Determinanty ovlivňující ceny rezidenčních nemovitostí v České republice

Mendelova univerzita v Brně Provozně ekonomická fakulta

Determinanty ovlivňující ceny rezidenčních nemovitostí v České republice Diplomová práce

Vedoucí práce: Mgr. Kateřina Myšková, Ph.D.

Brno 2013

Bc. Michal Laška

Zadání diplomové práce

Na tomto místě bych chtěl poděkovat Mgr. Kateřině Myškové, Ph.D. za odborné vedení a cenné připomínky a rady, které přispěly ke zpracování této diplomové práce.

Prohlašuji, že jsem tuto diplomovou práci vypracoval samostatně s použitím zdrojů, které uvádím v seznamu literatury. V Brně dne 15. května 2013

__________________

Abstract Laška, M. Determinants of house prices in the Czech Republic. Diploma thesis. Brno: MENDELU, 2013. This thesis deals on indentifying of the determinants affecting of house prices in the regions of the Czech Republic. The theoretical part describes basic issues related with the real estate market. Consequently is focused on international studies, which dealt by this issue. The practical part is first devoted to the selection and description of variables that are used for regression analysis. The following are created linear regression models for each region of the Czech Republic, according to which evaluates the influence of selected factors on the house price. Thesis is closed by discussion of the topic. Keyword Housing prices, demand and supply factors, regions of the Czech Republic, regression analysis, method of least squares.

Abstrakt Laška, M. Determinanty ovlivňující ceny rezidenčních nemovitostí v České republice. Diplomová práce. Brno: MENDELU, 2013. Diplomová práce se zabývá určením determinant působících na ceny rezidenčních nemovitostí v jednotlivých krajích České republiky. V teoretické části je popsána základní problematika týkající se trhu nemovitostí. Následně je zaměřeno na zahraniční studie, jež se danou problematikou zabývaly. Praktická část je nejprve věnována výběru a popisu jednotlivých proměnných, které jsou použity pro regresní analýzu. Dále jsou vytvořeny lineární regresní modely pro jednotlivé kraje České republiky, na základě kterých je vyhodnocen vliv vybraných faktorů na cenu nemovitostí. Práci uzavírá diskuze nad danou problematikou. Klíčová slova Ceny bytů, poptávkové a nabídkové faktory, kraje České republiky, regresní analýza, metoda nejmenších čtverců.

Obsah

6

Obsah 1

2

Úvod a cíl práce 1.1

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

1.2

Cíl práce ...................................................................................................10

Metodika 2.1

3

Ekonometrický základ ............................................................................. 12 Časové řady ...................................................................................... 12

2.1.2

Klasický lineární regresní model ..................................................... 14

Literární přehled

Trh nemovitostí ....................................................................................... 21 Specifika nemovitostního trhu ........................................................ 21

3.1.2

Poptávka po bydlení ........................................................................ 22

3.1.3

Nabídka bydlení .............................................................................. 25

3.1.4

Fungování trhu s bydlením ............................................................. 26

3.1.5

Subjekty na trhu bydlení ................................................................. 27

Poznatky ze zahraničí ............................................................................. 28

Vlastní práce 4.1

35

Výběr proměnných pro regresní analýzu ............................................... 35

4.1.1

Poptávkové faktory ......................................................................... 38

4.1.2

Nabídkové faktory ........................................................................... 46

4.2

Regresní modely pro jednotlivé kraje..................................................... 50

4.2.1

6

21

3.1.1

3.2

5

12

2.1.1

3.1

4

10

Rozklad odhadované závislosti vysvětlované proměnné ............... 68

Diskuze

70

5.1.1

Komparace výsledků pro jednotlivé kraje ...................................... 70

5.1.2

Předpokládaný vývoj cen nemovitostí ............................................ 72

5.1.3

Možná podpora pro oživení trhu? .................................................. 74

Závěr

76

Obsah

7

7

Literatura

80

A

Vstupní data

86

B

Výstupy testů

100

Seznam obrázků

8

Seznam obrázků Obr. 1 Poptávka po bydlení ......................................................................................... 24 Obr. 2 Tvar nabídkových křivek ................................................................................. 26 Obr. 3 Tvorba rovnováhy na trhu s bydlením .......................................................... 27 Obr. 4: Vývoj cen rezidenčních nemovitostí v období 2002-2011 (index=2005)36 Obr. 5: Vývoj průměrných kupních cen bytů 2002-2011 (Kč/m2) ........................ 37 Obr. 6: Počet hypotečních úvěrů v jednotlivých krajích v roce 2011 .................... 44

Seznam tabulek

9

Seznam tabulek Tabulka 1: Bytový fond v letech 1991-2011 ............................................................... 47 Tabulka 2: Dokončené byty v letech 2003-2011 ...................................................... 48 Tabulka 3: Korelační matice pro Středočeský kraj .................................................. 51 Tabulka 4: Výstup modelu Středočeský kraj ............................................................ 52 Tabulka 5: Výstup modelu Středočeský kraj (upravený)........................................ 53 Tabulka 6: Kritické tabulkové hodnoty ..................................................................... 54 Tabulka 7: Výstup modelu Středočeský kraj (výsledný model) ............................. 54 Tabulka 8: Testy autokorelace ................................................................................... 54 Tabulka 9: Testování multikolinearity ...................................................................... 55 Tabulka 10: Test heteroskedasticity .......................................................................... 55 Tabulka 11: Test normality reziduí ............................................................................ 55 Tabulka 12: Testy správné specifikace modelu ........................................................ 56 Tabulka 13: Testování stacionarity ............................................................................ 56 Tabulka 14: Testování stacionarity chybového členu.............................................. 57 Tabulka 15: Výstup modelu Jihočeský kraj .............................................................. 59 Tabulka 16: Výstup modelu Karlovarský kraj .......................................................... 59 Tabulka 17: Výstup modelu Ústecký kraj .................................................................. 60 Tabulka 18: Výstup modelu Liberecký kraj .............................................................. 61 Tabulka 19: Výstup modelu Královehradecký kraj.................................................. 61 Tabulka 20: Výstup modelu Pardubický kraj ........................................................... 62 Tabulka 21: Výstup modelu kraj Vysočina................................................................ 63 Tabulka 22: Výstup modelu Jihomoravský kraj ...................................................... 63 Tabulka 23: Výstup modelu Olomoucký kraj ........................................................... 64 Tabulka 24: Výstup modelu Zlínský kraj .................................................................. 65 Tabulka 25: Výstup modelu Moravskoslezský kraj ................................................. 65 Tabulka 26: Výstup modelu Plzeňský kraj ............................................................... 66 Tabulka 27: Výstup modelu Praha ............................................................................. 67 Tabulka 28: Vysvětlující schopnost jednotlivých fundamentálních faktorů (v %) ........................................................................................................................................ 68

Úvod a cíl práce

10

1 Úvod a cíl práce 1.1

Úvod

Oblast bydlení představuje v lidské společnosti jednu z nejzákladnějších potřeb. Obydlí představuje domov každého z nás, je místem, kde trávíme velkou část svého života. Samotné bydlení má vliv na kultivaci člověka a taktéž jeho chování ve společnosti. Obydlí je též spojováno s životní jistotou a bezpečností. Zejména pak vlastní bydlení může být považováno za sociálně stabilizační prvek. Nemělo by tedy být žádným překvapením, že většina z nás se bude zajímat o cenový vývoj nemovitostí určených právě k bydlení. Zřejmě každý, alespoň jednou, bude řešit situaci, zda vstoupit na trh vlastnického bydlení, či dát přednost alternativě v podobě bydlení nájemního. Přičemž hlavními rozhodujícími parametry budou zřejmě flexibilita bydlení, velikost domácnosti a taktéž výše vlastních finanční úspor či dostupnost peněžních prostředků na finančních trzích. Situace na rezidenčním trhu ovlivňuje množství zakázek stavebních firem a s tím související velikost zakázek v odvětvích na něm navazujících. Dává práci realitním kancelářím a v neposlední řadě je jeho vývoj taktéž důležitý pro bankovní instituce. Ty nemovitosti přijímají jako zástavu při poskytnutí hypotečních úvěrů. Cena nemovitosti je pak pro ně bezpochyby nadmíru důležitá, neboť určuje množství peněžních prostředků, které je banka klientovi ochotna na danou nemovitost poskytnout. Taktéž je ale pro ně klíčová kvůli případnému vynucenému prodeji z důvodu nesplácení hypotečního úvěru ze strany klienta. Z toho je zřejmé, že výrazná cenová fluktuace není žádoucí. Zejména pak jejich cenový pokles může banky dostat do finanční tísně právě ve chvíli narůstání hypotečních úvěrů v selhání. Z těchto slov je zřejmé, že vývoj na tomto trhu má obrovské dopady do reálné ekonomiky téměř každé země. Tento výrok může být taktéž utvrzen nedávnou historií v USA.

1.2 Cíl práce Hlavním cílem této diplomové práce je určení, jaké determinanty ovlivňují ceny rezidenčních nemovitostí v jednotlivých krajích České republiky. Aby mohl být tento cíl naplněn, je zapotřebí splnit několik cílů dílčích, a to: • Zvolit vhodné determinanty, jež by mohly ceny rezidenčních nemovitostí v českém prostředí ovlivňovat. Pro dosažení tohoto cíle bude nutné prostudovat již vytvořené zahraniční studie, které se danou problematikou zabývaly. • Zvolit nejvhodnější zástupce pro jednotlivé determinanty a s tím související výběr vhodného datového zdroje. • Aplikovat na takto zvolená data vybranou ekonometrickou metodu pro jednotlivé kraje České republiky. • Provést vyhodnocení výsledků pro jednotlivé kraje a diskutovat možné důvody nevýznamnosti některých vybraných veličin.

Úvod a cíl práce

11

V neposlední řadě bude provedena, na základě významných veličin určených modelem, diskuze nad možným dalším směřováním cenového vývoje rezidenčního trhu. Snahou taktéž bude vydání doporučení pro oživení českého rezidenčního trhu. Zároveň by tato práce měla potvrdit či vyvrátit dvě výzkumné otázky. 1) Byl vývoj cen rezidenčních nemovitostí ve sledovaném období ovlivňován ve všech krajích České republiky zcela stejnými faktory? 2) Byly pro cenový vývoj rezidenčních nemovitostí, ve sledovaném období na českém území, rozhodující jak faktory strany nabídky, tak poptávky?

Metodika

12

2 Metodika V diplomové práci jsou využity metody deskripce, komparace a interpretace. V první části práce, na základě odborné literatury, jsou vymezeny základní pojmy týkající se trhu s nemovitostmi. Zaměřeno je na popis samotné specifikace tohoto trhu, poptávky, nabídky a s tím související jeho fungování. V neposlední řadě jsou zmíněny subjekty na tomto trhu se vyskytující. Následující část práce je věnována poznatkům ze zahraničí. Ty jsou získány na základě zahraničních studií zabývajících se vlivy základních faktorů na ceny nemovitostí. Dané poznatky poslouží k výběru potenciálních faktorů, jež by mohly mít taktéž vliv na ceny nemovitostí v rámci České republiky. Zároveň je zaměřeno na takové studie, které při svém zkoumání jednotlivých vlivů využívají ekonometrických metod, které vycházejí z OLS odhadů. V praktické části je nejprve zaměřeno na popis proměnných, které jsou následně použity při kvantitativní analýze. Pro samotnou analýzu vlivu jednotlivých vybraných proměnných je použito ekonometrického modelování s využitím přístupu založeného na metodě nejmenších čtverců. Pro konstrukci modelů je využito statistického softwaru Gretl. Vstupními údaji jsou čtvrtletní data v podobě časových řad za období 2002 - 2011 převzatých z Českého statistického úřadu, Institutu regionálních informací, Ministerstva pro místní rozvoj České republiky a společnosti Fincentrum.

2.1 Ekonometrický základ 2.1.1

Časové řady

Předtím, než budou popsány předpoklady kladené na klasický lineární regresní model, považuji za nezbytné vysvětlit pojem časová řada, která je jedním z typů dat, která mohou být použita ke zpracování ekonometrické analýzy. Jelikož je v práci využit pouze tento typ dat, omezím se v následujícím výkladu pouze na něj. Časovou řadou se rozumí řada hodnot určité veličiny, jež je pozorována v jistém časovém okamžiku, a to s předem stanovenou frekvencí pozorování (měsíční, čtvrtletní, každý obchodní den). Velmi důležité je jejich chronologické uspořádání. Při analýze tedy nemohou být libovolně přerovnávána. [1] Pro řadu ekonometrických metod je důležité, aby časová řada byla stacionární. Časovou řadu (stochastický proces) můžeme nazvat stacionární, pokud její střední hodnota a rozptyl jsou konstantní v čase a hodnota kovariance mezi dvěma časovými obdobími závisí pouze na vzdálenosti, mezeře či zpoždění mezi dvěma časovými obdobími a ne na konkrétním umístění v časové řadě. V takovém případě je časová řada nazvána jako slabě či kovariančně stacionární. Pro většinu praktických případů je tento „slabší“ požadavek stacionarity postačující. [2]

Metodika

13

Testování stacionarity V praxi nejpoužívanější test jednotkového kořene (nestacionarity), který rozpracovali Dickey a Fuller je označovaný jako DF test. Přitom jsou rozlišeny jeho 3 možné varianty: ∆y t = (ϕ − 1) y t −1 + ε t

(2.1.1.1)

∆y t = α + (ϕ − 1) y t −1 + ε t

(2.1.1.2)

∆y t = α + β ⋅ t + (ϕ − 1) y t −1 + ε t

(2.1.1.3)

Rozdíl těchto rovnic je v tom, že v případě druhé varianty obsahuje rovnice ještě úrovňovou konstantu α a třetí rovnice úrovňovou konstantu α a časový trend β ⋅t . Odhad koeficientu ϕ a jeho příslušné standardní chyby SE je získán pomocí OLS metody. Testovací statistika je poté získána klasickým t-poměrem, a to: t=

(ϕ − 1)

(2.1.1.4)

SE (φ ) Dále je testována nulová hypotéza ϕ − 1 = 0 proti alternativní hypotéze ϕ − 1 < 0 , a to tak, že je srovnána vypočtená statistika s tabelovanými kritickými hodnotami v Dickey-Fuller tabulkách. Pokud je t větší jak kritická hodnota, nulová hypotézu je zamítnuta a časová řada je stacionární. Dickey-Fullerův test je použitelný za předpokladu, že rezidua jsou sériově nezávislá. Zmiňovaný požadavek není častokrát splněn. Pro tyto účely byla navrhnuta rozšířená verze Dickey-Fullerova testu, která je aplikovatelná i v případě autokorelace náhodných složek. Test je aplikován na modifikovanou rovnici ve tvaru: p

∆y t = (ϕ − 1) y t −1 + ∑ γ i ∆y t −1 + ε t

(2.1.1.5)

i =1

Testovací statistika a kritické hodnoty zůstávají stejné jako před tímto rozšířením. [1] Pokud pomocí DF testů nulová hypotéza o jednotkovém kořenu časové řady není zamítnuta a byla by tato časová řada použita k odhadu parametrů modelů pomocí OLS, výsledky odhadů budou neplatné. Jedná se o tzv. zdánlivou regresi. I když samotné časové řady jsou nestacionární, tak může existovat taková jejich lineární kombinace, která jejich stochastické trendy vyruší. Takováto lineární kombinace je už stacionární. Jinak řečeno po ekonomické stránce, pokud mezi časovými řadami existuje dlouhodobý rovnovážný stav, mohou být považovány za kointegrované. V tomto případě může být odhadnut model OLS me-

Metodika

14

todou, aniž by data musela být nějakým způsobem upravována (falešná regrese nehrozí). Avšak pokud kointegrace prokázána nebude, je většinou model odhadován z prvních diferencí časových řad. [2] Testování kointegrace probíhá tak, že se nejprve všechny časové řady testují na přítomnost jednotkového kořene pomocí DF testů. Pokud nulová hypotéza o nestacionaritě časových řad není zamítnuta, pak jsou testována pomocí DF testů rezidua z odhadnuté regrese časových řad. Pokud DF test u reziduí nulovou hypotézu zamítá, rezidua jednotkový kořen neobsahují a časové řady mohou být považovány za kointegrované. [3] 2.1.2

Klasický lineární regresní model

Předpoklady klasického lineárního modelu: • Linearita – existuje lineární závislost mezi y a x1 , x 2 , x3 ...x k . • V opakovaném výběru pozorování nabývají vysvětlující proměnné xi fixních hodnot. • Rezidua ε t mají nulovou střední hodnotu. • Homoskedasticita – rezidua ε t mají stejný a konečný rozptyl. • Ne-autokorelace – korelovanost reziduálních složek je nulová. • Žádná z vysvětlujících proměnných xi není korelována s reziduální složkou

εt . • • • •

Počet pozorování n musí být větší než počet odhadovaných parametrů. Reziduální složka má normální rozdělení. Regresní model je správně specifikován. Neperfektní multikolinearita – neexistence perfektního lineárního vztahu mezi vysvětlujícími proměnnými. [2]

Vícenásobný lineární regresní model je aplikován ke zjištění vztahu mezi vysvětlovanou proměnnou y a vysvětlujícími proměnnými x1 , x 2 , x3 ...x k . Formálně může být regresní model zapsán např. takto: yt = β 0 + β 1 xt1 + β 2 xt 2 + ...β k xtk + ε t

(2.1.2.1)

Kde y je vysvětlovaná proměnná, β 0 absolutní člen, nazýván taktéž jako intercept, β 2 ...β k parametry vysvětlujících proměnných a ε reziduální složka. Intercept β 0 určuje počátek odhadované regresní funkce. Interpretace parametrů β 1 ...β k je následující: pokud se zvýší hodnota vysvětlující proměnné xi o jednotku (za předpokladu, že ostatní vysvětlující proměnné zůstanou nezměněny), změní se hodnota vysvětlované proměnné y právě o velikost parametru β i .

Metodika

15

Reziduální složka ε t v sobě zahrnuje: • Vlivy, které v modelu nejsou zahrnuty (např. nejsou pozorovatelné či se o nich vůbec neví). • Chyby měření ekonomických proměnných. • Nesprávnou volbu modelu (např. nelineární závislost se modeluje jako lineární apod.). K odhadu parametrů β i lze použít několik postupů. Nejčastější je OLS metoda (metoda nejmenších čtverců), která je taktéž aplikována v této práci. Tato metoda odhaduje parametry β i tak, že vzhledem k těmto parametrům minimalizuje sumu čtverců. T

S = ∑ ( y t − ( β 0 + β 1 xt1 + β 2 xt 2 + β k xtk )) 2

(2.1.2.2)

t =1

Ve výše zmíněné rovnici dochází k minimalizaci součtu druhých mocnin vertikální vzdálenosti hodnot vysvětlované proměnné yt od regresní nadroviny. Použití druhých mocnin je zdůvodněno tím, že pokud by byly provedeny pouhé prosté rozdíly, tak rozdíly s kladnými i zápornými znaménky by se vyrovnaly a minimalizace by tak postrádala na významu. [1] Statistická a ekonometrická verifikace Pro správné sestavení modelu je nejen nutné zahrnout tomu odpovídající vysvětlující proměnné s jejich předem stanovenou ekonomickou interpretací, ale taktéž ověřit všechny předpoklady, které musí být splněny, aby odhadovaný model měl optimální vlastnosti. Koeficient determinace Hodnotí kvalitu odhadnutého modelu. Podává informaci o shodě odhadnutého modelu s daty. Neboli udává, jaké množství rozptylu ve vysvětlované proměnné y je vysvětleno pomocí jedné či více vysvětlujících proměnných x . Nejjednodušším nástrojem pro takovéto posouzení je tzv. reziduální součet čtverců (RSS). T

T

t =1

t =1

RSS = ∑ εˆt2 = ∑ ( y t − yˆ t ) 2

(2.1.2.3)

Čím je velikost RSS menší, tím se odhadnuté hodnoty yˆ t blíží skutečným pozorovaným hodnotám yt a tím by takto sestrojený model měl být přijatelnější. Další využívaný typ součtu čtverců je tzv. úplný součet čtverců (TSS).

Metodika

16 T

TSS = ∑ ( y t − y t ) 2

(2.1.2.4)

t =1

Rozdílem TSS a RSS je dosaženo poslední charakteristiky, tzv. vysvětlitelný součet čtverců (ESS). T

ESS = ∑ ( yˆ t − y t ) 2

(2.1.2.5)

t =1

Výsledný koeficient determinace je spočten následovně: R2 =

ESS RSS = 1− TSS TSS

(2.1.2.6)

Je zapotřebí mít na paměti, že přidáním další vysvětlující proměnné xi do modelu se hodnota koeficientu determinace nesníží. Jestliže by bylo snahou vybrat nejvhodnější model na základě nejvyššího R 2 , byl by vybrán model s velkým počtem vysvětlujících proměnných xi . Někdy je tedy brán v potaz tzv. korigovaný (adjustovaný) koeficient determinace R 2 penalizující přílišné množství exogenních proměnných xi .  T −1  R 2 = 1−  (1 − R 2 )  T − k 

(2.1.2.7)

Kde T je počet pozorování a k je počet vysvětlujících proměnných. [1] Informační kritéria Další ze způsobů, jak zjistit kvalitu modelu, je na základě informačních kritérií. Informační kritéria, která bývají odvozena na základě teorie informace, penalizují nárůst vysvětlujících proměnných xi mnohem více než výše zmíněný adjustovaný koeficient determinace R 2 . V podstatě porovnávají vysvětlující schopnost modelu s počtem vysvětlujících proměnných xi zahrnutých do modelu. Hodnota těchto kritérií je odvislá od počtu vysvětlujících proměnných xi , počtu pozorování T a odhadu rozptylu náhodné složky s k2 . Nejznámějšími kritérii bývají Akaikeovo informační kritérium (AIC) či Bayesovo informační kritérium (BIC)

Metodika

17

2k T

(2.1.2.8)

k ln T T

(2.1.2.9)

AIC = ln s k2 + BIC = ln s k2 +

Samotnou hodnotu těchto kritérií nelze žádným způsobem interpretovat, pouze platí, že čím nižší hodnota, tím vyšší kvalita modelu. [1] Testování statistické významnosti odhadnutých parametrů Velmi často je využíván tzv. t -poměr ti =

bi s bi

(2.1.2.10)

Kde bi je odhadnutý parametr a sbi je odhadem standardní chyby odhadnutého parametru bi . Testová statistika je srovnána s kvantilem studentova rozdělení t1−α / 2 s T − k stupni volnosti. Přitom nulovou hypotézou je, že β i = 0 (odhad bi není statisticky významný). Pokud platí, že t i > t 1-α/2 nulová hypotéza je zamítnuta. Vysvětlující proměnná xi je statisticky významná. [4] Autokorelace Durbinův-Watsonův test Jedná se o nejčastější test autokorelace prvního řádu. T

DW =

∑ (εˆ t =2

t

− εˆt −1 ) 2

(2.1.2.11)

T

∑ εˆ t =2

2 t

Jelikož hodnoty reziduí mohou nabývat kladných i záporných hodnot, dá se předpokládat, že při pozitivní autokorelaci sousední rezidua nabývají kladných znamének. Čtverec jejich rozdílu bude nabývat malých hodnot. Naopak v případě negativní autokorelace se předpokládá opak. Sousední rezidua mají zřejmě záporná znaménka a výsledný součet čtverců nabývá hodnot vyšších. Výsledná DW statistika je srovnávána s kritickými hodnotami, kdy je určena dolní mez statistiky (d L ) a horní mez statistiky ( d U ) pro T − k stupňů volnosti. • Pokud 0 < DW < DL , pak nulová hypotéza je zamítnuta ve prospěch hypotézy alternativní pozitivní autokorelace.

Metodika

18

• V případech kdy d L < DW < d U a 4 − d U < DW < 4 − d L jsou výsledky testu neprůkazné. • Pokud 4 − DL < DW < 4, pak nulová hypotéza je zamítnuta ve prospěch hypotézy alternativní negativní autokorelace. • A konečně když d U < DW < 4 − d U , pak nulovou hypotézu nezamítáme – není autokorelace. [4]

Pokud je do modelu zařazena jako jedna z vysvětlujících proměnných zpožděná proměnná, kvůli zohlednění vlivu minulých období (tento způsob může vyřešit problém autokorelace), Durbinův-Watsonův test ztrácí na významu a musí být nahrazen testy alternativními. Jedním z alternativních testů je Ljungův-Boxův test.

rk2 Q = n(n + 2)∑ ~ χ12−α ( K ) k =1 n − k K

(2.1.2.12)

Kde n je počet pozorování, rk je odhadnutá autokorelace řádu k a K je řád zpoždění. [1] LB test tedy nejprve vypočte statistiku za pomoci odhadu výběrových autokorelačních koeficientů do předem stanoveného řádu zpoždění. Výsledná statistika je poté porovnána s kritickou hodnotou χ 12−α s K stupni volnosti. Pro otestování autokorelace vyšších řádů je taktéž možné použít graf autokorelační funkce (ACF). [3] Heteroskedasticita Nejčastějšími způsobem testování stability rozptylu jsou Whiteův test a Breusch-Paganův test. Whiteův test si nejprve z odhadovaného regresního modelu vypočte potřebná rezidua εˆt a poté vytvoří pomocný model.

εˆt = α 0 + α 1 xt1 + α 2 xt 2 + α 3 xt21 + α 4 x t22 + α 5 xt1 xt 2 + u t

(2.1.2.13)

Následně je použit χ 2 -test, kdy v pomocném modelu postačuje nalézt koeficient determinace. Nulovou hypotézou tohoto testu je homoskedasticita. R 2 (T − k ) ~ χ 12−α ( m)

(2.1.2.14)

kde T je počet pozorování, k je počet parametrů a m je počet parametrů pomocného modelu bez interceptu. Nevýhodou tohoto testu je, že pokud je homoskedasticita zamítnuta, nenaznačí, jak tento problém řešit. [1] Breuchschův-Paganův test je konstruován naprosto shodně jako Whiteův test, tzn., využívá taktéž pomocný regresní model s následným χ 2 -testem, kdy je opět využito koeficientu determinace R 2 z pomocné regresní funkce. Tento

Metodika

19

test je taktéž využitelný v případech, kdy heteroskedasticitu způsobuje více vysvětlujících proměnných xi . [3] Multikolinearita Nejčastějším způsobem, jak zjistit multikolinearitu, je vyhodnocení hodnot párových korelačních koeficientů vysvětlujících proměnných xi . Pokud některý bude vykazovat absolutní hodnotu větší jak 0,8 popř. 0,9, multikolinearita je považována za přílišnou. Avšak tento nástroj selhává, pokud je využit model s více než dvěma regresory xi . , neboť i při nízkých hodnotách párových korelačních koeficientů může existovat významná závislost mezi třemi či více regresory. [4] Tento problém řeší např. VIF faktory. Postup je založen na pomocných regresích vysvětlujících proměnných, kdy je zvlášť pro každou i − tou vysvětlující proměnnou xi spočten dílčí koeficient determinace Ri2 . Např. pro x1 takto: x1 = α 0 + α 1 xt1 + α 2 xt 2 + α k xtk + u t

(2.1.2.15)

VIF hodnota proměnné je pak spočtena následovně: VIFi =

1 1 − Ri2

(2.1.2.16)

Pokud je VIF hodnota větší jak 10, vysvětlující proměnná xi je považována za multikolinearovanou. Výhoda faktoru VIFi je tedy v tom, že oceňuje velikost vzájemné závislosti regresoru xi se všemi ostatními k − 1 regresory. [3] Normalita reziduí V praxi nejpoužívanějším testem je test Jarque-Bera. Ten k testování využívá výběrové koeficienty šikmosti γˆ1 a výběrové koeficienty špičatosti γˆ 2 . Koeficient šikmosti γ 1 charakterizuje rozdělení náhodné veličiny kolem její střední hodnoty. Pokud je koeficient γ 1 = 0 , hodnoty jsou rovnoměrně rozloženy kolem její střední hodnoty. Koeficient špičatosti γ 2 porovnává zkoumané rozdělení s rozdělením normálním. Normální rozdělení tedy má koeficient γ 2 roven nule. Testovací statistika Jarque-Bera je následující: W = T(

γˆ12 6

+

γˆ22 24

)

(2.1.2.17)

Výsledná hodnota statistiky je následně porovnána s kritickou hodnotou χ 12−α s dvěma stupni volnosti. Nulovou hypotézou je v tomto případě normalita reziduí ε t ~ N(0, σ 2 ) . [1]

Metodika

20

Test specifikace Primární podmínkou v této práci je, že zkonstruované modely jsou správně specifikované. K tomuto ověření se nejčastěji využívá tzv. Ramseyův RESET test. Test nejdříve pomocí metody OLS odhadne koeficienty lineárního regresního modelu y t = β 0 + β 1 xt1 + β 2 xt 2 + β k xtk + ε t

(2.1.2.18)

Do modelu jsou následně přidány vysvětlující proměnné yˆ i2 a yˆ i3 . y t = β 0 + β 1 x t1 + β 2 xt 2 + β k xtk + β k +1 yˆ t2 + β k + 2 yˆ t3 + ε t

(2.1.2.19)

Z obou modelů je vypočtena reziduální suma čtverců RSS . V případě rovnice (2.1.2.18) se jedná o tzv. reziduální sumu čtverců pro omezený model RSS R , v rovnici (2.1.2.19) pak jde o tzv. reziduální sumu čtverců pro neomezený model RSSU . Samotným statistickým testem je F − test lineárního omezení.

F=

( RSS R − RSSU ) / d RSSU /(n − pU )

(2.1.2.20)

Kde d je rozdíl mezi počtem parametrů neomezeného a omezeného modelu, n je počet pozorování a pU je počet parametrů neomezeného modelu. Nulová lineární hypotéza je zamítnuta pokud F > F1-α ( 2, n − pU ). [3]


21

3 Literární přehled 3.1 Trh nemovitostí Je jen velice málo statků, jež by prostřednictvím své existence a cenového vývoje ovlivňovaly tolik oblastí ekonomiky jako nemovitosti určené k bydlení. Velmi významným způsobem zasahují do života lidí po celém světě, determinují jeho kvalitu a s tím související samotné formování osobnosti člověka. Uspokojení potřeby bydlení má nejen vliv na sociální rozvoj společnosti, ale taktéž na rozvoj ekonomický. Trh bydlení představuje nemalý podíl na národním hospodářství, a tak dále ovlivňuje mnoho firem, finančních institucí a v neposlední řadě taktéž politiku státu. Jsou rozlišovány tři základní funkce bydlení: 1. Biosociální funkce zajišťující: • ochranu obyvatelstva před nepříznivými vlivy přírody a nežádoucími vlivy civilizace, • prostor pro přípravu a spotřebu jídla, • prostor pro rodinný život a výchovu dětí, • prostor pro odpočinek.

