Analýza počtu zahraničních návštěvníků. České republiky. Bakalářská práce

Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta Ústav statistiky a operačního výzkumu

Analýza počtu zahraničních návštěvníků České republiky Bakalářská práce

Vedoucí práce: Ing. Kristina Somerlíková

Lucie Opletalová

Brno 2007

Prohlašuji, že jsem tuto práci vypracovala samostatně s použitím literatury, kterou uvádím v seznamu.

Ve Křtinách dne 29.12.2006

Lucie Opletalová …………………..

Chtěla bych poděkovat Ing. Kristině Somerlíkové, Phd., mé vedoucí bakalářské práce, za čas, který mi věnovala a za poskytnuté cenné rady a informace, které

jsem

uplatnila

při

zpracování

své

bakalářské

práce.

Abstrakt Opletalová, L. Analýza počtu zahraničních návštěvníku České republiky, Bakalářská práce. Brno 2007.

Bakalářská práce je zaměřena na celkové počty zahraničních turistů v hromadných ubytovacích zařízeních na území České republiky. Pozornost je věnována zdrojovým zemím příjezdového cestovního ruchu, využití kapacit ubytovacích zařízení dle jednotlivých regionů a okrajově je také popsána návštěvnost jednotlivých krajů. Zmíněn je zde také vliv rozvoje cestovního ruchu na zaměstnanost a další navazující odvětví České republiky.

Abstrakt Opletalova, L. Analysis of the number of foreign attendances, bachelors work. Brno 2007.

Bachelors work is fixated to the general numbers of foregin sightseers in a collective accomodations. The focus is pay to source countries of the arrival travel movement, utilization of capacities of accomodations according to particular regions and marginaly is written the visit rate of particulas territories. In my work I describe the effect of arrival travel developtment to employment rate and other link sectors of Czech Republic.

Obsah 1.

Úvod a cíl práce

1

2.

Literární přehled

3

2.1. Celkové počty turistů v hromadných ubytovacích zařízeních

3

2.2. Zahraniční turisté v krajích České republiky

4

2.3. Sezonalita

5

2.4. Kapacity ubytovacích zařízení

5

2.5. Využití kapacit lůžek podle regionů

6

2.6. Ubytovaní zahraniční turisté podle země původu

7

2.7. Zdrojové příjezdové země cestovního ruchu v roce 2005

9

3.

Metodika práce a teorie časových řad

15

3.1. Definice a druhy časových řad

15

3.1.1

Druhy časových řad

3.1.2. Srovnatelnost údajů v časové řadě 3.1.3

Specifika časových řad

18 18

3.2. Elementární charakteristiky vývoje časových řad

19

3.3. Modelování časových řad

21

3.4. Trendová funkce

23

3.4.1.

Metody odhadů parametrů trendových funkcí

3.4.2. Typy trendů 3.5.Volba modelu trendu 3.5.1. Adaptivní přístupy k modelu časové řady 3.6.Měření sezónnosti 3.6.1. Triviální model sezónnosti

4.

16

23 24 26 27 29 30

Vlastní práce

31

4.1. Určení typu časových řad

33

4.2. Elementární charakteristiky časové řady

34

4.3. Modelování časových řad

35

4.4. Vyrovnání pomocí klouzavých průměrů

37

4.5. Měření sezónnosti

38

5.

Závěr

42

6.

Seznam literatury

44

7.

Seznam tabulek a obrázků

45

8.

Seznam grafických příloh

46

1 Úvod a cíl práce

Úvod a cíl práce Cestovní ruch je jedním z nejvýznamnějších odvětví národního hospodářství České republiky. Svým charakterem pomáhá překonat regionální disproporce, a tak posiluje ekonomickou i sociální soudržnost, což je rovněž jeden z hlavních principů fungování Evropské unie. Multiplikační efekt doprovázející rozvoj cestovního ruchu je jedním z atributů, proč je cestovní ruch považován za odvětví budoucnosti, a to i v České republice. Bývá také označován za odvětví, ve kterém vzniká nejvíce pracovních příležitostí. Kromě zaměstnanosti ovlivňuje podstatným způsobem další významné oblasti: podílí se na tvorbě hrubého domácího produktu, pozitivně ovlivňuje platební bilanci státu, tvoří příjmy státního rozpočtu, má vliv na příjmy místních rozpočtů a jeho rozvoj podporuje investiční aktivity. Ačkoliv téměř 80 % území republiky může být zajímavé pro cizince, zůstává hlavním turistickým centrem Praha, která soustřeďuje téměř 70 % zahraničních návštěvníků. Trendy domácí návštěvnosti mají podobný charakter jako zahraniční návštěvnost, tj. koncentrace do turisticky nejatraktivnějších míst a oblastí, s větším důrazem "služebního a obchodního" cestovního ruchu ve městech. Z hlediska ubytovaných návštěvníků převládá letní sezóna (62 % v r. 2005). Každý region České republiky má přírodní a kulturně historické předpoklady k rozvoji určitých druhů cestovního ruchu. Tento potenciál však není v celkovém pohledu dostatečně využíván. Rozdíly mezi kraji z hlediska cestovního ruchu vyplývají jednak z daných podmínek (přírodní prostředí, kulturní a historické dědictví), jednak z vytvářených podmínek (organizace a úroveň zařízení). Pro cestovní ruch v České republice je významný a zatím málo využitý velký počet památkových, resp. historicky hodnotných objektů (celkem je v ČR 38 000 registrovaných nemovitých památek), které nejsou ve většině případů využívány a jsou zanedbané nebo opuštěné.

1

1 Úvod a cíl práce

Pouze 134 památek má statut národní kulturní památky a jako takové mají větší naději na získání potřebných prostředků na údržbu a obnovu. ČR má šanci uplatnit se na trhu cestovního ruchu nabídkou nových produktů jako např. městského a kongresového cestovního ruchu, sportovní turistiky a cykloturistiky, kulturního cestovního ruchu a širokého souboru produktů, které jsou šetrné k přírodě. V ČR se otevírá prostor pro venkovskou turistiku s jejími produkty (např. agroturistika, ekoagroturistika, ekoturistika apod.). Nabízí se možnost dalšího kvalitativního rozvoje tradičního lázeňství, které je významnou součástí turistické nabídky ČR. Cílem teoretické části je přiblížit vývoj počtu zahraničních návštěvníků České republiky, jak z obecného hlediska, tak z hlediska přímého dopadu na jednotlivé kraje. Bude zde také zmíněna analýza zdrojových zemí příjezdového cestovního ruchu. Druhá část práce je zaměřena na metodiku zpracování a teorii časových řad. Pozornost je především zaměřena na trendovou a časovou složku jednorozměrného modelu časové řady, a také na vývoj elementárních charakteristik této řady. Pro zpracování praktické části jsou použita data Českého statistického úřadu. Je zde ukázáno zatížení odvětví cestovního ruchu sezónními vlivy. Data počtu zahraničních návštěvníků jsou zpracována z pohledu analýzy trendové a sezónní složky se zaměřením na vyrovnání časové řady a výpočet sezónních indexů.

2

2 Literární přehled

2 Literární přehled 2.1 Celkové počty zahraničních turistů[1] v hromadných ubytovacích zařízeních Počet zahraničních turistů, kteří strávili alespoň jednu noc v hromadném ubytovacím zařízení, od roku 1992 každoročně narůstal až do roku 1999, v roce 2000 došlo podle údajů ČSÚ k významnému poklesu - v mezinárodním srovnávání o 16,8 %, a to navzdory tomu, že se konalo několik významných akcí, o nichž se předpokládalo, že přispějí ke zvýšení návštěvnosti ( Praha – evropské město kultury či výroční zasedání Mezinárodního měnového fondu a Světové banky apod.) Začátek roku 2002 byl výrazně ovlivněn teroristickými útoky na New York z 11. září 2001. V mezinárodním cestovním ruchu panovala v prvních měsících roku 2002 stále obava z cestování. Toto napětí se postupně uvolňovalo a lidé začali opět více cestovat. Ve druhé polovině měsíce srpna byla Česká republika ochromena povodněmi, které zasáhly především Čechy. Konec roku 2002 byl zasažen přípravou na válečný konflikt v Iráku a lidé omezovali cesty do vzdálenějších destinací. V roce 2002 přicestovalo do České republiky o 8,7 % méně zahraničních turistů než v roce 2001. V roce 2003 se mezinárodní cestovní ruch potýkal s dalšími těžkostmi. Třemi hlavními negativními faktory byly válečný konflikt v Iráku, nemoc SARS a přetrvávající slabá ekonomika. Všechny se projevily paralelně ve stejnou dobu. Irácký konflikt a vysoký stupeň nejistoty utlumil cestovní ruch v prvním čtvrtletí roku 2003 na celém světě.

zahraniční turista – osoba, která alespoň 1x nocovala na území České republiky jednodenní návštěvník – osoba, která se na území České republiky zdržela 1 den bez přenocování v hromadném ubytovacím zařízení zahraniční návštěvníci – zahraniční turisté a zahraniční jednodenní návštěvníci zahraniční hosté v ubytovacích zařízeních – turisté

3


Rok 2005 byl z hlediska příjezdového cestovního ruchu České republiky rokem rekordním, a to v celé historii, kdy Český statistický úřad sleduje počty zahraničních turistů v hromadných ubytovacích zařízeních. V roce 2005 přijelo do republiky 6 336 128 zahraničních turistů, kteří využili právě služeb hromadných ubytovacích zařízení. Tento stav tak představuje nárůst o 4,5 % oproti předchozímu roku 2004. Rovněž v počtu přenocování zahraničních turistů v hromadných ubytovacích zařízeních České republiky bylo v roce 2005 dosaženo rekordních hodnot. Zahraniční turisté zde strávili celkem 19 595 035 nocí. Turisté

zvyšují

frekvenci dovolených v průběhu roku a současně tak zkracují délku svých pobytů v dané destinaci. Průměrná doba pobytu turistů v České republice ve dnech zůstává v roce 2005 4,1 dne, tj. na stejné průměrné hodnotě jako v roce 2004. (http:/www.CzechTourism.cz)

2.2 Zahraniční turisté v krajích České republiky Ve sledovaném období od roku 2002 do 2. čtvrtletí roku 2006 si v návštěvnosti první pozici zachovala Praha, jež si v průběhu let velmi spolehlivě upevňuje svoje postavení ve vztahu ke zbývajícím krajům republiky. Podle údajů Českého statistického úřadu přenocovalo v Praze v roce 2005 3 725 180 zahraničních turistů. To představuje 58,8 % ze všech zahraničních turistů, kteří v tomto roce zavítali do České republiky. Oproti roku 2004 se v pražských ubytovacích zařízeních ubytovalo o 7,3 % více zahraničních turistů. Průměrná doba pobytu v Praze se v roce 2005 pohybovala okolo 3,8 dní. Přestože nejvíce zahraničních turistů pochází z Německa, v Praze jim patří druhé místo. První místo v návštěvnosti Prahy zaujali turisté z Velké Británie a třetí pozici obsadili turisté z Itálie. Druhým nejnavštěvovanějším krajem v České republice se v roce 2005 stal kraj Karlovarský. Navštívilo jej 405 969 zahraničních turistů, to představuje růst oproti roku 2004 o 4,9 %. V tomto kraji je zaznamenána nejdelší doba pobytu, která v loňském roce činila 7,5 dne. Nejvíce turistů, kteří navštívili Karlovarský kraj, tvoří turisté z Německa, na druhém místě se umístili návštěvníci z Ruska, kteří v kraji tráví rekordních 13,1 dne. A třetí pozici obsadili turisté z Nizozemí.

