návštěvnost rostla pouze u čtyřhvězdičkových a pětihvězdičkových hotelů. Tříhvězdičkové hotely vykazují konstantní trend. Je tedy pravděpodobné, ţe penziony jsou nahrazovány právě těmi nejkomfortnějšími ubytovacími prostředky. Co se tedy týče kvality penzionů, podle dat Českého statistického úřadu by mohly být srovnatelné právě s tříhvězdičkovými hotely. Další příčinou poklesu byl také náhlý pád ekonomiky do hospodářské krize, kdy si lidé z úsporných důvodů dovolenou raději odepřeli. Při pohledu na časovou řadu penzionů ale také zjistíme, ţe v posledních dvou letech dochází k mírnému nárůstu návštěvnosti o v průměru 60 000 návštěvníků ročně. To můţe být spojeno se současnou ekonomickou recesí, kdy lidé neinvestují takové finanční prostředky do dovolených, jako při ekonomické expanzi. Doporučení pro zvýšení návštěvnosti penzionů je spjato s délkou pobytu návštěvníků a poskytovanou stravou. Některé penziony nabízí zajištění stravy, jiné ne. Návštěvnosti by mohlo prospět, kdyby penziony začaly vytvářet takové akce, při kterých by návštěvníkům, kteří by měli zájem o delší pobyt, byla poskytnuta například polopenze zdarma. Pro ty penziony, které nemají stravu v nabídce a ani nemají podmínky pro její zajišťování, by mohly uspět akce typu „5+1 noc zdarma“, nebo při rezervaci delšího pobytu neúčtovat pobyt dítěte. Bylo by ţádoucí vytvořit si z nových návštěvníků návštěvníky stálé, čemuţ by mohly napomoci slevové poukázky na další pobyty. V případě návštěvnosti hotelů se stále setkáváme s nárůstem počtu návštěvníků. V časové řadě se vyskytují pouze dva výraznější poklesy návštěvnosti. Jeden z nich se vyskytuje v roce 2002 a zřejmě ho vysvětlují jiţ zmíněné celorepublikové povodně. Další z poklesů návštěvnosti se objevuje v roce 2009, který pravděpodobně způsobila celosvětová hospodářská krize. Od roku 2009 se také setkáváme s daleko výraznější

Diskuze

39

sezónností návštěvnosti hotelů. Sezónnost je výraznější hlavně v zimním období a je tedy moţné, ţe je způsobena rozsáhlejším odlivem návštěvníků do zahraničních destinací za lyţováním, alpinismem či za běţkováním. Není sporu o tom, ţe například lyţování v zahraničí je nesrovnatelné s tím českým. Ať uţ se jedná o rakouské, italské nebo francouzské Alpy, co se týče tamních lyţařských středisek, jsou nesrovnatelně rozsáhlejší a kvalitnější neţ kupříkladu české Krkonoše. Současná ekonomická situace se nachází ve fázi poklesu, ale návštěvnost našich nejluxusnějších zařízení se stále zvyšuje. Mohl by to tedy být znak toho, ţe se do našich destinací přesouvá více návštěvníků z okolních vyspělejších států, jelikoţ je pro ně dovolená u nás méně nákladná. S ohledem na vysokou sezónnost by proto bylo pro české hotely výhodnější v období nízké návštěvnosti provádět různé potřebné opravy, ale i rozsáhlejší rekonstrukce, které by ve vytíţeném letním provozu příliš omezovaly hosty. Při rekonstrukcích by mohly být dané části hotelů pro návštěvníky uzavřené, coţ by zároveň nesniţovalo komfort pobytu v částech otevřených. Co se týče zvyšování návštěvnosti hotelů, bylo by vhodné se aktivně zapojit do inzerce akčních nabídek na internetových slevových portálech, kde si zákazník zakoupí voucher na ubytování, na základě kterého si zarezervuje termín pobytu a následně voucher v hotelu předloţí. Jedním z marketingových tahů je například tvorba vyšších cen, neţ které jsou v hotelu běţné a následné poskytnutí závratné slevy. Další moţností jak zvýšit návštěvnost, je přidat k pobytu v hotelu různé slevové poukázky na návštěvu okolních atrakcí jako jsou aquaparky, pivovary, památky, wellness centra, lázně a jiné.