2. Socioekonomická funkce umožňující: • navazování sousedských vztahů, • přípravu na práci, studium.

3. Sociokulturní funkce zajišťující: • realizaci zájmových aktivit a kulturního rozvoje. [5]

3.1.1

Specifika nemovitostního trhu

Analýza nemovitostního trhu je ztížena faktem, že nemovitosti mají své specifické charakteristiky, jež je odlišují od ostatních trhů v ekonomice. Jednotlivá specifika jsou definována následovně: • Heterogenita a komplexnost bydlení. Residenční nemovitosti (rodinné domy a byty určené k bydlení) jsou velmi různorodým zbožím. Odlišovat se mohou např. velikostí užitné plochy, stářím, použitým tipem materiálu apod. Komplexnost bydlení je pak vyjádřena přičleněním dalších prostor k domu, kterými mohou být např. garáž, zahrada, či dílna. Z velké části do ceny bydlení promlouvá samotné umístění domu a s tím související kvalita veřejného prostranství, vzdálenost do zaměstnání, či dostupnost kulturního zařízení. • Dlouhodobá životnost. Těžko si lze představit zboží dlouhodobější spotřeby než je nemovitost. V bytě či rodinném domě se často vystřídá několik generací.


22

• Nemovitost jako investice. Bydlení je považováno za jednu z nejnákladnějších investic v životě domácnosti. Domácnost tedy obvykle usiluje o takovou investici, která ji zajistí, že její budoucí cena se přinejmenším bude rovnat nákladům, které musela vynaložit. Domácnost se tak ve své podstatě rozhoduje, zda vstoupí na nájemní trh a bude „pouhým spotřebitelem“ tohoto statku, či se rozhodne vstoupit na trh vlastnického bydlení, čímž se zároveň stane investorem. [6] • Fixace prostoru. Toto specifikum je zřejmé ze samotné definice Občanského zákoníku. Dle ustanovení § 119 se nemovitostí rozumí pozemky a stavby, jež jsou spojeny se zemí pevným základem. Nemovitost je tedy oproti ostatním typům zboží, zbožím nepřenosným. [7] • Vysoké transakční náklady. Vyhledání, pořízení a s tím související přestěhování se do nového bydlení je spojováno s poměrně vysokými náklady, a to nejen peněžními, ale i náklady ve formě času či emocí. Výsledkem toho všeho je skutečnost, že trh nemovitostí se na změny v disponibilních příjmech lidí aklimatizuje pozvolna v porovnání se skutečností, kdyby tyto transakční náklady nebyly žádné. Literatura uvádí, že míra transakčních nákladů se pohybuje od 5-10 % ceny nemovitosti, zejména pak v okamžiku, kdy s pořízením nového bytu či rodinného domu je taktéž očekáván prodej stávajícího bydlení. • Nemožnost perfektní znalosti situace na trhu. Trh s bydlením je natolik rozsáhlý a heterogenní, že žádný potenciální kupec není schopen mít dokonalý rozhled o všech existujících nabídkách, jež jsou uveřejňovány developerskými a realitními společnostmi či samotnými vlastníky bydlení. Nemůže mít tedy dokonalou znalost o všech cenách bydlení, ale i jeho jednotlivých charakteristikách. • Zásahy ze strany státu. Jedná se o přijatou bytovou politiku, kdy stát díky ní usiluje o zajištění minimálního požadovaného standardu všem příjmovým skupinám lidí v daném státě, ochránit nájemníky před přílišnými výkyvy nájemného ze strany vlastníků bydlení, či před přílišnými výkyvy úroků u hypotečních úvěrů. • Ovlivnění uspokojení řady dalších potřeb. Bydlení kromě základní potřeby, kterou je „zajištění si střechy nad hlavou“, ovlivňuje dále kvalitu uspokojení celé řady dalších potřeb jako je např. vzdělání, zdraví či práce. Dá se shrnout, že bydlení je budovatelem prostředí, jež ovlivňuje sociální vývoj člověka, jak již také bylo dříve uvedeno. [6]

3.1.2

Poptávka po bydlení

Volba poptávky po bydlení nevznikne většinou jako volba jediné osoby, ale jako volba celé domácnosti. První rozhodnutí ležící na domácnosti je, zda vstoupit na trh nájemního bydlení, či bydlení vlastnického tzv. tenure choice.


23

Toto rozhodování je ovlivňováno mnoha faktory: 1. Finanční faktory • • • •

očekávaný vývoj budoucích příjmů, monetární politika státu, předpokládané zhodnocení bydlení jako investice v budoucnu, transakční náklady. [6]

Tento faktor je velmi významný, kdy poptávka po rodinných domech/bytech je určena příjmovou úrovní příslušné domácnosti, hlavně pak jejich budoucím očekáváním ohledně jejich dalšího vývoje. Budoucí očekávání ohledně příjmů je pro domácnost důležité z toho důvodu, že investice do rodinného domu/bytu je nákladnou záležitostí a její návratnost má dlouhodobější charakter, ostatně jak už bylo napsáno výše. Aktuálně prováděná monetární politika státu taktéž domácnost při rozhodování ovlivňuje, neboť pokud se rozhodne, že vstoupí na trh vlastnického bydlení, většinou kromě svých úspor dále využije zdrojů dostupných na finančních trzích. A cena tohoto kapitálu (úrok) do jisté míry monetární politikou ovlivňována je. [8] 2. Sociální a demografické faktory • ekonomická aktivita, • status domácnosti, • demografické trendy. [6]

Pro určité typy domácností, jejichž zaměstnání jim dává určité postavení ve společnosti, může být nepřijatelné žít v nájemním bydlení. Ty pak rovnou zamíří na trh vlastnického bydlení. Dalším faktorem je ekonomická aktivita. Samotný typ práce respektive jeho požadavek na mobilitu je předurčujícím faktorem, zda domácnost zamíří na trh vlastnického či nájemního bydlení. To znamená, že osoby, které se často kvůli práci stěhují, budou spíše volit nájemní bydlení. V neposlední řadě jsou to demografické trendy, jež samotnou poptávku determinují. Mladí lidé většinou požadují blízkost společenského centra, a proto budou spíše častěji volit nájemní bydlení. Většinou se také jedná o jejich první samotné bydlení po odchodu od rodičů a pro tzv. startovní bydlení nabízí nájem větší flexibilitu. Současné trendy odkládání sňatku či narození prvního potomka taktéž pravděpodobně zvyšují poptávku po nájemním bydlení. [8] 3. Politika státu V neposlední řadě, je poptávka determinována zásahy státu do této oblasti. Jedná se např. o daňovou politiku. Lux uvádí, že zdanění finančního příjmu zvyšuje cenu nájmu, protože se cena z nájmu musí vyrovnat zvýšeným mezním nákladům z nájemního bydlení. Zdaňován je tedy i příjem z nájemného (explicitní nájem). Domácnosti, které užívají vlastnického bydlení, teoreticky obdrží přínos ve formě skrytého (implicitního) nájemného, který se nedaní. Jejich celkový příjem bude tedy vyšší. Z výše popsaného důvodu se mohou domácnosti rozhodnout pro bydlení vlastnické. Dalším faktorem je pak podpora bytové výstavby. [8]


24

Ve chvíli, kdy domácnost učiní volbu mezi nájemním a vlastnickým bydlením, je nucena se dále rozhodnout, jaké množství bydlení bude spotřebovávat při zohlednění svých preferencí a příjmovém omezení. Na tomto základě pak lze odvodit samotnou poptávku po bydlení. Křivka poptávky pak zachycuje vztah mezi tržní cenou bydlení a jeho poptávaným množstvím. V grafickém vyjádření je znázorněn klesající křivkou, kdy s růstem tržní ceny bydlení klesá množství bytů/rodinných domů, které společnost poptává. Obr. 1 Poptávka po bydlení

Zdroj: Poláková, O: BYDLENÍ A BYTOVÁ POLITIKA. 2006

Souhrnná poptávka je tak dána počtem bytů/rodinných domů, které si kupující chtějí pořídit a cenami, za které jsou ochotni tyto nemovitosti koupit. Sklon a umístění křivky je určeno elasticitou poptávky. Sklon křivky určuje cenová elasticita, jež udává procentní změnu poptávaného množství určitého zboží v důsledku procentní změny v jeho ceně. E PD =

% ∆Q % ∆P

(3.1.2.1)

Posun poptávky je určen důchodovou elasticitou, jež udává procentní změnu poptávaného množství určitého zboží v důsledku procentní změny důchodu spotřebitele. [6] E ID =

% ∆Q % ∆I

(3.1.2.2)

Poptávka po bydlení je považována za cenově a příjmově neelastickou. Přičemž cenová elasticita se pohybuje v rozmezí - 0,7 až - 0,9 a důchodová elasticita v rozmezí 0,6 až 0,8. [8]


3.1.3

25

Nabídka bydlení

Nabídka je obdobně jako poptávka ovlivněna celým množstvím faktorů. Faktory jsou dány specifiky nemovitostí, které jsou uvedeny v kapitole 3.1.1. Za nejvýznamnější lze považovat: • prostorovou zakořeněnost a svázanost s trhem pozemků, • velkou diferenciaci výrobku, • dlouhý čas výstavby, • vysoký stupeň státních zásahů. Nabízející na tomto trhu jsou omezeni prostorovou zakořeněností nemovitostí a jejich svázaností se stavebním pozemkem. Právě stavební pozemek je tím, který limituje zamýšlenou plánovanou výstavbu, neboť jejich počet je omezený a znovu nereprodukovatelný. Prostorová zakořeněnost nemovitosti pak předurčuje fakt, že dům či byt je nepřemístitelný, a tedy nabízející nemá možnost nabídnout dané bydlení v jiném místě než je dům či byt umístěn. Tato skutečnost je pak pro samotné nabízející negativním faktorem. Diferenciace bydlení je dalším důležitým faktorem. Domy, ale i samotné byty se mohou odlišovat např. různými typy použitých materiálů při výstavbě, velikostí užitného prostoru či jejich lokalizací. Pokud si vezmeme např. lokalizaci bytu, tak může nastat situace, že nabízející prodává byty v bytovém domě, ve kterém jsou některé situovány na severní stranu a ostatní na stranu jižní. Prodávající může zaznamenat zvýšenou poptávku po bytech umístěných na jih, zatímco jejich alternativa (substitut) poptávána nebude. Diferenciace tohoto zboží tedy klade vyšší nároky na nabízející. Jestliže prodávající nenabízí rodinné domy/byty již postavené, měl by také brát na zřetel poměrně dlouhý čas výstavby, který se pohybuje v řádu několika měsíců až let. V neposlední řadě jsou to již zmiňované státní zásahy pomocí realizace bytové politiky. [6] Při odvozování nabídkové křivky bydlení je nutné rozlišovat mezi krátkým a dlouhým obdobím. V krátkém období je nabídková křivka považována za zcela neelastickou. Důvodem je, že počet bytů/rodinných domů je konstantní (nová výstavba se vyznačuje časovou a finanční náročností). Pokud tedy u domácností dojde např. ke zvýšení jejich příjmů a následnému zvýšení poptávky, výsledek bude takový, že dojde pouze ke zvýšení tržní ceny těchto nemovitostí při nezměněném množství. Ve středně dlouhém období již má nabídka určitý čas reagovat na zvýšenou poptávku. Ke stávající nabídce tak přibude nabídka nová ve formě různých přístaveb a rekonstrukcí, u které nejsou nutné dodatečné investice do koupě stavebního pozemku či infrastruktury. V dlouhém období je již dostatečný čas na zapojení všech výrobních faktorů. Trh tak může nabídnout nejen stávající rodinné domy/byty, ale i zcela novou výstavbu.


26

Ve středně dlouhém a dlouhém období tak nabídka již vykazuje jistou míru elasticity. [8] Obr. 2 Tvar nabídkových křivek

Zdroj: LUX, M: Mikroekonomie bydlení. 2002

Souhrnná nabídka je tak dána počtem bytů/rodinných domů, s kterými nabízející vstupují na trh a cenami, za které jsou ochotni tyto nemovitosti prodat. Cenová elasticita pak udává procentní změnu nabízeného množství určitého zboží v důsledku procentní změny v jeho ceně. [6] E PS =

3.1.4

% ∆Q % ∆P

(3.1.3.1)

Fungování trhu s bydlením

Jestliže je bydlení považováno za standardní zboží, můžeme rovnováhu na tomto trhu odvodit na základě tržní rovnováhy, která je popisována v ekonomické teorii. Trh vykazuje rovnovážný stav v okamžiku, kdy se nabídka rovná poptávce. Takovýto střet nabídky a poptávky, pak utváří rovnovážné množství a rovnovážnou tržní cenu. Jedná se o cenu, za kterou jsou dané množství statku nabízející ochotni prodat a zároveň je současně tato cena akceptována ze strany kupujících. Vzhledem k různým sklonům (elasticitě) nabídky v jednotlivých obdobích bude utváření rovnováhy následující. Pokud budeme uvažovat zvýšení disponibilního příjmu domácností, tak dojde k posunu poptávkové křivky doprava (pozitivní efekt). Křivka DD , jak je uvedeno v obrázku č. 3 se posune směrem doprava do D´D´ . Sklon křivky D´D´ je dán tím, že růst poptávky díky růstu disponibilního příjmu bude vyšší u bydlení, jehož tržní cena je nižší než u bydlení s vyšší tržní cenou. Nabídka v krátkém období nemá jak reagovat (nabízen je pouze stávající bytový fond), a proto dojde pouze k růstu tržní ceny na p k


27

a množství bydlení zůstane nezměněno. Ve středně dlouhém období, jak již bylo napsáno, je nabídka schopna částečně reagovat. Dochází tak ke snížení ceny na p s . V dlouhém období po zapojení všech výrobních faktorů se nabídka zcela poptávce přizpůsobí. Rovnovážný stav pak nastává v průsečíku křivek S D a D´D´ při rovnovážné tržní ceně p d a množství q d . Výsledná změna tržní ceny bydlení je tak v dlouhém období určena důchodovou a cenovou elasticitou poptávky, cenovou elasticitou nabídky a samotným růstem disponibilního příjmu. Obr. 3 Tvorba rovnováhy na trhu s bydlením

Zdroj: LUX, M: Mikroekonomie bydlení 2002

V realitě se však názor na produkci a zejména cenu tohoto zboží mezi prodávajícími a kupujícími odlišuje, a proto výše popsaná rovnovážná situace je poněkud vzácná. [6] 3.1.5

Subjekty na trhu bydlení

Základním subjektem jsou bezesporu domácnosti, bez nichž by trh bydlení nemohl existovat. Každá domácnost disponuje vlastními finančními zdroji ve formě úspor. Tyto úspory však mohou být omezené a nemusí postačovat k zaplacení plné kupní ceny bydlení. Tento problém pak domácnosti řeší vstupem na finanční trh a využívají služeb peněžních ústavů (bank, stavebních spořitelen). Rodinný dům/byt pak slouží jako zástava, kterou příslušný peněžní ústav uplatní v případě, že klient se dostane do finančních problémů a půjčku (úvěr) není schopen splácet. Výše půjčky, kterou domácnost může získat, se tak mimo jiné odvíjí od ceny této zástavy. Mimo domácnosti, jež vstupují na tento trh, aby uspokojily jednu ze svých základních potřeb, vstupují taktéž na poptávkovou stranu další investoři, kteří neuskutečňují primárně nákup za účelem bydlení, ale za účelem změn cenového


28

vývoje s možností pronájmu během doby držení. Ti pak nakupují nemovitosti s očekáváním, že v budoucnu jejich cena poroste a jejich následným prodejem realizují zisk. Takovéto investory pak můžeme nazvat spekulanty. Část této poptávky je pak hlavní příčinou cenových bublin. Na straně nabídky se pak jedná o stavební firmy (developery), které zajišťují samotnou výstavbu. Jejich hlavním cílem na tomto trhu je realizace zisku. Domy/byty, které developeři postaví, ihned prodají, anebo je využijí k pronájmu. Dalším subjektem, který vstupuje na tento trh s primárním cílem realizovat zisk, jsou realitní kanceláře, které jsou mezičlánkem mezi prodávajícími a kupujícími. Jak už bylo uvedeno, bydlení je velmi různorodé a k jejich prodeji či nákupu je zapotřebí získat značný počet informací, jejichž opatření může být pro jednotlivce nákladné jak z časového, tak finančního hlediska. Nezanedbatelnou roli taktéž hraje stát. Ten působí jako investor, jehož snahou je zajistit bydlení pro sociálně slabší obyvatele ve společnosti a také jako tvůrce bytové politiky (např. poskytování příspěvku na bydlení). V neposlední řadě může trh bydlení ovlivňovat pomocí monetární politiky (např. pomocí úrokových sazeb určovaných centrální bankou) a fiskální politiky (např. prostřednictví daní). Snahou státních intervencí by tedy mělo být zajištění takového stavu, který zabezpečí na jedné straně správnou funkci trhu a na straně druhé dostupnost bydlení pro sociálně slabší skupinu obyvatel ve společnosti. Posledním subjektem jsou zájmové organizace, jež chrání zájmy určité skupiny obyvatel. V prostředí České republiky se např. jedná o Sdružení na ochranu nájemníků (SON) či Občanské sdružení majitelů domu (OSMD). [6]

3.2 Poznatky ze zahraničí Následující kapitola je zaměřena na zahraniční studie zkoumající vliv nabídkových a poptávkových faktorů na cenu nemovitostí. Égert a Mihaljek zkoumali determinanty cen nemovitostí ve střední a východní Evropě a zemích OECD. Jednalo se o osm tranzitivních ekonomik střední a východní Evropy (CEE) a 19 vyspělých zemí OECD. Hlavním cílem této studie bylo kvantitativní posouzení, zda základní determinanty cen nemovitostí hrají klíčovou roli v pozorovaném dynamickém vývoji cen nemovitostí. Metodu, kterou použili, jsou Panel DOLS odhady. Za klíčové faktory na straně poptávky považují příjem domácností, reálnou úrokovou míru, objem úvěrů, demografické faktory a faktory trhu práce a další poptávkové faktory, jako např. umístění či stáří bytu (kvalita bytu) či finanční inovace na hypotečním trhu. Klíčové faktory na straně nabídky pak představují náklady na stavbu, cena pozemku, mzdy stavebních dělníků, či množství nových bytů. Ve sledovaném vzorku vypozorovali velké rozdíly v cenách nemovitostí u jednotlivých zemí. V roce 2005 se ceny bytů za m² v hlavních městech České republiky, Chorvatska či Slovinska pohybovaly okolo 1100 - 1300 EUR.


29

V Bulharsku a Litvě 800 – 900 EUR. Naopak cena ve Španělsku a Francii se pohybovala kolem 5000 EUR. Tento počáteční rozdíl byl doplněn silným vývojem základních fundamentů. Za období 1995 – 2005 vzrostl hrubý domácí produkt průměrně o 50 % ve střední Evropě (Česká republika, Maďarsko, Polsko a Slovinsko), o 40% v jihovýchodní Evropě (Bulharsko a Chorvatsko) a o více než 100% v Estonsku a Litvě. Nominální úrokové sazby z dlouhodobých bankovních úvěrů domácností poklesly o více než 30% v průměru v roce 1995 na zhruba 13% v roce 2000, a mírně nad 6% v roce 2005. Reálné úrokové sazby se snížily ve stejném období z 16% na 3,5% ve většině zemí. Autoři očekávali, že ceny nemovitostí v CEE porostou poměrně rychle. Přes ostré poklesy úrokových sazeb a velký růst příjmů zaznamenaly dvouciferný meziroční růst cen nemovitostí v tomto období pouze Česká republika a Estonsko. Změna nastala v roce 2002, kdy ceny nemovitostí v CEE zemích začaly růst dvouciferně s pokračujícím růstem příjmů a poklesem úrokových sazeb. Např. v Litvě a Estonsku rostly nominální ceny nemovitostí meziročně o 24 – 36 %. Vývoj nevídaný u vyspělých zemí. Autoři z tohoto pozorování usoudili, že příjem a úroková míra hrají poměrně důležitou roli u vývoje cen nemovitostí, nicméně jsou tu zřejmě i jiné další faktory, které zapříčinily jejich zrychlený růst. Jedním z nich je růst úvěrů na bydlení, které se zvýšily v průměru o 34 % za období 2000 – 2006. Obdobný vývoj těchto determinant byl pozorován u některých vybraných zemí OECD. Např. ve Španělsku či Finsku. HDP se v těchto zemích zvyšovalo o 5,5 % v průměru za rok během 1995-2001 a o 4,5 % ročně od roku 2002. Stejně jako ve střední a východní Evropě byl pokles úrokových sazeb velmi výrazný. Podobně i ceny nemovitostí začaly výrazněji zrychlovat od roku 2002. Přispívatelem zde opět může být i rychlý růst úvěrů. Demografické faktory a trh práce. Bylo dokázáno, že mezi vyspělými zeměmi (skandinávské země, Nizozemsko, Irsko) tyto faktory táhly poptávku po nemovitostech, zejména v první polovině 20. století. Země střední a východní Evropy zaznamenaly boom v porodnosti v 70. a 80. letech. Tito lidé jsou nyní v hlavním výdělečném věku a vstupují na trh s nemovitostmi, a tak poskytují podstatný podnět pro zvýšení poptávky po bydlení. Další faktor, který má vliv na cenovou dynamiku je omezená nabídka nových domů. Po mnoho dekád byl to právě veřejný sektor, který byl prioritním dodavatelem nového bydlení ve střední a východní Evropě. Ten postupně začal ustupovat od nové výstavby v 90. letech v důsledku omezených veřejných výdajů. Vzniklou mezeru začaly zabírat soukromé firmy. I přesto nabídka byla v některých zemích nedostatečná v důsledku nedostatečných územích plánů. Proto také z tohoto důvodu Bulharsko, Litva a Estonsko zaznamenaly nejrychlejší růst cen. Nabídka zde byla mnohem nižší než v západoevropských zemích, jako je Dánsko či Francie. Nový faktor, který zasahuje do poptávky po bydlení je růst vnější poptávky. Neoficiální důkazy ukazují, že zahraniční poptávka po bydlení ve střední a východní Evropě je stále relativně malá ve srovnání například se Španělskem. Po-


30

kud nabídka nemovitostí zůstane stejná, a k domácí poptávce se připojí i poptávka zahraniční, tak to vyvolá tlak na růst jejich cen. Égert a Mihaljek se pomocí ekonometrického modelu snažily vysvětlit reálnou cenu domu reálným příjmem (HDP na obyvatele) a reálnou úrokovou sazbou. Jejich očekávání bylo takové, že cena nemovitostí bude pozitivně korelována s reálným příjmem a negativně korelována s reálnou úrokovou sazbou. K těmto proměnným pak postupně přidali 3 proměnné týkající se trhu práce a demografických faktorů – nezaměstnanost, podíl obyvatel v produktivním věku na celkovém počtu obyvatel a podíl pracovní síly na celkovém počtu obyvatel. Další veličina, která byla zahrnuta, byl podíl úvěrů na HDP. Při jejich odhadech vznikala silná multikolinearita této proměnné s reálnou mzdou. Proto se rozhodli vytvořit zvlášť rovnici, kde bude zahrnut podíl úvěrů na HDP místo reálného příjmu. Pro ukazatel zvýšení kvality bydlení použili nepřímý ukazatel reálné mzdy jako široké zastoupení pro změnu v kvalitě bydlení. Z ekonometrického hlediska opět identifikovali silnou korelaci mezi HDP na obyvatele a reálnými mzdami. Při použití reálné mzdy jako proxy proměnné pro kvalitu bydlení, vyloučili HDP na obyvatele z regrese. Snahy autorů při hledání ukazatelů charakterizující vnější poptávku po nemovitostech byly neúspěšné. Výsledky zkoumané regrese: HDP na obyvatele je velmi významné a má očekávané pozitivní znaménko prakticky ve všech regresích, což naznačuje, že změny v příjmu jsou silně pozitivně související se změnami cen rezidenčních nemovitostí. Dalším důležitým výsledkem je, že u této proměnné je elasticita cen nemovitostí mnohem vyšší v transformujících se zemích než ve vybraných zemích OECD. Je až dvojnásobná. Reálné koeficienty úrokových sazeb ve většině případů mají očekávané negativní znaménko a jsou statisticky významné, což naznačuje, že snížení reálných úrokových sazeb je spojeno s rostoucími reálnými cenami nemovitostí. Vliv úrokové sazby na cenu nemovitostí je opět vyšší v transformujících se ekonomikách. Se stejným poklesem reálných úrokových sazeb ceny nemovitostí ve střední a východní Evropě mají tendenci se zvýšit až o 2,5 krát více než v zemích OECD. Úvěry na bydlení mají silný pozitivní vztah s cenami nemovitostí, a to jak v zemích OECD tak v transformujících se ekonomikách. V tomto případě ceny domů v zemích OECD reagují na změny v úvěrech zhruba dvakrát silněji než v ekonomikách střední a východní Evropy. Studie taktéž prokázala, že obyvatelstvo, pracovní síla a nezaměstnanost v zemích OECD jsou významné a mají očekávané příznaky. Obyvatelstvo a pracovní síla jsou pozitivně korelovány a nezaměstnanost má s cenou nemovitosti negativní korelaci. Ve střední a východní Evropě pro „slow“ země (Česká republika, Chorvatsko, Maďarsko, Polsko, Slovinsko) existuje významný parametr se správným kladným znaménkem pouze mezi obyvatelstvem a cenou nemovitostí.


31

Ve střední a východní Evropě pro „fast“ země (Litva, Estonsko, Bulharsko) je předpokládaný vztah potvrzen pro pracovní sílu a nezaměstnanost. Velikost odhadovaných koeficientů u těchto demografický faktorů a faktorů trhu práce je vyšší v zemích CEE, než v zemích OECD. Tudíž změny těchto proměnných ovlivní ceny nemovitostí v zemích CEE více. Reálné mzdy, které použili jako široké zastoupení pro kvalitu bydlení jsou pozitivně korelovány s reálnými cenami domů. Tento výsledek platí pro všechny země. (CEE – koeficient 0,015 a OECD – koeficient 0,009) Výsledky proměnné reálné mzdy jako důležité součásti stavebních nákladů a zároveň přiměřeně odrážející zlepšení kvality bydlení, podporuje názor, že lepší kvalita bydlení měla větší dopad na ceny domů v těch zemích, kde kvalita bydlení byla původně nižší. [9] Další studií, na kterou se zaměřím, zpracoval Florian Kajuth. Ve své studii se zaměřuje opět na základní proměnné mající vliv na ceny nemovitostí za období 1975 – 2008. V tomto případě odděleně sleduje stranu nabídky a poptávky. Poptávku po bydlení vysvětluje pomocí ceny nemovitosti, disponibilního příjmu na obyvatele, populací a pomocí hypoteční úrokové sazby. Přičemž předpokládá, že pokud cena nemovitosti zdraží, poptávka poklesne. Zvýšení úrokové míry bude mít stejný efekt. Naopak růst příjmu či populace poptávku po bydlení zvýší. Nabídku bydlení vysvětluje pomocí ceny nemovitostí, stavebních nákladů a krátkodobou úrokovou mírou. Dle jeho názoru je poměrně velké množství stavebních prací financováno krátkodobými úvěry. Předpokládá, že při vyšších cenách vzroste nabídka domů, zatímco vyšší náklady a krátkodobá refinanční úroková míra by měla nabídku snižovat. Pomocí těchto rovnic (S=D) dostává rovnovážný stav pro cenu nemovitostí. Jako vysvětlovanou proměnnou pro nabídku i poptávku po nemovitostech zvolil proxy ukazatel, a to stavební povolení měřené v m³. Vliv byl testován zvlášť jak pro nominální veličiny, tak reálné veličiny. U nominálního vyjádření je poptávka po nemovitostech shodná s autorovou prvotní specifikací. Poptávka negativně závisí na ceně stávajících nemovitostí a nominální úrokové míře, pozitivně na příjmech a populačním růstu. Nabídku pozitivně ovlivňuje cena stávajících domů a negativně stavební náklady. Krátkodobé refinanční úrokové sazby byly nevýznamné nebo nenaznačovali správný směr. U zavedení regrese v reálných podmínkách jsou výsledky obdobné. Avšak zde je krátkodobá refinanční míra signifikantní s negativním znaménkem, na druhé straně zde není významná hypoteční úroková míra na poptávkové straně. Poslední část práce prezentuje vliv těchto činitelů na cenu nemovitostí, které byly odvozeny z poptávkových a nabídkových rovnic. Jsou srovnány implicitní koeficienty ze strukturálního GMM odhadu s koeficienty, které vyplývají z OLS odhadů. U nominální ceny nemovitostí jsou implicitní GMM odhady podobné s OLS odhady, co se týče směru působení. Odlišnosti jsou pak ve výši koeficientů. OLS


32

odhaduje dopad disponibilního důchodu na cenu stávajícího domu zhruba polovinou pocházející z GMM odhadu. Totéž platí pro vliv populačního růstu. Stavební náklady mají pozitivní vliv na cenu nemovitostí s obdobnou výší koeficientů jak pro strukturální GMM odhad tak pro OLS odhad. Úrokové sazby jsou jak u MGM tak OLS odhadu nevýznamné. Stejný způsob byl vytvořen pro reálné ceny nemovitostí. Opět je zde populační růst hlavním tahounem reálných cen nemovitostí. Významné se správným znaménkem jsou také reálné mzdy a stavební náklady. Na rozdíl od nominální specifikace, krátkodobé úrokové sazby z úvěrů firem mají malý vliv na reálné ceny stávajících nemovitostí u MGM odhadu. Z výsledné studie je patrné, že nejvýznamnějšími faktory vysvětlující ceny u stávajících nemovitostí jsou populační růst, příjem obyvatel a stavební náklady. [10] Deniz Igan a Prakash Loungani v jedné části článku Global housing prices taktéž zkoumali hlavní hnací zdroje cen nemovitostí. Zaměřili se přitom na 22 států světa. Zahrnuli vybrané evropské, asijské a americké země. Vývoj cen a jejich základní fundamenty sledovali v období 1970 – 2010. Metodu, kterou ke zkoumání využili, byl OLS odhad pro každou zemi. Jako vysvětlující proměnné zahrnuli disponibilní důchod, populaci v produktivním věku, ceny akcií, objem úvěrů a úroveň krátkodobých a dlouhodobých úrokových sazeb. Jako vysvětlovaná proměnná byla zvolena mezičtvrtletní změna reálné ceny nemovitostí. Vysvětlující proměnná obyvatelstvo byla zkonstruována jako meziroční změna obyvatel v produktivním věku, disponibilní příjem jako mezičtvrtletní změna reálného příjmu, cena akcií jako změna ceny akcií přes předminulý rok, bankovní úvěry jako meziroční změna bankovních úvěrů. Období, za které jsou změny vypočteny, volili tak, aby přenos změny v těchto proměnných měl dostatek času mít dopad na ceny nemovitostí. Úrokové míry neupravovali. Poslední proměnnou byla finanční dostupnost za předchozí období, vypočtena jako poměr ceny domu k disponibilnímu příjmu. Všechny proměnné až na úrokové míry konstruovali na logaritmické úrovni. Z těchto proměnných je patrné, že se snažili o zachycení vlivu poptávkových faktorů na cenu nemovitostí. Předpokládaly přitom, že s růstem příjmů by poptávka po nemovitostech měla růst. Dále došli k názoru, že příjmový poptávkový šok může tlačit ceny nemovitostí příliš vysoko v závislosti také na tom, jaká je elasticita nabídky. Při příliš vysokých cenách by se finanční dostupnost bydlení zhoršila, což by zapříčinilo pokles poptávky a ceny nemovitostí by se vrátily na svoji rovnovážnou úroveň. Podle autorů se jedná o korekční mechanismus odrážející rovnovážnou úroveň cen nemovitostí určených ekonomickými fundamenty jako je růst příjmů, demografický vývoj a dostupnost úvěrů. Krátkodobé výchylky podle nich mohou nastat např. změnou na finančních trzích. Z výsledků jejich regresní analýzy lze shrnout, že odhadované koeficienty proměnných mají očekávaná znaménka. Finanční dostupnost je negativně sou-


33

visející se změnou cen pro 18 zemí ve zkoumaném vzorku a změny v disponibilním příjmu vstupují do rovnice s kladným znaménkem u 21 zemí. U těchto proměnných s očekávaným znaménkem jsou také tyto fundamenty u většiny zemí statisticky významné. Pozitivní vztah je také zaznamenán u populačního růstu, a to u 19 z 22 zemí. Statistická významnost je zhruba u 1/3 zemí. Výsledky tedy naznačují, že u většiny zemí růst populace a růst příjmů podporuje růst cen nemovitostí. Na druhé straně je zde tendence ke zpomalování jejich růstu, tím jak ceny nemovitostí rostou rychleji než příjmy, čímž se zhoršuje finanční dostupnost bydlení. Další proměnnou, která má očekávané kladné znaménko pro 20 zemí, jsou bankovní úvěry soukromého sektoru se statickou významností u 60 % zemí. Zdá se tedy, že větší počet úvěrů podporuje růst cen. V kontrastu toho, úrokové sazby tak jednoznačná znaménka nemají. Negativní vztah je pozorován u dlouhodobých úrokových měr u 14 zemí se statickou významností pouze u 5 z nich. Obdobný charakter vykazují i krátkodobé úrokové míry. Pozitivní vztah mezi úrokovou mírou a cenou nemovitostí autoři vysvětlují jako možnou reakci restriktivní monetární politiky na přehřátou ekonomiku. U poslední proměnné ceny akcií je pozitivní vztah u 14 zemí se statickou významností u 8 z nich. Pozitivní vztah vysvětlují převažujícím optimismem ohledně vyhlídek ekonomiky a očekávanými budoucími vyššími příjmy. Toto očekávání pak stimuluje poptávku po nemovitostech. Na druhé straně vysvětlují i možný negativní vztah mezi cenami akcií a nemovitostmi tím, že růst cen akcií může zapříčinit větší přesun domácností z trhu nemovitostí právě na akciový trh. Autoři dospěli k závěru, že vliv sledovaných fundamentů se liší napříč jednotlivými zeměmi. Z jejich regresní analýzy vyplynulo, že takto zkonstruovaný model je nejméně vhodný pro Itálii s koeficientem determinace 0,11, naopak vhodný je pro Norsko s koeficientem determinace 0,67. [11] Poslední studií, na kterou se zaměřím, byla zpracována autory Lei WU a XiaoPing ZHENG. Ve své práci studovali determinanty cen pozemků a bytů v 35 velkých čínských městech za období 2003 – 2008. Ekonometrické metody, které zvolili, byli OLS, 2SLS, a 3SLS odhady. Pokud se zaměřím na cenu bytů, tak ji popsali jako funkci ceny pozemku, disponibilního příjmu, úrokové míry a vývoje městské populace. Autoři jsou toho názoru, že cena pozemku a cena bytu má obousměrný vliv. Z tohoto důvodu aplikovali právě 2SLS a 3SLS odhady, které se aplikují na vícerovnicovou regresní analýzu. Kromě rovnice pro cenu bytů tedy vytvořili rovnici pro cenu pozemků, kde jako vysvětlující proměnné zahrnuli cenu bytů, úrokovou míru a výši příjmů, které vláda získá za poskytnutí práva k užívání daného pozemku. Odhadované výsledky všech metod naznačují, že jsou konzistentní s těmi, které autoři předpokládali. Pro rovnice cen bytů odhadované výsledky ukazují, že ceny pozemků mají pozitivní a významný vliv na ceny bydlení. To je v souladu s teoretickým předpokladem autorů, že vyšší cena půdy sníží nabídku bytů, která tlačí nahoru rovnovážné ceny bydlení.