4


Třetím nejnavštěvovanějším krajem je kraj Jihomoravský, který v roce 2005 navštívilo 367 439 zahraničních turistů. Jejich průměrná doba pobytu byla 2,9 dne. Na prvních místech v návštěvnosti se umístili Polsko, Německo a Slovensko. Čtvrté místo patří návštěvníkům z Velké Británie, jejichž počet oproti roku 2004 vzrostl v tomto kraji o 27 %, což může být důsledkem přímého spojení Brna a Londýna nízkonákladovou leteckou společností. Na druhou stranu nejméně navštěvovanými kraji jsou Pardubický kraj, Vysočina a Zlínský kraj. V těchto krajích je zaznamenána stagnace nebo pokles počtu turistů. (http:/www.trasovnik.cz)

2.3 Sezonalita Příjezdy turistů nevykazují příliš výrazné sezónní rozdíly. Mezi měsíce s nejmenším počtem turistů patří leden, únor a listopad (každý průměrně 5 %) a také prosinec (kolem 6 %). Naopak nejvíce turistů přijíždí v průběhu července a zejména srpna. Rok 2002 měl specifický průběh. Povodně, které zasáhly Českou republiku v polovině srpna roku 2002, se promítly i v počtu turistů. Další roky potvrzují jen skutečnost, že nejvíce zahraničních turistů k nám jezdí v letních měsících, v období prázdninových měsíců. Současný trend vyšší frekvence krátkých cest zahraničních turistů do České republiky v podobě prodloužených víkendů či nejrůznějších svátků, postupně vyrovnává výraznější výkyvy sezonality v průběhu roku.

2.4 Kapacity ubytovacích zařízení Dostatečný počet ubytovacích zařízení v odpovídající kvalitě a geografickém rozmístění je jednou ze základních podmínek rozvoje cestovního ruchu. Vývoj kapacity UZ prošel za sledované období poměrně bouřlivým rozvojem. V roce 2002 změnil Český statistický úřad metodiku zjišťování počtu UZ a proti předchozím rokům přestal evidovat individuální UZ.

5


Pokud porovnáváme pouze hromadná UZ, tak v roce 2002 bylo zaznamenáno nejvíce UZ (9 098), to znamená o 30 % více než v roce 2001. Výrazně se zvýšil počet pěti hvězdičkových hotelů z 10 v roce 2001, na 17 v roce 2002 a počet čtyř hvězdičkových hotelů vzrostl o 22 %. V roce 2005 došlo k mírnému poklesu kapacity hromadných ubytovacích zařízení v České republice ve srovnání s rokem 2004. Tento pokles není nijak dramatický a navíc potvrzuje fakt, že se kvalita ubytovací infrastruktury v České republice neustále zlepšuje. K mírnému poklesu v počtu ubytovacích zařízení došlo v roce 2005 v kategoriích ostatní hotely a pensiony, chatové osady a turistické ubytovny a ostatní hromadná ubytovací zařízení jinde nespecifikovaná. K nárůstu

počtu

ubytovacích

zařízení

došlo

naopak

v kategorii

pěti

hvězdičkových hotelů, čtyř hvězdičkových hotelů a kempů. Skutečností ovšem zůstává, že 26 pěti hvězdičkových hotelů a 89 čtyř hvězdičkových hotelů je situováno v Praze. Praha tak představuje vysoký nadstandard v kvalitě ubytovacích služeb České republiky ve srovnání se zbývajícími kraji. V roce 2005 představovala lůžková kapacita v hromadných ubytovacích zařízeních České republiky 435 993 lůžek. Nová lůžková kapacita tak má vyšší standart služeb a je schopna uspokojit vyšší nároky zahraničních turistů. Díky této skutečnosti se bude v průměru rovněž zvyšovat průměrná cena za ubytování v hromadných ubytovacích zařízeních v České republice.

2.5 Využití kapacit lůžek podle regionů Karlovarský kraj byl na prvním místě v pořadí jednotlivých krajů podle čistého využití lůžek u hotelů a podobných ubytovacích zařízení v roce 2002, v roce 2003 se na první místo dostává Praha a tato skutečnost se potvrzuje i v následujících letech. Praha zaznamenala v roce 2005 53,4 % čistého využití lůžek.

6


Naopak Karlovarský kraj v tomto ohledu v jednotlivých letech postupně ztrácel právě ve prospěch Prahy, ale i přesto je jeho čisté využití lůžek nad hodnotou republikového průměru, čímž se právě kromě Prahy nemůže pochlubit žádný jiný kraj. Tabulka návštěvnosti krajů je uvedena v příloze č. 5. Pro zajímavost může být účelné relativní srovnání vývoje ubytovacích kapacit v Praze a dalších evropských městech. Vysoký počet pokojů v hlavním městě je velmi dobře kompenzován dobře rozvinutou turistickou infrastrukturou a relativně nižšími cenami. Vysoký počet pokojů je tak v Praze efektivně vyvážen zvýšenou obsazeností. Přesto se i do budoucna počítá s další výstavbou a zvýšeným počtem čtyř a pěti hvězdičkových hotelů zejména v samotném centru.

2.6 Ubytovaní zahraniční turisté podle země původu Rok 2005 byl z hlediska příjezdového cestovního ruchu České republiky rokem rekordním a to v celé historii, kdy jsou počty zahraničních turistů v hromadných ubytovacích zařízeních sledovány. V roce 2005 přijelo do České republiky 6 336 128 zahraničních turistů, kteří využili právě služeb ubytovacích zařízení. Tento stav tak představuje nárůst o 4,5 % oproti předchozímu roku 2004. Rovněž v počtu přenocování zahraničních turistů v hromadných ubytovacích zařízeních České republiky bylo v roce 2005 dosaženo rekordních hodnot. Zahraniční turisté zde strávili celkem 19 595 035 nocí, průměrná doba pobytu se jen nepatrně zkrátila, což odpovídá aktuálním trendům, které v poslední době sledujeme v odvětví cestovního ruchu.

7


Tab.č. 1 Zahraniční turisté v hromadných ubytovacích zařízeních na území ČR Země

Pořadí

Počet turistů

Procentní podíl

Průměrná doba pobytu

Německo

1.

1 606 947

25,40%

4,7

Velká Británie

2.

657 110

10,40%

3,7

Itálie

3.

405 079

6,40%

3,9

USA

4.

303 641

4,80%

4

Nizozemsko

5.

295 856

4,70%

4,7

Polsko

6.

261 576

4,10%

3,1

Slovensko

7.

260 212

4,10%

3,9

Francie

8.

257 683

4,10%

3,6

Španělsko

9.

224 327

3,50%

4,2

Rusko

10.

185 705

2,90%

6,6

Rakousko

11.

184 235

2,90%

3,1

Japonsko

12.

153 980

2,40%

3,1

Dánsko

13.

117 738

1,90%

3,3

Maďarsko

14.

108 957

1,70%

4,1

Norsko

15.

86 360

1,40%

3,4

1 226 722

19,40%

4

Ostatní

Čtyř a půl procentní růst příjezdového cestovního ruchu České republiky v roce 2005 představuje určitou konsolidaci růstového tempa ve srovnání s 19,4% růstem v roce 2004. Tento vývoj shodně kopíruje růstový trend v mezinárodním cestovním ruchu. Odložená poptávka po cestování z minulých let postupně ztrácí na síle a projevuje se tak významný potenciál cestovního ruchu jako hnací síly ekonomiky a odvětví, které je schopno se velmi pružně vyrovnat s takovými jevy, jako jsou teroristické útoky, virové epidemie, nárůst cen ropy či politická nestabilita. (http:/strukturalnifondy.cz) Více než jednu čtvrtinu zahraničních turistů, kteří navštívili naši republiku a kteří se ubytovali v hromadných ubytovacích zařízeních, tvoří němečtí turisté. Celkem jich přijelo do České republiky 1 606 947, což představuje nárůst o 2,04 % oproti roku 2004. Na druhém místě se umístili turisté z Velké Británie a na třetím místě se umístili Italové.

8


Velmi potěšující je nárůst návštěvnosti polských turistů, kterých přijelo v roce 2005 o 3,0 % více než v roce 2004. Oblast pobaltských republik a Skandinávie jsou teritoria, ze kterých přijelo v roce 2005 do republiky výrazně více zahraničních turistů než v roce 2004. Významným nárůstem v roce 2005 je návštěvnost japonských turistů, ten činí 26 %. Japonští turisté mají relativně nejvyšší výdaje při svých zahraničních cestách ve srovnání s turisty jiných zemí. Podobné návyky mají i čínští turisté, kterých do republiky přijelo v roce 2005 17 806.