Závěr

40

5 Závěr V současnosti představuje cestovní ruch významnou součást národních ekonomik, ale obecně i ţivota obyvatelstva. Dříve byl cestovní ruch řazen do oblasti luxusních potřeb člověka, s postupem času se však stává nezbytnou součástí spokojeného ţivota. Rozvoj cestovního ruchu je také spjat s vyšší vzdělaností obyvatelstva, která pomáhá překonávat jazykové bariéry a zároveň tak motivuje lidstvo k bliţšímu poznání přírody a jiných kultur a k touze proţít nové záţitky. K úspěšnému rozvoji cestovního ruchu přispívá také narůstající fond volného času, který by měl být v ideálním případě následován růstem přiměřených disponibilních důchodů. S realizací cestovního ruchu úzce souvisí doprava, stravování, ubytování a tvorba nových pracovních příleţitostí. Negativní stránkou domácího cestovního ruchu je odliv turistů do zahraničních destinací. Zahraniční cesty s sebou v minulosti přinášely několikanásobné náklady neţ tuzemská dovolená. S postupem času se však i tyto cesty stávají pro obyvatelstvo čím dál dostupnějšími a zároveň tak ohroţují trh domácího cestovního ruchu. Cílem této práce byla analýza návštěvnosti jednotlivých ubytovacích zařízení v České republice. Teoretická část byla zaměřena na přiblíţení pojmu časové řady, sezónnosti, trendové funkce a ověření její vhodnosti a konstrukci předpovědí. Následně byly v praktické části práce tyto poznatky aplikovány na datech. Zpracovávaná data poskytl Český statistický úřad na svých webových stránkách. Jednalo se o čtvrtletní data návštěvností všech ubytovacích zařízení, ze kterých byly pro účely této práce vybrány časové řady návštěvnosti kempů, penzionů a hotelů v letech 2000-2012. Na datech byla provedena regresní analýza, vyrovnána sezónnost, která se vyskytovala u všech zkoumaných časových řad, byly určeny významné parametry kaţdého modelu. Také byla provedena predikce hodnot pro rok 2013. Byly zjišťovány příčiny jednotlivých časových řad a prodiskutována současná situace i moţnosti jejich dalšího vývoje. Dále byla navrţena doporučení pro moţnosti zvýšení návštěvnosti jednotlivých ubytovacích zařízení. U časové řady kempů byl v průběhu let zjištěn mírný pokles návštěvnosti, který byl odůvodněn relativním poklesem počtu mladých lidí na našem území, kteří patří mezi nejčastější návštěvníky kempů. Pokles mohl být zapříčiněn také odlivem návštěvníků do ubytovacích kategorií vyšší kvality. Časová řada obsahovala dvě extrémní hodnoty návštěvnosti, jejichţ příčinou byly změny počasí. Charakter počasí, zároveň s koloběhem ročních období, byly určeny jako nejpodstatnější faktory

Závěr

41

ovlivňující návštěvnost kempů. Pro zvýšení návštěvnosti bylo doporučeno zaměřit se pomocí doplňkových sluţeb na segment mladých rodin s dětmi tak, aby se pro ně ubytování v kempech stávalo čím dál atraktivnější. Penziony se v minulých letech potýkaly se značnými propady návštěvnosti. Příčinou byl pravděpodobně přesun návštěvníků do komfortnějších ubytovacích zařízení nebo hospodářská krize. V posledních letech však dochází k jistému zlepšení návštěvnosti, coţ moţná způsobuje stále se prohlubující ekonomická recese, kdy lidé přesouvají své dovolené do levnějších zařízení. Pro zvýšení návštěvnosti bylo doporučeno přesvědčit návštěvníky k delšímu pobytu pomocí akčních balíčků, které by zvýhodňovaly cenu celkového pobytu nebo poskytovaly zdarma nebo se slevou zajištění stravy. Dále by si mohly penziony pomocí slevových poukázek na další pobyty zajistit stálé návštěvníky. Hotely vykazují v horizontu posledních dvanácti let stále se zvyšující návštěvnost. Časová řada vykazuje dvě hodnoty poklesu návštěvnosti a to v létě roku 2002, kdy byla republika postiţena povodněmi obrovských rozměrů a v roce 2009, coţ je moţné povaţovat za následek hospodářské krize. V období po roce 2009 je v časové řadě patrná vyšší sezónnost, která byla vysvětlena odlivem návštěvníků v zimním období do zahraničních destinací. Z toho důvodu bylo hotelům doporučeno provádět v tomto pro hotely méně vytíţeném období opravy či rekonstrukce, které by za jiných okolností omezovaly běţný provoz. Pro zvýšení návštěvnosti by bylo pro hotely vhodné zapojit se do inzerce na internetových portálech či k pobytu v hotelech přidávat slevové poukázky na okolní atrakce jako například aquaparky či lázně.