34

Úroková sazba má pozitivní vliv na ceny bydlení. Tuto skutečnost autoři interpretovali tím, že vyšší úrokové sazby by zvýšily náklady na stavbu bytu a zvýšily tak jejich cenu. Disponibilní příjem je pozitivní a statisticky významný pouze u 3SLS odhadu. Populační růst je pozitivně korelován s cenou bytu a je statisticky významný. Oba tyto parametry jsou v souladu s teoretickým očekáváním. To znamená, že jejich růst vyvolá růst poptávky po bytech, která pak tlačí jejich ceny vzhůru. Závěrem lze shrnout, že u vývoje cen bytů ve velkých čínských městech hraje významnou roli cena pozemku, úroková sazba hypoték a v menší míře růst populace. [12] Společným rysem těchto studií je, že se snaží vysvětlit vývoj cen nemovitostí na základě fundamentálních činitelů. Ty rozdělují na nabídkové a poptávkové. Přičemž u vysvětlování cenové dynamiky nemovitostí sehrály větší roli faktory poptávkové. Všichni autoři ve svých studiích zahrnuli na poptávkovou stranu faktory demografické, faktory finančního trhu a faktory trhu práce. Důležitými faktory na straně nabídky jsou podle první studie náklady na stavbu, ceny pozemků či množství nových bytů. Autoři se ale o těchto faktorech pouze zmiňují. V práci Floriana Kajutha se jako významné ukázaly stavební náklady. Třetí studie bere v úvahu pouze vliv poptávkových faktorů. A konečně čínští autoři Lei WU a Xiao-Ping ZHENG zahrnuli do své analýzy cenu pozemků, která se v jejich případě ukázala jako významný faktor. Pro zkoumání determinant cen nemovitostí v českém prostředí byly v této práci zařazeny jak poptávkové, tak nabídkové faktory. Výběr jednotlivých fundamentů byl limitován dostupností dat pro jednotlivé kraje České republiky. Na poptávkovou stranu byly vybrány faktory demografické, faktory finančního trhu a faktory trhu práce. Dále jako poptávkový faktor bylo vybráno tržní nájemné. I když tuto veličinu žádní z výše uvedených autorů neuvažovali, byla zahrnuta z důvodu přesvědčení, že i ona může určitým způsobem determinovat ceny nemovitostí z důvodu substitučního vztahu mezi vlastnickým a nájemním bydlením. Pro nabídkovou stranu byly vybrány dva faktory, a to konkrétně ceny stavebních pozemků, a množství dokončených bytů. Následující kapitola shrnuje dosavadní vývoj těchto faktorů v českém prostředí.

Vlastní práce

35

4 Vlastní práce 4.1 Výběr proměnných pro regresní analýzu Ceny rezidenčních nemovitostí Sledováním a zachycením cen nemovitostí se v České republice zabývá několik institucí. Nejdéle ceny na našem území sleduje Český statistický úřad, a to od roku 1998. Ten publikuje data ohledně tzv. „realizovaných“ cen nemovitostí. Realizovanou (převodní) cenu získává ve spolupráci s Ministerstvem financí ČR, které spravuje databázi ohledně daňových přiznání k dani z převodu nemovitostí. Nespornou výhodou tedy je, že tímto způsobem jsou získány ceny skutečně zaplacené. Údaje o těchto cenách jsou veřejnosti poskytovány s roční periodou, jako průměrná převodní cena za m² (např. v případě bytů) či m³ (např. v případě rodinných domů). Údaje zveřejňuje v krajském členění za jednotlivá období, dle velikosti obcí (obyvatel) a dle míry opotřebení. Pro zachycení cenového vývoje v čase pak ČSÚ z realizovaných cen konstruuje cenové indexy, které kvalitativně očišťuje o rozdíly faktorů (jako opotřebení, velikost nemovitosti) determinující ceny nemovitostí mezi jednotlivými čtvrtletími. Ceny poskytuje za následující nemovitosti – rodinné domy, byty, bytové domy a stavební pozemky. Dále pak zveřejňuje za tyto nemovitosti úhrnný cenový index. Všechny indexy jsou veřejně dostupné s čtvrtletní periodou. ČSÚ taktéž nově publikuje indexy nabídkových cen bytů a to počínaje rokem 2005. Přičemž při jeho konstrukci vychází z odhadnutých nabídkových cen bytů se čtvrtletní periodou. Nicméně index je konstruován pouze za Českou republiku a Prahu. [13] Další, kdo sleduje ceny nemovitostí je Hypoteční banka. Na základě zkonstruovaného HB indexu přináší údaje o tržních cenách nemovitostí v kategoriích: rodinné domy, byty a pozemky. Přičemž při konstrukci jednotlivých indexů bere v úvahu tržní odhady, které byly vytvořeny pro její klientelu, která si příslušnou nemovitost obstarala za pomoci hypotečního úvěru. Výhodou je rychlost zveřejňování, neboť cenové indexy je schopna poskytnout ihned po skončení každého čtvrtletí. Na rozdíl od ČSÚ, jež zveřejňuje data s ročním až dvouročním zpožděním. Avšak samotné sledování provádí Hypoteční banka až od počátku roku 2010. [14] Soukromou institucí, která sleduje ceny v rámci České republiky od roku 2000 je Institut regionálních informací (IRI). Ten vyhodnocuje nabídkové ceny bytů (nabídky realitních kanceláří), kdy bere v úvahu pouze standardní byt o výměře 68 m² v běžné (ne tedy okrajové) oblasti. Přičemž informace poskytuje jak za krajská a okresní města, tak taktéž jako průměrné údaje za kraje. [15] Určitou nevýhodou těchto cen může být právě omezení se na byty s rozlohou 68 m², neboť ostatní ceny bytů se dle mého názoru mohou významně odlišovat. Navíc nabídková cena se taktéž většinou liší od skutečné kupní ceny. Další nevýhodou je, že databáze není veřejně přístupná.

Vlastní práce

36

Z výše popsané skutečnosti je zřejmé, že nejvhodnější volbou, odkud daná data převzít, je Český statistický úřad. Zaprvé poskytuje veřejná data ohledně realizovaných (kupních) cen nemovitostí, zadruhé, ceny jsou sledovány zvlášť pro každý kraj a zatřetí, ceny sleduje po nejdelší časové období, což je pro moji empirickou část podstatné. Otázkou avšak zůstává, jakou nemovitost zvolit, tak aby byla nejvhodnější pro prozkoumání cenového vývoje v čase a k odhalení vlivu determinant na ni samotnou. Pokud vezmeme v úvahu fakt, že ČSÚ při určování těchto cen vychází z daňových přiznání k dani z převodu nemovitostí, tak kvalita těchto výsledků je bezpochyby mimo jiné ovlivněna jejich počtem. Dle ČSÚ za období 2009 – 2011 bylo provedeno 129 039 převodů rezidenčních nemovitostí (bytových domů, bytů, rodinných domů). Převody bytových domů tvoří 35,9 %, rodinné domy 2,4 %. Nejvíce převodů v tomto období vykázaly tedy samotné byty, a to 61,8 %. Z tohoto pohledu se tedy jako nejvhodnější jeví ceny samotných bytů. Obr. 4: Vývoj cen rezidenčních nemovitostí v období 2002-2011 (index=2005) 190,0 170,0 150,0 130,0

byty bytové domy

110,0

rodinné domy 90,0

2002 Q1 2002 Q3 2003 Q1 2003 Q3 2004 Q1 2004 Q3 2005 Q1 2005 Q3 2006 Q1 2006 Q3 2007 Q1 2007 Q3 2008 Q1 2008 Q3 2009 Q1 2009 Q3 2010 Q1 2010 Q3 2011 Q1 2011 Q3

70,0

Zdroj: ČSÚ, vlastní zpracování

O vhodnosti použití cen bytů svědčí taktéž fakt, že ve zkoumaných letech 2002 – 2011 vykazovaly největší dynamiku, ostatně jak ukazuje obrázek 4. Z něj je patrné, že všechny zmiňované nemovitosti v ČR od počátku roku 2005 rostly prakticky neustále až do roku 2008. V roce 2009 pak byl vykázán pokles, ten se týkal zejména cen bytů. Zbylé dva druhy nemovitostí zaznamenaly mírný pokles, nebo dokonce i růst, jak tomu bylo v případě cen bytových domů (ty zaznamenaly pokles pouze ve 2. čtvrtletí 2009). Dá se tedy shrnout, že ceny nemovitostí v letech 2006 – 2008, u nichž nebyl nárůst tak výrazný, tak ani v následujícím období nedošlo v jejich cenách k tak extrémnímu propadu jako u cen bytů.

Vlastní práce

37

Třetí důvod pro volbu cen bytů, je takový, že jsou v porovnání s ostatními typy nemovitostí relativně homogenní. Rodinné domy jsou mnohem častěji prodávány jako komplexní nemovitosti. Zahrnují mimo jiné např. garáž, kolnu atd. Cena rodinného domku, tak musí být stanovena jako dílčí cena z ceny kupní. Ta je určena na základě procentuálního podílu předem stanovené odhadní ceny rodinného domu na celkové odhadní ceně. Bohužel odhadní ceny nemusejí být přesné, čímž snižují i samotnou přesnost jednotlivých dílčích kupních cen. Bytové domy, jak už bylo napsáno, jsou zatíženy oproti ostatním nemovitostem malým počtem převodů. Ceny bytů tak představují nejvhodnějšího zástupce pro trh nemovitostí. Data, která jsou využita k regresní analýze, poskytuje ČSÚ v rámci své publikace „Ceny sledovaných druhů nemovitostí“. [16] Zde zveřejňuje průměrné roční kupní ceny bytů a jejich čtvrtletní cenové indexy. Pro modelaci cen nemovitostí byly využity průměrné kupní ceny za jednotlivé kraje.1 Obr. 5: Vývoj průměrných kupních cen bytů 2002-2011 (Kč/m2) 60000 Praha 50000

Středočeský Jihočeský

40000

Plzeňský Karlovarský

30000

Ústecký Liberecký

20000

Pardubický Královéhradecký

10000

Vysočina 2002 Q1 2002 Q3 2003 Q1 2003 Q3 2004 Q1 2004 Q3 2005 Q1 2005 Q3 2006 Q1 2006 Q3 2007 Q1 2007 Q3 2008 Q1 2008 Q3 2009 Q1 2009 Q3 2010 Q1 2010 Q3 2011 Q1 2011 Q3

0

Jihomoravský Olomoucký


Obrázek 5 znázorňuje, jak se vyvíjely průměrné kupní ceny bytů za m² v jednotlivých krajích. Na první pohled je patrné, že rozptyl cen napříč jednotlivými regiony je značně velký, a to zejména v porovnání Prahy s ostatními kraji. 1

Jejich čtvrtletní údaje byly vytvořeny za pomoci cenových indexů. Jelikož indexy jsou konstruovány k roku 2005 =100, výpočet je následující: (Průměrná kupní cena za rok 2005 pro příslušný kraj x čtvrtletní cenový index)/100.

Vlastní práce

38

Se značným odstupem druhých nejvyšších cen dosahuje kraj Jihomoravský následovaný krajem Středočeským. Naopak nejlevnější byty se nacházejí v kraji Ústeckém. Z obrázku lze taktéž vypozorovat vývojové tendence, kdy všechny kraje svého vrcholu dosáhly shodně ve 3. čtvrtletí 2008 následovaný propadem cen, zejména v roce 2009. 4.1.1

Poptávkové faktory

Demografický vývoj Následující podkapitola je zpracována s využitím zdrojů[17, 18, 19]. Za poslední dvě desetiletí došlo ke značným změnám populačního vývoje v České republice. Rok 1994 byl prvním rokem od první světové války, kdy počet nově narozených dětí byl nižší jak počet zemřelých a celkový přírůstek i přes značný nárůst migračního salda (o 55 % větší než v roce předchozím) zaznamenal deficit v hodnotě 852 osob. Následující roky byly charakteristické neustálým úbytkem osob na území České republiky, a to až do roku 2002. Naše země tak za období 1994 – 2002 zaznamenala pokles 130 744 osob. Přičemž největší pokles byl v roce 2001, kdy se do záporných čísel mimo přirozeného přírůstku taktéž dostalo migrační saldo, a to poměrně ve vysoké hodně – 8 551. Celkový úbytek populace tak činil 25 591 osob. Úbytek obyvatelstva, který byl pozorován v 90. letech a na začátku nového tisíciletí může být připsán enormnímu poklesu porodnosti. V roce 1999 porodnost klesla pod 90 000 narozených dětí ročně, tj. o 26 % méně než v roce 1993. Co se týče krajů, tak největší pokles zaznamenal kraj Vysočina, a to 30,5 % oproti roku 1993, následovaný krajem Jihomoravským, jež zaznamenal pokles o 29,7 %, třetím krajem pak byl kraj Moravskoslezský s hodnotou 28,5 %. Naopak nejméně se tato skutečnost projevila v hlavním městě, kdy samotná Praha zaznamenala úbytek „pouhých“ 21,6 % následována krajem Středočeským s poklesem 23,6 %. Na druhé straně se taktéž snižovala úmrtnost obyvatelstva, kdy oproti roku 1993 došlo ke snížení o 7,12 % v roce 1999. Za toto období můžeme tedy vysledovat jasný trend, kdy s klesající porodností a taktéž úmrtností dochází k demografickému stárnutí populace. Rok 2003 byl v počtu obyvatel zlomový, kdy došlo k obratu a populace na území České republiky začala opět růst. Růst nicméně nebyl způsoben částečným oživením porodnosti, která v roce 2005 překročila hranici 100 000 obyvatel, neboť přirozený přírůstek ještě v letech 2003 -2005 vykazoval deficitní saldo. O přírůstek se postaralo migrační saldo, které se v roce 2003 zvýšilo oproti předchozímu roku o 110 % a vykázalo tak přírůstek cizinců v České republice ve výši 25 789 osob. V následujících dvou letech byl přírůstek stěhováním opět kladný, kdy sice v roce 2004 klesl přírůstek pod 20 000, nicméně už následující rok ukazatel překročil hranici 35 000 zahraničních osob. Nejvíce cizinců se v roce 2005 přistěhovalo do hlavního města (39,2 % z celkového počtu). Naopak nejmenší přírůstek zaznamenal kraj Zlínský (1,3 %).

Vlastní práce

39

Za další zlomový rok lze považovat rok 2006. Od tohoto okamžiku Česká republika začala opět vykazovat kladné saldo přirozeného přírůstku obyvatel jako před rokem 1994. Negativní bilance tohoto ukazatele trvala dlouhých 12 let. Co je na této skutečnosti zarážející, je to, že právě v tomto období se dalo očekávat, že silné ročníky 70. let budou právě těmi, kteří vytvoří další novou vlnu populace. Důvody, proč tomu tak nebylo, jsou zřejmé. Intenzita plodnosti do 25 let klesala a naopak začala růst ve věku vyšším. Ženy začali odkládat rodičovství na pozdější období. Opětovný růst porodnosti v roce 2002 a jeho pozitivní vývoj v letech následujících byl tedy ovlivněn zejména ženami staršími 30 let. Jenom u žen ve věku 30-34 let dosáhl počet živě narozených dětí v roce 2005 11 278, což představuje zvýšení o 36 % oproti roku 2002, kdy opětovný růst započal. Roky 2007 a 2008 byly výjimečné nejen poměrně vysokým zvyšováním porodnosti (rok 2008 představoval 98,7 % z roku 1993), ale ještě větším nárůstem migračního salda, které v roce 2007 dosáhlo své rekordní velikosti, a to 83 945 cizinců, v roce 2008 pak byl zaznamenán přírůstek o něco slabší, a to ve výši 71 790 zahraničních osob. Celkové přírůstky obyvatel (v roce 2007 to bylo 93 941 osob a v roce 2008 86 412 osob) tak překonaly i hodnoty ze 70. let. Všechny kraje České republiky v roce 2007 zaznamenaly nárůst migračního salda, vyjma kraje Moravskoslezského, který dosáhl záporných hodnot. V Kraji moravskoslezském docházelo k pouhému snižování jeho negativní hodnoty. U všech regionů měly na migračním saldu největší podíl cizinci. Výraznější přírůstek díky mezikrajské migraci dlouhodobě zaznamenává pouze kraj Středočeský, kdy v tomto roce jeho hodnota překročila hranici 10 000 obyvatel. Zbylé čtyři kraje (Praha, Jihočeský, Plzeňský, Pardubický), které taktéž zaznamenaly kladné saldo vnitřního přírůstku stěhováním, už vykázaly daleko nižší hodnotu v řádu stovek osob. Jak už bylo uvedeno, toto období bylo taktéž plodné na počet nově narozených jedinců. U většiny krajů bylo dosaženo maxima v roce 2008. Pouze Plzeňský, Královéhradecký, Olomoucký kraj dosáhly své nejvyšší hodnoty v roce 2009 a Praha až v roce 2010. Nejvíce živě narozených dětí zaznamenal tradičně Středočeský kraj (15246) a nejméně kraj Karlovarský (3562). V letech 2009 – 2011 sice Česká republika vykazovala nárůst obyvatel, nicméně se jednalo o pomalejší tempo než v rekordním období 2007-2008. Polovina krajů v tomto období zaznamenala negativní saldo celkového přírůstku. Jednalo se o kraj Karlovarský, Ústecký, Královéhradecký, Vysočinu, Olomoucký, Zlínský a Moravskoslezský. Největší ztráty dosáhl kraj Moravskoslezský, kdy mu za toto období ubylo 11 127 obyvatel. Vykázal tak ke konci roku 2011 nejnižší stav obyvatel ve své historii (1 230 613). Na pokles tohoto ukazatele měl bezpochyby největší vliv negativní přírůstek stěhováním. Do záporných hodnot se dostal díky, ač klesajícímu, tak nadále pokračujícímu negativnímu saldu mezikrajské migrace. Nejvyššího úbytku dosáhl opět Moravskoslezský kraj, kdy se do kraje přistěhovalo v letech 2009 – 2011 celkem 9 030 osob, 17 725 se pak vystěhovalo. Následoval ho kraj Karlovarský s 15 847 přistěhovalými a 20 943 vystěhovalými. Propad nastal také kvůli výraznému úbytku zahraniční migrace,

Vlastní práce

40

i když si nadále u většiny těchto krajů udržela kladnou hodnotu. Např. Ústecký kraj zaznamenal v roce 2009 meziroční propad o 70 %, a vykázal tak zahraniční přírůstek „pouhých“ 1 489 osob. Druhá polovina krajů (Praha, Středočeský, Jihočeský Plzeňský, Liberecký, Pardubický, Jihomoravský) zaznamenala naopak i nadále růst svého počtu obyvatel, avšak docházelo k jeho zpomalování. Největší vliv na tento útlum měl opět propad zahraniční migrace. V Plzeňském kraji došlo v roce 2009 oproti 2008 k největšímu propadu z těchto sedmi regionů, a to sice o 81 %. Vnitřní migrace v letech 2009 – 2011 se dostala do záporných hodnot v kraji Libereckém, Pardubickém a Praze. Nicméně pozitivní saldo zahraniční migrace předčilo její hodnoty a dostalo tak celkový přírůstek stěhováním do kladných čísel. Zbylé čtyři kraje (Středočeský, Jihočeský, Plzeňský, Jihomoravský) měli vnitřní migraci kladnou. Negativní vliv na celkový přírůstek měla taktéž porodnost, která nastartovala svoji opětovnou klesající tendenci v roce 2009 u většiny krajů. U krajů Plzeňského, Královéhradeckého a Olomouckého započal tento trend až v roce následujícím a u Prahy v posledním sledovaném období, tedy 2011. Propad se dá přisoudit faktu odeznívající éry nejvyšší plodnosti žen, které se narodily v 70. letech. Přirozený přírůstek tak v roce 2011 (u Moravskoslezského kraje už v roce 2009) opětovně dosáhl negativních hodnot od roku 2006, (v tomto roce počet živě narozených byl menší než počet úmrtí ještě u pěti krajů) u osmi krajů. Částečně na to má vliv úmrtnost, jejíž zvyšování se však meziročně pohybuje u většiny krajů v řádech desítek osob. Z dlouhodobého hlediska pak trend tohoto ukazatele je mírně se snižující, vykazující stabilní hodnoty. Zato dynamika v porodnosti je daleko větší. Události, které nastaly po roce 2008 v demografickém vývoji, nejsou nijak příznivé. V následujících letech se tak dá očekávat další pokles porodnosti, kdy jedním z těchto vlivů bude nadále se zvyšující věk prvorodiček a s tím související odklad narození prvního potomka. Nejstarší prvorodičky v rámci všech krajů jsou v Praze (30,5 let v roce 2011). Průměr České republiky (28,3 let) dále překračuje kraj Středočeský, Jihomoravský a Zlínský (shodně 28,6 let). Naopak nejmladší matky při narození jejich prvního dítěte má kraj Ústecký (26,7 let). Alarmujícím ukazatelem je také úhrnná plodnost. Ta sice za celou ČR byla v roce 2011 vyšší (1,427 dítěte připadající na jednu ženu), než v roce 2002 (1,171), kdy se porodnost opětovně začala zvyšovat, nicméně od roku 2008 došlo k jejímu nepatrnému poklesu. V rámci jednotlivých krajů vykazoval nevyšší plodnost v roce 2011 kraj Středočeský (1,526), naopak nejhůře si vedl kraj Zlínský (1,335). Dalším negativním vlivem je taktéž výše zmíněný snižující se počet nově přistěhovaných cizinců, jež mají vliv na zahraniční migraci. Česká republika v rámci roku 2011 vykázala přírůstek zahraničním stěhováním ve výši 16 888 osob, což je ve srovnání s rekordním rokem 2007 pouhých 20 %. Nejméně cizinců se v roce 2011 přistěhovalo do Zlínského kraje (425 osob) naopak nejvíce přistěhovaných cizinců bylo evidováno v hlavním městě (9 309 osob). Vliv na cenu nemovitostí nemusí mít pouze přírůstek stěhováním, či přirozený přírůstek obyvatel, které determinují celkový počet osob v daném státě, či

Vlastní práce

41

regionu. Samotný vliv může taktéž mít vývoj počtu obyvatel ve věku 25 – 39 let, o kterých se předpokládá, že by právě oni mohli zvýšit poptávku po bydlení. Výběr tohoto věkového rozhraní byl vybrán na základě sňatečnosti a porodnosti (založení rodiny a vznik nové domácnosti). Právě v tomto věkovém rozhraní v posledních letech dochází k vykazování nejvyšších hodnot těchto ukazatelů. Kraj Středočeský a Jihomoravský vykazují neustálé přírůstky osob této věkové kategorie v celém sledovaném období, to jest 2002 – 2011. Praha a kraj Plzeňský vykazují tento trend do roku 2010, kraj Karlovarský, Olomoucký a Zlínský do roku 2008. Zbylých šest krajů vyjma kraje Moravskoslezského zaznamenalo úbytek v roce 2010 a 2011. Kraj Moravskoslezský je specifický tím, že pouze v letech 2003 – 2004 zaznamenal růst, od této doby obyvatelstvo ve věku 25 – 39 let neustále klesá. Pokud shrneme výše popsanou skutečnost, můžeme říci, že období růstu této věkové kategorie je v současnosti vystřídáno obdobím poklesu. A klesající tendence bude zřejmě pokračovat díky opětovnému poklesu porodnosti. Pokles bezpochybně zapříčinil začínající přesun nejsilnějších ročníků populace narozených v 70. letech do vyšších věkových kategorií. Nemalou roli také sehrál záporný přírůstek stěhováním. Úbytek obyvatel ve věku 25 – 39 let zaznamenalo díky migraci již od roku 2009 9 ze 14 krajů. Moravskoslezský kraj dlouhodobě trápí úbytek populace. Hlavní příčinou je negativní migrační saldo v celém sledovaném období 2002 – 2011. Na jeho konečné podobě se nejvíce podílely negativní výsledky vnitřního stěhování, jimiž byl kraj zužován po celou dobu. Naopak u zahraničního stěhování, až na roky 2009 a 2010, kraj vykazoval kladné hodnoty. Negativní migrace tak byla u osob ve věku 25 – 39 let pozorována neustále. Jedním z důvodů tohoto vývoje může být skutečnost, že Moravskoslezský kraj se řadí mezi kraje s nejvyšší mírou nezaměstnanosti (k 31.12. 2001 to bylo 11,18 %). Nepříznivý vývoj na trhu práce, tak zřejmě nutí některé obyvatele hledat uplatnění v jiném kraji a s tím související přestěhování se. Moravskoslezský kraj tak za období 2002-2011 ztratil neuvěřitelných 27,6 tisíc obyvatel, druhou nejvyšší ztrátu zaznamenal kraj Zlínský, a to 4,1 tisíc. Negativní bilanci ještě vykázal kraj Olomoucký a Karlovarský, a to sice 2,5 a 1,1 tisíc. I z tohoto důvodu Moravskoslezský kraj ztratil v roce 2009 své prvenství nejlidnatějšího regionu, kdy ho předčil kraj Středočeský a hlavní město Praha. Jako demografické proměnné pro empirickou analýzu byly vybrány: přírůstek stěhováním, přirozený přírůstek a počet obyvatel ve věku 25 – 39 let. Všechna data jsou převzata z ČSÚ. [20, 21] Trh práce Dalším důležitým faktorem, ovlivňující poptávku po nemovitostech, je příjem domácností. Za sledované období 2002 – 2008 Česká republika zaznamenávala neustálý nominální růst průměrných hrubých mezd, jež vyvrcholil v roce 2008. Tento dynamický vývoj je v souladu s vývojem cen bytů, jež dosáhly svého maxima v roce 2008, konkrétně ve 3. čtvrtletí. Nejvyšší nominální nárůst oproti

Vlastní práce

42

předchozímu roku zaznamenala Praha (9,7 %), kde je výše mezd dlouhodobě jako jediná nad celorepublikovým průměrem. U osmi krajů (Plzeňského, Libereckého, Královéhradeckého, Pardubického, Vysočiny, Jihomoravského, Olomouckého, Zlínského) došlo ke zvýšení o více jak 8 %. Zbylé kraje se pohybovaly pod touto hodnotou. Avšak následující pokles cen bytů, který započal v posledním čtvrtletí roku 2008, doprovázel i nadále trvající růst průměrných mezd. Na druhou stranu nárůst nominálních mezd v roce 2009 zaznamenal nejnižší přírůstek od počátku sledovaného období. Za celou Českou republiku byl vykázán nominální nárůst 3,5 %. Pod tuto hranici se dostalo hned 9 krajů, kdy nejmenší přírůstek zaznamenaly kraj Zlínský a Vysočina a to pouhých 0,2 a 0,6 %. Jejich reálné mzdy se tak dokonce propadly. V posledních dvou sledovaných obdobích docházelo opět ke zpomalení přírůstku. V roce 2011 tak Praha, Plzeňský a Ústecký kraj zaznamenaly díky této skutečnosti pokles mezd v reálném vyjádření. I když většina krajů pokles nevykázala, tak u drtivé většiny regionů (vyjma Středočeského a Zlínského) reálný přírůstek nepřekročil hodnotu 1 %. Opět tak dochází k sladění průměrných mezd s vývojem cen bytů. [20] Dalším ukazatelem trhu práce je nezaměstnanost. Její vývoj je ve značné míře determinován hospodářskou situací dané země. Dalo by se říci, že nezaměstnanost kopíruje vývoj ekonomiky. V analyzovaném období (2002 - 2011) jsou sledovány dvě vývojové tendence. První tendencí je ekonomický růst, který byl pozorován do roku 2008, kdy nejvyšší tempo růstu Česká republika zaznamenala v letech 2005, 2006 a 2007. HDP v tomto období dosahoval růstu 6,8 %, 7 % a 5,7 %. V posledním čtvrtletí roku 2008 ekonomika začala výrazně zpomalovat a dokonce vykázala mezi kvartální pokles o 0,6 %. HDP tak za rok 2008 vzrostl o 3,1 %. Registrovaná míra nezaměstnanosti má v tomto čase klesající tendenci, kdy v roce 2008 došlo oproti roku 2002 v rámci České republiky ke snížení o 3,84 % na hodnou 5,89 %. V roce 2009 se na trhu práce začaly projevovat dopady hospodářské krize, což může být taktéž potvrzeno propadem HDP, který vykázal meziroční pokles 4,5 %. Česká ekonomika se tak v tomto roce dostala do recese. [22] Za klíčový faktor negativního vývoje je pak považován pokles průmyslové výroby, jež meziročně poklesla o 13,4 %. [23] Nezaměstnanost vzrostla na 9,2 %. Mírně příznivější hospodářský vývoj v následujících dvou letech způsobil opětovný růst ekonomiky, nezaměstnanost v roce 2010 ještě vykázala mírný nárůst (9,6 %) avšak v roce následujícím se její výše ustálila na hodnotě 8,6 %. Kraji s největší mírou nezaměstnanosti je kraj Ústecký, Moravskoslezský a Olomoucký (12,9 %, 11,2 % a 11,37 % za rok 2011 ). [20] Důvody, proč Ústecký a Moravskoslezský kraj jsou zasaženy nejvyšší nezaměstnaností v zemi, jsou v posledních letech probíhající restrukturalizace podniků a útlum těžebního průmyslu, který pro Moravskoslezský a Ústecký kraj představuje jednu z nejdůležitějších složek práce. Důvod vysoké nezaměstnanosti v kraji Olomouckém lze připisovat vysoké heterogenitě regionu. Vysokou nezaměstnaností jsou zde zasaženy převážně venkovské oblasti s převažující orientací na zemědělství. [24] Z faktorů trhů práce pro regresní analýzu jsem tedy zvolil hrubé mzdy a registrovanou míru nezaměstnanosti pro jednotlivé kraje se čtvrtletní periodou.