2.7 Zdrojové země příjezdového cestovního ruchu v ČR v roce 2005 Německo SRN zaznamenává v poslední době relativně uspokojivý hospodářský vývoj. Původní odhady spolkové vlády týkající se růstu HDP byly mezi 1,5 % - 2 % pro rok 2004

a pro rok 2005 to bylo 2,25 %. Německá ekonomika je zejména

podporována exportní výkonností, zatímco soukromá spotřeba čelí tlaku pesimistických očekávání budoucího vývoje ekonomiky. V současnosti se však zdá, že pesimistická spotřebitelská očekávání pozvolna ustupují. Z hlediska jednotlivých krajů České republiky přijíždí nejvíce turistů, jak již bylo několikrát uvedeno, do Prahy (34,1 %). Významným faktorem návštěvnosti je geografická blízkost příhraničních oblastí, takže na druhém místě figuruje Karlovarský kraj a na třetím místě kraj Královehradecký.

9

2 Literární přehled Obr. 1: Návštěvnost německých turistů na území ČR

2 000 000 1 800 000 1 600 000 1 400 000 1 200 000 1 000 000 800 000 600 000 400 000 200 000 0 1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

Velká Británie Vývoj příjezdů britských turistů do České republiky představuje v posledních několika letech jeden z nejvýznamnějších faktorů vývoje cestovního ruchu. Rozvoj nízkonákladových leteckých přepravců, kteří využívají pro své potřeby zejména regionální letiště, kde dosahují nízkých provozních nákladů, což je jeden z principů udržitelnosti low cost travel systému, se stal skutečně nutnou podmínkou i příčinou rekordních nárůstů britských turistů přijíždějících do České republiky. Jejich primárním cílem se stala Praha, kam přijíždí přibližně 91, 3% britských turistů. Britští turisté vyjíždějí zejména na tzv. short breaks (krátkodobé pobyty), k nimž neodmyslitelně patří i tzv. stag parties. Tyto cesty mladých Britů za sportem a návštěvou určitých typů zařízení ovšem nepřinášejí evropským metropolím potřebnou kvalitu infrastruktury cestovního ruchu. Protože se Praha a další středoevropské destinace dostávají do skupiny destinací vyšší cenové kategorie, dochází k pozvolnému přesunu těchto britských stag parties na východ.

10


Obr. 2: Návštěvnost britských turistů na území ČR 700 000 600 000 500 000 400 000 300 000 200 000 100 000 0 1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

Itálie Italové cestují převážně ve dvojicích či skupinách bez dětí. S rodinou a dětmi cestuje přibližně 14 – 17 % Italů a stejný podíl cestuje s většími dětmi mezi 7 – 14 rokem. Individuálně cestuje jen kolem 8 % italských turistů. Naprostá většina italských turistů se ubytovává v hromadných ubytovacích zařízeních, individuální ubytování, např. u příbuzných, využívá jen asi 3 % turistů. Přibližně 86 % turistů z Itálie směřuje do Prahy. Ostatní kraje republiky zůstávají v pozadí, případně jsou navštěvovány pouze v rámci jednodenních výletů se zpětným návratem do Prahy. Dále Italové navštěvují Jihomoravský kraj, ale pouze jen 4,3 % turistů. Z hlediska dlouhodobého vývoje se očekává nárůst výdajů na dovolené, zejména na krátkodobé dovolené.

11


Obr. 3: Návštěvnost italských turistů na území ČR 450 000 400 000 350 000 300 000 250 000 200 000 150 000 100 000 50 000 0 1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

USA V týdnech a měsících po 11. září 2001 prošel výjezdový cestovní ruch USA jedním z nejtěžších období za posledních 20 let. K nejhůře postiženým oblastem patřily letecké společnosti, zejména Američan a United Airlines. Cestovní ruch ovšem patří mezi odvětví, která dokáží velmi pružně reagovat na konkrétní negativní faktory, jakými jsou například hrozba teroristických útoků. V roce 2003 tak byl například kompenzován pokles příjezdů amerických turistů do České republiky ve srovnání s rokem 2001 a zřetelným poklesem v roce 2002. Mezi nejžádanější produkty patří městské pobyty, hlavně v Praze a výlety do atraktivních míst kolem Prahy. Právě do hlavního města směřuje 80 % amerických turistů. Vzhledem k tomu, že situace na trhu práce v USA umožnila řadě zaměstnavatelů snížit i tak skromné fondy dovolených, rostoucí počet Američanů místo jedné velké zámořské dovolené volí dva prodloužené víkendy, z čehož vyplývá právě popularita městských pobytů.

Mírně stoupá poptávka po českých

lázních. Delší pobyty si může dovolit spíše jen turista – senior, což je nezanedbatelná zdrojová skupina. Při krátkých pobytech si americký turista snaží koncentrovat maximum zážitků do minimálního časového prostoru.

12


Obr. 4: Návštěvnost amerických turistů na území ČR 350 000 300 000 250 000 200 000 150 000 100 000 50 000 0 1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

Rusko Česká republika je na seznamu nejoblíbenějších destinací ruských turistů pro dovolenou jedinou zemí, která nemá moře. Dovolená v České republice znamená především pobyt v hlavním městě a Karlových Varech. Karlovy Vary zůstávají na ruském trhu lázeňských pobytů prestižní destinací a ruští turisté velice často upřednostňují pobyt v Karlových Varech před levnějšími lázněmi na území republiky. Do Prahy přijíždí asi 66,1 % ruských turistů, kteří přijedou do České republiky a kteří se ubytují v hromadných ubytovacích zařízeních. Na druhém místě vystupuje Karlovarský kraj (18,7 %), třetí místo obsadil Královehradecký kraj (4,9 %) a místo čtvrté Jihomoravský kraj (2,6 %). V průměru zůstávají ruští turisté 6,3 dne, ovšem přímo v Karlovarském kraji to je 12,3 dne. Lázeňský cestovní ruch je možné realizovat v průběhu celého roku, čímž dochází k prolomení sezónních disproporcí v příjezdech turistů do České republiky. Tento fakt platí zejména pro příjezdy ruských turistů. Lázeňský cestovní ruch podporuje zejména rozvoj regionální infrastruktury, kdy v případě ruských turistů jsou využívána například regionální letiště v blízkosti lázeňských destinací pro zajištění většího pohodlí návštěvníků. (http:/www.CzechTourism.cz)

13


Obr. 5: Návštěvnost ruských turistů na území ČR

300 000 250 000 200 000 150 000 100 000 50 000 0 1995

1996

1997

1998

1999

14

2000

2001

2002

2003

2004

2005

3 Metodika práce a teorie časových řad

3 Metodika práce a teorie časových řad 3.1 Definice a druhy časových řad Časovou řadou budeme rozumět posloupnost věcně a prostorově srovnatelných pozorování (dat), která jsou jednoznačně uspořádána z hlediska času ve směru minulost – přítomnost. Analýzou, a podle potřeby i prognózou, časových řad se pak rozumí soubor metod, které slouží k popisu těchto řad a popřípadě k předvídání jejich budoucího chování. S chronologicky uspořádanými daty se pravidelně setkáváme v nejrůznějších oblastech života. Běžně a již po dlouhou dobu s nimi pracuje fyzika, biologie, seismologie, za zcela přirozené považujeme informace o vývoji meteorologických ukazatelů a s určitým napětím sledujeme záznam svého EKG, protože ani ten není ničím jiným než časovou řadou. Stále většího významu však nabývá i práce s časovými řadami v ekonomii, ať už jde o makroekonomické ukazatele (vývoj agregátů tvorby a užití hrubého domácího produktu, inflace, nezaměstnanosti apod.) nebo o některé dílčí údaje (vývoj kurzů cizích měn, peněžní zásoby, ceny akcií na kapitálovém trhu, průmyslové nebo stavební produkce apod.) (Hindls a kol, 2002) Časové řady ekonomických ukazatelů mají ovšem některé specifické rysy, které je do určité míry odlišují od časových řad třeba v přírodních procesech (meteorologie)

nebo

v technických

v elektrotechnice).(Hindls a kol, 2000)

15

aplikacích

(různé

signály


Snaha pomocí zjednodušujících charakteristik porozumět minulosti toho, co nás obklopuje, a vyvodit z ní případně to, co nás možná čeká, vedla v posledních letech k rozvoji metod analýzy a prognózy ekonomických časový řad. Tyto metody tak v současné době představují poměrně širokou nabídku rozmanitých nástrojů a technik. Svým způsobem revoluční se před čtvrt stoletím stala Boxova-Jenkinsova metodologie. Třebaže většina metod rozhodně nepatří mezi numericky nejjednodušší, rozvoj výpočetní techniky spolu s dostupností statistického softwaru umožnil překonat mnohá úskalí co do rychlosti i co do přesnosti kvantifikace a především poskytl příležitost k „sériovému“ ověřování těchto metod v praxi.

3.1.1 Druhy časových řad Časové řady ekonomických ukazatelů se obvykle určitým způsobem člení. Nejde tu ale o pouhé definiční vymezení druhů časových řad, ale především o vyjádření rozdílnosti v obsahu sledovaných ukazatelů, jež je mnohdy provázeno i specifickými statistickými vlastnostmi. V důsledku toho je pak nutné volit diferencovaně i prostředky analýzy sloužící k porozumění mechanismu, kterým je vývoj sledovaného jevu utvářen. Základní druhy časových řad ekonomických ukazatelů se rozlišují: a)

Podle rozhodného časového hlediska na časové řady intervalové (tj. časové

řady intervalových ukazatelů) a na časové řady okamžikové (tj. časové řady okamžikových ukazatelů). b)

Podle periodicity, s jakou jsou údaje v řadách sledovány, na časové řady roční

(často nazývané dlouhodobé) a na časové řady krátkodobé, kde jsou údaje zaznamenávány ve čtvrtletních, měsíčních, týdenní aj. periodách. Ekonomické časové řady měsíční patří mezi nejsledovanější vůbec. c)

Podle druhu sledovaných ukazatelů na časové řady primárních (prvotních)

ukazatelů a na časové řady sekundárních (odvozených) charakteristik.

16


d) Podle způsobu vyjádření údajů na časové řady naturálních ukazatelů (hodnoty ukazatele jsou vyjádřeny v naturálních jednotkách) a na časové řady peněžních ukazatelů. Intervalovou časovou řadou se rozumí řada intervalového ukazatele, tj. ukazatele, jehož velikost závisí na délce intervalu, za který je sledován. Pro ukazatele tohoto typu je možné tvořit součty. Ukazatele se musí vztahovat ke stejně dlouhým intervalům, protože by jinak šlo o srovnání zkreslené.