Literatura

42

6 Literatura ADAMEC, Václav, Luboš STŘELEC a David HAMPEL. Ekonometrie I: učební text. Vyd. 1. Brno: Mendelova univerzita v Brně, 2013, 162 s. ISBN 978-80-7375-703-8. CIPRA, Tomáš. Finanční ekonometrie. 1. vyd. Ekopress: Praha, 2008, 538 s. ISBN 978-80-86929-43-9. Český statistický úřad http://www.czso.cz/

[online].

[cit.

2013-05-19].

Dostupné

z:

HAMPEL, David, Veronika BLAŠKOVÁ a Luboš STŘELEC. Ekonometrie 2. 1. vyd. V Brně: Mendelova univerzita, 2011, 147 s. ISBN 978-807375-540-9. HINDLS, Richard. Metody statistické analýzy pro ekonomy. 2. přepracované vyd. Praha: Management Press, 2000, 259 s. ISBN 80-7261013-9. HINDLS, Richard. Statistika pro ekonomy. 2. vyd. Praha: Professional Publishing, 2002, 415 s. ISBN 80-864-1930-4. HORNER, Susan. Cestovní ruch, ubytování a stravování, využití volného času: [aplikovaný marketing služeb]. Praha: Grada, c2003, 486 s. ISBN 80-247-0202-9. HUŠEK, Roman. Ekonometrická analýza. Vyd. 1. Praha: Oeconomica, 2007, 367 s. ISBN 978-80-245-1300-3. Kempy v ČR a SR. [online]. http://www.camp.cz/cs/

[cit.

2013-05-22].

Dostupné

z:

MINAŘÍK, Bohumil. Statistika I. 3., přeprac. vyd. V Brně: Mendelova zemědělská a lesnická univerzita, 2008. ISBN 978-807-3751-524. Nejtepleji bylo v roce 2004. [online]. [cit. 2013-05-22]. Dostupné z: http://www.meteopress.cz/nejtepleji-bylo-v-roce-2004/ RYGLOVÁ, Kateřina. Cestovní ruch: soubor studijních materiálů. Vyd. 3. rozš. Ostrava: Key Publishing, 2009, 187 s. Management (Key Publishing). ISBN 978-807-4180-286. Vyhodnocení katastrofální povodně v srpnu 2002. [online]. [cit. 2013-0522]. Dostupné z: http://voda.chmi.cz/pov02/3etapa/Nepoz_profily/zprava.pdf Vztah místních obyvatel k návštěvníkům: Proč domácí cestovní ruch? [online]. [cit. 2013-05-19]. Dostupné z: http://www.czechtourism.cz/3vztah-mistnich-obyvatel-k-navstevnikum/

Přílohy

43

Přílohy


A Doplňující materiály Příloha 1. Graf predikovaných hodnot (kempy)

Příloha 2. Graf predikovaných hodnot (penziony)

44


45

Příloha 3. Graf skutečných a vyrovnaných hodnot (hotely)

Příloha 4. Tabulka srovnání skutečných a predikovaných hodnot (hotely) Rok

Čtvrtletí Skutečné hodnoty Predikce 95% interval Q1 154 818 Q2 270 562 2011 Q3 288 300 Q4 252 949 Q1 187 242 Q2 286 600 2012 Q3 309 766 Q4 267 637 Q1 214207 (176077, 252336) Q2 273056 (234927, 311186) 2013 Q3 292515 (254385, 330644) Q4 266955 (228825, 305084)

Analýza návštěvnosti ubytovacích zařízení v ČR

Recommend Documents