Vlastní práce

43

Oba zdroje dat jsou poskytována ČSÚ, přičemž registrovanou míru nezaměstnanosti přebírá ČSÚ od Ministerstva práce a sociálních věcí ČR. [20] Finanční trh Trh bydlení je propojen s trhem finančním. Dostupnost hypotečních úvěrů je pak dalším faktorem, který může významným způsobem ovlivňovat poptávku po bydlení. Hypoteční bankovnictví v průběhu 20. století zaznamenalo přerušení kvůli vzniku protektorátu Čechy a Morava a později díky nastolení komunistického režimu, během něhož došlo k centralizaci bankovnictví a redukci soukromého vlastnictví. Znovuoživení započalo v 90. letech, kdy byl postupně přijat zákon č. 1990/530 Sb., o dluhopisech, později nahrazen zákonem č. 84/1995 Sb., o dluhopisech. Současná problematika hypotečního financování je vymezena zákonem č. 190/2004 Sb. o dluhopisech. [6] V období let 2002 – 2007 se zvyšoval jak objem, tak i počet hypoték. Důvodem byl příznivý ekonomický vývoj a z toho vyplývající růst průměrného příjmu domácností. Velmi výraznou roli taktéž sehrál klesající trend úrokových sazeb, jež svého dna dosáhl ve 3. čtvrtletí roku 2005 (průměrná úroková sazba činila 3,63 %). Objem hypoték poskytnutých občanům tak v roce 2007 dosahoval 142,3 miliardy korun, což představuje nárůst o 633 % oproti roku 2002. [25] Na pozitivní vývoj měla taktéž vliv podpora ze strany státu. Jako jednu z nepřímých forem lze uvést možnost odpočtu zaplacených úroků z hypotečních úvěrů od základu daně. Za přímou podporu pak úrokovou dotaci ke splátkám hypotečních úvěrů pro mladé lidi na pořízení staršího bydlení. [26] Rok 2007 zaznamenal nejvyšší nárůst také proto, že mnoho osob, které zvažovali pořízení nového bydlení prostřednictvím hypotéky, realizovali svůj úmysl právě koncem tohoto roku, neboť v dalších letech byl očekáván nárůst úrokových sazeb a zvyšování DPH u stavebních prací (v roce 2008 došlo ke zvýšení snížené sazby z 5 na 9 %) . [27] Zhoršující se ekonomická situace na konci roku 2008 a zejména v roce 2009, nárůst úrokových sazeb, zvyšující se životní náklady a z toho plynoucí zpřísňování úvěrových podmínek ze strany bank způsobilo enormní pokles objemu poskytnutých úvěrů v roce 2009 (73,8 miliard korun). [28] Roky 2010 a 2011 byly ve znamení opětovného oživení hypotečního trhu. Za jeho faktory lze považovat pomalé zlepšování hospodářského výkonu země a s tím převažující optimismus ve společnosti. Oživení taktéž napomohl opětovný pokles úrokových sazeb. Vysoký nárůst objemu úvěrů v roce 2011 (119 miliard korun) lze taktéž připsat očekávanému růstu DPH, jak tomu bylo v roce 2007. [29] Co se týče, jednotlivých krajů, tak všechny vykazovaly výše popsaný vývoj. Následující obrázek ukazuje počet poskytnutých úvěrů v jednotlivých krajích za rok 2011.

Vlastní práce

44

Obr. 6: Počet hypotečních úvěrů v jednotlivých krajích v roce 2011 20 000 18 000 16 000 14 000 12 000 10 000 8 000 6 000 4 000 2 000 0

Zdroj: Vybrané údaje o bydlení 2011, vlastní zpracování

Z obrázku 6 je na první pohled patrné, že nejvyšší počet úvěrů byl poskytnut v Praze (18,2 tisíc). S tím také koresponduje fakt, že v hlavním městě jsou oproti ostatním krajům nadprůměrné mzdy. Naopak nejméně úvěrů občané realizovali v Karlovarském kraji (1,7 tisíc), který dlouhodobě vykazuje nejnížší nominální mzdy ze všech regionů. Avšak mzda bezpochybně nebude jediný zdroj, který ovlivňuje počet realizovaných hypoték. To ukazuje např. Liberecký kraj, který měl v roce 2011 šestou nejvyšší nominální mzdu (23 187 Kč) a přesto v počtu realizovaných úvěrů skončil mezi kraji až na 12. místě. Kromě ekonmických faktorů to mohou být i faktory sociální, jako např. přitažlivost daného místa, dopravní obslužnost, příležitost vzdělání atd. V neposlední řadě to je jistě počet obyvatel daného kraje. Jako faktory zastupující finanční trh byly pro regresní analýzu zvoleny počet úvěrů a průměrná úroková míra z hypotečních úvěrů. Data jsou opět s čtvrtletní periodou. Údaje o počtech hypotečních úvěrů zpracovává Ministerstvo pro místní rozvoj ČR. [25, 30] Pro průměrné úrokové míry byla převzata data, jež zpracovává společnost Fincentrum. Ta ve spolupráci s jedenácti nejvýznamnějšími bankami provozuje projekt FINCENTRUM HYPOINDEX, na základě kterého sleduje průměrné úrokové sazby či počty a objemy hypotečních úvěrů v rámci České republiky. [31] Nájemné jako alternativa vlastnického bydlení Vstup na trh nájemního bydlení je alternativním řešením k bydlení vlastnickému. Jde tedy o substituční statek. Růst nájemného může nájemníky stimulovat k tomu, že tento trh opustí a vstoupí na trh vlastnického bydlení. Zejména by se pak mohlo jednat o případ, pokud by platby nájemného byly vyšší jak možné splátky z hypotečních úvěrů. Přechod těchto obyvatel by pak vedl k růstu poptávky, čímž by docházelo k tlaku na růst nemovitostí.

Vlastní práce

45

Deregulace nájemného Na českém trhu nájemního bydlení jsme mohli pozorovat dvě formy nájemného. Jednalo se o regulované a tržní nájemné. První zmiňovaná forma by mohla být odůvodněna sociálním aspektem zajištění minimálního životního standardu pro nízkopříjmovou skupinu obyvatel. Nicméně pravda je jinde. Tyto byty neobývají pouze nízkopříjmové rodiny, ale taktéž lidé z vyšších sociálních vrstev. V České republice mohl být pozorován jasný trend, kdy docházelo k neustálému vzdalování se tržního nájmu od regulovaného (např. v roce 2008 v Ústí nad Labem bylo regulované nájemné 20 Kč/m² standardního bytu, tržní nájemné činilo 91 Kč/m²). [32] Na regulované nájemné zejména dopláceli majitelé těchto bytů. Ti nemohli stanovit cenu vyšší, než jim dovolil zákon. Většina majitelů regulované domy získala v restituci. Domy však častokrát byly v zanedbaném a dezolátním stavu. Nízké „regulované“ nájmy jim ve většině případů nedokázaly pokrýt ani tyto vynucené náklady na opravy a údržbu. [33] Zároveň však jejich prodej byl nevýhodný, neboť jejich prodejní cena byla nižší, než za jakou by je byli schopni prodat, kdyby se na jejich domy nevztahovalo regulované nájemné. K 31. 12. 2001 Ústavní soud rozhodl o zrušení vyhlášky č. 176/1993 Sb., jíž byl nájem ze strany státu regulován. Došlo tak sice k formálnímu zrušení, nýbrž regulace byla stále zakotvena ve starých smlouvách, jež nebylo možné měnit bez svolení obou smluvních stran. [34] O několik let později došlo ke schválení zákona č. 107/2006 Sb., o jednostranném zvyšování nájemného z bytu a změně občanského zákoníku. Majiteli bytu tak bylo umožněno každoroční jednostranné navýšení nájemného během čtyř následujících let. K 1. 1. 2011 přestalo regulovanému nájemnému podléhat 400 000 bytů z celkových 700 000, kterých se deregulace týkala. U zbývajících bytů byla deregulace ukončena k 31. 12. 2012. Samotný deregulační proces by pak měl mít i vliv na výši tržního nájemného. Dá se předpokládat, že zvyšující se „původně regulované“ nájemné, se stane pro některé domácnosti neúnosným a ty budou nuceny byt opustit. Jiní naopak drželi byt, právě kvůli nízkým nájmům, i když ho nepotřebovali. Obě tyto skutečnosti by měly vést ke zvyšování nabídky bytů a tím tlačit tržní ceny nájemného dolů. [35] V porovnání s cenami bytů tržní nájemné nevykazuje až tak dynamický vývoj. Toto tvrzení potvrzuje fakt, kdy např. v kraji Vysočina v období 2005 – 2007 došlo k 17% nárůstu nájemného, zatímco cena bytu se zvýšila o 66 %. V Jihočeském kraji se nájemné zvýšilo o 10 % a cena bytů o 52 %. Zajímavé na tomto příkladu také je, že oba kraje v roce 2006 u tržního nájemného zaznamenaly mírný pokles, zatímco ceny bytů rostly nepřetržitě. Nájmy tak nevykazují pouze menší dynamiku, ale taktéž dochází v některých letech k jejich vývojovému odtržení. Nejdražší nájemné je bez překvapení v Praze, kterou následuje Kraj Jihomoravský a Zlínský V roce 2011 činila jejich průměrná cena 134 Kč/m², 97,7 Kč/m² a 97,6 Kč/m². S deregulací, jež skončila v roce 2010 u 60 % bytů, se očekávalo, že tržní nájmy by měly poklesnout. Avšak snížení se dočkala pouze polo-

Vlastní práce

46

vina krajů (Praha, Plzeňský, Karlovarský, Královéhradecký, Vysočina, Jihomoravský, Moravskoslezský). Pokles ale nebyl nikterak enormní, v průměru se pohyboval kolem 4 %. Naopak nejméně lidé v roce 2011 zaplatili v kraji Jihočeském (72,7 Kč/m²) a kraji Královéhradeckém (75 Kč/m²). Za rok 2012 Institut regionálních informací zveřejnil ceny tržních nájmů pouze za krajská města. Z jejich výsledků vyplynulo, že ve všech krajských městech meziročně nájemné vzrostlo. Zvýšení bylo nejmarkantnější v Plzni (o 7,8 %) a Brně (o 6,1 %). Nárůst je nadále očekáván u nejluxusnějších bytů, průměrné byty v průměrné lokalitě by měly podle jednatelky Institutu regionálních informaci, Ing. Milady Kadlecové, v následujícím období stagnovat, či klesat. [36] Data ohledně cen tržního nájemného, která jsou použita pro regresní analýzu, poskytuje Institut regionálních informací. Ten sleduje a vyhodnocuje tržní nájemné za standardní byt, který definuje jako starší byt (40 % opotřebení) s podlahovou plochou o výměře 68 m² nacházející se v běžné lokalitě. Jak už bylo napsáno u cen nemovitostí, většina informací od této společnosti je neveřejná. Co se týče tržních cen nájmů, tak jejich veřejná dostupnost za období 2002 – 2011 je pro jednotlivé kraje dostupná jako průměrná měsíční cena (Kč/m²) za jednotlivé roky (ne tedy za každá čtvrtletí). Jelikož, ale jejich vývoj nevykazoval meziročně takovou dynamiku, tak je předpokládáno, že jejich hodnoty by se za daná čtvrtletí taktéž výrazně neodlišovaly. V regresní analýze tedy byla pro tuto proměnnou použita pro jednotlivá čtvrtletí stejného roku průměrná měsíční cena tržního nájemného za tento daný rok. [37, 38] 4.1.2

Nabídkové faktory

Bytová výstavba Bytový fond Velikost bytového fondu představuje nabídkovou stranu trhu bydlení. K 26. 3. 2011 bylo v České republice evidováno 4 756 572 bytů, jak vyplynulo z posledního sčítání lidu, domů a bytů (2011). Ve zkoumaném období (1991 2011), jak ukazuje tabulka 1, se počet bytů na našem území zvýšil o 679 379. Taktéž došlo k navýšení ukazatele vybavenost bytovým fondem, který v roce 2011 dosáhl hodnoty 456 bytů na 1000 obyvatel. Došlo tak k nárůstu o 27 bytů na 1000 obyvatel oproti roku 2001. Z tabulky je na první pohled taktéž patrné, že stále převažují byty v bytových domech nad byty v domech rodinných. Avšak můžeme zde pozorovat zajímavý vývoj, který napovídá, že podíl bytů v bytových domech na celkovém bytovém fondu postupně klesá. Jeho podíl se od roku 1991 snížil téměř o 4 %. Byty v bytových domech si získaly převahu zejména díky velmi rozsáhlé výstavbě bytových domů v 70. – 80. letech. Je tedy zřejmé, že od tohoto období se obraz výstavby obrátil a zintenzivnila výstavba rodinných domů. Za sledované období se počet bytů v rodinných domech zvýšil o 25,6 % oproti 8,5% nárůstu bytů v bytových domech, což představuje trojnásobný rozdíl. Z tabulky 1 je taktéž zřejmé, že narůstá počet neobydlených bytů. V roce 2011 byla vykázána hodnota 651 937 bytů, což představuje 75 % nárůst oproti

Vlastní práce

47

roku 1991. Je nutné taktéž zmínit, že toto číslo nepředstavuje volné byty, u kterých je možné se ihned nastěhovat. Do neobydlených bytů se taktéž řadí byty určené k rekreaci, byty v přestavbě či nezpůsobilé k bydlení. Avšak, co je na tomto vývoji pozitivní, tak to, že právě „nezpůsobilých bytů“ ubývá. V roce 2011 se jednalo o 30 860 bytů, což představuje více než 40% snížení oproti roku 2001. Poměrně velkou část neobydlených bytů taktéž představují zmiňované byty určené k rekreaci, jež v roce 2011 představovaly hodnotu 169 468 bytů. [39, 40] Jelikož neobydlené byty nezahrnují pouze byty volné k okamžitému nastěhování a navíc jsou tyto údaje zpracovávány v desetiletých intervalech, tak nedovolila tato skutečnost využít dané údaje k regresní analýze. Jako alternativní řešení proto byla zvolena data týkající se dokončených bytů, které zveřejňuje ČSÚ. [20] Tabulka 1: Bytový fond v letech 1991-2011 Z toho rodinné domy

bytové domy

ostatní budovy

Rok sčítání

Byty celkem

1991

4077193

1525389

270073

44,0

2149963

94984

55,1

30329

6455

0,9

2001

4366293

1632131

372991

45,9

2160730

149911

52,9

34817

15713

1,2

2011

4756572

1795065

461007

47,4

2257978

176641

51,2

51592

14289

1,4

obydlené neobydlené celkem obydlené neobydlené v% absolutně absolutně

celkem v%

obydlené neobydlené celkem v% absolutně


Z tabulky 2 je na první pohled vidět jasný rozdíl mezi Prahou a ostatními kraji v ČR. Zatímco v Praze ve všech sledovaných obdobích převažují dokončené byty v bytových domech (jelikož pro město jako takové je typická bytová zástavba, rodinné domy jsou v převážně většině stavěny v jeho okrajových částech), tak u ostatních krajů je to přesně naopak a dokončuje se více rodinných domů. V druhém sledovaném období 2006 – 2008 byl u všech krajů, vyjma Karlovarského, Ústeckého a Zlínského, sledován nárůst bytových domů. Počet rodinných domů se u všech regionů zvýšil. Významný podíl na tomto výsledku měl rok 2007, kdy díky příznivé ekonomické situaci a dostupnosti hypotečních úvěrů byl zaznamenán nejvyšší přírůstek bytů v ČR. Za poslední 3 sledované roky avšak intenzita dokončených bytů v ČR poklesla. Pokles byl způsoben nižším počtem dokončených bytů v bytových domech, než ve druhém sledovaném období. Naopak počet dokončených bytů v rodinných domech za toto období vzrostl, vyjma hlavního města.

Vlastní práce

48 Tabulka 2: Dokončené byty v letech 2003-2011 2003 - 2005

2006 - 2008

2009-2011

Byty v

Kraj Bytové domy

Rodinné domy

Bytové domy

Rodinné domy

Bytové domy

Rodinné domy

Hl. město Praha

13.769

2.531

17.827

2.594

14.437

1.871

Středočeský

4.478

10.659

6.327

14.875

4.808

15.403

Jihočeský

1.497

3.365

1.967

4.285

1.390

4.278

Plzeňský

2.014

2.612

2.561

3.139

1.314

3.586

Karlovarský

893

908

562

1.036

488

1.359

Ústecký

632

1.760

623

2.052

383

2.559

Liberecký

1.453

1.524

1.470

1.822

946

2.433

Královéhradecký

1.369

2.084

1.608

2.832

1.292

2.964

Pardubický

1.139

2.364

1.719

3.089

926

3.229

Vysočina

1.180

2.545

1.355

3.076

913

3.306

Jihomoravský

4.110

5.366

7.177

6.206

5.085

7.108

Olomoucký

1.031

2.419

1.698

2.671

1.532

3.029

Zlínský

964

2.920

898

2.641

984

3.077

Moravskoslezský

532

4.323

588

4.647

1.463

6.277


Ceny stavebních pozemků Poslední proměnnou, která je zahrnuta do empirické analýzy, budou průměrné kupní ceny stavebních pozemků za m². Jejich důvod pro zahrnutí zdůvodňuji tím, že samotná cena stavebního pozemku zvyšuje konečnou cenu nové stavby. Pokud tedy vzroste jejich cena, vzrostou náklady na novou výstavbu, které se následně odrazí v růstu cen nových bytů, jež dále budou taktéž vytvářet tlak na růst cen stávajících bytů. Ve zkoumaném období (2002 - 2011) ceny pozemků na rozdíl od cen bytů nevykázaly takovou dynamiku. Ve většině případů vykazovaly rovnoměrný nárůst, a to i během období 2007 – 2008, kdy ceny bytů nejdříve viditelně vzrostly a poté, v roce následujícím, klesaly. Nejvyšší ceny jsou v Praze, kde jejich průměrná cena v roce 2011 byla 6 197 Kč za m². Následovaly kraje Středočeský a Jihomoravský s průměrnou cenou 950 Kč za m². U ostatních krajů se ceny pohybovaly v rozmezí zhruba 450 – 750 Kč za m². Daná čísla jasně poukazují na velkou rozdílnost cen mezi Prahou a ostatními regiony České republiky. Vysoká cena pozemků v Praze je bezpochyby jedním z důvodů proč i její ceny bytů vykazují značný rozdíl oproti ostatním krajům. Data ohledně cen pozemků byla získána z ČSÚ z publikace „Ceny sledovaných druhů nemovitostí“. [16] V této publikaci jsou dostupná data týkající se

Vlastní práce

49

ročních průměrných kupních cen stavebních pozemků. Pro regresní analýzu byly použity průměrné kupní ceny za jednotlivé kraje.2

Jejich čtvrtletní údaje byly vytvořeny za pomoci cenových indexů. Jelikož indexy jsou konstruovány k roku 2005 =100, výpočet je následující: (Průměrná kupní cena za rok 2005 pro příslušný kraj x čtvrtletní cenový index)/100.

2

Vlastní práce

50

4.2 Regresní modely pro jednotlivé kraje Na základě nabytých informací z předchozí kapitoly mohou být sestaveny modely závislosti ceny bytů na základních determinantech strany nabídky a poptávky trhu bydlení. Předtím, než bude přistoupeno k samotné tvorbě modelů pro jednotlivé kraje, je považováno za důležité shrnout předpokládaný vliv působení jednotlivých determinant trhu bydlení na jejich ceny. Jelikož je pracováno s proměnnými, jež obsahují jak data v nominálním, tak reálném vyjádření, bylo rozhodnuto, z důvodu jejich sjednocení, o přepočítání nominálních veličin na veličiny reálné, a to za pomoci indexu spotřebitelských cen. Toto přepočítání se týkalo cen bytů, cen stavebních pozemků, nominálních průměrných hrubých mezd, nominální hypoteční úrokové míry a nájemného. Další odůvodnění pro toto použití je, že s veličinami v reálném vyjádření již pracovaly první tři výše zmíněné zahraniční studie (kapitola 3.2.). Proměnné představující demografické faktory, dokončené byty a počet úvěrů byly přepočítány na 1000 obyvatel. Obecný model pro všechny kraje je dle rovnice (2.1.2.1) definován následovně: y = β 0 + β 1 xt1 + β 2 xt 2 + β 3 xt 3 + β 4 xt 4 + β 5 xt 5 + β 6 xt 6 + β 7 xt 7 + β 8 xt 8 + β 9 xt 9 + β 10 xt10 + ε t respektive z věcného pohledu: +

−

+

−

+

r _ cena _ byt = (r _ cena _ pozemek, dok _ byty, r _ mzdy, nezamestnanost , prirustek _ stehovanim, +

+

+

−

+

prirustek _ prirozeny, obyvatelstvo _ 25 − 39, pocet _ uveru , r _ urokova _ mira, r _ najem)

Kde u reálné ceny stavebního pozemku je předpokládáno, že s jeho vyšší cenou se zvyšuje cena nové výstavby (bytů) a ta následně taktéž tlačí vzhůru i na reálné ceny stávajících bytů. Je tedy očekáván pozitivní vliv. U dokončených bytů, jež jsou v kvantitativní analýze zastoupeny intenzivním faktorem bytové výstavby (počet dokončených bytů na 1000 obyvatel) je předpokládáno, že zvýšením této intenzity bude taktéž zvýšena nabídka bydlení, jež bude tlačit ceny bytů dolů. Je tedy očekáván negativní vliv. Reálné mzdy jakožto primární zdroj příjmů a tvorby bohatství by měl reálnou cenu bytů ovlivňovat skrz poptávku, neboť zvýšení mezd by podle ekonomické teorie (kap. 3.1.4) mělo vést k růstu poptávky, v tomto případě po vlastnickém bydlení. Tato skutečnost by měla způsobit růst reálných cen bytů. Naopak negativní vliv je očekáván u druhého faktoru trhu práce, a to nezaměstnanosti. Důvod je takový, že nezaměstnanost přímo ovlivňuje úroveň mezd v daném období. Pokud tedy dojde k růstu nezaměstnanosti, tak některé domácnosti ztratí část ze svého disponibilního příjmu, a vlivem toho se sníží jejich koupěschopnost, která bude mít negativní vliv na poptávku a tím i na ceny bytů.

Vlastní práce

51

U všech třech demografických faktorů (pro kvantitativní analýzu přepočítány na 1000 obyvatel) je očekáván pozitivní vliv. Pokud se na danou problematiku podíváme podrobněji, tak zvýšení přírůstku stěhováním by mělo vést ke zvýšení počtu obyvatel, kteří si v dané lokalitě shání bydlení. Vliv přirozeného přírůstku by mohl souviset se skutečností, že pokud dojde k nárůstu tohoto ukazatele jako důsledek vyšší porodnosti, dá se předpokládat, že taktéž s narozením nového potomka se mohou formulovat nové domácnosti, jež budou poptávat nové bydlení. Stejně tak růst obyvatelstva ve věku 25 – 39 let, o kterém se předpokládá, že by měl táhnout poptávku po bydlení, z důvodu největší porodnosti a sňatečnosti právě v této věkové struktuře, by měl mít pozitivní vliv. O reálné úrokové míře z hypotečních úvěrů je předpokládáno, že by měla mít negativní vliv na cenu bytů. Neboť díky jejímu zvýšení dochází k poklesu atraktivnosti a dostupnosti hypotečních úvěrů (domácnosti musí platit vyšší splátky), čímž se snižuje objem těchto finančních prostředků, které dnes představují jeden z hlavních zdrojů financování vlastnického bydlení. Poptávka po bytech by se tak měla snížit. V důsledku toho by pak měla klesnout i samotná cena bytů. Naopak růst objemu úvěrů by měl signalizovat nárůst likvidních prostředků u domácností, které mohou na nákup bydlení využít. Tato skutečnost by tedy měla u bytů vyvolat jejich cenový růst. Poslední proměnná, reálný nájem, jak už bylo uvedeno, je substitutem k vlastnickému bydlení. Růst nájemného může přinutit některé domácnosti k tomu, že tento trh opustí a přejdou na trh vlastnického bydlení. Zvýšený počet zájemců o tuto formu bydlení by pak měl ceny bytů tlačit vzhůru. Po ekonomických interpretacích je přistoupeno k samotné konstrukci regresních modelů pro jednotlivé kraje. Při konstrukci vícerozměrných regresních modelů se ve většině případů začíná tím, že se zjišťuje případná multikolinearita mezi vysvětlujícími proměnnými. Ta je ve většině případů zkoumána pomocí párových korelačních koeficientů v tzv. korelační matici. Tabulka 3: Korelační matice pro Středočeský kraj r_cena dokoncene nezamestna- prirustek_ r_mzdy pozemek _byty nost stehovanim r_cena pozemek dokoncene_byty r_mzdy nezamestnanost prirustek_ stehovanim prirustek_ prirozeny obyvatelstvo_ 25-39 let pocet_uveru r_urokova mira r_najem

1 0,1925 0,9869 -0,1467 0,4982 0,8714 0,9281 0,2158 -0,2126 0,6991

0,1925 1 0,2598 -0,3568 0,5124 0,2879 0,3528 0,357 -0,1998 0,4115

0,9869 0,2598 1 -0,2287 0,5735 0,9021 0,9547 0,3146 -0,2566 0,7286

-0,1467 -0,3568 -0,2287 1 -0,7771 -0,484 -0,3865 -0,5481 0,6811 -0,5859

0,4982 0,5124 0,5735 -0,7771 1 0,6525 0,7152 0,6155 -0,4758 0,799

prirustek obyvatelstvo r_urokova pocet_uveru r_najem _ _ 25-39 let mira prirozeny 0,8714 0,2879 0,9021 -0,484 0,6525 1 0,911 0,3335 -0,4004 0,7217

0,9281 0,3528 0,9547 -0,3865 0,7152 0,911 1 0,2358 -0,3907 0,8364

0,2158 0,357 0,3146 -0,5481 0,6155 0,3335 0,2358 1 -0,4929 0,5936

-0,2126 -0,1998 -0,2566 0,6811 -0,4758 -0,4004 -0,3907 -0,4929 1 -0,5315

0,6991 0,4115 0,7286 -0,5859 0,799 0,7217 0,8364 0,5936 -0,5315 1

Zdroj: vlastní zpracování

Z tabulky 3 je zřejmé, že extrémní závislost (korelační koeficient > 0,9) je mezi predeterminovanou proměnnou reálné mzdy a reálnou cenou pozemku, přírůstkem přirozeným, obyvatelstvem 25 – 39 let. Reálná cena pozemku je silně zkorelována s přírůstkem přirozeným a obyvatelstvem 25 – 39 let. Značná závis-

Vlastní práce

52

lost je taktéž mezi demografickými faktory, a to sice mezi proměnnými přírůstek přirozený a obyvatelstvo 25-39 let. K řešení této závislosti se nabízí vyřadit proměnné reálná mzda a reálná cena pozemek a jednu proměnnou z demografických faktorů. Na druhou stranu, není ani v tomto případě (po vyřazení) zajištěno, že se již multikolinearita v modelu nebude vyskytovat, neboť, jak bylo napsáno v kapitole 2.1.2, může existovat významná závislost mezi třemi či více regresory, což párové korelační koeficienty neodhalí. I přesto, že se takto většinou postupuje, v této práci takovéto řešení zvoleno nebylo. Odůvodnění je takové, že by mohlo dojít k nesprávnému vyřazení jedné proměnné namísto druhé. Tato vyřazená proměnná by pak mohla být ze statistického hlediska významná, zatímco regresor, který byl ponechán, se ukázal jako nevýznamný a byl z modelu taktéž vyřazen. Z výše popsaného důvodu, aby se předešlo této situaci, tak i nadále bylo pracováno se všemi zvolenými regresory. Multikolinearita byla opět testována, až u výsledného modelu. V případě, že by se multikolinearita v daném modelu vyskytovala, došlo by až poté k vyřazení některého z regresorů. Následuje výstup modelu pro Středočeský kraj: Tabulka 4: Výstup modelu Středočeský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

const r_cena_pozemek dok_byty r_mzdy nezamestnanost prirustek_stehovanim prirustek_prirozeny obyv_25__39 pocet_uveru r_urokova_mira r_najem

Koeficient Směr. chyba 51293,8 22480,3 28,1036 7,98098 440,023 100,75 -0,405275 0,531095 -1272,69 418,131 207,517 90,4203 -54,7066 -188,348 -1604,78 -380,937 70,5856

t-podíl 2,282 3,521 0,4397 -0,7631 -3,044 2,295

p-hodnota 0,0300 0,0014 0,6634 0,4516 0,0049 0,0292

340,986

-0,1604

0,8736

116,969 1069,45 176,455 40,3632

-1,610 -1,501 -2,159 1,749

0,1182 0,1443 0,0393 0,0909

** ***

*** **

** *

Koeficient determinace 0,951163 Adjustovaný koeficient determinace 0,934322 P-hodnota(F) 78e-16 Akaikovo kritérium 673,8343 Schwarzovo kritérium 692,4120 Hannan-Quinnovo kritérium 680,5514 Durbin-Watsonova statistika 0,954817 Zdroj: vlastní zpracování

Je zřejmé, že většina parametrů je statisticky neprůkazných. Je tedy nutné z modelu odstranit ty proměnné, jež vykazují nejmenší shodu s daným modelem. Tj. budou odstraněny ty s nejvyšší p-hodnotou, respektive s nejmenším t-

Vlastní práce

53

podílem (v absolutním vyjádření). Jako první tedy bude vyřazena proměnná přirozený přírůstek na 1000 obyvatel, která vykazuje p-hodnotu zhruba 0,88. Stejným způsobem, tedy vyřazováním dalších statisticky nevýznamných proměnných je model zjednodušován a zkvalitňován. Dále tedy byly vyřazeny proměnné dokončené byty na 1000 obyvatel, reálné mzdy, počet úvěrů na 1000 obyvatel, obyvatelstvo 25 – 39 let na 1000 obyvatel a reálný nájem. Takto upravený model má následující výstup: Tabulka 5: Výstup modelu Středočeský kraj (upravený) Model 2: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

const r_cena_pozemek nezamestnanost prirustek_stehovanim r_urokova_mira

Koeficient Směr. chyba 12085,1 2176,30 16,1396 1,34429 -1285,44 336,036 127,087 67,7787 -440,428

171,057

t-podíl 5,553 12,01 -3,825 1,875

p-hodnota 3,00e-06 5,77e-014 0,0005 0,0692

-2,575

0,0144

*** *** *** * **

Koeficient determinace 0,925666 Adjustovaný koeficient determinace 0,917171 P-hodnota(F) 3,03e-19 Akaikovo kritérium 678,6371 Schwarzovo kritérium 687,0815 Hannan-Quinnovo kritérium 681,6904 Durbin-Watsonova statistika 0,446840 Zdroj: vlastní zpracování

Všechny odhadované parametry vysvětlujících proměnných jsou v souladu se zvolenou hladinou významnosti α = 0,05 vyjma proměnné přírůstek stěhováním na 1000 obyvatel, jež je významná na hladině významnosti α = 0,1 . Přesto bylo rozhodnuto o jejím ponechání v modelu, neboť je v tomto modelu jediná zastupující demografické faktory. Po takto zkonstruovaném modelu je možno přistoupit k testování klasických předpokladů lineárního regresního modelu. Model bude testován na autokorelaci, multikolinearitu, homoskedasticitu, normalitu reziduí a správnou specifikaci. Nejprve tedy bude testováno, zda v modelu není přítomna autokorelace. K ověření tohoto předpokladu bude proveden DW test. Testová statistika je rovna hodnotě DW = 0,44684 , což je patrné přímo z výstupu modelu. Pro posouzení toho, zda v modelu je nebo není přítomna autokorelace je dále nutné zjistit kritické hodnoty dL a dU (viz. kapitola 2.1.2) pro počet pozorování T = 40 a pro počet vysvětlujících proměnných k = 4 .