Okamžiková časová řada je sestavována z ukazatelů, které se vztahují k určitému okamžiku. Protože prostý součet za několik za sebou jdoucích hodnot okamžikových ukazatelů nedává reálný smysl, shrnují se řady tohoto typu pomocí speciálního průměru: – prostý chronologický průměr (délka mezi jednotlivými časovými okamžiky je ste stejná) y1 + y 2 y 2 + y3 y + yk + + .. + k −1 2 2 2 y= k −1

[3.1] y1, y2, …,yk – okamžikové ukazatele. (Hingls, 2002) -

vážený chronologický průměr (okamžiky zjišťování jsou různě vzdálené)

y + y3 y + yk y1 + y 2 w1 + 2 w2 + .. + k −1 wk −1 2 2 2 y= w1 + w2 + .. + wk −1

[3.2] w2, w3, w4,…, wn - vzdálenosti mezi jednotlivými okamžiky zjišťování ( Minařík, 2004)

17


3.1.2 Srovnatelnost údajů v časové řadě Věcná srovnatelnost - stejně nazývané ukazatele, tvořící údaje časové řady, nemusí být vždy stejně obsahově vymezeny. Mění-li se během času obsahové vymezení ukazatele, jsou údaje časové řady nesrovnatelné a pro další úvahy prakticky bezcenné. K věcné nesrovnatelnosti dochází také tehdy, pokud se časem mění způsob zjišťování ve vykazujících jednotkách.

Prostorová srovnatelnost – možnost používat údaje v časových řadách vztahující se ke stejným geografickým územím.

Časová srovnatelnost – je problémem zejména u intervalových ukazatelů časových řad, tj. u ukazatelů, jejichž velikost závisí na délce intervalu.(Hindls, 2000)

3.1.3 Specifika časových řad •

Zastarávání údajů – ekonomických časových řad má mnoho příčin technicko

technologického i ekonomického rázu. Srovnatelnost velké části ekonomických veličin je podmíněna rovněž cenovými změnami. Tuto srovnatelnost zajišťují tzv. stálé nebo srovnatelné ceny.

•

Problém kalendářních variací – je vyvolán skutečností, že určitý, více méně

pravidelný rytmus ekonomických dějů úzce souvisí s výstavbou kalendáře.

•

Volba hustoty okamžiků zjišťování – je problematická, neboť v mnoha

případech jde o subjektivní záležitost. Příliš vysoká hustota okamžiků zjišťování vede ke zbytečně rozsáhlým datům, jejíž vypovídací hodnota není úměrná vynaloženému úsilí.

•

Závislost časově blízkých hodnot – je obvykle daleko intenzivnější než u

hodnot blízkých prostorově. Efekt závislosti časově blízkých hodnot se nazývá autokorelace, resp. autoregrese a je pro statistickou analýzu vývoje velmi typický. (Minařík, 2004)

18


3.2 Elementární charakteristiky vývoje časových řad Pro představu o charakteru jevu, který časová řada popisuje, patří vizuální analýza chování ukazatele pomocí grafů a elementárních charakteristik vývoje. K elementárním charakteristikám řadíme diference různého řádu,

tempa a průměrná tempa růstu, průměry hodnot časové řady. • 1. diference Pro časovou řadu délky n lze určit n-1 rozměrných absolutních přírůstků (diferencí)

d t = y t − y t −1 [3.3] pro t = 2,3,…,n s nulovou, kladnou nebo zápornou hodnotou.

• 2. diference Proces výpočtů diferencí lze vztáhnout i na časovou řadu absolutních přírůstků a výsledkem je řada n-2 druhých diferencí

∆ t = ∆ t − ∆ t −1 [3.4] pro t = 3, 4, …,n.

• koeficient růstu

kt =

yt y t −1 [3.5]

pro t = 2,3,…,n.

• průměrný absolutní přírůstek ∆=

1 n 1 dt = ( y t − y1 ) ∑ n − 1 i=2 n −1

[3.6]

19


• tempo růstu k = k t * 100[%] [3.7]

• tempo přírůstku δ = δ t *100[%] [3.8] • průměrný koeficient růstu

k t = n −1

yn y1 [3.9]

• průměrné tempo růstu

k = k t *100 [3.10] • koeficient přírůstku

δt =

yt −1 y t −1 [3.11]

• průměrný koeficient přírůstku

δ t = k −1 [3.12] • průměrné tempo přírůstku

δ = 100δ t

[3.13]

20


3.3 Modelování časových řad Podle Hindlse je tradičním výchozím principem modelování časových řad pomocí

jednorozměrného modelu: yt =

∫ (t , ε ) t

[3.14] yt = hodnota modelovaného ukazatele v čase t, t = 1,2,…,n,

ε = hodnota náhodné složky v čase t. K výše zmíněnému typu modelu existují tři přístupy: a) Klasický model – jedná se pouze o popis forem pohybu, ne o poznání věcných příčin dynamiky časové řady. Tento model vychází z dekompozice řady na

čtyři složky -

trend (Tt)

- sezónní složku (St) - cyklickou složku (Ct) - náhodnou složku (εt) Hindls ve své publikaci dále uvádí dva typy rozkladu •

aditivní

yt = Tt + St + Ct + εt

•

[3.15]

multiplikativní

yt = Tt St Ct εt

[3.16]

V praxi obvykle vystačíme s typem aditivním, navíc multiplikativní tvar lze na aditivní převést logaritmickou transformací.

Trendem rozumíme hlavní tendenci dlouhodobého vývoje hodnot analyzovaného ukazatele v čase. Trend může být rostoucí (např. údaje o počtu dovezených automobilů po roce 1990 do ČR), klesající (podíl konečné spotřeby vládních institucí na HDP České republiky), nebo mohou hodnoty ukazatele dané časové řady ve sledovaném období kolísat, pak se jedná o časovou řadu bez trendu. (Seger, Hindls, 1993)

21


Sezónní složka je pravidelně se opakující odchylka od trendové složky, vyskytující se u časových řad údajů s periodicitou kratší než jeden rok. Příčiny sezónního kolísání mohou být různé. Dochází k nim vlivem změn jednotlivých ročních období, vlivem délky měsíčního či pracujícího cyklu nebo též vlivem různých společenských zvyklostí. (Seger, Hindls, 1993)

Cyklickou složkou rozumíme kolísání okolo trendu v důsledku dlouhodobého cyklického vývoje s délkou vlny delší než jeden rok. Statistika chápe cyklus jako dlouhodobé kolísání s neznámou periodou, která může mít i jiné příčiny než klasický ekonomický cyklus. Můžeme zmínit např. cykly inovační, demografické. ( Seger, Hindls, 1993).

Náhodná složka je taková veličina, kterou nelze popsat žádnou funkcí času. Je to složka, která zbývá po vyloučení trendu, cyklické a sezónní složky. V ideálním případě lze počítat s tím, že jejím zdrojem jsou drobné a v jednotlivostech nepostižitelné příčiny, které jsou vzájemně nezávislé. (Hindls, 2002)

b) Boxova-Jenkinsova - metodologie považuje náhodnou složku za základní prvek konstrukce modelu časové řady, jež může být tvořena náhodnými veličinami. Jádro pozornosti tedy nespočívá v konstrukci systematické složky, jako je tomu u klasického modelu, kde se v zásadě předpokládá, že jednotlivá pozorování jsou vzájemně nekorelovaná, nýbrž těžiště postupu se klade na korelační analýzu více či méně závislých pozorování, uspořádaných do tvaru časové řady. Při aplikaci této metody je zapotřebí disponovat delší časovou řadou, alespoň 40-50 pozorování. (Hindls, 2002)

c) Spektrální analýza - kdy časovou řadu považujeme za směs sinusovek a kosinusovek o rozličných amplitudách a frekvencích. Tato koncepce pak umožní provést explicitní popis periodického chování časové řady a zjistit ty významné složky periodicity, které se podílejí na věcných vlastnostech zkoumaného procesu. Není zde proto stěžejním faktorem časová proměnná, ale právě faktor frekvenční. (Hindls, 2002) 22


Vedle jednorozměrného modelu Hindls uvádí i model vícerozměrný založený na předpokladu, že vývoj analyzovaného ukazatele není ovlivňován pouze časovým faktorem, ale i řadou jiných ukazatelů. Ukazatele, kterými se snažíme vývoj analyzovaného ukazatele vysvětlit, nazýváme příčinné nebo faktorové.

3.4 Trendové funkce Podle Hindlse, tradičním způsobem popisu trendu časové řady je její vyrovnání, často nazývané vyhlazení, matematickou funkcí. Získáme tak souhrnnou informaci o charakteru hlavní tendence vývoje analyzovaného ukazatele v čase a navíc lze modelovat i další vývoj trendu v budoucnu, ovšem za předpokladu, že se jeho charakter nezmění.

3.4.1 Metody odhadů parametrů trendových funkcí Nejběžnějším nástrojem je metoda nejmenších čtverců. Lze ji použít u trendové funkce lineární v parametrech. Přímo touto metodou je možné získat odhady parametrů lineární a kvadratické funkce. U jednoduchého exponenciálního trendu je tato metoda použitelná až po provedení linearizující transformace (tato transformace spočívá v převedení původního hlediska parametrů nelineárního modelu trendu vhodnou transformací na funkci lineární z hlediska parametrů.) Pokud se jedná o modifikovanou exponenciální funkci, logistiku a Gompertzovu křivku, jedná se o modely, které jsou nelineární v parametrech, u těchto modelů nelze použít metodu nejmenších čtverců. Jako další metody odhadů parametrů trendových funkcí si uveďme metodu apriorní informace, metodu vybraných bodů, metodu částečných součtů. Metodu vnitřní regrese a závěrem metodu postupného zlepšování řešení.