Vlastní práce

54

Tabulka 6: Kritické tabulkové hodnoty 5% kritické hodnoty pro DW statistiku, T = 40, k = 4 dL = 1,29; dU = 1,72 Zdroj: vlastní zpracování

Velikost DW statistiky je menší než příslušný interval kritických hodnot dL; dU. Je tedy nutné zamítnout nulovou hypotézu (ne-autokorelace) ve prospěch alternativní hypotézy autokorelace. Interpretace takto sestrojeného modelu tedy není možná, neboť je porušen jeden z předpokladů klasického lineárního modelu. Model je zapotřebí upravit tak, aby autokorelace byla odstraněna. Jak už bylo napsáno v kapitole 2.1.2, jedním z možných řešení je přidání zpožděné vysvětlované proměnné. Výsledný model rozšířený o zpožděnou proměnou cena byt Tabulka 7: Výstup modelu Středočeský kraj (výsledný model) Model 3: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt Koeficient Směr. chyba t-podíl p-hodnota const 4703,65 1300,10 3,618 0,0010 r_cena_pozemek 3,79203 1,24140 3,055 0,0044 nezamestnanost -543,371 176,023 -3,087 0,0041 prirus83,9451 36,7017 2,287 0,0287 tek_stehovanim r_urokova_mira -312,265 79,7355 -3,916 0,0004 r_cena_byt_1 0,687498 0,0598734 11,48 4,55e-013

*** *** *** ** *** ***

Koeficient determinace 0,983573 Adjustovaný koeficient determinace 0,981084 P-hodnota(F) 1,98e-28 Akaikovo kritérium 602,1510 Schwarzovo kritérium 612,1324 Hannan-Quinnovo kritérium 605,7322 Zdroj: vlastní zpracování

Znovu je proveden test autokorelace, avšak už není možné využít DurbinůvWatsonův test, který není aplikovatelný na modely s dynamickým charakterem. Je proto nutné využít alternativních testů. Pro řád zpoždění = 4 mají následující výstupy: Tabulka 8: Testy autokorelace Testovací statistika: LMF = 2,096136, s p-hodnotou = P(F(4,29) > 2,09614) = 0,107 Alternativní statistika: TR^2 = 8,746855, s p-hodnotou = P(Chí-kvadrát(4) > 8,74685) = 0,0677 Ljung-Box Q' = 8,03473, s p-hodnotou = P(Chí-kvadrát(4) > 8,03473) = 0,0903 Zdroj: vlastní zpracování

Vlastní práce

55

U každého z těchto testů je p-hodnota vyšší jak 5% hladina významnosti, což znamená, že nezamítáme nulovou hypotézu o ne-autokorelovanosti. Přidání zpožděné vysvětlované proměnné (r_cena_byt) jako vysvětlující proměnné pomohlo k odstranění problému s autokorelací a taktéž přírůstek stěhováním již je statisticky významný na 5% hladině významnosti. Ponechání této proměnné v modelu se tedy jeví jako správné. Další předpoklad, který byl testován, byla již v úvodu zmiňovaná multikolinearita. K jejímu testování byly využity VIF faktory, o nichž bylo pojednáno v kapitole 2.1.2. Tento typ testování byl zvolen proto, že dokáže odhalit vysokou závislost i mezi 3 a více proměnnými, na rozdíl od párových korelačních koeficientů, jež byly použity v úvodu této části. Tabulka 9: Testování multikolinearity VIF faktory r_cena_pozemek

6,742

nezamestnanost

6,422

r_urokova_mira

2,110

prirustek_stehovanim

5,009

r_cena_byt

7,880 Zdroj: vlastní zpracování

Za multikolineaorované jsou považovány ty proměnné, jejichž hodnota je vyšší jak 10. Z výsledného výstupu je patrné, že všechny proměnné jsou pod touto hranicí. Nebyla tedy shledána významná závislost mezi vysvětlujícími proměnnými, a předpoklad ne-multikolinearity je považován za splněný. Dále byla testována ne-heteroskedasticita jako nulová hypotéza. Ověření tohoto předpokladu bylo provedeno za pomoci využití Whiteova testu. Jak ukazuje následující výstup, tak p-hodnota je větší jak 5% hladina významnosti. Nulová hypotéza o homoskedaticitě tedy nebyla zamítnuta. Tabulka 10: Test heteroskedasticity Whiteův test Testovací statistika: TR^2 = 25,771951, s p-hodnotou = P(Chí-kvadrát(20) > 25,771951) = 0,173476 Zdroj: vlastní zpracování

Čtvrtý předpoklad, jež byl testován, byla normalita reziduí. Jak vyplývá z tabulky 11, tak p-hodota je vyšší jak 5% hladina významnosti. Nulová hypotéza o normalitě reziduí tedy nebyla zamítnuta. Tabulka 11: Test normality reziduí Testovací statistika pro normalitu Chí-kvadrát(2)= 0,026 [0,9872] Zdroj: vlastní zpracování

Vlastní práce

56

Posledním testovaným předpokladem bylo ověření splnění požadavku správné specifikace modelu. Za tímto účelem byl využit Ramseyův RESET test. Přitom nulová hypotéza zastupuje tvrzení o správné specifikaci. Výsledky všech testů, jak je vidět na výstupu níže, nulovou hypotézu nezamítly. Model byl tedy správně specifikován. Tabulka 12: Testy správné specifikace modelu Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 1,435031, s p-hodnotou = P(F(2,31) > 1,43503) = 0,253 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 2,540616, s p-hodnotou = P(F(1,32) > 2,54062) = 0,121 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 2,396577, s p-hodnotou = P(F(1,32) > 2,39658) = 0,131 Zdroj: vlastní zpracování

Po ověření všech nutných předpokladů by bylo možné interpretovat finální verzi modelu. Nicméně jelikož pro samotnou konstrukci modelu byla použita data ve formě časových řad, je nutné testovat jejich stacionaritu, tak, jak bylo napsáno v kapitole 2.1.1. Následně tedy byly testovány jednotlivé proměnné finálního modelu pomocí rozšířeného ADF-testu na jednotkový kořen. Výstupy pro jednotlivé proměnné jsou následující: Tabulka 13: Testování stacionarity Rozšířený Dickey-Fullerův test s řádem zpoždění 4,

s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,7206 asymptotická p-hodnota 0,4208 pro r_cena_pozemek testovací statistika: tau_c(1) = -0,841629 asymptotická p-hodnota 0,8067 pro nezamestnanost testovací statistika: tau_c(1) = -3,13695

Vlastní práce

57

asymptotická p-hodnota 0,02396 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216 asymptotická p-hodnota 0,002181 pro prirustek_stehovanim testovací statistika: tau_c(1) = -2,79688 p-hodnota 0,06795 Zdroj: vlastní zpracování

Výsledky ADF-testů potvrdily přítomnost jednotkového kořene (nestacionaritu) u proměnných r_cena byt, r_cena pozemek a přírůstek stěhováním, když jejich p-hodnota byla vyšší jak zvolená hladina významnosti α = 0,05 . Z důvodu nestacionarity některých časových řad bylo dále nutné testovat, zda jsou vzájemně kointegrované, neboli byla testována přítomnost jednotkového kořene v reziduích výsledné regrese. Výstup ADF-testu pro chybový člen je následující: Tabulka 14: Testování stacionarity chybového členu testovací statistika: tau_c(1) = -3,91226 asymptotická p-hodnota 0,004603 Zdroj: vlastní zpracování

Reziduální složka vykazuje stacionaritu (p-hodnota je menší jak 5% hladina významnosti). I když tedy bylo prokázáno, že některé časové řady v regresním modelu jsou nestacionární, tak reziduální složka vykázala stacionaritu. U odhadnutého modelu tak nehrozí falešná regrese, která by konečné výsledky zneplatnila. Tímto posledním ověřením se podařilo potvrdit správnost všech důležitých předpokladů klasického lineárního regresního modelu, a proto již dále může být přistoupeno k samotné interpretaci získaných výsledků. O finálním modelu pro Středočeský kraj můžeme říci, že dynamiku reálných cen bytů se podařilo vysvětlit poměrně úspěšně, neboť koeficient determinace dosahuje hodnoty zhruba 98 %. Naskýtá se však otázka, zda tomuto výsledku nepřispěla značně zpožděná proměnná reálná cena bytu. Pokud se ale podíváme na výstup předcházející (tabulka 5), před zařazením této zpožděné proměnné, tak koeficient determinace dosahoval hodnoty kolem 92 %. Dá se tedy říci, že i bez této zpožděné proměnné, je taktéž cenová variabilita modelem vysvětlitelná na uspokojivé úrovni. Ze zkoumaných fundamentálních veličin, které by mohly teoreticky stát za vysvětlením vývoje reálných cen bytů, se jako statisticky významné a s očekávaným směrem působení na poptávkové straně ukázaly nezaměstnanost, přírůstek stěhováním na 1000 obyvatel a reálná úroková míra. Z tabulky

Vlastní práce

58

7 je patrné, že pokud se např. zvýší nezaměstnanost o 1 %, dojde za jinak nezměněných podmínek ke snížení reálné ceny bytu zhruba o 543 Kč za m2. Naopak, dojde-li k 1% nárůstu reálné úrokové míry, reálné ceny bytů poklesnou přibližně o 312 Kč za m2. Z nabídkových faktorů trhu bydlení svoji statistickou významnost prokázala pouze reálná cena pozemků. Dojde-li tedy v tomto regionu ke zvýšení reálné ceny pozemků o 1 Kč za m2, reálná cena bytů by se měla zvýšit za jinak neměnných podmínek zhruba o 3,8 Kč za m2. Přidáním zpožděné vysvětlované proměnné, jako jedné z vysvětlujících faktorů, byla získána spekulativní část modelu, která je určena adaptivním očekáváním ohledně cenového vývoje. Z výsledků modelu tak vyplynulo, že pokud dojde ke zvýšení reálné ceny bytů o 1 Kč za m2, tak v následujícím období (čtvrtletí) by pouze vlivem této události za jinak neměnných podmínek došlo k jejímu nárůstu o 0,68 Kč za m2. Na základě stejného způsobu byly zkonstruovány modely i pro ostatní kraje. To jest, nejprve bylo do modelu zařazeno všech deset vysvětlujících proměnných. Poté pomocí eliminační metody byly odstraňovány statisticky nevýznamné regresory. Podobně jako u kraje Středočeského se i u ostatních, takto sestrojených regresních modelů, vyskytoval problém s autokorelací. Ten byl opět vyřešen zařazením zpožděné (o jedno čtvrtletí) vysvětlované proměnné, jako jedné z vysvětlujících proměnných, do modelu. U takto vytvořených modelů byly testovány předpoklady klasického lineárního modelu (autokorelace, multikolinearita, heteroskedasticita, normalita reziduí a správná specifikace). Alternativní testy u všech finálních modelů nezamítly nulovou hypotézu o ne-autokorelaci, když jejich p-hodnota vykázala hodnotu vyšší jak 5% hladina významnosti. Ani VIF faktory u žádného z modelů neodhalily multikolinearitu, když jednotlivé regresory vykázaly hodnoty nižší jak 10. Druhý testovaný předpoklad byl taktéž splněn. Testování konstantnosti rozptylu reziduí bylo opět provedeno pomocí Whiteova testu. Ten vykázal u všech 13 modelů p-hodnotu vyšší jak 5 %. Nulová hypotéza o homoskedasticitě nebyla zamítnuta. Test normality taktéž vykázal p-hodnotu vyšší jak 5 %, čímž nezamítl nulovou hypotézu o tom, že reziduální složka má normální rozdělení. Poslední požadavek, jež byl testován, byla správná specifikace modelu. Použité různé varianty Ramseyova RESET testu u všech modelů nulovou hypotézu nezamítly. Níže zkonstruované modely jsou tedy správně specifikované. Následně taktéž byla testována stacionarita (případně kointegreace) jednotlivých časových řad, a to k ověření, zda u některého ze sestrojených modelů nehrozí zdánlivá regrese (nepravé výsledky). ADF test u většiny časových řad identifikoval jednotkový kořen (nestacionaritu). Bylo tedy nutné otestovat, zda dané řady výsledného modelu jsou kointegrované. Pro toto ověření byl opět použit ADF test, který byl aplikován na rezidua regresních modelů. Jelikož rezidua ve všech případech vykázala stacionaritu, je možné považovat časové řady za kointegrované. U všech níže zkonstruovaných modelů tedy falešná regrese nehrozí.

Vlastní práce

59

Z výše uvedeného, již následující část, bude obsahovat pouze finální modely pro jednotlivé kraje s vyjádřením se k dosaženým výsledkům. Testy pro jednotlivé kraje jsou uvedeny v příloze B. Tabulka 15: Výstup modelu Jihočeský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt_r Koeficient Směr. chyba t-podíl p-hodnota const 2018,66 498,587 4,049 0,0003 r_mzdy 0,155775 0,0498981 3,122 0,0037 nezamestnanost -350,840 64,6275 -5,429 4,76e-06 r_urokova_mira -122,112 49,0581 -2,489 0,0179 r_cena_byt_1 0,774852 0,0606983 12,77 1,59e-014

*** *** *** ** ***


U Jihočeského kraje se na rozdíl od kraje Středočeského ukázaly jako statisticky významné pouze poptávkové faktory. Jako významné se tedy ukázaly oba zahrnuté faktory pracovního trhu, na rozdíl od kraje Středočeského, kdy reálné mzdy vykázaly pozitivní vliv na reálné ceny nemovitostí, naopak nezaměstnanost opět reálné ceny snižuje. Z faktorů finančního trhu to pak byla znovu reálná úroková míra, kdy byl opět modelem potvrzen předpoklad o jejím negativním působení na reálné ceny bytů, neboť pokud dojde ke zvýšení reálné úrokové míry o 1 %, reálná cena bytů se sníží zhruba o 122 Kč za m2. Jako poslední významnou proměnnou se ukázala zpožděná reálná cena bytu představující spekulativní poptávku. V tomto případě, zvýšení reálné ceny bytu o 1 Kč za m2 (za podmínky ceteris paribus), by teoreticky mělo vyvolat její nárůst v následujícím období zhruba o 80 haléřů za m2. Závěrem se dá shrnout, že ve sledovaném období reálné ceny bytů, v tomto kraji, byly taženy pouze poptávkovými faktory. Nabídkové faktory v tomto případě nesehrály žádnou roli. Tabulka 16: Výstup modelu Karlovarský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt t-podíl p-hodnota Koeficient Směr. chyba const -41079,5 12214,9 -3,363 0,0020 r_cena_pozemek 8,70056 2,13036 4,084 0,0003 nezamestnanost -197,149 48,9729 -4,026 0,0003 r_urokova_mira -130,691 41,5031 -3,149 0,0035 obyvatel177,225 48,9549 3,620 0,0010 stvo_25-39 r_cena_byt_1 0,618935 0,0713260 8,678 4,98e-010

*** *** *** *** *** ***

Vlastní práce

60


U kraje Karlovarského se ukázaly významné jak poptávkové faktory, tak faktor nabídkový, zastoupený reálnou cenou stavebního pozemku, obdobně jak tomu bylo u kraje Středočeského. Reálná úroková míra a nezaměstnanost opět potvrdily v modelu svoji významnost, kdy pouze vlivem druhého zmíněného faktoru by teoreticky mělo docházet k poklesu reálné ceny bytů přibližně o 197 Kč za m2, za podmínky, že dojde k jejímu navýšení o 1 % bod. Z demografických faktorů byl vliv prokázán pouze u obyvatelstva ve věku 25-39 let na 1000 obyvatel. Pokud tedy dojde k přírůstku 1 obyvatele, v této věkové kategorii, na 1000 obyvatel, reálné ceny bytů by se měly zvýšit o 177 Kč za m2. Zdá se tedy, že v Karlovarském kraji růst reálných cen bytů taktéž souvisí se silnými populačními ročníky zakládajícími nové rodiny. Tabulka 17: Výstup modelu Ústecký kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt Koeficient Směr. chyba t-podíl p-hodnota const 2533,51 688,383 3,680 0,0008 nezamestnanost -100,875 28,8100 -3,501 0,0013 r_urokova_mira -86,3314 27,2436 -3,169 0,0032 prirus41,2750 11,1431 3,704 0,0007 tek_stehovanim r_cena_byt_1 0,786494 0,0537144 14,64 3,03e-016

*** *** *** *** ***


Model Ústeckého kraje, obdobně jako všechny předchozí, taktéž zahrnuje jak normální část modelu prezentovanou fundamentálními faktory, jež pro tuto práci byly vybrány, tak spekulativní část, zastoupenou čtvrtletním zpožděním reálné ceny bytu. Opět svoji významnost s očekávaným směrem působení projevila nezaměstnanost a reálná úroková míra. Tyto dvě veličiny v tomto kraji mají na reálnou cenu bytů nejvyšší vliv, jak ukazuje tabulka 28 v kapitole 4.2.1. Např. pokud dojde k poklesu reálné úrokové míry o 1 %, tak pouze na základě této skutečnosti by mělo dojít k růstu reálných cen přibližně o 86 Kč za m2. Svoji významnost taktéž potvrdil přírůstek stěhováním na 1000 obyvatel, který by měl

Vlastní práce

61

přispět k růstu reálných cen bytů o 41 Kč, a to za předpokladu, že by se na tomto území přírůstek stěhováním zvýšil o 1 promile. Tabulka 18: Výstup modelu Liberecký kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt Koeficient Směr. chyba t-podíl p-hodnota const 1333,81 693,247 1,924 0,0630 r_mzdy 0,115156 0,0453370 2,540 0,016 nezamestnanost -251,842 89,8211 -2,804 0,0084 Prirus123,064 54,2624 2,268 0,0300 tek_stehovanim 71,5856 r_urokova_mira -194,989 -2,724 0,0102 0,845108 0,0474597 17,81 1,72e-018 r_cena_byt_1

* ** *** ** ** ***


Z výstupu modelu pro Liberecký kraj je patrné, že obdobně jako u kraje Ústeckého, je reálná cena bytů determinována pouze poptávkovými veličinami. Z nich se jako statisticky významné a s očekávaným směrem působení ukázaly obě proměnné zastupující trh práce. Reálná mzda, která prozatím byla významná pouze u Jihočeského kraje, by měla přispět ke zvýšení reálné ceny bytů o 12 haléřů za m2, v případě, že by došlo k jejímu navýšení o jednu peněžní jednotku, tj. o 1 Kč. Z demografických faktorů byl na 5% hladině významný opět pouze přírůstek stěhováním na 1000 obyvatel. Významnost taktéž prokázala reálná úroková míra, kdy její zvýšení o 1 % by teoreticky mělo vyvolat pokles reálných cen bytů přibližně o 195 Kč za m2 za jinak neměnných podmínek. Tabulka 19: Výstup modelu Královehradecký kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

const r_mzdy nezamestnanost prirustek_stehovanim r_urokova_mira r_cena_byt_1

Koeficient Směr. chyba 2763,02 786,276 0,298770 0,0566867 -589,401 93,8926 105,984 44,9985 -260,552 0,698643

54,3665 0,0492143

Koeficient determinace Adjustovaný koeficient determinace P-hodnota(F) Akaikovo kritérium

t-podíl 3,514 5,271 -6,277 2,355 -4,793 14,20

0,988601 0,986874 8,23e-26 579,2914

p-hodnota 0,0013 8,30e-06 4,27e-07 0,0246

*** *** *** **

3,40e-05 *** 1,31e-015 ***

Vlastní práce

62

Schwarzovo kritérium Hannan-Quinnovo kritérium

589,2727 582,8726 Zdroj: vlastní zpracování

Naprosto shodné proměnné s krajem Libereckým, jež jsou statisticky významné, vykazuje i kraj Královéhradecký. Dominantní postavení je zde zastoupeno reálnou mzdou a nezaměstnaností, které následuje reálná úroková míra. Nejnižší příspěvek k vysvětlení reálného cenového vývoje bytů má veličina zastupující demografické faktory, a to sice migrace obyvatelstva na 1000 obyvatel, opět jak je patrné z tabulky 28 v kapitole 4.2.1. Tabulka 20: Výstup modelu Pardubický kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

Const r_mzdy nezamestnanost prirustek_stehovanim r_urokova_mira r_cena_byt_1

Koeficient 2244,48 0,183787 -303,738 107,355 -195,612 0,768664

Směr. chyba 688,398 0,0478785 73,0297 35,8420 50,6805 0,0418632

t-podíl 3,260 3,839 -4,159 2,995

p-hodnota 0,0026 0,0005 0,0002 0,0052

*** *** *** ***

-3,860 18,36

0,0005 6,85e-019

*** ***


Z výstupu modelu pro Pardubický kraj se opět jako signifikantní ukázaly oba dva faktory trhu práce. Reálná mzda zde převažuje nad vlivem nezaměstnanosti (tabulka 28, kapitola 4.2.1), kdy pouze ona sama o sobě by měla přispět ke zvýšení reálné ceny bytů v tomto kraji o zhruba 19 haléřů za m2, za podmínky že dojde k jejímu navýšení o 1 Kč ceteris baribus. Z demografických faktorů byl opětovně signifikantní přírůstek stěhováním přepočtený na 1000 obyvatel, na rozdíl od proměnných obyvatelé ve věkové struktuře 25 – 39 let na 1000 obyvatel a přirozeného přírůstku na 1000 obyvatel, jež se opět ukázaly statisticky nevýznamné. Navíc přirozený přírůstek na 1000 obyvatel vykazoval záporný vliv na reálné ceny bytů, což se rozchází s výše uvedenými předpoklady. Již tradičně z faktorů finančního trhu se významnost projevila u reálné úrokové míry.

Vlastní práce

63

Tabulka 21: Výstup modelu kraj Vysočina Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt Koeficient Směr. chyba t-podíl p-hodnota const 790,457 547,373 1,444 0,1581 r_mzdy 0,175976 0,0429852 4,094 0,0003 nezamestnanost -208,342 55,8923 -3,728 0,0007 prirus143,651 46,9189 3,062 0,0044 tek_stehovanim r_urokova_mira -147,796 46,0340 -3,211 0,0029 r_cena_byt_1 0,810714 0,0438117 18,50 5,42e-019

*** *** *** *** ***


Finální model kraje Vysočina poukazuje na nevýznamnost konstanty (absolutního členu). Jelikož ale splnění klasických požadavků předpokládá, že daný model zahrnuje úrovňovou konstantu, bylo nutné ji v modelu ponechat, i když ze statického hlediska významná není. Všechny vysvětlující proměnné zahrnuté v tomto modelu jsou statisticky významné nejen na zvolené 5% hladině, ale dokonce i na hladině 1%. Z výsledků je zřejmé, že reálné ceny bytů na tomto území ve sledovaném období (2002 - 2011) jsou ovlivněny pouze stranou poptávky. A to opět jak její normální, tak spekulativní částí, jež je zastoupena zpožděnou reálnou cenou bytu o jedno čtvrtletí. Dalo by se tedy tvrdit, že pokud dojde ke zvýšení reálné ceny bytů o 1 Kč za m2, dá se očekávat její navýšení v následujícím období přibližně o 80 haléřů za m2 ceteris paribus. Z ostatních proměnných významnost potvrdily, obdobě jako u kraje předcházejícího, reálná mzda, nezaměstnanost, přírůstek stěhováním na 1000 obyvatel a reálná úroková míra. Tabulka 22: Výstup modelu Jihomoravský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

const r_cena_pozemek nezamestnanost r_urokova_mira r _najem r_cena_byt_1

Koeficient Směr. chyba 6372,75 1271,07 3,18186 0,888442 -678,989 95,3295 -324,093 75,3009 27,4881 15,3212 0,722674 0,0512520

t-podíl 5,014 3,581 -7,123 -4,304 1,794 14,10

p-hodnota 1,77e-05 0,0011 3,70e-08 0,0001 0,0820 1,59e-015

*** *** *** *** * ***

Vlastní práce

64


Výsledný model Jihomoravského kraje, jak ukazuje tabulka 22, již zahrnuje také jiné vysvětlující proměnné než předcházející 4 kraje počínaje krajem Libereckým. Ty zahrnovaly naprosto shodné regresory, které na tamním území určují reálný cenový vývoj bytů. Navíc se zdá, že jejich reálné ceny jsou v daném sledovaném období determinovány pouze poptávkovými činiteli. U kraje Jihomoravského určitou roli při vysvětlení cenové dynamiky hraje reálná cena pozemku, která jako jediná zastupuje nabídkovou stranu trhu s byty. U sestavených modelů se do této chvíle významnost reálné ceny pozemku potvrdila pouze u kraje Středočeského a Karlovarského. Zkonstruovaný model tedy poukazuje na skutečnost, že pokud se reálná cena stavebního pozemku zvýší o jednu peněžní jednotku (1 Kč za m2), mělo by za jinak nezměněných podmínek dojít k navýšení reálné ceny bytů o 3,2 Kč za m2 plochy. Opětovnou významnost ztvrdily nezaměstnanost a reálná úroková míra. Vliv reálné mzdy se v tomto případě ukázal nevýznamný. Poslední veličinou (pomineme-li zpožděnou reálnou cenu bytu, jež je zastoupena v každém modelu), která zde vykazuje určitou statistickou významnost, je reálná cena nájemného. Z výstupu je zřejmé, že je významná až na 10% hladině. Nicméně bylo rozhodnuto o jejím ponechání, neboť zatím pouze v tomto kraji daná proměnná vykázala, i když nižší, statistickou významnost. Navíc má taktéž očekávaný vliv působení, kdy s jejím zvýšením by měla růst reálná cena bytů. Je zde tedy do určité míry potvrzena domněnka, že pokud dojde ke zdražení nájemného, některé domácnosti by tento fakt mohl motivovat k opuštění trhu s nájemným bydlením a přesunu na trh bydlení vlastnického, což by vyvolalo tlak na růst cen vlastnického bydlení. Tabulka 23: Výstup modelu Olomoucký kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt t-podíl p-hodnota Koeficient Směr. chyba const 4195,74 733,636 5,719 2,00e-06 r_mzdy 0,106270 0,0487532 2,180 0,0363 nezamestnanost -353,967 55,0859 -6,426 2,42e-07 r_urokova_mira -223,992 67,2796 -3,329 0,0021 r_cena_byt_1 0,792680 0,0489884 16,18 1,53e-017 Koeficient determinace 0,978784 Adjustovaný koeficient determinace 0,976288 P-hodnota(F) 6,31e-28 Akaikovo kritérium 593,0673 Schwarzovo kritérium 601,3851 Hannan-Quinnovo kritérium 596,0516 Zdroj: vlastní zpracování

*** ** *** *** ***

Vlastní práce

65

Výstup modelu pro Olomoucký kraj naznačuje, že roli při určování reálných cen bytů zde sehrály pouze poptávkové faktory. Statisticky signifikantní se zde ukázaly reálné mzdy a nezaměstnanost, podobně jak tomu bylo například u kraje Pardubického či Královéhradeckého. Významnost výše hypoteční reálné úrokové míry determinující dostupnost hypotečních úvěrů pro jednotlivé domácnosti nebyla ani u tohoto kraje výjimkou. Naopak demografické faktory statistickou průkaznost nevykázaly. Tabulka 24: Výstup modelu Zlínský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt Koeficient Směr. chyba t-podíl p-hodnota const 3528,26 682,518 5,169 1,12e-05 r_mzdy 0,215928 0,0554645 3,893 0,0005 nezamestnanost -463,199 65,1184 -7,113 3,80e-08 prirustek_stehovanim 122,400 68,2639 1,793 0,0821 r_urokova_mira -285,516 64,7302 -4,411 0,0001 r_cena_byt_1 4,22e-018 0,755216 0,0437028 17,28

*** *** *** * *** ***


I u kraje Zlínského finální model naznačuje, že při určování reálných cen bytů ve sledovaném období (2002 - 2011) jsou důležité faktory trhu práce (jak výše reálné mzdy, tak míra nezaměstnanosti v kraji) a reálná úroková míra z hypoték reprezentující finanční trh. Taktéž svoji signifikantnost prokázal přírůstek stěhováním na 1000 obyvatel. I když statisticky významný je až na 10% hladině, bylo rozhodnuto o jeho ponechání z důvodu, že významnost tohoto ukazatele byla prokázána u většiny ostatních krajů. Je tedy předpokládáno, že tento faktor při určování dynamiky reálných cen bytů má svoji důležitost. Model pro Zlínský kraj se tak stal již sedmým v pořadí, z prozatím 11 sestavených modelů, kde se tento faktor ukázal jako statisticky významný. Tabulka 25: Výstup modelu Moravskoslezský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

const nezamestnanost r_urokova_mira prirustek_stehovanim

Koeficient Směr. chyba 7649,86 913,547 -364,965 46,1037 -217,792 45,3866 224,123 45,2130

t-podíl 8,374 -7,916 -4,799 4,957

p-hodnota 8,92e-010 3,21e-09 3,13e-05 1,95e-05

*** *** *** ***

Vlastní práce r_cena_byt

66 0,709116

0,0374776

18,92

1,26e-019 ***


Konečný výstup pro Moravskoslezský kraj, jež ve sledovaném období (2002 – 2011) ztratil nejvíce obyvatel, vykázal jako důležité faktory, které určují reálnou cenu bytů, nezaměstnanost, reálnou hypoteční úrokovou míru a přírůstek stěhováním na 1000 obyvatel. Jedná se tedy o nejčastěji identifikované faktory, které ovlivňují reálnou cenu bytů u většiny regionů v České republice. Může tedy být, na základě takto sestaveného modelu, vydáno tvrzení, že reálné ceny bytů jsou v Moravskoslezském kraji ovlivněny pouze poptávkovými faktory. Tabulka 26: Výstup modelu Plzeňský kraj Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt Koeficient Směr. chyba t-podíl p-hodnota const 2424,30 1057,86 2,292 0,0284 r_cena_pozemek 7,95938 2,06598 3,853 0,0005 prirus95,2711 52,7370 1,807 tek_stehovanim 0,08 nezamestnanost -348,535 167,196 -2,085 0,0449 -305,836 82,3953 -3,712 0,0008 r_urokova_mira 2,33e-011 r_cena_byt_1 0,695942 0,0706176 9,855

** *** * ** *** ***


U Plzeňského kraje se jako statisticky významné a s očekávanými znaménky ukázaly jak poptávkové faktory, tak jeden faktor reprezentující nabídkovou stranu bydlení. Přírůstek stěhováním na 1000 obyvatel byl ponechán i přes svoji nižší statistickou významnost. Důvod je stejný jako u kraje Zlínského, to jest, že tento faktor prokázal svoji důležitost u většiny krajů. Pokud jde o sílu jednotlivých faktorů, tak se na poptávkové straně ukázala jako nejsilnější nezaměstnanost (tabulka 28, kapitola 4.2.1), kdy s jejím poklesem o 1 %, za jinak neměnných podmínek, by mělo dojít k nárůstu reálné ceny bytu přibližně o 349 Kč za m2. Reálná cena stavebních pozemků, zastupující stranu nabídky, v Plzeňském kraji přispívá k navýšení reálných cen bytů zhruba o 8 Kč za m2, pakliže dojde k jejímu růstů o 1 Kč za m2 plochy.