23


3.4.2 Typy trendů •

lineární trend

Lineární trend je nejčastěji používaným typem trendové funkce a lze jej použít vždy, chceme-li určit základní směr vývoje analyzované časové řady, a také může sloužit jako vhodná aproximace jiných trendových funkcí v určitém omezeném časovém intervalu. Tvar lineárního trendu: Tt = β0 + β1t

[3.17]

Kde β0, β1 jsou neznámé parametry a t = 1,2,…n je časová proměnná. Vzhledem k tomu, že funkce je lineární v parametrech, použijeme k odhadu metodu nejmenších čtverců, tím budeme řešit dvě normální rovnice n

∑

t =1 n

∑

t =1

y

t

= nb

y tt = b 0

0

+ b1 n

∑

t =1

n

∑

t,

t =1

t + b1

n

∑

t

2

,

t =1

[3.18]

Jejich řešením docházíme k závěru, k odhadům parametrů b0 a b1 ve tvaru

b0 = b1 =

∑y

t

n ∑ yt * t t2 [3.19]

24


parabolický trend parabolický trend lze zapsat ve tvaru Tt = β0 + β1t1 + β2t 2 ,

[3.20] Kde β0,β1,β2 jsou neznámé parametry a t = 1,2,…,n je časová proměnná. Parabolický trend je opět trendová funkce lineární v parametrech, můžeme k odhadu použít metodu nejmenších čtverců.

•

exponenciální trend Tt = β

0

β

t 1

,

[3.21] Kde β0,β1 jsou neznámé parametry a t = 1,2,…,n je časová proměnná. •

modifikovaný exponenciální trend

Modifikovaný exponenciální trend lze zapsat ve tvaru

T t = ξ + β 0 β 1t , β 1 > 0 , [3.22] Kde β0,β1,ξ jsou neznámé parametry a t = 1,2,…,n je časová proměnná. •

logistický trend

Logistický trend lze například zapsat ve tvaru Tt =

ξ 1 + β 0 e − β 11 t

[3.23]

25


•

Gompertzova křivka

Gompertzovu křivku lze zapsat ve tvaru

T t = ξβ 0β 1

t

[3.24]

3.5 Volba modelu trendu Při výpočtech nastává otázka, jaký trend zvolit. Rozhodnutí o výběru trendu závisí na několika kritériích, které si zde uvedeme:

věcně ekonomická kritéria V některých případech lze u údajů v časové řadě posoudit, zda jde o funkci

klesající či rostoucí, bereme-li do úvahy existenci inflexního bodu, zda jde o funkci rostoucí nade všechny meze nebo s růstem ke konečné limitě. Toto kritérium je považováno za prioritní, ale pomůže nám poodhalit jen základní tendence ve vývoji analyzovaného ukazatele.

vizuální analýza grafů Nebezpečí volby modelu trendu na základě tohoto kritéria spočívá v jeho

subjektivitě. Různí uživatelé mohou na základě grafického rozboru téže časové řady dojít k různým závěrům volby modelu trendu.

statistická kritéria Z hlediska účelu modelování časových řad bývají tato kritéria dělena na

interpolační a extrapolační. Je tedy nutné přihlédnout k tomu, zda je hlavním účelem modelování trendu pouze popis minulého vývoje ukazatele (interpolace) nebo předpověď dalšího vývoje (extrapolace).

Interpolační kritéria - bývají založena na porovnání součtu (průměru) čtverců odchylek empirických a teoretických hodnot. Lze je označit za míru přilnavosti modelu ke skutečnosti. Jiným používaným kritériem je index korelace.

26

3

Metodika práce a teorie časových řad

Charakteristiky ovšem pocházejí z oblasti regresní analýzy a neexistuje čistá analogie mezi časovou řadou a regresní analýzou. Tento nesoulad s sebou přináší i nevýhody. I přes výhrady můžeme konstatovat, že charakteristiky korelačního typu jsou nejpoužívanější k volbě modelu časové řady. Nabídka statistického softwaru nabízí tyto „míry úspěšnosti“: M.E. (střední chyby odhadu), M.S.E. ( střední čtvercová chyba odhadu), M.A.E. (střední absolutní chyba odhadu), M.A.P.E. (střední absolutní procentní chyba odhadu), M.P.E. (střední procentní chyba odhadu).

Extrapolační kritéria - způsob použití je zde založen na simulaci. Ta je založena na tom, že z analyzované řady oddělíme určitou část pozorování a na vhodnost trendové funkce usuzujeme podle toho, jak dobře dokážeme extrapolovat tato pozorování. Avšak z rozsáhlých srovnávacích studií plyne, že asi jenom 50 – 60 % modelů kvalitních při popisu minulosti je dobře použitelných také při předpovědi.

3.5.1 Adaptivní přístupy k modelu časové řady Dosud jsem se zabývali tím, jak popsat minulé chování časové řady a snažili jsme se porozumět těm tendencím, které toto chování předurčovaly. Všechny tyto postupy vycházely z předpokladu, že v průběhu sledované doby se parametry modelu nemění. Proto často také hovoříme o modelech s neměnnými parametry. (Hindls 2000). Adaptivní techniky, nazývané modely s měnlivými parametry, naproti tomu konstruují složky časové řady pomocí takových charakteristik, které mění v průběhu doby své hodnoty. Nepředpokládají stabilitu analytického tvaru a ani strukturálních parametrů v čase. Vyrovnání řady bude realizováno v podstatně kratší době než je

časový interval odpovídající řadě všech pozorování. Tím se nabízí možnost postupně zahrnovat nová pozorování, tedy adaptovat nově se vyskytující údaje. Adaptivní modely připisují nejmenší váhu nejstarším údajům a největší váhu nejnovějším údajům.

27


Adaptivní vyrovnání zahrnuje dvě koncepce a to exponenciální vyrovnání a vyrovnání pomocí klouzavých průměrů. Podstata vyrovnání pomocí klouzavých průměrů spočívá v tom, že posloupnost původních empirických pozorování nahradíme řadou průměrů vypočítaných přímo z těchto pozorování. Název klouzavý průměr je odvozen od toho, že při postupném výpočtu průměrů postupujeme („kloužeme“) vždy o jedno pozorování kupředu, přičemž zároveň poslední pozorování ze skupiny, z níž je průměr počítán, vypouštíme. (Hindls 2000). Při výpočtu je důležité stanovit si počet pozorování, ze kterých budeme jednotlivé průměry počítat. Tento počet pozorování budeme nazývat klouzavou částí a budeme ji značit m=(2p+1) pro m
časových bodů. Způsobů zkonstruování průměrů uvnitř klouzavé části je více, podle toho existují klouzavé průměry prosté, vážené a centrované.

Prostý klouzavý průměr – předpokládejme nejprve, že na klouzavých částech o rozsahu m=2p+1, p=1,2,…,n, je definován lineární trend. Rozdělíme-li nyní vyrovnanou časovou řadu na jednotlivé klouzavé části, budeme muset pro každou z nich zavést novou časovou proměnnou. Používáme-li v celé časové řadě proměnnou t=1,2,…,n, můžeme střední body jednotlivých klouzavých částí identifikovat ve formě t = p+1, p+2,…, n-p. Definujeme novou časovou proměnnou jako posloupnost i =-(p-j), j=0,1,…,2p.

Tt ,i = a 0t + a1it , t = p + 1, p + 2,..., n − p. [3.25] Principem způsobu vyrovnání je nahradit příslušnou klouzavou část časové

řady jediným číslem, a to průměrem. Stačí tedy při řešení zjistit pouze parametr a0t ( představuje odhad trendové funkce příslušející střednímu bodu příslušné klouzavé

části).

28

3 Metodika řešení a teorie časových řad

Řešení a 0t = y t =

y t − p + y t − p +1 + ... + y t + p 1 p . y t ,i = ∑ m i =− p m [3.26]

Vážený klouzavý průměr – výpočet spočívá ve vážení průměru symetrickými vahami.

Centrované klouzavé průměry - V případě, kdy rozsah klouzavé části je sudé číslo, střední body klouzavých částí již celá čísla nejsou a nelze tedy přiřadit přímo hodnoty klouzavých průměrů k empirickým pozorováním dané časové řady. V této situaci přiřadíme první vypočítaný klouzavý průměr střednímu bodu t, který není celočíselný. Podobně vypočítáme další klouzavý průměr a přiřadíme jej střednímu bodu t+1, který opět není celočíselný. Celočíselný, a tudíž interpretovatelný je však bod t+1/2, jenž leží mezi oběma předchozími body. Z toho vyplývá, že hodnotu klouzavého průměru odpovídající tomuto celočíselnému bodu můžeme dostat jako aritmetický průměr dvou sousedních prostých klouzavých průměrů.

3.6 Měření sezónnosti Jak je již uvedeno dříve, periodickou složkou časové řady lze klasifikovat na

řadu krátkodobou, sezónní a cyklickou. Sezónní vlivy jsou přímo či nepřímo svázány se střídáním ročních období a sezónní složku lze identifikovat v mnoha ekonomických časových řadách (výroba a spotřeba energie, poptávka po potravinách). Ze statistického hlediska lze sezónnost modelovat následovně:

proporcionální sezónnost – velikost kolísání zde souvisí s trendem. Amplituda sezónního výkyvu se systematicky zvyšuje u řad s rostoucím trendem a snižuje u řad s trendem klesajícím. Pouze u stacionárních časových

řad je amplituda sezónního výkyvu konstantní. Sezónní výkyv a trendová složka se skládají násobením a charakteristikou sezónnosti je sezónní index.

29

3 Metodika a řešení a teorie časových řad

konstantní sezónnost – amplituda se nemění v závislosti na směru trendové složky a chová se stejně jako proporcionální sezónnost. Charakteristikou je sezónní konstanta, která se skládá sčítáním. (Minařík 2004)

V obou případech pokládáme sezónní složku za deterministickou a neměnnou v celém časovém úseku. U časových řad se sezónní složkou je třeba zavést dvakrát indexovanou hodnotu znaku yij , kde index i je index periody (roku), i=1,2,..,k, zatímco index j je index dílčího období (měsíce, čtvrtletí) uvnitř periody, j=1,2,..,m. Hodnota k je vcelku libovolné číslo, číslo m nabývá zpravidla hodnoty m = 12 (pro měsíční údaje a m = 4 (pro čtvrtletní údaje) Délka časové řady je v tomto případě n = k*m

3.6.1 Triviální model sezónnosti Vychází z proporcionálního pojetí sezónní složky a používá k jejímu měření primitivní charakteristiku - empirický sezónní index. Empirický sezónní index pro jté dílčí období každé periody je číslo Ij=1,2,..,m. Vyrovnaná hodnota Yij=Tij*Ij, kde Tij je trendová složka řady. Empirický sezónní index je definován jako aritmetický průměr podílu pozorovaných a vyrovnaných hodnot příslušného dílčího období za všechny periody

řady. 1 k y ij ∑ k i =1 Tij

Ij =

[3.27] Náhodné chyby jednotlivých podílů, které oscilují kolem skutečné hodnoty sezónního indexu, jsou eliminovány výpočtem průměrné hodnoty za větší počet period. Měla by zde platit rovnost m

∑I j =1

j

=m

30

4 Vlastní práce

4. Vlastní práce Teorie a postupy výpočtů, které jsou uvedeny v předcházející kapitole jsou aplikovány na datech získaných z databáze Ministerstva pro místní rozvoj České republiky a z databáze Českého statistického úřadu. Zmíněná data se týkají počtu ubytovaných rezidentů a nerezidentů v ubytovacích zařízeních na území České republiky. Údaje za jednotlivá čtvrtletí roku 2002 až 2006 jsou uvedeny v tab. č.1.

Tab. 2: Počet hostů v hromadných ubytovacích zařízeních Rok

2002

2003

2004

2005

2006

Čtrtletí

Počet hostů celkem

Nerezidenti

I.02 II.02 III.02 IV.02 I.03 II.03 III.03 IV.03 I.04 II.04 III.04 IV.04 I.05 II.05 III.05

2 082 827 2 915 857 3 903 838 1 961 250 2 049 881 2 938 535 4 111 194 2 246 872 2 221 499 3 122 195 4 517 793 2 358 202 2 277 892 3 165 389 4 423 690

770 303 1 328 044 1 727 161 947 286 819 718 1 349 242 1 778 943 1 127 853 1 034 034 1 641 944 2 088 770 1 296 477 1 142 819 1 688 134 2 116 925

1 312 524 1 587 813 2 176 677 1 013 964 1 230 163 1 589 293 2 332 251 1 119 019 1 187 465 1 480 251 2 429 023 1 061 725 1 135 073 1 477 255 2 306 765

IV.05 I.06 II.06

2 494 822 2 375 317 3 388 048

1 388 250 1 134 675 1 808 242

1 106 572 1 240 642 1 579 806

31

Rezidenti

4 Vlastní práce

Grafické znázornění sledovaných ukazatelů v čase je na obr. č. 6 až 8. Obr. 6: Celkový počet hostů v hromadných ubytovacích zařízeních

počet hostů v tis.

5 0 00 0 0 0 4 5 00 0 0 0 4 0 00 0 0 0 3 5 00 0 0 0

1. č tvrtle tí

3 0 00 0 0 0 2 5 00 0 0 0 2 0 00 0 0 0

2. č tvrtle tí 3. č tvrtle tí 4. č tvrle tí

1 5 00 0 0 0 1 0 00 0 0 0 5 00 0 0 0 0 2 0 02

2 00 3

2004

2 0 05

20 0 6

ro k y

Obr. 7: Počet nerezidentů ubytovaných v hromadných ubytovacích zařízeních


2 500 000 2 000 000 1 . č t vrt le t í

1 500 000

2 . č t vrt le t í 3 . č t vrt le t í

1 000 000

4 . č t vrle t í 500 000 0 2002

2003

2004 ro k y

32

2005

2006

4 Vlastní práce

Obr. 8: Počet rezidentů ubytovaných v hromadných ubytovacích zařízeních 3 000 000


2 500 000 2 000 000

1. č t vrt let í 2. č t vrt let í

1 500 000

3. č t vrt let í 4. č t vrt let í

1 000 000 500 000 0 2002

2003

2004

2005

2006

ro ky

Ve sledovaných čtvrtletích si můžeme všimnout, že návštěvnost během roku je nestejnoměrná. Tento fakt je dán sezónností v návštěvnosti a turismu. V cestovním ruchu snad jen lázeňský cestovní ruch není tímto ovlivněn. Jak již bylo zmíněno dříve, příkladem může být Karlovarský kraj, často nazývaný krajem lázeňským, kde sezónnost návštěvnosti nedosahuje takových rozdílů jako v jiných krajích země.

4.1 Určení typu časových řad Typ časové řady určíme pomocí již zmíněné teorie. Řady jsou na základě zjištění časovými řadami intervalovými, neboť vycházíme z toho, že počet ubytovaných hostů závisí na délce časového intervalu, za který tyto údaje sledujeme. Podle periodicity sledování můžeme konstatovat, že se jedná o časovou řadu dlouhodobou (někdy též nazývanou roční), jelikož periodou je právě jeden rok. Dále můžeme určit, že se jedná o časové řady primárních ukazatelů, jelikož údaje jsou zjišťovány přímo a jsou tvořeny absolutními hodnotami počtu ubytovaných osob. Jednotkou sledovaných hodnot jsou počty osob v tisících. Uvedené časové řady spadají do řad naturálních ukazatelů.

33

4 Vlastní práce

4.2 Elementární charakteristiky časové řady Pro výpočet elementárních charakteristik vývoje je použita pouze jedna časová

řada a to řada informující o celkovém počtu ubytovaných hostů. Vizuálně nás o průběhu časové řady informuje grafické vyjádření této řady, ale k upřesnění můžeme využít i elementární charakteristiky časové řady.

Tab. 3: Elementární charakteristiky celkového počtu ubytovaných osob v ubytovacích zařízeních Rok

2002

2003

2004

2005

2006

Čtrtlet í

yt

I.02 II.02 III.02 IV.02 I.03 II.03 III.03 IV.03 I.04 II.04 III.04 IV.04 I.05 II.05 III.05 IV.05 I.06 II.06

770 303 1 328 044 1 727 161 947 286 819 718 1 349 242 1 778 943 1 127 853 1 034 034 1 641 944 2 088 770 1 296 477 1 142 819 1 688 134 2 116 925 1 388 250 1 134 675 1 808 242

Absolutní Druhá Koeficient přírůstek diference růstu

557741 399117 -779875 -127568 529524 429701 -651090 -93819 607910 446826 -792293 -153658 545315 428791 -728675 -253575 673567

-158624 -1178992 652307 657092 -99823 -1080791 557271 701729 -161084 -1239119 638635 698973 -116524 -1157466 475100 927142

34

1,72 1,30 0,55 0,87 1,65 1,32 0,63 0,92 1,59 1,27 0,62 0,88 1,48 1,25 0,66 0,82 1,59

Tempo růstu [%] 172 130 55 87 165 132 63 92 159 127 62 88 148 125 66 82 159

Tempo Koeficient přírůstk přírůstku u [%] 0,72 0,30 -0,45 -0,13 0,65 0,32 -0,37 -0,08 0,59 0,27 -0,38 -0,12 0,48 0,25 -0,34 -0,18 0,59

72 30 -45 -13 65 32 -37 -8 59 27 -38 -12 48 25 -34 -18 59

4 Vlastní práce

Průměrný absolutní přírůstek vypočítáme ze vzorce [3.6]

d =

1 n −1

n

∑

t=2

dt =

y t − y1 1 = * (1808242 n −1 17

− 770303 ) = 61055 , 24

Výsledek vypovídá o průměrném čtvrtletním nárůstu hostů v průměru o 61055,24 osob.

Průměrný koeficient růstu získáme ze vzorce [3.9] k =

n −1

yt = y1

17

1808242 770303

= 1 , 05

Průměrné tempo růstu vypočítáme ze vzorce [3.10]

k = k t *100 = 1,05 *100 = 105% Vypovídá o 5 % průměrném čtvrtletním tempu přírůstku Z grafického znázornění, ale i z výpočtů elementárních charakteristik časové

řady je vidět, jen velmi malá tendence růstu přímky, která sledovanou časovou řadu vyrovnává.

4.3 Modelování časových řad Nejvhodnější popis sledovaného období, sledované řady, zajišťuje lineární trend. Extrapolaci, předpověď trendu na třetí a čtvrté čtvrtletí roku 2006 a na první a druhé čtvrtletí roku 2007, provedeme tak, že dosadíme příslušné hodnoty za parametr t do rovnice trendové přímky. Výpočty parametrů trendové přímky a předpovědi trendu jsou početně provedeny v příloze č. 1.

35

4 Vlastní práce

Výpočet parametrů trendové přímky

b0 = b1 =

∑y

=

t

n ∑ yt * t

∑t

2

25188820 = 1399378,89 18 =

15326864 = 316349 484,5

Trendová přímka po dosazení parametrů Tt = 1399378,89 + 31634,39t Obr. 9: Trendová přímka návštěvnosti hromadných ubytovacích zařízení zahraničními turisty na území ČR 2 500 000

1 500 000 s kutečné hodnoty trend

1 000 000

500 000

období

36

I.0 7

.0 6 III

I.0 6

.0 5 III

I.0 5

.0 4 III

I.0 4

.0 3 III

I.0 3

III

.0 2

0 I.0 2

hosté v tis.

2 000 000

4 Vlastní práce

Ve sledovaném období od roku 2002 do 2. čtvrtletí roku 2006 lze dle trendu konstatovat, že časová řada má lineární, mírně rostoucí charakter. Také z extrapolace trendu můžeme předpovědět, že v roce 2007 bude návštěvnost hromadných ubytovacích zařízení na území České republiky i nadále stoupat. Což samozřejmě má významný pozitivní dopad jak na regionální infrastrukturu, tak i na celkový hospodářský rozvoj země. Cestovní ruch jako samostatné hospodářské odvětví tak může i nadále zaznamenávat expanzivní rozvoj.

4.4 Vyrovnání pomocí klouzavých průměrů Uvedené analytické vyrovnání je založeno na vyrovnání časové řady pomocí trendové přímky. Jako další možnost se nabízí vyrovnání adaptivní, a to pomocí klouzavých průměrů. Výhodou této adaptivní metody je fakt, že umožňuje postupné vyrovnání menších intervalů než je celé sledované období a tím můžeme zahrnout i nejnovější údaje. Pro následující výpočty je zvolena klouzavá část m a to p=3, p=4, p=6. Ve dvou případech je délka klouzavé části m zvolena jako sudé číslo, proto je nutné v těchto případech použít tzv. centrování. Hodnoty, získané pro výpočet klouzavých průměrů, jsou uvedeny v příloze č. 2.

Obr. 10: Vyrovnání pomocí klouzavých průměrů

skutečné hodnoty

2 000 000

3 měsíční klouzavý průměr

1 500 000

4 měsíční centrovaný klouzavý průměr

1 000 000

6-ti měsíční klouzavý průměr

500 000

období

37

6 I.0

5

5

.0 III

I.0

4

4

.0 III

I.0

3 .0 III

3 I.0

2 .0 III

2

0 I.0


2 500 000

4 Vlastní práce

Z grafického znázornění výpočtů je zřejmý fakt, že čím je zvolena kratší klouzavá část pro výpočet klouzavých průměrů, tím více křivka kopíruje křivku původních hodnot.