Vlastní práce

67

Tabulka 27: Výstup modelu Praha Model 1: OLS, za použití pozorování 2002:1-2011:4 (T = 40) Závisle proměnná: r_cena_byt

const r_cena_pozemek nezamestnanost r_urokova_mira dok_byty r_cena_byt_1

Koeficient Směr. chyba 9676,65 1584,92 0,734929 0,342135 -2010,97 341,267 -535,226 150,294 -513,829 302,817 0,814751 0,0530408

t-podíl 6,105 2,148 -5,893 -3,561 -1,697 15,36

p-hodnota 7,08e-07 0,0391 1,32e-06 0,0011 0,0991 1,35e-016

*** ** *** *** * ***


U Prahy, jakožto hlavního města, bylo očekáváno, zda jako specifický region nevykáže odlišné výsledky oproti zbývajícím krajům. Z konečných výsledků se dá tvrdit, že již tradičně, jako u všech krajů, svoji významnost potvrdila nezaměstnanost a finanční dostupnost peněžních prostředků pro jednotlivé domácnosti v závislosti na výši reálné hypoteční úrokové míry. Naopak demografické faktory, které pro kvantitativní analýzu byly využity, se ukázaly jako statisticky nevýznamné. Z pohledu hlavního města se taktéž jako klíčové determinanty reálných cen bytů jeví oba dva faktory nabídkové strany bytů. To znamená, že v případě navýšení reálných cen u stavebních pozemků by tato skutečnost měla vyvolat pozitivní růst reálných cen bytů, ostatně jak ukazuje kladné znaménko u této proměnné ve finálním výstupu. Naopak dokončené byty na 1000 obyvatel by měly reálnou cenu bytů snižovat. Hlavní město je prvním a také jediným regionem, kdy na reálný cenový vývoj bytů má vliv intenzita dokončených bytů. I z tohoto důvodu byla tato vysvětlující veličina v modelu ponechána, i když je signifikantní až na 10% hladině významnosti. S určitou opatrností by se tedy dalo tvrdit, že dle modelu pro Prahu, navýšení dokončených bytů o 1 byt na 1000 obyvatel, by za jinak neměnných podmínek mělo vyvolat reálný pokles cen bytů přibližně o 514 Kč za m2 podlahové plochy. Praha je tak jedinou oblastí, kde model potvrdil významnost obou zahrnutých nabídkových faktorů. Reálné ceny bytů v hlavním městě byly tedy zjevně ovlivněny jak nabídkovými tak poptávkovými faktory, kde poptávková strana byla zastoupena jak fundamentálními faktory představující „normální poptávku“, tak předpokládaným očekáváním ohledně cenového vývoje bytů (zpožděná vysvětlovaná proměnná) reprezentující její spekulativní část.

Vlastní práce

4.2.1

68

Rozklad odhadované závislosti vysvětlované proměnné

Následující část zahrnuje tabulku 28 pro všechny kraje, jež určuje podíl (sílu) jednotlivých nezávislých fundamentálních proměnných na vysvětlované proměnné. Pro výpočet těchto podílů byl zvolen následující vztah dle literatury [41]: T

T

t =1

´t =1

Wi = ∑ bi xit / ∑ yˆ t

(4.2.1.1)

Kde bi je regresní koeficient, xi je proměnná ovlivňující vysvětlovanou proměnnou a yˆ je vyrovnaná hodnota vysvětlované proměnné. Tento způsob odhadu vlivu nezávislých proměnných byl zvolen z toho důvodu, že pouze na základě hodnot regresních koeficientů nemůže být rozhodnuto, který vysvětlující faktor má podstatnější vliv na vysvětlovanou proměnnou. Tabulka 28: Vysvětlující schopnost jednotlivých fundamentálních faktorů (v %)3 Kraj Středočeský

r_cena _pozeme k

dokoncene _byty

14,6 22,1 8,7

prirustek _stehování m

Liberecký Královéhradecký Pardubický Vysočina

obyvatelstvo _25-39 let

5,7

r_urokov a _mira

-2,6 366

-3

-21,96

1,5

-3,4

16,7

-17,2

2,5

-4,06

33,8

-25,9

1,3

-4,4

20

-15,2

1,7

-3,2

23,3

-12,7

1,6

-2,9

3,18

-33,8

-4,4 -4,2

Olomoucký

13,2

-26,5

Zlínský Moravskoslezský

24,6

-27,34

0,7

-4,9

-44,3

2,8

-5,2

-14,8

2,7

-5,1

Plzeňský Praha

22,4 9,6

-1,33

-17,2

r_naje m

-4,5

-17,8 -16,7

Ústecký

Jihomoravský

nezamestnanost -18,8

Jihočeský Karlovarský

r_mzd y

13,8

-3,4

Zdroj: vlastní zpracování

Z tabulky 28 je parné, že nejvyšší příspěvek k vysvětlení variability reálných cen bytů mají faktory trhu práce (pomineme-li vliv obyvatelstva ve věku 25 – 39 let v Karlovarském kraji). Co se týče faktoru nezaměstnanosti, který byl zastoupen ve všech modelech, tak jeho příspěvek napříč kraji se pohyboval od 12,7 % do 44,3 %. Přičemž výraznější dopad do reálných cen bytů má zřejmě nezaměstnanost v tom kraji, který se potýká s jejími vyššími hodnotami. Např. MoravskoSoučet pro jednotlivé kraje se nerovná 100 %, neboť v tabulce není zohledněn podíl konstanty a zpožděné vysvětlované proměnné na vysvětlované proměnné.

3

Vlastní práce

69

slezský kraj zaznamenává nevětší příspěvek této proměnné (44,3 %), přičemž ve sledovaném období (2002 – 2011) vykazuje druhou nejvyšší míru nezaměstnanosti v rámci České republiky. Druhý faktor, reálné mzdy, který byl významný pouze u sedmi krajů, vykazuje rozpětí 13,2 až 33,8 %. Nejvýrazněji tento faktor přispívá v kraji Královéhradeckém, a to zmiňovanými 33,8 %. Na poptávkové straně to pak dále byla reálná úroková míra, která byla významná u všech modelů, obdobně jako nezaměstnanost. Její příspěvek ale v porovnání s nezaměstnaností nebyl tak výrazný. Její výše se pohybuje od -5,2 - -2,6. Variabilita tohoto ukazatele mezi kraji tedy byla v souhrnu pouhých 2,6 %. Dá se tedy konstatovat, že reálná úroková míra ve sledovaném období přispívala k vysvětlení reálných cen bytů obdobným způsobem ve všech regionech. Poslední fundamentální proměnná, která byla zastoupena u většiny krajů, přírůstek stěhováním na 1000 obyvatel, se z těchto prozatím zmíněných veličin zastupující poptávkovou stranu bydlení projevila nejmenší silou. Bude-li pominut Středočeský kraj, kde příspěvek této proměnné byl 5,7 %, tak u ostatních krajů se její hodnota pohybovala od 0,7 do 2,8 %. Na nabídkové straně trhu se častěji z dvou možných faktorů prokázala jako signifikantní reálná cena pozemků. Přičemž její příspěvky k reálné ceně bytů byly poměrně různorodé. Plzeňský kraj, u kterého se tento faktor ukázal jako nejsilnější, má ze všech regionů, kde tato proměnná je významná, nejnižší reálné ceny stavebních pozemků. Naopak Praha, jejíž reálné ceny stavebních pozemků jsou v porovnání s ostatními kraji několikanásobně vyšší, vykázala třetí nejvyšší hodnotu (9,6 %). U Prahy se taktéž jako významný ukázal druhý faktor nabídkové strany, a to počet dokončených bytů na 1000 obyvatel. Jeho příspěvek vysvětlující cenovou dynamiku byl ale poměrně nízký. Svojí velikostí by tak mohl být zařazen vedle proměnné přírůstek stěhováním. Z ostatních fundamentálních veličin se dále jako významné projevily reálná cena nájemného a obyvatelstvo ve věku 25 – 39 let. Avšak svoji významnost prokázaly, každá, pouze u jednoho regionu. Vysvětlující schopnost obyvatelstva je v porovnání se všemi ostatními vysvětlujícími základními proměnnými enormně vysoká (336 %). Avšak její pouhá významnost u Karlovarského kraje nedovoluje vydat tvrzení, že by se mělo jednat o nejvýznamnější fundamentální faktor, kterým jsou reálné ceny bytů v regionech determinovány. Možné důvody nevýznamnosti tohoto i dalších faktorů budou předmětem následující diskuze. Z výše uvedeného lze shrnout, že nejdůležitějšími základními veličinami, jež ve sledovaném období určovaly reálné ceny bytů, jsou na prvním místě faktory trhu práce následované reálnou úrokovou mírou. Z demografických faktorů pak svoji významnost, u většiny krajů, potvrdil přírůstek stěhováním na 1000 obyvatel, který z uvedených veličin přispíval k vysvětlení cenové dynamiky, podle tabulky 28, nejméně. Z uvedeného vyplývá, že u určování reálných cen bytů ve sledovaném období hrály zásadní roli poptávkové vlivy.

Diskuze

70

5 Diskuze 5.1.1

Komparace výsledků pro jednotlivé kraje

Do všech regresních modelů pro jednotlivé kraje bylo zahrnuto 10 (popřípadě 11 po zařazení reálné ceny bytů zpožděné o jedno čtvrtletí) vysvětlujících proměnných reprezentující buďto stranu nabídky nebo poptávky. V této části budou shrnuty konečné výsledky za všechny kraje. Výsledky regresních modelů poukázaly na skutečnost, že zahrnuté demografické faktory nejsou u některých krajů významnými činiteli vysvětlující růst reálných cen bytů. Jako signifikantní se ukázal pouze přírůstek stěhováním na 1000 obyvatel, a to u 9 ze všech 14 krajů. Nesignifikantní se ukázal v kraji Plzeňském, Karlovarském, Jihomoravském, Olomouckém a v Praze. V Praze by vysvětlením této skutečnosti mohl být fakt, že ceny bytů jsou zde výrazně vyšší v porovnání s ostatními kraji. Druhé nejvyšší ceny vykazuje kraj Jihomoravský, ve kterém je zastoupeno druhé největší město Brno s taktéž poměrně vysokými cenami bytů. Lidé přistěhující se do těchto lokalit mohou zřejmě volit zpočátku pronájem, který je pro ně cenově přijatelnější formou než samotná koupě bytu. Nevýznamnost přírůstku stěhováním pro Olomoucký a Jihočeský kraj může být vysvětlena jejich venkovským charakterem. To znamená, že i lidé nově se přistěhující mohou taktéž tento životní styl volit, a proto spíše preferovat koupi rodinného domu. Karlovarský kraj, známý svým lázeňským charakterem, a s tím spojeným cestovním ruchem, mnoho jiných pracovních příležitostí nenabízí, což je patrné i z jeho nezaměstnanosti, která je jedna z největších v České republice. Na základě tohoto vztahu je pak možné usuzovat, že lidé, kteří se přistěhují (jde zejména o cizince) budou práci poptávat v sousedním Německu. Je tedy předpokládáno, že tito lidé spíše zvolí nájemní typ bydlení, z důvodu většiny času stráveného mimo domov. Druhá veličina, obyvatelstvo ve věku 25-39 let na 1000 obyvatel, byla u 13 krajů nevýznamná, ač byly v této věkové kategorii zaznamenány nejvyšší hodnoty v porodnosti a sňatečnosti a s tím související očekávání ohledně zakládání nových rodin, které by měly zvýšit poptávku po bytech. Tato nevýznamnost by mohla být vysvětlena tvrzením, že lidé, již před samotným dovršením věku 25 let, mohou již sdílet společnou domácnost, nemusí tak začít poptávat společné bydlení až v dané sledované věkové hranici. Nemusí tak zřejmě platit, že pokud se zvýší počet obyvatel v této věkové kategorii, dojde k nárůstu cen bytů. Dalším vysvětlením může být fakt, že zejména mladé rodiny mohou volit spíše vstup na trh s nájemním bydlením, a to hlavně pokud se jedná o jejich první samostatné bydlení. Důvodem je, že nájem pro takovéto „startovací “ bydlení nabízí větší flexibilitu. Je tedy možné, že pokud by byla místo této proměnné zvolena její jiná alternativa, a to například střední stav obyvatelstva, výsledky by začaly být signifikantní. Nevýznamnost přírůstku přirozeného na 1000 obyvatel u všech krajů by mohla být vysvětlitelná následujícím způsobem. Samotný přirozený přírůstek,

Diskuze

71

jež je zapříčiněn vyšší porodností, ještě neznamená, že díky narození nového potomka by se měla zvýšit poptávka po bydlení, neboť samotný novorozenec může vstoupit do již zavedené domácnosti. Navíc u většiny krajů se tato veličina vyskytovala se záporným znaménkem. Možným vysvětlením může být opačný vliv proměnných, a to, že cena bytu ovlivňuje přirozený přírůstek. To znamená, že pokud by došlo ke snížení cen bytů, čímž by se zlepšila finanční dostupnost této formy bydlení, tak by tento fakt mohl stimulovat mladé lidi k založení popřípadě rozšíření domácnosti o další potomky. Z dalších faktorů, které byly zahrnuty do kvantitativní analýzy, byly veličiny trhu práce. U všech krajů se prokázala významnost nezaměstnanosti. Je tedy zřejmé, že vývoj této veličiny hraje při určování cen bytů důležitou roli. Samotná reálná mzda pak byla statisticky významná u poloviny krajů. Zajímavým zjištěním bylo, že nevýznamnost reálných mezd byla vykázána u 6 krajů, které ve sledovaném období (2002 - 2011) vykazovaly nejvyšší reálné mzdy. Konkrétně se jednalo o kraj Středočeský, Plzeňský, Ústecký, Jihomoravský, Moravskoslezský a Prahu. Obecně by se tedy dalo říci, že kraje, které vykazovaly vyšší mzdovou úroveň, tak jejich případné změny se neprojevily do disponibilních příjmů obyvatelstva zřejmě takovým způsobem, aby změnily jejich chování a tím i samotnou poptávku po bydlení. Dalšími faktory zahrnutými na stranu poptávky byly reálná hypoteční úroková míra a počet hypotečních úvěrů na 1000 obyvatel. První ukazatel prokázal svoji významnost s očekávaným směrem působení u všech krajů. To jest, snížení reálné hypoteční úrokové míry zvyšuje dostupnost cizích peněžních prostředků pro domácnosti. Ty pak vlivem této pozitivní situace mohou být stimulovány k větší ochotě investovat do vlastního bydlení. Avšak druhý ukazatel, počet hypotečních úvěrů na 1000 obyvatel, svoji významnost nepotvrdil u žádného z regionů. Odůvodněním by mohla být skutečnost, že data, která poskytuje Ministerstvo pro místní rozvoj, zahrnují všechny hypoteční úvěry poskytnuté občanům. Tedy i ty, které nejsou poskytnuté na bydlení. Navíc jednotlivá období v sobě zahrnují jak nově poskytnuté hypoteční úvěry, tak úvěry, které vznikly z důvodu refinancování již částečně splacených úvěrů. Tento možný nesoulad by tak mohl způsobovat zmiňovanou příčinu nevýznamnosti. Posledním fundamentálním faktorem, který by mohl teoreticky ovlivňovat poptávkovou stranu, byla reálná výše nájemného jako alternativní řešení k bydlení vlastnickému. Vliv působení tohoto faktoru byl správný, tedy kladné znaménko, nicméně se projevil jako statisticky nevýznamný, a to u 13 krajů. Významnost prokázal pouze u kraje Jihomoravského, ale pouze na 90% hladině významnosti. Možné vysvětlení převažující nevýznamnosti může být takové, že rozhodování domácností o přestoupení z trhu nájemního bydlení na vlastnické není krátkodobou záležitostí, ale může trvat delší časové období. Dalším možným vysvětlením je možná opačná implikace, kdy reálné ceny bytů ovlivňují reálné ceny nájemného. To znamená, že vyšší reálné ceny bytů zapříčiní zhoršení finanční dostupnosti vlastnického bydlení, což zřejmě způsobí zvýšení poptávky po bydlení nájemním.

Diskuze

72

Ze základních veličin nabídkové strany, o nichž byl předpoklad, že by měly mít dopad do úrovně reálných cen bytů, byly vybrány dokončené byty na 1000 obyvatel a reálné ceny pozemků. Významnost reálných cen stavebních pozemků byla prokázána u kraje Středočeského, Plzeňského, Karlovarského, Jihomoravského a u hlavního města. Dá se tedy tvrdit, že cena stavebních pozemků byla signifikantní v těch krajích, kde byly reálné ceny pozemků identifikovány jako nejvyšší. Dokončené byty na 1000 obyvatel byly významné pouze v Praze, a to s očekávaným vlivem, to jest, že vyšší intenzita bytové výstavby by měla zvyšovat nabídku bytů na trhu, čímž by mělo docházet k tlaku na snižování reálných cen bytů. U zbývajících krajů se tato proměnná ukázala jako nesignifikantní a navíc v mnoha případech s kladným znaménkem. Vysvětlení nevýznamnosti a zejména opačného vlivu než bylo předpokládáno, může být takové, že případný reálný růst cen bytů by mohl motivovat stavební firmy (za předpokladu neměnných nákladů na stavbu) k většímu počtu dokončovaných bytů. Poslední veličinou, která se projevila u všech krajů významná, byla zpožděná reálná cena bytů. Důvodem pro její zařazení bylo vypořádání se s problémem autokorelace, jež se vyskytovala u všech modelů. Tím bylo dosaženo nejen „normální“ části modelu, ale taktéž jeho části „spekulativní“. Je tedy zřejmé, že reálné ceny bytů nemusí být nutně vysvětleny pouze na základě fundamentálních faktorů, ale taktéž určitou roli v jejich vývoji hraje spekulativní očekávání ohledně jejich budoucího vývoje. 5.1.2

Předpokládaný vývoj cen nemovitostí

Růst cen rezidenčních nemovitostí, a to zejména cen bytů, jež dosáhl svého vrcholu ve 3. čtvrtletí 2008, byl vystřídán poměrně silným poklesem v následujících dvou letech. Rok 2011 byl opět ve znamení poklesu, i když už ne tak výrazného jak v předchozích dvou letech. U realizačních cen bytů, které vykazovaly ve sledovaném období největší dynamiku a u kterých jsou jejich realizační ceny nejreprezentativnější z důvodu největšího počtu provedených transakcí během roku, vykázaly v rámci České republiky 1% meziroční pokles. V porovnání tak s maximem v roce 2008 byly realizační ceny nižší téměř o 18 %. Pokles zaznamenaly taktéž bytové domy, naopak domy rodinné meziročně dokonce vzrostly, a to o 2,1 % Oproti své nejvyšší ceně v roce 2008 tak zaostávaly pouze o 2,5 %. Pokud se pozastavíme ještě u realizačních cen bytů pro jednotlivé kraje, tak přesná polovina z nich zaznamenala v roce 2011 oproti předchozímu roku nárůst. Jmenovitě se jednalo o kraj Plzeňský, Královéhradecký, Liberecký, Pardubický, Vysočinu, Moravskoslezský a Jihomoravský. Výraznější meziroční růst avšak zaznamenal pouze kraj Královéhradecký (3 %) a Moravskoslezský (2,5 %). Rok 2012 nepřinesl žádné výrazné změny. Z prozatím dostupných údajů ČSÚ je patrné, že realizační ceny bytů za poslední 2 čtvrtletí opět zaznamenaly nepatrný pokles, a to u České republiky bez Prahy (pokles o 1,2 % oproti poslednímu čtvrtletí 2011). Hlavní město naopak zaznamenalo mírný nárůst, a to 0,3 %. [42] Je tedy zřejmé, že žádné velké oživení se zatím nekoná. A jaký je možný

Diskuze

73

další vývoj v budoucnu? Z faktorů, které byly modely pro jednotlivé kraje určené, se jako nejvýznamnější ukázaly faktory poptávkové. Je předpokládáno, že jejich budoucí vývoj i nadále bude sehrávat nemalou roli. Velmi podstatným faktorem se ukázala nezaměstnanost a reálné mzdy. Rok 2012 nebyl pro českou ekonomiku nikterak příznivý. Po nepatrném oživení v letech 2010 – 2011 zaznamenala česká ekonomika propad v každém čtvrtletí. Za rok 2012 tak výkonnost ekonomiky oproti předchozímu roku klesla o 1,2 %. Jednu z příčin lze shledat v neustále se oslabující poptávce domácností po spotřebním zboží a službách. Zahraniční obchod přes svůj pozitivní vývoj nebyl schopen patřičnou ztrátu snížené domácí poptávky dohnat. V roce 2012 tak k pozitivnímu vývoji po celou jeho dobu přispíval pouze čistý export (+ 1,5 %). [43]. Negativní vývoj tak zaznamenalo i stavebnictví (-6 %), u kterého je domácí poptávka nadmíru důležitá a jehož multiplikační efekt na zaměstnanost je vysoký. Uvádí se, že 1 milion korun vloženého do tohoto odvětví vyvolá potřebu až 3,5 zaměstnanců v něm a dalších navazujících odvětvích. [44] Ruku v ruce tak díky těmto negativním tendencím byl ve všech krajích České republiky zaznamenán nárůst nezaměstnanosti (za celou Českou republiku registrovaná míra nezaměstnanosti na konci roku 2012 dosáhla výše 9,4 %). Průměrné nominální mzdy sice vykázaly nepatrný vzestup, nicméně vývoj inflace (3,3 %) zapříčinil, že v jejich reálném vyjádření došlo u všech krajů k poklesu. [45] Negativní vývoj zaměstnanosti a pokles reálných mezd tak k oživení rezidenčního trhu jistě nenahraje. Jako další důležitý faktor se ukázala reálná úroková míra. I v roce 2012 docházelo k jejímu nominálnímu poklesu, když v prosinci téhož roku byla průměrná hypoteční úroková míra na své nejnižší hranici, a to 3,17 %. Pokles tak zaznamenala i úroková míra v reálném vyjádření díky inflaci, která v roce 2012 dosáhla hodnoty 3,3 %. Banky se za tento rok pyšnily druhým největším objemem poskytnutých hypotečních úvěrů ve své historii (121,6 mld. Kč). K tomu výsledku bezpochyby přispěly velmi nízké úrokové sazby a taktéž relativně stabilní ceny nemovitostí. Nicméně k tomu vývoji bych nebyl tak optimistický jako samotné banky. Je nutné si uvědomit, že do celkového objemu hypoték vstupují i refinancované hypoteční úvěry. Nejčastější dobou fixace úrokové míry je pětileté období. Když je v úvahu tato skutečnost vzata, tak pětileté období v roce 2012 by mělo končit hypotékám sjednaným v roce 2007. Jelikož v roce 2007 byl zaznamenán doposud nejvyšší objem poskytnutých hypotečních úvěrů, dá se předpokládat, že mnoho z nich bylo právě v posledním zmiňovaném roce refinancováno. Odhady uvádějí, že refinancované úvěry se za rok 2012 podílejí na celkovém objemu hypoték 20 – 30 procenty. Dá se předpokládat, že do budoucna se tento podíl bude dále navyšovat. [46] Dle úvahy, pokračující nepříznivý vývoj na trhu práce, nepřinese v následujících letech příliš pozitivní dopad na hypoteční trh. Domněnka je taková, že lidé budou mít čím dál větší strach ze zadluženosti, která z hypotečního úvěru vyplývá. Odradit je může poměrně dlouhá doba splácení 20 – 30 let, a to zejména z důvodu ztráty zaměstnání. Dalším důvodem pro odrazení, by mohla být výše úrokové míry. Je domněnka, že i když jsou v současné době úrokové

Diskuze

74

míry z hypotečních úvěrů na svém dosavadním minimu, tak tento jejich trend, nemůže pokračovat do nekonečna a musí dojít k obratu. Někteří lidé si i při takto nízkých úrokových mírách hypotéku nevezmou, neboť se mohou obávat jejich budoucího zvýšení a tím i dopadu do splátek jejich úvěru v době změny fixace. I za předpokladu stálé práce, tak nemají jistotu, že jejich disponibilní příjmy vystačí krýt takto zvýšené splátky. Posledním významným faktorem na poptávkové straně se ukázal přírůstek stěhováním. I tento trend není pro Českou republiku v současné době velmi příznivý. I když v České republice dochází k jeho pozitivnímu saldu, tak dynamika tohoto ukazatele od roku 2008 klesá. V roce 2012 dosáhla jeho hodnota kladného salda ve výši 10 293 obyvatel. V porovnání s rokem 2007 se tento ukazatel snížil zhruba o 88 %. Ani tento ukazatel nenaznačuje, že by do budoucna měli tito lidé poptávku po vlastnickém bydlení výrazně navyšovat. [45] Z výše uvedených důvodů, lze předpokládat, že ceny bytů v dohledné době žádnou výraznou změnu ve svém cenovém vývoji nezaznamenají. Je očekáváno, že bude pokračovat trend z posledních let, tedy jejich mírný pokles či stagnace. 5.1.3

Možná podpora pro oživení trhu?

Je bezpochybné, že pro oživení rezidenčního trhu je tedy nutné obnovit poptávku po vlastnickém bydlení. Ta dle názoru může být obnovena pouze za předpokladu opětovného znovunastartování příznivé makroekonomické situace v zemi a tím navrácení důvěry a jistoty zejména do střední vrstvy populace, jejíž aktivita je pro ekonomiku stěžejní. Navrhovat na tomto místě, jak této situace dosáhnout, by bylo nejprve zapotřebí podrobné prozkoumání dané problematiky a všech možných dalších implikací s ní související. To by zajisté zabralo rozsah nejedné další diplomové práce. Proto se omezím pouze na možné posílení hypotečního trhu, který bezpochyby je jednou z důležitých částí možnosti financování a tím i podpory vlastnického bydlení. Jednou z možných variant jak navrátit důvěru střednímu obyvatelstvu ve větším využívání hypotečních úvěrů, a to zejména v době obav nejistoty ohledně svého zaměstnání, by mohlo být zřízení garančního fondu hypoték. Takový garanční fond existuje např. v Nizozemsku, kde funguje již od r 1995. [47] V podstatě by se jednalo o jakousi finanční záchrannou síť pro obyvatele, jež se dostanou do finančních problémů se splácením svých hypotečních splátek. Důvodem vzniku těchto jejich problémů by musela být ztráta zaměstnání vyplývající z nepříznivé makroekonomické situace. Pomoc těmto lidem by spočívala v návratné bezúročné, časově omezené půjčce. Peněžní prostředky na tuto pomoc by mohly např. plynout ze strany státu ze Státního fondu rozvoje bydlení. Do takovéhoto fondu by taktéž mohly přispívat i jednotlivé hypoteční banky. Takovýto nástroj by tedy sloužil k pokrytí krátkodobého finančního výpadku domácností, a tím zabránil jejich platební neschopnosti. Zároveň by taktéž nemotivoval některé domácnosti k tomu, aby se takovouto nepříznivou situaci snažily řešit pomocí jiných půjček, a to zejména na nebankovním trhu. Garanční

Diskuze

75

fond by tak zajistil větší finanční jistotu a stabilitu obyvatelstvu a tím by vytvořil i stabilnější ekonomickou situaci v zemi.

Závěr

76

6 Závěr Cílem diplomové práce bylo zjištění, jaké determinanty ovlivňují ceny rezidenčních nemovitostí v jednotlivých krajích České republiky. V teoretické části byl nejprve charakterizován trh nemovitostí a s ním související specifika oproti ostatním trhům v ekonomice. Následovala charakteristika poptávky a nabídky bydlení. Problematika trhu nemovitostí je zakončena podkapitolou, kde jsou vymezeny jednotlivé subjekty na tomto trhu participující. Následující kapitola představovala jednu z velmi důležitých částí práce. Na základě poznatků ze zahraničních studií mohly být určeny a následně vybrány potenciální faktory, které by taktéž mohly působit na ceny nemovitostí na českém území. Společným rysem všech čtyř v této kapitole zmíněných studií bylo, že se snažily vysvětlit cenový vývoj na základě fundamentálních veličin, a to jak poptávkových, tak v případě druhé a čtvrté studie taktéž veličin nabídkových. Díky těmto studiím tak pro zkoumání determinant v českém prostředí byly vybrány faktory poptávkové, které byly zastoupeny faktory trhu práce, finančního trhu a faktory demografickými. Opomenuty nebyly ani faktory nabídkové zastoupené cenou stavebních pozemků a intenzitou bytové výstavby. Pro kvantitativní analýzu byl dále vybrán ještě jeden fundamentální faktor, a to tržní nájemné, i když se o něm vybraní zahraniční autoři nezmiňují. Důvodem pro zařazení byla domněnka o substitučním vztahu mezi vlastnickým a nájemním bydlením a z toho plynoucí potenciální vliv na cenu nemovitostí. V Kapitole 4.1 byl poměrně detailně popsán výběr zástupců pro jednotlivé faktory strany nabídky a poptávky a taktéž samotný výběr vysvětlované proměnné. Zároveň bylo taktéž popsáno zdůvodnění výběru těchto reprezentantů. Zvolení vhodné ceny nemovitostí bylo základním předpokladem pro následující úspěšné sestavení a vypovídací schopnost regresních modelů. Výběr instituce, jež tato data za jednotlivé kraje shromažďuje, byl poměrně snadný. Snahou bylo získat co možná nejdelší časovou řadu dat, tak aby výsledky kvantitativní analýzy mohly být považovány za co možná nejspolehlivější. V tomto směru se jako nejvhodnější ukázal Český statistický úřad, jež zveřejňuje průměrné realizační ceny pro jednotlivé typy nemovitostí. Dále muselo být rozhodnuto, jaký typ nemovitosti zvolit jako nejvhodnějšího zástupce. Zvolen byl byt, a to ze tří důvodů. Zaprvé, kvůli jeho relativní homogenitě oproti domům rodinným. Zadruhé, kvůli největší cenové dynamice a za třetí z důvodu největšího počtu převodů během roku, podle nichž Český statistický úřad realizační ceny zjišťuje. Kapitola 4.2. již představovala samotnou tvorbu regresních modelů pro jednotlivé kraje. U nominálních proměnných došlo k jejich přepočítání na veličiny reálné za pomoci indexu spotřebitelských cen, tak aby došlo k sjednocení a bylo nadále pracováno už pouze s veličinami reálnými. Navíc s reálnými veličinami taktéž pracovali autoři v prvních třech zahraničních studiích uvedených v kapitole 3.2. Vysvětlovanou proměnnou se tak stala reálná cena bytu. Jako vysvětlující proměnné byly zvoleny tyto veličiny: demografické faktory byly zastoupeny při-

Závěr

77

rozeným přírůstkem, přírůstkem stěhováním a obyvatelstvem ve věku 25 – 39 let. U všech těchto veličin došlo k jejich přepočtu na 1000 obyvatel, a to pouze z důvodu možné lepší interpretace konečných výsledků. Pro faktory trhu práce byly vybrány dvě proměnné, a to registrovaná míra nezaměstnanosti a reálná průměrná hrubá mzda. Trh finančních faktorů zastoupily reálná úroková míra a počet hypotečních úvěrů přepočtený na 1000 obyvatel, opět z důvodu možné lepší interpretace. Poslední poptávkovou veličinou bylo zvoleno reálné tržní nájemné. Do nabídkové strany byly zahrnuty pouze dva faktory, a to reálná cena stavebních pozemků a intenzita bytové výstavby, neboli počet bytů, přepočtený na 1000 obyvatel. Důvodem nepoměru počtu nabídkových a poptávkových faktorů byla omezená dostupnost dat, zejména v kontextu jednotlivých krajů. Zásadním problémem, který se vyskytl při tvorbě všech regresních modelů, byla autokorelace reziduální složky. K vyřešení této situace byla do jednotlivých modelů zařazena jako dodatečná vysvětlující proměnná zpožděná reálná cena bytů. Tím bylo dosaženo rozdělení poptávky na část „normální“, která je zastoupena základními poptávkovými veličinami, jež byly pro tuto práci vybrány, tak část „spekulativní“ jež je zastoupena zpožděnou proměnnou. Testování zbývajících předpokladů klasického lineárního regresního modelu nevykázalo žádné negativní výsledky. Tím bylo potvrzeno splnění všech těchto předpokladů. Před samotnou interpretací výsledků bylo nutné ověřit stacionaritu a případnou kointegraci časových řad. Použitý ADF test indentifikoval u většiny časových řad nestacionaritu. Proto bylo přistoupeno k ověření stacionarity reziduální složky jednotlivých regresních modelů, a to opět pomocí ADF testu. Samotná rezidua již ve všech případech vykázala stacionaritu a bylo tím možné považovat časové řady za kointegrované. Výsledné regresní modely tak nebyly zatížené falešnou regresí, jež by jejich výsledky zneplatnila. Z faktorů trhu práce se jako signifikantní u všech krajů České republiky ukázala nezaměstnanost. Ta ve všech případech měla očekávaný směr působení. S jejím růstem by tedy mělo docházet k poklesu reálné ceny bytů. Významnost reálné mzdy byla prokázaná u sedmi krajů, a to kraje Jihočeského, Libereckého, Královéhradeckého, Pardubického, Vysočiny, Olomouckého a kraje Zlínského. U zástupců finančního trhu svoji významnost sehrála reálná úroková míra u všech 14 regionů. I tato proměnná projevila očekávaný směr působení. Výsledky všech modelů naznačily, že s růstem této veličiny dochází k poklesu vysvětlované proměnné. Poměrně překvapivý výsledek pak zaznamenala proměnná, počet úvěrů na 1000 obyvatel, která se naopak u všech krajů ukázala nevýznamnou i přes svou úzkou propojenost s předchozí proměnnou. Výsledky faktorů demografických byly spíše smíšené. Statisticky průkazný a s očekávaným znaménkem se ukázal přírůstek stěhováním na 1000 obyvatel u většiny krajů. Jmenovitě se pak jednalo o kraj Středočeský, Ústecký, Liberecký, Královéhradecký, Pardubický, Vysočinu, Zlínský, Moravskoslezský a kraj Plzeňský. Předpokládaný vliv silných populačních ročníků na poptávkovou stranu nebyl téměř prokázán. Obyvatelstvo ve věku 25-39 let na 1000 obyvatel bylo statisticky významné pouze u kraje Karlovarského. Poslední zástupce, přirozený

Závěr

78

přírůstek na 1000 obyvatel, svůj vliv na reálnou cenu bytů nezaznamenal v žádném kraji. Zbývající fundamentální faktor poptávkové strany, reálné tržní nájemné, byl významný pouze u kraje Jihomoravského. Z výsledků modelu pro tento kraj tak vyplynul možný substituční vztah mezi vlastnickým a nájemním bydlením. Tedy, v důsledku zvýšení reálné ceny tržního nájemného by se měla taktéž zvýšit reálná cena bytů. Nicméně statisticky významný byl pouze na 1% hladině. Co se týče nabídkových faktorů, tak jejich vliv byl v porovnání s faktory poptávkovými, ne až tak významný. Vliv reálné ceny stavebních pozemků byl prokázán u kraje Středočeského, Karlovarského, Jihomoravského, Plzeňského a u hlavního města Prahy. Intenzita bytové výstavby svůj význam potvrdila pouze u hlavního města. Tedy tam, kde se jako na jediném místě v ČR ročně dokončí více bytů jak rodinných domů. Svůj význam taktéž potvrdilo vynucené zařazení zpožděné reálné ceny bytů, a to u všech regionů. Byl tedy vydán závěr, že reálné ceny bytů nebyly ovlivňovány pouze fundamentálními veličinami, ale zřejmě svoji nespornou roli taktéž sehrává očekávání ohledně budoucího cenového vývoje. Výsledky modelů pro jednotlivé kraje naznačily, a tím může být odpovězeno na první otázku, která byla položena v úvodu práce, že ceny rezidenčních nemovitostí (bytů) nejsou v jednotlivých regionech ovlivněny zcela stejnými faktory. Na druhou stranu se dá ale říci, že nejvíce společných faktorů se objevuje u větší části krajů. Jedná se přitom o faktory, které ve sledovaném období (2002 - 2011) nejvíce přispívaly k vysvětlení cenové dynamiky. Jmenovitě se jedná o nezaměstnanost, reálné mzdy, reálnou úrokovou míru a přírůstek stěhováním. Odpověď na druhou otázku je následující: Jelikož se u většiny krajů ukázaly zvažované nabídkové faktory jako nevýznamné, lze vydat tvrzení, že ceny rezidenčních nemovitostí (bytů) byly na českém území determinovány převážné poptávkovými faktory, faktory nabídkové nehrály ve sledovaném období zásadní roli. Kapitola 5 byla věnována diskuzi nad danou problematikou. Nejprve byly diskutovány souhrnné výsledky za všechny kraje. V této části se taktéž objevily úvahy nad nevýznamností některých veličin. Následovala podkapitola 5.1.2, kde se objevily úvahy nad možným budoucím vývojem cen rezidenčních nemovitostí v rámci celé České republiky. Přitom pro tyto úvahy byly vzaty v potaz pouze nejvýznamnější a nejvíce se vyskytující vysvětlující proměnné v rámci celé České republiky, jež byly určeny lineárními regresními modely pro jednotlivé kraje. Za tyto proměnné tak byly určeny oba demografické faktory – nezaměstnanost reálná mzda, reálná úroková míra z hypotečních úvěrů zastupující faktory finančního trhu a demografický faktor reprezentovaný přírůstkem stěhování na 1000 obyvatel. Na základě vývoje těchto veličin bylo dosaženo závěru, že ceny nemovitostí (a převážně ceny bytů) v dohledné době žádnou výraznější změnu nezaznamenají, je očekávána stagnace či jejich další mírný pokles. Je nutné ale zdůraznit, že se jedná o pouhou úvahu, a proto je nutné tento závěr brát s vysokou opatrností. Realita může být nakonec úplně jiná. Konec kapitoly je zakončen možným doporučením pro oživení rezidenčního trhu. Jelikož přisuzuji

Závěr

79

poměrně vysoký vliv hypotečního trhu na trh rezidenční, rozhodl jsem se zaměřit doporučení právě do této oblasti. Návrh spočíval ve zřízení možného garančního fondu hypoték. Mělo by se tedy jednat o jakousi záchrannou síť pro držitele hypoték, kteří se dostanou do finanční tísně z důvodu ztráty zaměstnání. Zmíněný nástroj by tak daným držitelům měl zajistit větší finanční stabilitu a jistotu a tím taktéž přinést větší stabilitu do celé ekonomiky naší země.

Literatura

80

7 Literatura [1] [2] [3] [4] [5] [6] [7] [8]

[9]

[10]

[11]

[12]

[13]

[14]

CIPRA, T. Finanční ekonometrie. 1. vyd. Praha: Ekopress, 2008. 538 s. ISBN 978-80-86929-43-9. GUJARATI, D. Basic econometrics. 4. Vyd. Boston: McGraw-Hill. c2003. 1002 s. ISBN 978-0-07-233542-2. HAMPEL, D. Ekonometrie 2. 1. vyd. Brno: Mendelova univerzita, 2011, 147 s. ISBN 978-80-7375-540-9. HUŠEK, R. Ekonometrická analýza. 1.vyd. Praha: Ekopress, 1999. 303 s. ISBN 80-861-1919-X. ŠILHÁNKOVÁ, V. Koncepce bytové politiky pro středně velká a malá města. 1.vyd. Hradec Králové: Civitas per Populi, 2006. 200 s. ISBN 80-903-8130-8. POLÁKOVÁ, O. Bydlení a bytová politika. Vyd. 1. Praha: Ekopress, 2006. 294 s. ISBN 80-869-2903-5. Zákon č. 40/164 Sb., občanský zákoník. LUX, M. Mikroekonomie bydlení: podkladová studie ke grantovému projektu GA ČR č. 402/01/0146. 1. vyd. V Praze: Vysoká škola ekonomická v Praze, 2002, 87 s. ISBN 80-245-0338-7. ÉGERT, B., MICHAJLEK, D. Determinants of House Prices in Central and Eastern Europe. BIS Working Papers No 236. 2007 [online]. Formát v souboru pdf. [cit. 2013-02-10]. Dostupné z WWW: < http://www.bis.org/publ/work236.pdf>. KAJUTH, F. Determinants of residential property prices in Germany: Evidence from a structural approach. Conference Paper. 2010 [online]. Formát v souboru pdf. [cit. 2013-02-11]. Dostupné z WWW: . IGAN D., LOUNGANI, P. Global Housing Cycles. IMF Working Paper. 2012 [online]. Formát v souboru pdf. [cit. 2013-02-11]. Dostupné z WWW: < http://www.imf.org/external/pubs/ft/wp/2012/wp12217.pdf>. WU, L., ZHENG, X. Determination of Urban Land and Housing Prices in China: A Simultaneous Equations Approach [online]. Formát v souboru pdf. [cit. 2013-02-14]. Dostupné z WWW: < http://ritsumeikeizai.koj.jp/koj_pdfs/60403.pdf>. Český statistický úřad. Ceny sledovaných druhů nemovitostí [online]. c2013 Formát v souboru pdf. [cit. 2013-01-16]. Dostupné z www: < http://www.czso.cz/csu/2012edicniplan.nsf/t/E2002F120B/$File/700912u. pdf >. Hypoindex.cz. HB index: Bude spolehlivým ukazatelem cen bytů? [online]. c2008-2013 [cit. 2013-01-20]. Dostupné z www: <

Literatura

[15] [16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

81

http://www.hypoindex.cz/hb-index-bude-spolehlivym-ukazatelem-cenbytu/>. KISEB. Ceník výdeje dat z databáze KISEB [online]. 2013 Formát v souboru pdf. [cit. 2013-04-10]. Dostupné z www: < http://www.kiseb.cz/data.pdf>. Český statistický úřad. Ceny sledovaných druhů nemovitostí. [online]. c2013 [cit. 2013-01-16]. Dostupné z www: < http://www.czso.cz/csu/2012edicniplan.nsf/p/7009-12 >. Ministerstvo financí ČR. PROGNÓZA POPULAČNÍHO VÝVOJE ČESKÉ REPUBLIKY NA OBDOBÍ 2008 -2070 [online]. c2005-2009 Formát v souboru pdf. [cit. 2013-03-10]. Dostupné z www: < http://www.mfcr.cz/cps/rde/xbcr/mfcr/Prognoza_2010.pdf>. Český statistický úřad. Demografická ročenka krajů 2002 -2011 [online]. c2013 [cit. 2013-03-10]. Dostupné z www: < http://www.czso.cz/csu/2012edicniplan.nsf/publ/4027-12-r_2012 >. Český statistický úřad. Demografická ročenka krajů 1991 -2003 [online]. c2013 [cit. 2013-03-10]. Dostupné z www: < http://www.czso.cz/csu/2004edicniplan.nsf/publ/4027-04-1991_2003 >. Český statistický úřad. Statistický bulletin – Moravskoslezský kraj [online]. c2013 [cit. 2013-01-16]. Dostupné z www: < http://www.czso.cz/csu/2011edicniplan.nsf/krajpubl/801302-11-q4_2011-xt >. Český statistický úřad. Věkové složení obyvatelstva České republiky [online]. c2013 [cit. 2013-01-16]. Dostupné z www: < http://www.czso.cz/csu/2004edicniplan.nsf/publ/4003-04-za_rok_2003 >. Finance.cz. Vývoj hrubého domácího produktu [online]. [cit. 2013-02-15]. Dostupné z www: . Česká národní banka. ZPRÁVA O FINANČNÍ STABILITĚ 2009/2010. [online] c2003-2013 Formát v souboru pdf. [cit. 2013-02-15]. Dostupné z www: . BusinessInfo.cz. Regionální struktura ČR a politika diversifikace [online]. c1997-2013 [cit. 2013-03-13]. Dostupné z www: . Ústav územního rozvoje. Vybrané údaje o bydlení 2011 [online]. 2011-2012 Formát v souboru pdf. [cit. 2013-01-20]. Dostupné z www: . Ministerstvo pro místní rozvoj ČR. Podpora hypoték pro mladé lidi na starší byty [online]. 2013 [cit. 2013-03-23]. Dostupné z www:

Literatura

[27]

[28]

[29]

[30]

[31] [32]

[33]

[34] [35]

[36]

[37]

82

. IDNES.cz. Shrnutí roku 2008: jaký byl hypoteční trh a co se dá očekávat [online]. c1999-2013 [cit. 2013-03-23]. Dostupné z www: < http://finance.idnes.cz/shrnuti-roku-2008-jaky-byl-hypotecni-trh-a-co-seda-ocekavat-pes-/uver.aspx?c=A081119_135252_uver_bab >. IDNES.cz. Banky zpřísnily podmínky, některé hypotéky přestaly nabízet [online]. c1999-2013 [cit. 2013-03-23]. Dostupné z www: < http://finance.idnes.cz/banky-zprisnily-podminky-nektere-hypotekyprestaly-nabizet-p59-/uver.aspx?c=A090218_095753_uver_bab >. Hypoteční banka. Pro český hypoteční trh byl loňský rok druhým nejúspěšnějším v historii [online]. c2013 [cit. 2013-03-23]. Dostupné z www: . LUX, M. Standardy bydlení 2007/2008 [online]. [cit. 2013-01-16]. Dostupné z www: < http://seb.soc.cas.cz/publikace_download/standardy2008_downcz.htm >. Hypoindex.cz. Hypoindex vývoj [online]. c2008-2013 [cit. 2013-01-20]. Dostupné z www: < http://www.hypoindex.cz/hypoindex-vyvoj/>. Hypoindex.cz. Regulované nájmy: od 18 Kč/m² do 60 Kč/m² [online]. c2008-2013 [cit. 2013-03-29]. Dostupné z www: < http://www.hypoindex.cz/regulovane-najmy-od-18-kc-m2-do-60-kc-m2/>. Hypoindex.cz. Regulované nájemné: Dvě strany barikády. [online]. c20082013 [cit. 2013-03-29]. Dostupné z www: < http://www.hypoindex.cz/regulovane-najemne-dve-strany-barikady/>. Finance.cz. Regulované nájemné [online]. [cit. 2013-04-01]. Dostupné z www: . Česká národní banka. ZPRÁVA O FINANČNÍ STABILITĚ 2010/2011. [online]. c2003-2013 Formát v souboru pdf. [cit. 2013-04-02]. Dostupné z www: < http://www.cnb.cz/miranda2/export/sites/www.cnb.cz/cs/financni_stabilit a/zpravy_fs/fs_2010-2011/fs_2010-2011.pdf>. Agentura MEDIATO. Tržní nájemné v roce 2012 stouplo. [online]. c2011 [cit. 2013-04-02]. Dostupné z www: . Regionální disparity v dostupnosti bydlení. Vývoj cen bytů a tržních nájmů 2000 – 2008. [online]. Formát v souboru pdf. [cit. 2013-01-20]. Dostupné z www: < http://www.disparity.cz/data/USR_048_DEFAULT/ceny_bytu_najmy_Ha dlac.pdf >.

Literatura

[38]

[39]

[40]

[41]

[42] [43]

[44]

[45]

[46]

[47]

83

Agentura MEDIATO. Vývoj tržního nájemného starších bytů [online]. c2011 Formát v souboru pdf. [cit. 2013-01-20]. Dostupné z www: . Český statistický úřad. Struktura bytového fondu [online]. c2013 [cit. 201303-27]. Dostupné z www: < http://www.czso.cz/csu/2003edicniplan.nsf/p/4112-03>. Sčítání lidu, domů a bytů. Tab 118 Bytový fond [online]. c2013 [cit. 2013-0327]. Dostupné z www: . HEE SOO, CH., JEONG HO, K. Housing Speculation and Housing Price Bubble in Korea. Working Papers 04-06, 2004 [online]. Formát v souboru pdf. [cit. 2013-04-10]. Dostupné z WWW: < http://papers.ssrn.com/sol3/papers.cfm?abstract_id=535882>. Český statistický úřad. Ceny bytů [online]. c2013 [cit. 2013-04-20]. Dostupné z www: < http://www.czso.cz/csu/redakce.nsf/i/ceny_bytu>. Český statistický úřad. Vývoj ekonomiky České republiky v roce 2012 [online]. Formát v souboru pdf. c2013 [cit. 2013-04-20]. Dostupné z www: < https://www.czso.cz/csu/2012edicniplan.nsf/t/33001F7B87/$File/110911q4 a.pdf >. Asociace pro rozvoj infrastruktur. V roce 2010 propad neskončí [online]. 2013 [cit. 2013-04-21]. Dostupné z www:< http://www.asociaceppp.cz/?action=ventire&n_id=1187&page=2&nonotify= 0>. Český statistický úřad. Statistický bulletin – Moravskoslezský kraj 2012 [online]. c2013 [cit. 2013-04-11]. Dostupné z www: < http://www.czso.cz/csu/2012edicniplan.nsf/krajpubl/801302-12-q4_2012xt>. Hypoindex.cz. Hypotékám se loni dařilo. Objemy vzrostly o tři procenta [online]. c2008-2013 [cit. 2013-04-22]. Dostupné z www: < http://www.hypoindex.cz/hypotekam-se-loni-darilo-objemy-vzrostly-o-triprocenta/>. International Union for Housing Finance. Dutch Guarantee Fund for homeownership; model for a single Guarantee Fund for the European Union?

Literatura

84

[online]. Formát v souboru pdf. [cit. 2013-04-03]. Dostupné z www: .

Přílohy

85

Přílohy

Vstupní data

86

A Vstupní data Tabulka 1: Středočeský kraj Období

Reálná cena bytu (Kč/m2)1

I/2002 II/2002 III/2002 IV/2002 I/2003 II/2003 III/2003 IV/2003 I/2004 II/2004 III/2004 IV/2004 I/2005 II/2005 III/2005 IV/2005 I/2006 II/2006 III/2006 IV/2006 I/2007 II/2007 III/2007 IV/2007 I/2008 II/2008 III/2008 IV/2008 I/2009 II/2009 III/2009 IV/2009 I/2010 II/2010 III/2010 IV/2010 I/2011 II/2011 III/2011 IV/2011

10469 10831 11580 12751 14274 15699 15665 15208 15315 14977 14241 13814 14157 14299 14500 14629 14946 15391 15704 16855 19079 20899 21886 22217 22349 23372 24093 23631 22382 20520 20539 20515 20868 20948 20509 20051 20012 20247 20296 20045

1

Reálná cena Dokončené stavebního byty (na 1000 pozemku 2 1 obyvatel) 2 (Kč/m )

397 417 435 444 466 485 495 518 550 557 550 554 576 572 564 560 580 598 612 630 665 704 729 743 765 793 803 799 798 813 856 900 922 922 911 922 938 943 941 939

0,13 0,08 0,09 0,17 0,06 0,30 0,41 0,25 0,24 0,35 0,44 0,62 0,26 0,30 0,15 0,55 0,45 0,14 0,20 0,60 0,93 0,22 0,50 0,80 0,22 0,41 0,37 0,48 0,38 0,27 0,31 0,54 0,15 0,43 0,23 0,43 0,18 0,28 0,21 0,43

Nezaměstnanost

6,83 6,96 7,08 7,21 7,30 6,85 7,40 7,43 7,70 7,18 6,68 6,85 6,60 6,04 6,32 6,25 6,21 5,41 5,50 5,32 5,04 4,41 4,41 4,25 3,97 3,64 3,98 4,47 5,64 5,71 6,37 7,01 7,56 6,85 6,97 7,73 7,52 6,76 6,76 7,07

Přírůstek Reálná stěhováním průměrná (na 1000 hrubá mzda1 obyvatel) 2

13457 14349 14649 15262 15174 15950 16033 16555 16257 16854 16842 17224 16904 17526 17758 18279 17981 18717 18813 19372 19585 20548 20662 21039 21204 21565 21296 21690 21210 22238 22649 23373 22544 23474 23445 23840 22881 23916 24006 24530

-2,4 0,4 1,4 5,9 7,7 10,2 9,8 8,4 6,2 6,0 7,3 8,4 10,2 11,3 12,1 12,8 14,1 14,0 14,2 14,1 20,4 19,3 18,7 20,6 19,5 18,5 20,4 21,3 12,4 12,3 12,3 11,6 12,1 12,7 12,1 11,7 12,0 10,8 10,2 9,8

Přírůstek přirozený (na 1000 obyvatel) 2

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

Počet Obyvatelstvo hypotečních 25-39 let úvěrů (na 1000 (na 1000 obyvatel) 2 obyvatel)2

223 224 226 227 228 229 230 232 233 234 235 236 236 237 238 240 239 240 241 243 242 243 244 246 245 246 248 249 248 248 249 249 248 248 249 249 247 247 247 246

0,30 0,39 0,40 0,46 0,48 0,56 0,67 0,69 0,61 0,82 0,70 0,70 0,60 0,79 0,80 0,91 0,70 0,99 0,94 1,00 0,90 1,43 0,95 1,02 0,70 0,93 0,82 0,79 0,47 0,59 0,46 0,48 0,42 0,58 0,55 0,65 0,72 1,02 0,87 1,01

Reálná úroková míra3

2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66

Reálná cena nájemného (Kč/m2) 1

61 62 62 63 74 74 74 74 85 84 84 83 83 83 84 84 81 81 81 81 89 89 89 88 101 100 99 99 90 92 93 94 85 85 84 84 87 87 87 87

reálná veličina = [nominální veličina / (průměrný roční index spotřebitelských cen za příslušné čtvrtletí + 100)] x 100 2 přepočet na 1000 obyvatel = (příslušná veličina/střední stav obyvatelstva) x 1000 3 reálná úroková míra = nominální úroková míra – průměrný roční index spotřebitelských cen za příslušné čtvrtletí

Vstupní data

87

Tabulka 2: Jihočeský kraj Období


1

Reálná cena bytu (Kč/m2) 1

8231 8429 8651 9179 10091 11322 11550 10839 10490 10667 10336 9978 10018 10337 10450 10491 10636 10697 10707 11315 12628 13602 14050 14136 14691 15139 15482 15378 14855 13687 13840 13844 13624 13543 13841 13870 13365 13473 13570 13442

Reálná cena Dokončené stavebního byty pozemku (na 1000 (Kč/m2)1 obyvatel)2

400 418 421 421 429 441 448 457 480 496 507 522 540 532 526 530 517 524 545 571 580 570 562 569 578 576 578 584 595 595 607 627 634 620 600 608 624 632 629 616

0,13 0,05 0,11 0,25 0,05 0,05 0,15 0,12 0,13 0,49 0,15 0,31 0,08 0,17 0,23 0,45 0,24 0,10 0,21 0,38 0,00 0,08 0,41 0,39 0,58 0,26 0,20 0,27 0,17 0,06 0,18 0,23 0,17 0,02 0,23 0,08 0,24 0,06 0,25 0,49

Nezaměstnanost

6,11 6,15 6,18 6,65 6,60 5,76 6,49 6,96 7,37 6,41 5,91 6,59 6,82 5,75 6,25 6,69 6,80 5,50 5,60 5,68 5,37 4,36 4,32 4,47 4,20 3,51 3,94 4,83 6,57 6,37 6,69 7,78 8,33 6,73 6,74 8,50 8,27 6,67 6,44 7,53

Přírůstek Reálná stěhováním průměrná (na 1000 hrubá mzda1 obyvatel)2

11918 12856 13127 13776 13271 14144 14299 14868 14424 14928 14921 15339 14875 15482 15779 16314 15876 16495 16657 17296 17303 17871 18121 18592 18404 18621 18615 19181 18315 19122 19748 20750 19880 20283 20502 21205 20196 20605 20890 21671

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

Přírůstek přirozený (na 1000 obyvatel)2

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

Počet Obyvatelstvo hypotečních 25-39 let úvěrů (na 1000 (na 1000 obyvatel)2 obyvatel)2

223 224 225 225 226 227 228 229 229 230 230 231 231 232 232 233 233 233 233 234 234 234 234 235 234 234 235 235 235 235 235 234 234 234 233 233 233 231 229 229

0,42 0,55 0,57 0,65 0,68 0,79 0,94 0,97 0,87 1,16 1,00 0,99 0,96 1,26 1,28 1,46 1,25 1,77 1,68 1,79 1,64 2,61 1,75 1,88 1,52 2,01 1,78 1,71 0,98 1,22 0,97 1,00 0,94 1,30 1,23 1,47 1,24 1,76 1,50 1,76


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66

Reálná cena nájemného (Kč/m2)1

55 56 56 57 65 65 66 66 69 69 68 68 68 68 68 68 65 65 65 65 66 66 66 65 73 72 72 72 68 69 70 70 72 72 72 72 71 71 71 71


Vstupní data

88

Tabulka 3: Karlovarský kraj Období


1


7823 8289 8582 8935 9619 10618 10964 10384 10348 10316 10129 9793 9601 9572 9600 9696 9754 9725 9726 10483 11851 12594 12857 13063 13752 14448 14599 14279 13501 12628 12845 13072 12838 12352 11999 11942 12103 12224 11994 11616

Reálná cena Dokončené stavebního byty (na 1000 pozemku 2 1 obyvatel)2 (Kč/m )

499 528 574 606 623 615 586 559 588 581 559 536 531 532 536 549 543 552 567 598 634 652 649 643 660 703 730 714 684 655 649 658 664 664 662 682 715 750 784 804

0,09 0,02 0,02 0,11 0,01 0,05 0,13 0,15 0,15 0,05 0,04 0,21 0,43 0,95 0,66 0,13 0,01 0,58 0,12 0,12 0,07 0,19 0,05 0,21 0,15 0,21 0,01 0,12 0,07 0,01 0,01 0,05 0,55 0,09 0,07 0,29 0,22 0,05 0,10 0,09

Nezaměstnanost

9,28 9,39 9,50 10,07 10,47 9,69 10,32 10,62 11,37 10,92 10,12 10,75 10,61 9,73 9,94 10,28 10,21 9,00 8,98 9,20 8,84 7,62 7,33 7,32 6,95 6,31 6,70 7,62 9,64 10,18 10,37 11,07 11,54 10,38 10,16 11,39 10,87 9,68 9,56 9,83


11840 12466 12759 13295 13151 13831 13975 14461 14211 14476 14505 14995 14621 14937 15222 15688 15344 15767 15979 16591 16431 17009 17228 17645 17604 17722 17641 18261 17490 18365 18910 19947 19155 19783 19861 20503 19498 19961 20158 20811

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


0,6 0,7 0,7 0,3 -2,1 -0,9 -0,4 -0,7 -1,0 0,1 0,2 -0,4 -0,9 0,0 0,6 0,1 0,0 1,0 1,1 0,7 1,0 1,9 2,1 1,7 1,4 1,8 2,2 1,7 -1,3 0,2 1,0 0,9 0,3 0,6 0,9 0,7 -0,6 -0,1 0,1 -0,2


232 232 233 233 233 234 234 235 235 235 235 236 236 236 236 236 236 236 236 235 235 236 236 237 236 236 236 236 236 236 235 235 234 234 234 233 233 230 226 228

0,32 0,41 0,43 0,48 0,59 0,69 0,82 0,84 0,90 1,21 1,04 1,03 0,96 1,26 1,27 1,46 1,22 1,72 1,64 1,74 1,82 2,89 1,94 2,08 1,54 2,03 1,80 1,73 1,01 1,26 1,00 1,04 0,84 1,16 1,10 1,31 1,08 1,54 1,31 1,55


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


55 55 56 56 65 66 66 66 69 69 68 68 65 66 66 66 63 62 62 62 63 63 63 63 75 74 74 74 74 75 76 77 79 79 79 78 75 75 75 75


Vstupní data

89

Tabulka 4: Ústecký kraj Období


1


4880 4641 4640 5074 5609 6077 6085 5947 5738 5518 5341 5293 5393 5514 5692 5692 5553 5487 5698 6126 6646 7088 7435 7594 7703 8077 8119 7955 7738 7522 7300 7086 7130 7193 7169 7219 7183 7051 6829 6554


303 305 298 291 293 302 319 325 295 295 297 291 284 304 338 347 343 347 343 342 346 357 374 390 398 403 408 418 424 421 421 428 435 436 433 433 436 436 432 426