4.5 Měření sezónnosti Triviální model sezónnosti vychází z proporcionálního pojetí sezónní složky a používá k jejímu měření primitivní charakteristiku a tou je empirický sezónní index. Jeho výpočet je uveden v tab. č. 4. Pomocné výpočty pro zjištění empirického sezónního indexu jsou uvedeny v tab. č. 3. Pro výpočet sezónních indexů je možno použít hodnoty trendové přímky a nebo, místo trendu použít hodnot klouzavých průměrů. Uvedené výpočty byly provedeny dosazením hodnot trendové přímky. Důležité je také uvést, že použitá data pro výpočet sezónnosti jsou pouze za první

čtyři roky z důvodu neuveřejnění údajů pro zbývající čtvrtletí roku 2006.

Tab. 4: Data pro výpočet sezónnosti Rok Čtvrtletí I. II. III. IV. Roční průměr

2002

2003

2004

770 303 1 328 044 1 727 161 947 286 1 193 199

819 718 1 349 242 1 778 943 1 127 853 1 268 939

1 034 034 1 641 944 2 088 770 1 296 477 1 515 306

2005

Průměr za čtvrtletí

1 142 819 941 719 1 688 134 1 501 841 2 116 925 1 927 950 1 388 250 1 189 967 1 584 032 1 390 369

Dle výpočtů a výsledků, je zřejmé, že řada má mírně rostoucí trend. Sezónní složku s maximem ve třetím čtvrtletí a minimem v prvním čtvrtletí.

38

4 Vlastní práce

Z vývoje ročních průměrů je patrné, že příjezdový cestovní ruch do České republiky zaznamenal větší expanzi až v roce 2004 a tento vývoj pokračuje i v roce 2005 a dá se očekávat, že i v roce 2006 bude příjezdový cestovní ruch nadále stoupat.

Čtvrtletní průměrné hodnoty nenaznačují nic nečekaného, cestovní ruch je jev sezónností dosti zatížen, a tak maximální hodnoty jsou dosaženy ve třetím čtvrtletí roku, vždy v období největšího cestovního ruchu. Minimální hodnoty, podle očekávání, jsou zjištěny v prvních měsících každého sledovaného roku.

Tab. 5: Výpočet empirických sezónních indexů Rok 2002

2003

2004

2005

Empirický sezónní index

0,64557825 1,113011791 1,447505172 0,793904786

0,6459869 1,0632836 1,4019137 0,8888158

0,6823928 1,0835724 1,3784474 0,8555874

0,72146207 1,06571963 1,33641555 0,87640275

0,673854998 1,081396845 1,391070469 0,853677688

Čtvrtletí I. II. III. IV.

Kontrolou součtu empirických sezónních indexů je jasné, že podmínka m

∑I j =1

j

=m

je splněna přesně. Systematickou složku řady vypočteme vynásobením trendové složky empirickým sezónním indexem. Výpočet systematické složky je uveden v příloze č. 3 a grafické znázornění výpočtu je ukázáno na obr. č.6.

39

4 Vlastní práce

Obr. 11: Graf pozorovaných a vyrovnaných hodnot


2 500 000 2 000 000 1 500 000 1 000 000

p ozo ro va n é ho d no ty

500 000

vyro vn an é h od n oty

7

6

I.0

.0

5

6

III

I.0

4

5

.0

III

I.0

3

4

.0

III

I.0

2

3

.0 III

I.0

.0 III

I.0

2

0

č tvrtle tí

Po zjištění trendové složky a vyrovnaných hodnot se můžeme na časovou řadu podívat jako na celek. Nejdříve však vypočtěme náhodnou složku.

ε t = y t − Yt Jedná se o rozdíl mezi pozorovanou hodnotou yt a vypočtenou systematickou složkou Yt a to podle vzorce Výpočet pro první čtvrtletí roku 2002 vypadá následovně

ε t = y t − Yt = 770303 − 761784 = 8519 Zbývající výpočty pro zjištění průběhu náhodné složky jsou uvedeny v příloze č. 4.

40

4 Vlastní práce Obr. 12: Rozklad časové řady 2 500 000


2 000 000

pozorované hodnoty

1 500 000

trend

1 000 000

vyrovnané hodnoty

500 000

náhodná složka

0 2 I.0

-500 000

III.

02

3 I.0

03 III.

4 I.0

04 III.

čtvrtletí

41

5 I.0

05 III.

6 I.0

5 Závěr

Závěr Cestovní ruch mimo zaměstnanosti ovlivňuje podstatným způsobem další významné oblasti: podílí se na tvorbě hrubého domácího produktu, pozitivně ovlivňuje platební bilanci státu, tvoří příjmy státního rozpočtu, má vliv na příjmy místních rozpočtů a jeho rozvoj, podporuje investiční aktivity. Trendy domácí návštěvnosti mají podobný charakter jako zahraniční návštěvnost, tj. koncentrace do turisticky nejatraktivnějších míst a oblastí, s větším důrazem "služebního a obchodního" cestovního ruchu ve městech. Z hlediska ubytovaných návštěvníků také převládá letní sezóna (62 % v r. 2005).

ČR má šanci uplatnit se na trhu cestovního ruchu nabídkou nových produktů jako např. městského, kongresového a incentivního cestovního ruchu, sportovní turistiky a cykloturistiky, kulturního cestovního ruchu a širokého souboru produktů, které jsou šetrné k přírodě. V ČR se otevírá prostor pro venkovskou turistiku s jejími produkty (např. agroturistika, ekoagroturistika, ekoturistika apod.). Ta však zatím ve struktuře nabídky zaujímá v ČR jen nepatrný podíl (např. v roce 2000 připadal na agroturistiku jen 0,2 % podíl z celkového počtu přenocování, s výraznou koncentrací do východních a jižních Čech a na jižní Moravu). Nabízí se možnost dalšího kvalitativního rozvoje tradičního lázeňství, které je významnou součástí turistické nabídky ČR. Nosnými faktory rozvoje cestovního ruchu jsou v jednotlivých krajích vždy nejatraktivnější prvky a aktivity. Existuje hustá a dobře značená síť vzájemně propojených turistických stezek a tras.

Českou republiku každoročně navštíví přes pět miliónů zahraničních návštěvníků. Z výsledků výpočtů čtvrtletních průměrných hodnot je potvrzen vliv sezónního zatížení cestovního ruchu, maximální hodnoty návštěvnosti zahraničními turisty v letech 20002 až 2006 jsou dosaženy ve třetím čtvrtletí a minimální hodnoty vždy v prvním čtvrtletí všech sledovaných let. Z výpočtu elementárních charakteristik časové řady vyplývá, že průměrný

čtvrtletní nárůst hostů je 61055,24 osob. Průměrný koeficient růstu je 1,05 a průměrné tempo růstu je 105 %.

42

5 Závěr

Grafické znázornění i vypočtené elementární charakteristiky časové řady ukazují, malou tendenci růstu přímky, která časovou řadu vyrovnává. Lineární trendová přímka po dosazení vypočtených parametrů má tvar Tt=1399378,89+31634,39t a z grafického znázornění je zřejmé, že má mírně rostoucí tendenci. Dle předpovědi trendu na třetí a čtvrté čtvrtletí roku 2006 bude rostoucí charakter přímky zachován. Jako další možnost vyrovnání je zvoleno adaptivní vyrovnání pomocí klouzavých průměrů. Pro vyrovnání pomocí klouzavých průměrů jsou zvoleny tří měsíční klouzavé průměry, čtyř měsíční centrované klouzavé průměry a šesti měsíční klouzavé průměry. Maximálních hodnot návštěvnosti je dosaženo vždy v letním období, tedy ve třetím čtvrtletí roku. Vypočtené roční průměry ukazují na rozvoj příjezdového cestovního ruchu až v roce 2004 s vývojem, který pokračuje i v roce 2005. Dle očekávání v roce 2006 bude nadále počet zahraničních návštěvníků stoupat. Sledovanou časovou řadu lze modelovat z hlediska proporcionální sezónnosti nebo z hlediska konstantní sezónnosti. Dle triviálního modelu sezónnosti je vypočten sezónní index a systematická složka. V závěru práce je proveden rozklad sledované časové řady.

43

6 Seznam literatury Použitá literatura 1. Hindls, R., Hronová, S. Statistika pro ekonomy. 5. vyd. Praha: Profesional Publishing 2004. 415 s. ISBN 80-86419-59-2. 2. Hindls, R., Hronová, S., Novák, I. Metody statistické analýzy pro ekonomy. 2. vyd. Praha: Management Press, 2000. 259 s. ISBN 80-7261-013-9. 3. Hindls, R., Hronová, S., Novák, I. Analýza dat v manažerském rozhodování. 1. vyd. Praha: Grada Publishing, 1999. 360 s. ISBN 80-7169-255-7. 4. Minařík, B. Statistika I. Popisná statistika II. část. Dotisk. Brno: Mendlova zemědělská a lesnická univerzita v Brně, 2004. 107 s. ISBN 80-7157-427-9. 5. Seger, J., Hindls,R., Statistické metody v ekonomii. 1. vyd. Jinonice: H&H, 1993. 445 s. ISBN 80-85787-26-1.

Elektronické zdroje 6. Fondy Evropské unie URL:< http://www.strukturalni-fondy.cz/regionalni-politika-eu-2004-2006/nuts > [citováno dne 20.11.2006] 7. Turistický průvodce po ČR URL:< http://www.trasovnik.cz/k_ainfcr/k_ainfcr.htm > [citováno dne 20.11.2006] 8. Podpora incomingového cestovního ruchu URL: < http://www.czechtourism.cz> [citováno dne 30.11.2006] 9. Portál pro podnikání a export URL: < www.businessinfo.cz> [citováno dne 20.11.2006] 10. Český statistický úřad URL: [citováno dne 30.11.2006]

44

7 Seznam tabulek a obrázků Tab. 1: Zahraniční turisté v hromadných ubytovacích zařízeních na území ČR Obr. 1: Návštěvnost německých turistů na území ČR Obr. 2: Návštěvnost britských turistů na území ČR Obr. 3: Návštěvnost italských turistů na území ČR Obr. 4: Návštěvnost amerických turistů na území ČR Obr. 5: Návštěvnost ruských turistů na území ČR Tab. 2: Počet hostů v ubytovacích hromadných zařízeních Obr. 6: Celkový počet hostů v hromadných ubytovacích zařízeních Obr. 7: Celkový počet nerezidentů v hromadných ubytovacích zařízeních Obr. 8: Celkový počet rezidentů v hromadných ubytovacích zařízeních Tab. 3: Elementární charakteristiky celkového počtu ubytovaných osob v ubytovacích zařízeních Obr. 9: Trendová přímka návštěvnosti hromadných ubytovacích zařízeních zahraničními turisty na území ČR Obr. 10: Vyrovnání pomocí klouzavých průměrů Tab. 4: Data pro výpočet sezónnosti Tab. 5: Výpočet empirických sezónních indexů Obr. 11: Graf pozorovaných a vyrovnaných hodnot Obr. 12: Rozklad časové řady

:

45

8 Seznam grafických příloh Příloha č.1: Výpočet trendové přímky a předpovědi vývoje trendu Příloha č.2: Výpočet klouzavých průměrů Příloha č.3: Výpočet systematické složky Příloha č.4: Výpočet náhodné složky Příloha č.5: Počet zahraničních hostů ubytovaných v jednotlivých krajích

46

Příloha č. 1 Výpočet trendové přímky a předpovědi vývoje trendu Rok

Čtrtletí

yt

t

yt*t

t

2

Trend

I.02 II.02

770 303 1 328 044

-8,5 -7,5

72,25 56,25

1130486,575 1162120,965

III.02 IV.02 I.03 II.03 III.03 IV.03 I.04 II.04 III.04 IV.04 I.05 II.05 III.05 IV.05 I.06 II.06 suma III.06 IV.06 I.07 II.07

1 727 161 947 286 819 718 1 349 242 1 778 943 1 127 853 1 034 034 1 641 944 2 088 770 1 296 477 1 142 819 1 688 134 2 116 925 1 388 250 1 134 675 1 808 242 25188820

-6,5 -5,5 -4,5 -3,5 -2,5 -1,5 -0,5 0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5 8,5 0 9,5 10,5 11,5 12,5

-6547575,5 -9960330 11226546,5 -5210073 -3688731 -4722347 -4447357,5 -1691779,5 -517017 820972 3133155 3241192,5 3999866,5 7596603 11643087,5 9023625 8510062,5 15370057 15326864

42,25 30,25 20,25 12,25 6,25 2,25 0,25 0,25 2,25 6,25 12,25 20,25 30,25 42,25 56,25 72,25 484,5

1193755,355 1225389,745 1257024,135 1288658,525 1320292,915 1351927,305 1383561,695 1415196,085 1446830,475 1478464,865 1510099,255 1541733,645 1573368,035 1605002,425 1636636,815 1668271,205 25 188 820 1699905,595 1731539,985 1763174,375 1794808,765

2002

2003

2004

2005

2006

2006

2007

47

Příloha č. 2 Výpočet klouzavých průměrů

Rok

Čtrtletí

I.02

770 303

2002

II.02

1 328 044

III.02

1 727 161

IV.02 I.03 II.03

2003

2004

2005

2006

yt

p=3, klouzavý úhrn

p=3, klouzavý průměr



1275169

1193198,5

3825508

1334163,667

1205552,3

947 286

4002491

1164721,667

4772794

819 718

3494165

1038748,667

4822209

1 349 242

3116246

1315967,667

4843407

p=4, centrované klouzavé průměry



p=6, centrované klouzavé průměry

1199375,38

1156959

1210851,8

1208202

1325065,7

1223797,3

1217324,5

1291700,5

1308383,08

1268939

1246368,13

1176179,3

1233939,92

6941754

1241012,33

III.03

1 778 943

3947903

1418679,333

4895189

1322518

1295728,5

7950394

1291955,7

1234067,5

IV.03

1 127 853

4256038

1313610

5075756

1395693,5

1359105,75

7750203

1503464,3

1397710

I.04

1 034 034

3940830

1267943,667

5290072

1473150,3

1434421,88

7057076

1494670,2

1499067,25

II.04

1 641 944

3803831

1588249,333

5582774

1515306,3

1494228,25

7751734

1388649,5

1441659,83

III.04

2 088 770

4764748

1675730,333

5892601

1542502,5

1528904

9020786

1482029,7

1435339,58

IV.04

1 296 477

5027191

1509355,333

6061225

1554050

1548276

8968021

1662511,5

1572270,58

I.05

1 142 819

4528066

1375810

6170010

1561088,8

1557569

8331897

1620229,2

1641370,33

II.05

1 688 134

4127430

1649292,667

6216200

1584032

1572560

8892178

1461213,3

1540721,25

1546507,5

1503860,42

III.05

2 116 925

4947878

1731103

6244355

1581996

1583014

9975069

IV.05

1 388 250

5193309

1546616,667

6336128

1612023

1597010

9721375

1443722,333

I.06

1 134 675

4639850

II.06

1 808 242

4331167

6327984

8767280

6448092

9279045

48

Příloha č. 3 Výpočet systematické složky Rok Čtrtletí I.02 II.02 2002 III.02 IV.02 I.03 II.03 2003 III.03 IV.03 I.04 II.04 2004 III.04 IV.04 I.05 II.05 2005 III.05 IV.05 I.06 2006 II.06 suma III.06 2006 IV.06 I.07 II.07 2007

yt

t

yt*t

t2

Trend

Y

770 303 1 328 044 1 727 161 947 286 819 718 1 349 242 1 778 943 1 127 853 1 034 034 1 641 944 2 088 770 1 296 477 1 142 819 1 688 134 2 116 925 1 388 250 1 134 675 1 808 242 25188820

-8,5 -7,5 -6,5 -5,5 -4,5 -3,5 -2,5 -1,5 -0,5 0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5 8,5 0 9,5 10,5 11,5 12,5

-6547575,5 -9960330 -11226547 -5210073 -3688731 -4722347 -4447357,5 -1691779,5 -517017 820972 3133155 3241192,5 3999866,5 7596603 11643087,5 9023625 8510062,5 15370057 15326864

72,25 56,25 42,25 30,25 20,25 12,25 6,25 2,25 0,25 0,25 2,25 6,25 12,25 20,25 30,25 42,25 56,25 72,25 484,5

1130487 1162121 1193755 1225390 1257024 1288659 1320293 1351927 1383562 1415196 1446830 1478465 1510099 1541734 1573368 1605002 1636637 1668271 25188820 1699906 1731540 1763174 1794809

761784,03 1256713,9 1660597,8 1046087,9 847052 1393551,3 1836620,5 1154110,2 932319,96 1530388,6 2012643,1 1262132,5 1017587,9 1667225,9 2188665,8 1370154,8 1102855,9 1804063,2

49

2364688,5 1478177,1 1188123,9 1940900,5

Příloha č. 4 Výpočet náhodné složky Rok

Čtrtletí I.02 II.02 2002 III.02 IV.02 I.03 II.03 2003 III.03 IV.03 I.04 II.04 2004 III.04 IV.04 I.05 II.05 2005 III.05 IV.05 I.06 2006 II.06 suma III.06 2006 IV.06 I.07 II.07 2007

yt 770 303 1 328 044 1 727 161 947 286 819 718 1 349 242 1 778 943 1 127 853 1 034 034 1 641 944 2 088 770 1 296 477 1 142 819 1 688 134 2 116 925 1 388 250 1 134 675 1 808 242 25188820

t -8,5 -7,5 -6,5 -5,5 -4,5 -3,5 -2,5 -1,5 -0,5 0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5 8,5 0 9,5 10,5 11,5 12,5

yt*t -6547575,5 -9960330 -11226547 -5210073 -3688731 -4722347 -4447357,5 -1691779,5 -517017 820972 3133155 3241192,5 3999866,5 7596603 11643087,5 9023625 8510062,5 15370057 15326864

50

t2 72,25 56,25 42,25 30,25 20,25 12,25 6,25 2,25 0,25 0,25 2,25 6,25 12,25 20,25 30,25 42,25 56,25 72,25 484,5

Trend 1130487 1162121 1193755 1225390 1257024 1288659 1320293 1351927 1383562 1415196 1446830 1478465 1510099 1541734 1573368 1605002 1636637 1668271 25188820 1699906 1731540 1763174 1794809

Y 761784,03 1256713,9 1660597,8 1046087,9 847052 1393551,3 1836620,5 1154110,2 932319,96 1530388,6 2012643,1 1262132,5 1017587,9 1667225,9 2188665,8 1370154,8 1102855,9 1804063,2 2364688,5 1478177,1 1188123,9 1940900,5

ε 8 519 71 330 66 563 -98 802 -27 334 -44 309 -57 677 -26 257 101 714 111 555 76 127 34 345 125 231 20 908 -71 741 18 095 31 819 4 179

Příloha č. 5 Počet zahraničních hostů ubytovaných v hromadných zařízeních v jednotlivých krajích 2002 Zahraniční hosté celkem Praha Středočeský kraj Jihočeský kraj Plzeňský kraj Karlovarský kraj Ústecký kraj Liberecký kraj Královehradecký kraj Pardubický kraj Vysočina Jihomoravský kraj Olomoucký kraj Zlínský kraj Moravskoslezský kraj

100% 47,10% 4,60% 5,20% 3,30% 8,40% 3,70% 5,90% 5,60% 1,30% 1,40% 6,60% 2,20% 1,80% 2,90%

relativní podíly 2003 2004 100% 52,20% 4,70% 4,80% 3,20% 7,00% 3,10% 4,80% 5,70% 1,10% 1,10% 6,50% 2,10% 1,50% 2,30%

51

100% 57,30% 4,40% 5,20% 2,80% 6,40% 2,40% 4,10% 4,90% 0,90% 1,10% 5,70% 1,60% 1,30% 1,80%

2005 100% 58,80% 3,60% 5,20% 2,40% 6,40% 2,60% 3,80% 5,10% 0,80% 0,90% 5,80% 1,60% 1,10% 1,70%

Analýza počtu zahraničních návštěvníků. České republiky. Bakalářská práce

Recommend Documents