0,00 0,02 0,09 0,05 0,01 0,02 0,26 0,11 0,01 0,00 0,03 0,09 0,01 0,04 0,12 0,06 0,42 0,02 0,02 0,04 0,04 0,03 0,04 0,05 0,01 0,02 0,04 0,01 0,00 0,03 0,07 0,00 0,01 0,01 0,07 0,04 0,02 0,03 0,13 0,05

Nezaměstnanost

16,20 16,38 16,55 17,13 17,44 17,09 17,57 17,94 17,96 16,90 15,45 15,85 15,88 15,02 15,18 15,41 15,36 14,21 13,94 13,77 13,15 11,91 11,27 10,96 10,42 9,32 9,38 10,26 12,14 12,37 13,01 13,61 14,09 13,01 12,89 13,90 13,50 12,35 12,38 12,94


12410 13173 13438 14017 13829 14657 14765 15302 15041 15420 15395 15876 15665 16071 16291 16781 16556 16940 17022 17653 17812 18389 18586 19036 19112 19178 19040 19720 19254 20170 20743 21788 20883 21332 21409 22028 21029 21481 21666 22292

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


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


230 231 231 232 233 234 234 235 236 236 237 238 238 238 238 238 238 238 238 238 238 239 239 240 240 240 240 240 240 240 240 239 239 239 238 238 237 235 232 233

0,25 0,32 0,33 0,38 0,37 0,43 0,51 0,52 0,52 0,70 0,60 0,60 0,53 0,69 0,70 0,80 0,71 1,00 0,95 1,01 0,96 1,53 1,02 1,10 0,83 1,10 0,98 0,94 0,61 0,77 0,61 0,63 0,54 0,74 0,71 0,84 0,74 1,05 0,89 1,05


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


33 33 33 34 37 38 38 38 42 42 42 42 43 43 44 44 44 44 43 44 42 42 42 42 62 62 61 61 66 67 68 69 69 69 68 68 75 75 75 75


Vstupní data

90

Tabulka 5: Liberecký kraj Období



7785 7907 8542 9111 9832 10278 10613 10741 10351 9844 9393 9338 9562 9718 9914 10190 10426 10435 10405 11642 14079 15147 15478 15866 16690 16983 17136 16972 16502 14913 14300 14226 13829 12943 12918 13175 13119 13202 13185 13093

1

Reálná cena Dokončené stavebního byty (na 1000 pozemku obyvatel) 2 (Kč/m2) 1

311 323 338 351 365 381 380 374 390 387 373 367 372 383 400 411 418 430 440 455 487 526 558 570 574 587 606 610 595 574 563 566 593 620 624 623 629 639 639 636

0,07 0,19 0,15 0,32 0,00 0,17 0,27 0,48 0,16 0,28 0,38 0,51 0,20 0,12 0,36 0,47 0,03 0,35 0,25 0,45 0,28 0,07 0,21 0,58 0,21 0,09 0,10 0,78 0,50 0,17 0,31 0,18 0,17 0,26 0,00 0,12 0,18 0,07 0,11 0,10

Nezaměstnanost

7,75 8,08 8,41 8,68 9,19 8,90 9,45 9,48 9,79 9,09 8,30 8,22 8,12 7,53 7,81 7,73 7,80 7,04 7,22 7,04 6,83 6,25 6,22 6,05 5,88 5,56 6,14 6,95 9,65 10,37 10,65 11,24 11,51 10,35 10,02 10,54 10,17 9,12 9,22 9,46


12361 12927 13252 13830 13908 14517 14637 15087 15081 15393 15430 15785 15474 15893 16222 16699 16866 17027 17268 17670 17953 18378 18644 18967 19318 19508 19430 19915 19182 19816 20456 21391 21042 21427 21630 22244 21439 21831 22125 22754

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


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


227 228 229 230 231 232 233 234 235 235 236 236 237 237 238 238 238 238 239 239 239 239 240 241 240 241 241 241 241 241 241 241 241 240 240 239 239 237 235 235

0,52 0,67 0,70 0,79 0,55 0,64 0,76 0,78 0,79 1,06 0,91 0,90 0,87 1,14 1,15 1,32 1,13 1,60 1,51 1,61 1,46 2,33 1,56 1,68 1,28 1,68 1,50 1,44 0,91 1,13 0,90 0,93 0,87 1,21 1,14 1,36 1,26 1,79 1,52 1,78


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


50 51 51 52 59 60 60 60 65 65 64 64 63 63 64 64 62 62 61 62 67 67 68 67 79 78 77 78 76 77 78 79 87 87 86 86 86 86 86 86


Vstupní data

91

Tabulka 6: Královéhradecký kraj Období



9472 9943 10072 10665 11651 12875 13206 12756 12415 12074 11643 11419 11621 11920 12221 12377 12618 12977 13191 14238 16519 18090 19145 19726 19997 20244 20273 19806 18821 17633 17475 17410 17339 17271 17307 17154 17060 17449 18010 18005

1


352 332 321 318 344 387 438 458 482 452 428 435 461 460 447 436 446 454 461 467 479 498 519 535 558 587 600 595 585 573 571 575 580 576 563 560 567 570 567 554

0,24 0,05 0,31 0,28 0,02 0,18 0,32 0,19 0,17 0,16 0,04 0,52 0,14 0,06 0,21 0,48 0,13 0,04 0,02 0,21 0,22 0,16 0,33 0,69 0,16 0,32 0,18 0,48 0,17 0,10 0,22 0,44 0,60 0,33 0,03 0,20 0,01 0,06 0,08 0,09

Nezaměstnanost

6,48 6,71 6,94 7,30 7,40 6,86 7,58 7,89 8,07 7,45 7,21 7,67 7,65 7,01 7,32 7,33 7,14 6,26 6,37 6,32 5,69 4,74 4,72 4,70 4,26 3,80 4,01 4,81 6,60 6,85 7,39 7,97 8,45 7,13 7,11 8,37 7,93 6,64 6,65 7,49


12001 12708 12993 13508 13430 14140 14287 14736 14601 14875 14903 15296 15016 15396 15621 16064 15892 16350 16406 16892 17024 17523 17747 18094 18350 18554 18492 18998 18423 19292 19913 20846 20019 20483 20592 21303 20437 20889 21105 21750

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


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


221 222 222 223 224 225 225 226 227 228 228 229 229 230 230 230 230 231 231 231 231 232 232 232 232 232 232 232 232 232 232 231 231 231 230 230 230 228 227 226

0,57 0,74 0,77 0,87 0,86 1,01 1,20 1,23 1,16 1,56 1,34 1,33 1,24 1,63 1,65 1,88 1,48 2,10 1,99 2,12 1,98 3,16 2,11 2,27 1,59 2,09 1,86 1,79 1,20 1,50 1,19 1,23 1,11 1,54 1,46 1,74 1,58 2,24 1,91 2,22


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


61 61 62 62 70 71 71 71 72 72 71 71 68 68 69 69 65 65 65 65 72 72 72 71 77 77 76 76 71 72 73 73 77 78 77 77 74 74 74 74


Vstupní data

92

Tabulka 7: Pardubický kraj Období


1


10095 10884 11132 11459 12200 13377 13725 13203 13027 12780 12464 12092 12019 11995 11993 12150 12741 13568 14187 15033 16474 17779 18400 18987 19835 20737 20832 20018 18871 17992 18057 18119 17904 17311 16981 17181 17281 17500 17832 17657

Reálná cena Dokončené stavebního byty pozemku (na 1000 (Kč/m2)1 obyvatel)2

328 344 356 362 364 373 386 392 356 347 337 329 333 371 430 482 439 441 438 440 446 455 475 519 592 643 646 613 607 622 641 644 645 655 655 639 626 628 638 640

0,19 0,34 0,21 0,48 0,21 0,01 0,07 0,32 0,17 0,13 0,08 0,47 0,08 0,15 0,33 0,25 0,10 0,18 0,38 0,37 0,06 0,32 0,20 0,71 0,14 0,15 0,27 0,50 0,08 0,05 0,30 0,34 0,09 0,02 0,31 0,12 0,12 0,03 0,04 0,30

Nezaměstnanost

7,83 8,02 8,21 8,66 8,73 8,19 8,89 9,42 9,63 8,61 8,13 8,94 8,89 7,83 8,11 8,35 8,16 6,64 6,91 6,91 6,35 5,22 5,36 5,43 5,07 4,48 5,01 5,95 7,81 7,78 8,53 9,58 10,31 8,35 8,23 9,87 9,28 7,54 7,43 8,44


11591 12302 12663 13286 13071 13802 13993 14570 14334 14684 14735 15161 14801 15222 15525 16051 15693 16039 16252 16852 16830 17405 17656 18088 18262 18491 18418 18905 18205 18775 19447 20436 19604 20012 20228 20803 19857 20171 20732 21177

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


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


221 222 223 224 225 225 226 227 229 229 230 230 231 231 232 232 232 233 233 234 234 234 235 235 235 235 236 236 236 236 236 236 236 236 236 236 235 234 232 233

0,44 0,58 0,60 0,68 0,67 0,78 0,93 0,95 0,87 1,17 1,00 0,99 0,94 1,23 1,25 1,42 1,38 1,95 1,85 1,97 1,84 2,93 1,96 2,11 1,55 2,05 1,82 1,75 1,16 1,44 1,14 1,18 1,04 1,43 1,36 1,62 1,47 2,08 1,77 2,07



2,10 55,83174 2,80 56 4,00 57 4,90 57 4,62 67 4,84 67 4,84 68 4,90 67 3,94 71 3,16 71 2,85 70 1,94 70 1,67 69 1,35 70 1,63 70 2,08 70 1,91 67 1,48 67 1,39 67 1,86 67 2,00 74 2,36 74 3,10 74 2,54 73 1,22 82 0,13 81 -0,67 80 -0,61 80 0,50 75 1,85 76 3,53 77 4,61 78 4,71 80 4,32 80 3,46 80 2,73 80 2,57 80 2,24 80 2,09 80 1,66 80


Vstupní data

93

Tabulka 8: Kraj Vysočina Období


1


8299 8675 8962 9387 10213 11197 11373 11060 11019 10827 10321 10229 10427 10479 10573 10636 10868 11152 11213 11813 13143 14463 15174 15569 16222 17064 17308 17122 16257 14904 15053 15271 15263 15096 14777 14496 14541 14745 15003 14988


313 323 326 328 326 320 315 323 349 368 375 366 365 365 369 373 373 386 401 412 420 426 435 438 435 441 447 453 458 464 474 486 503 514 512 496 489 503 526 536

0,24 0,07 0,28 0,25 0,15 0,07 0,18 0,18 0,06 0,12 0,32 0,49 0,11 0,10 0,27 0,25 0,23 0,24 0,21 0,23 0,12 0,05 0,15 0,49 0,34 0,06 0,22 0,29 0,05 0,08 0,16 0,34 0,50 0,08 0,15 0,05 0,01 0,02 0,17 0,16

Nezaměstnanost

7,16 7,46 7,76 8,32 8,59 7,95 8,74 9,20 9,51 8,41 8,11 8,85 8,78 7,58 8,01 8,23 8,30 6,77 7,05 7,10 6,78 5,62 5,69 5,63 5,27 4,64 5,16 6,27 8,59 8,55 9,26 10,25 10,72 8,62 8,59 10,73 10,17 8,10 8,13 9,44


11624 12364 12722 13203 12940 13782 13963 14478 14173 14615 14722 15136 14604 15244 15527 15998 15899 16453 16624 17185 17188 17774 18025 18447 18490 18878 18835 19394 18146 18897 19645 20535 20096 20434 20614 21149 20416 20778 21127 21529

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


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


222 223 224 224 225 226 227 228 228 229 229 229 233 232 230 231 231 231 231 232 232 232 232 232 232 232 232 233 233 232 232 232 232 232 231 231 231 229 227 227

0,26 0,34 0,36 0,40 0,45 0,53 0,63 0,64 0,56 0,76 0,65 0,64 0,62 0,82 0,83 0,94 0,88 1,24 1,18 1,25 1,17 1,86 1,25 1,34 0,90 1,19 1,06 1,02 0,60 0,75 0,60 0,62 0,57 0,78 0,74 0,89 0,95 1,35 1,15 1,34


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


55 56 56 57 64 65 65 65 69 69 68 68 70 70 70 70 68 67 67 67 72 72 72 71 81 80 79 79 77 78 80 80 81 82 81 81 77 77 77 77


Vstupní data

94

Tabulka 9: Jihomoravský kraj Období


1


11848 12159 12419 13317 14624 15953 15855 15087 15002 14883 14530 14416 14518 14605 14870 15181 15595 16096 16387 17556 19901 21920 22876 23198 24082 24950 25213 24625 23374 21859 22054 22174 22390 22653 22526 22214 22125 22468 22594 22260


467 463 464 472 488 504 514 527 547 540 513 494 501 505 520 552 556 579 601 622 632 631 630 631 628 624 620 619 626 623 649 726 808 857 883 920 954 955 933 911

0,13 0,09 0,29 0,45 0,15 0,07 0,30 0,49 0,25 0,10 0,34 0,66 0,23 0,24 0,41 0,41 0,30 0,31 0,29 0,54 0,44 0,57 0,54 1,55 0,36 0,20 0,78 0,44 0,44 0,40 0,70 0,27 0,25 0,28 0,50 0,41 0,24 0,28 0,24 0,40

Nezaměstnanost

9,98 10,28 10,57 11,20 11,29 10,70 11,18 11,45 11,82 10,92 10,08 10,69 10,61 9,65 9,93 10,21 10,03 8,74 8,80 8,82 8,37 7,13 7,01 6,92 6,43 5,68 6,09 6,83 8,66 8,72 9,48 10,59 11,10 9,55 9,52 10,87 10,32 8,99 8,91 9,81


12038 12860 13140 13804 13596 14468 14616 15183 14809 15188 15275 15788 15191 15824 16089 16681 16641 17044 17232 17914 18111 18644 18865 19338 19720 19739 19667 20277 19710 20625 21224 22208 21221 21579 21713 22320 21433 21837 22254 22877

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


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


223 224 225 226 227 228 229 230 231 232 232 233 232 234 235 235 235 236 236 237 237 238 239 240 239 240 241 241 241 241 242 242 242 242 242 242 242 242 242 240

0,34 0,44 0,46 0,52 0,51 0,59 0,71 0,72 0,71 0,96 0,82 0,82 0,84 1,10 1,12 1,28 1,16 1,64 1,55 1,65 1,56 2,48 1,66 1,79 1,19 1,57 1,39 1,34 0,95 1,19 0,94 0,97 0,90 1,24 1,17 1,40 1,33 1,89 1,61 1,86


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


72 72 73 73 89 90 90 90 93 93 92 92 93 93 94 94 93 93 92 93 99 99 99 98 100 99 98 98 106 108 110 111 104 104 103 103 96 96 96 96


Vstupní data

95

Tabulka 10: Olomoucký kraj Období



9342 9519 9851 10210 10737 11799 12276 11198 11262 10861 10370 10448 10660 10627 10669 10765 10979 11139 11361 12544 14450 15779 16736 17540 18303 18775 18752 18647 17994 16104 15619 15454 15424 15505 15471 15130 14940 15178 15386 15114

1


323 343 337 312 302 302 332 369 341 324 323 318 306 313 322 330 326 334 342 348 355 367 387 406 429 449 455 449 453 463 479 491 494 496 500 511 516 508 496 492

0,36 0,03 0,12 0,22 0,05 0,12 0,18 0,31 0,06 0,07 0,21 0,36 0,01 0,12 0,03 0,10 0,20 0,03 0,18 0,36 0,07 0,22 0,18 0,60 0,24 0,08 0,24 0,25 0,62 0,20 0,26 0,22 0,27 0,14 0,18 0,19 0,21 0,03 0,05 0,02

Nezaměstnanost

11,78 11,67 11,56 12,20 12,46 11,41 11,75 12,48 12,96 11,53 10,73 11,73 11,98 10,48 10,40 10,65 10,84 8,98 8,88 8,97 8,39 6,86 6,72 6,73 6,42 5,57 5,87 6,87 9,77 10,23 11,19 12,19 12,67 10,50 10,58 12,48 12,10 10,36 10,16 11,37


11467 12170 12559 13128 12826 13655 13812 14291 14281 14577 14613 15024 14830 15231 15418 15889 15413 15966 16131 16678 16794 17379 17628 18004 17991 18148 18242 18825 18070 18863 19528 20479 19625 20105 20411 21030 19976 20345 20920 21513

-3,3 -2,4 -2,1 -1,0 1,2 1,4 0,9 0,5 -1,6 -1,4 -1,2 -1,2 -0,4 -0,6 -0,1 0,1 1,2 1,1 1,0 0,9 3,0 1,6 1,4 2,2 0,2 -0,4 -0,6 -0,5 -1,1 -1,0 -0,8 -0,8 -2,1 -1,9 -1,2 -0,8 -0,2 -0,4 -0,4 -0,2


-1,6 -1,2 -1,0 -1,6 -2,6 -1,6 -1,0 -1,2 -1,7 -0,4 -0,4 -0,7 -1,5 -0,6 0,0 -0,5 -0,9 0,1 0,4 0,2 -0,7 0,6 0,9 0,7 -0,1 0,7 1,3 1,1 -0,5 0,3 1,0 0,7 0,0 0,2 0,6 0,3 -0,9 -0,2 0,1 -0,4


224 225 226 227 228 229 230 231 232 233 233 234 233 234 235 235 235 236 236 236 236 237 237 237 237 237 237 237 237 237 237 236 236 236 236 236 236 234 232 232

0,35 0,45 0,47 0,53 0,46 0,54 0,65 0,66 0,69 0,93 0,79 0,79 0,71 0,94 0,95 1,08 1,04 1,47 1,39 1,48 1,42 2,26 1,51 1,62 1,18 1,56 1,39 1,34 0,88 1,10 0,87 0,90 0,84 1,16 1,10 1,31 1,27 1,80 1,53 1,80


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


52 52 53 53 64 65 65 65 69 68 68 68 67 67 67 67 70 70 70 70 70 70 70 70 75 75 74 74 75 76 77 78 86 86 86 86 86 86 86 86


Vstupní data

96

Tabulka 11: Zlínský kraj Období


1


9165 9468 9858 10482 11498 12405 12580 12181 11998 11809 11577 11417 11485 11636 11752 11810 12090 12625 13215 14347 16257 17838 18756 19306 19863 20708 20883 20432 19379 17689 17079 16603 17281 17404 17177 16992 16853 16855 16918 17054


405 406 427 451 470 471 465 455 488 504 510 503 485 462 428 413 450 451 458 472 484 498 514 529 543 557 558 546 537 535 549 566 571 566 551 545 546 549 553 553

1,77 5,29 1,88 12,28 0,00 8,61 18,52 4,43 1,74 2,25 4,23 10,05 7,55 6,29 4,76 11,05 0,57 2,55 2,13 4,96 3,61 3,57 5,07 13,25 1,93 2,66 3,47 4,42 4,91 9,21 17,55 5,55 2,82 1,66 5,64 0,58 1,17 1,46 0,52 0,13

Nezaměstnanost

8,88 9,35 9,82 10,22 10,55 10,01 10,37 10,61 10,98 10,04 9,33 9,53 9,66 8,70 9,06 9,27 9,28 7,94 8,05 7,75 7,40 6,12 6,13 6,02 5,69 4,98 5,40 6,13 8,47 9,20 10,06 10,83 11,41 9,84 9,65 10,74 10,22 8,76 8,79 9,35


11930 12613 13009 13601 13220 14020 14204 14681 14445 14731 14769 15212 14753 15346 15611 16114 15717 16316 16429 16960 17091 17715 17889 18249 18492 18814 18724 19192 17922 18659 19262 20244 19547 20003 20152 20829 20032 20498 20654 21411

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


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


226 227 227 227 228 228 229 230 230 231 231 231 232 232 232 232 232 128 23 128 233 233 233 234 234 234 234 234 234 233 233 233 233 233 233 232 232 231 229 229

0,36 0,47 0,48 0,55 0,53 0,62 0,73 0,75 0,68 0,91 0,78 0,78 0,69 0,91 0,92 1,05 0,91 1,29 1,22 1,30 1,19 1,89 1,27 1,36 0,99 1,30 1,16 1,11 0,74 0,92 0,73 0,76 0,69 0,96 0,91 1,09 1,04 1,48 1,26 1,47


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


58 59 59 60 68 68 69 68 74 73 73 72 72 72 72 72 73 73 72 73 79 79 79 78 91 90 89 89 85 86 88 89 93 93 93 93 96 96 96 96


Vstupní data

97

Tabulka 12: Moravskoslezský kraj Období


1


5875 5970 6301 6808 7622 8552 8952 8465 8131 7880 7834 7853 7916 7940 8052 8294 8688 8903 8949 9505 10773 12090 12932 13696 14880 15732 15623 15142 14358 12871 12710 12531 12585 12335 12055 12031 12307 12541 12481 12477


319 324 333 340 341 341 342 342 352 352 350 354 365 361 357 356 367 373 383 396 406 413 425 445 461 471 473 474 478 484 494 512 535 561 575 574 567 561 559 557

0,02 0,01 0,03 0,16 0,02 0,02 0,02 0,06 0,01 0,04 0,06 0,09 0,02 0,01 0,03 0,05 0,01 0,01 0,03 0,06 0,01 0,01 0,01 0,15 0,05 0,01 0,03 0,08 0,02 0,17 0,15 0,25 0,07 0,04 0,07 0,23 0,02 0,04 0,04 0,06

Nezaměstnanost

15,26 15,38 15,49 15,89 16,45 16,06 16,60 16,84 17,53 16,49 15,12 15,66 15,48 14,33 14,27 14,23 14,22 13,02 13,03 12,58 12,10 10,66 10,19 9,62 8,86 8,00 8,03 8,49 11,00 11,46 11,75 12,14 12,71 11,36 11,50 12,36 12,00 10,79 10,66 11,18


12708 13694 14008 14655 14124 15038 15164 15811 15527 15964 15933 16450 15702 16380 16649 17307 16864 17521 17587 18224 18025 18871 19077 19522 19619 19861 19768 20292 19428 20228 20839 21823 21189 21539 21719 22388 21337 21796 22260 22880

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


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


229 230 230 230 231 231 232 232 233 233 233 233 234 233 233 233 233 232 232 232 231 231 231 231 231 231 231 231 231 231 231 230 230 230 230 229 229 227 224 225

0,23 0,30 0,31 0,35 0,38 0,44 0,52 0,54 0,51 0,69 0,59 0,59 0,54 0,71 0,72 0,83 0,75 1,05 1,00 1,07 1,04 1,66 1,11 1,19 0,95 1,26 1,12 1,07 0,68 0,85 0,68 0,70 0,68 0,94 0,89 1,07 1,00 1,42 1,21 1,42


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


41 41 41 42 48 48 48 48 55 54 54 54 53 53 53 53 66 66 65 66 71 71 71 71 95 94 93 93 88 89 91 92 90 90 90 89 86 85 86 85


Vstupní data

98

Tabulka 13: Plzeňský kraj Období


1


8897 9141 9837 10404 12199 14470 14323 13217 12888 12545 12194 11972 12235 12460 12775 13028 13343 13480 13453 14588 16271 17121 17846 18498 19580 20735 20782 20001 18209 16982 17020 16937 17026 17159 16959 16803 17125 17180 17083 16775


303 290 282 302 327 342 329 318 287 299 319 338 355 373 404 434 414 412 409 412 436 460 473 480 489 491 486 489 505 515 523 534 540 535 521 512 519 532 538 532

0,22 0,12 0,22 0,27 0,07 0,17 0,20 0,44 0,04 0,15 0,56 0,59 0,11 0,26 0,34 0,72 0,38 0,42 0,13 0,50 0,29 0,16 0,28 0,52 0,29 0,35 0,56 0,70 0,07 0,21 0,58 0,21 0,13 0,27 0,07 0,15 0,06 0,13 0,23 0,18

Nezaměstnanost

6,66 6,72 6,78 7,06 7,25 6,88 7,45 7,60 7,62 7,23 6,65 6,74 6,61 6,16 6,35 6,45 6,32 5,49 5,62 5,60 5,21 4,67 4,61 4,43 4,14 3,74 4,28 5,03 6,57 6,92 7,72 8,16 8,50 7,45 7,30 8,25 7,71 7,71 6,46 7,01


12801 13606 13978 14573 14136 15068 15207 15802 15379 15940 15931 16362 15707 16474 16791 17319 16763 17548 17655 18276 18055 18746 19069 19500 19466 19867 19827 20379 19917 20856 21433 22482 21744 22208 22338 23020 21874 22342 22162 22976


-1,1

-1,8

-0,8 -0,7 1,5 2,9 4,6 4,2 3,7 2,8 1,1 0,2 0,8 2,6 3,7 4,1 4,2 4,7 5,3 5,7 5,7 7,1 9,4 9,7 10,9 11,9 13,0 13,4 14,0 5,7 4,8 3,3 2,9 -0,2 -1,2 -0,9 -0,4 1,3 1,1 1,2 1,4

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


222 223 224 225 226 226 227 228 229 229 229 230 231 231 231 232 232 232 233 233 233 234 235 236 235 237 238 239 239 239 239 239 239 239 239 239 238 237 236 236

0,43 0,56 0,58 0,66 0,67 0,78 0,92 0,95 0,99 1,33 1,14 1,13 1,11 1,46 1,48 1,69 1,49 2,10 2,00 2,12 1,85 2,94 1,96 2,11 1,44 1,89 1,68 1,61 0,96 1,20 0,95 0,98 0,86 1,19 1,13 1,35 1,33 1,88 1,60 1,87


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


59 60 60 61 71 72 72 72 75 75 74 74 72 72 72 72 69 69 69 69 77 77 77 77 87 86 85 85 76 77 78 79 78 78 77 77 74 74 74 74


Vstupní data

99

Tabulka 14: Praha Období

Reálná cena bytu (Kč/m2)1


26680 28711 28887 30127 32354 34304 34679 33623 32619 32132 31977 32307 32402 32336 32268 32657 33080 33727 34338 36508 40637 44215 45786 46622 48017 50472 50590 49608 47445 44971 44767 45025 45027 45204 44161 43072 43118 42936 42587 42578

1

Reálná cena Dokončené stavebního byty (na 1000 pozemku obyvatel) 2 (Kč/m2)1

3337 3476 3578 3584 3628 3713 3766 3754 3878 3973 4029 4044 4117 4242 4477 4547 4785 4979 5168 5313 5494 5734 5958 5907 5771 5845 5962 6088 6223 6245 6317 6373 6361 6398 6446 6420 6311 6129 5995 5907

0,64 0,42 0,27 1,02 0,57 0,44 0,94 0,96 0,80 0,94 1,48 0,94 0,78 0,93 1,62 1,37 0,81 0,54 0,41 1,90 1,17 1,13 1,06 3,62 1,44 0,82 1,10 0,87 1,44 1,32 0,71 1,70 1,49 0,73 0,80 1,18 0,16 0,41 0,79 0,85

Nezaměstnanost

3,51 3,70 3,88 3,73 3,83 3,75 4,10 4,02 4,40 4,23 3,77 3,58 3,49 3,33 3,57 3,25 3,14 2,83 2,92 2,72 2,56 2,38 2,41 2,16 2,11 1,96 2,12 2,14 2,63 2,97 3,45 3,66 3,96 3,88 4,04 4,07 4,08 3,88 4,01 3,95

Přírůstek Reálná stěhováním průměrná (na 1000 hrubá mzda1 obyvatel) 2

17342 18434 18722 19515 19187 20299 20406 21060 20675 21200 21187 21822 21824 22399 22683 23499 23578 23996 23986 24665 25324 25596 25745 26079 27454 27150 26981 27665 28160 28407 28881 29879 29373 29428 29401 29851 28939 27971 28136 29763

-7,2 -6,7 -6,6 4,7 5,0 7,0 7,2 6,1 0,6 2,8 4,7 5,8 10,3 11,2 11,2 10,0 8,0 3,9 5,2 5,3 21,0 16,2 17,6 19,2 20,3 17,0 14,0 15,5 15,0 12,8 12,2 11,0 -1,1 1,0 3,3 4,5 2,0 3,7 3,4 4,6


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

Počet Obyvatelstvo hypotečních 25-39 let úvěrů (na 1000 (na 1000 obyvatel) 2 obyvatel)2

223 225 227 228 229 231 232 234 236 237 238 240 241 243 244 246 246 248 249 250 250 253 255 258 257 259 261 263 263 264 266 267 267 268 268 269 269 263 258 264

0,80 1,03 1,07 1,21 1,35 1,58 1,88 1,93 2,03 2,72 2,34 2,32 2,49 3,27 3,31 3,78 3,15 4,46 4,23 4,50 4,15 6,61 4,41 4,74 2,95 3,89 3,45 3,31 2,23 2,78 2,19 2,26 2,05 2,83 2,68 3,19 2,88 4,08 3,47 4,12


2,10 2,80 4,00 4,90 4,62 4,84 4,84 4,90 3,94 3,16 2,85 1,94 1,67 1,35 1,63 2,08 1,91 1,48 1,39 1,86 2,00 2,36 3,10 2,54 1,22 0,13 -0,67 -0,61 0,50 1,85 3,53 4,61 4,71 4,32 3,46 2,73 2,57 2,24 2,09 1,66


119 120 121 122 150 150 151 151 144 143 142 142 132 132 133 133 132 131 131 131 136 137 137 136 148 146 145 145 143 145 147 149 138 138 137 137 132 132 132 132


Výstupy testů

100

B Výstupy testů Jihočeský kraj

Autokorelace Testovací statistika: LMF = 1,707180, s p-hodnotou = P(F(4,30) > 1,70718) = 0,174

Alternativní statistika: TR^2 = 7,231315, s p-hodnotou = P(Chí-kvadrát(4) > 7,23132) = 0,124 Ljung-Box Q' = 8,24108, s p-hodnotou = P(Chí-kvadrát(4) > 8,24108) = 0,0831 Multikolinearita VIF faktory r_mzdy nezamestnanost r_urokova_mira r_cena_byt_1

4,886 1,722 1,585 4,762

Heteroskedasticita Whiteův test heteroskedaticity Testovací statistika: TR^2 = 15,234576, s p-hodnotou = P(Chí-kvadrát(14) > 15,234576) = 0,362310 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 1,834 [0,3997] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 0,091306, s p-hodnotou = P(F(2,32) > 0,0913063) = 0,913 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,000323, s p-hodnotou = P(F(1,33) > 0,000323006) = 0,986 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,000001, s p-hodnotou = P(F(1,33) > 6,22337e-007) = 0,999 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,84872, asymptotická p-hodnota 0,3571 pro r_mzdy testovací statistika: tau_c(1) = -0,802448, asymptotická p-hodnota 0,818 pro nezamestnanost testovací statistika: tau_c(1) = -3,0458, asymptotická p-hodnota 0,03085 pro prirustek_stehovanim testovací statistika: tau_c(1) = -2,39861, p-hodnota 0,1487 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -4,46973, asymptotická p-hodnota 0,0001

Výstupy testů

101

Karlovarský kraj Autokorelace Testovací statistika: LMF = 1,804936, s p-hodnotou = P(F(4,29) > 1,80494) = 0,157 Alternativní statistika: TR^2 = 7,806328, s p-hodnotou = P(Chí-kvadrát(4) > 7,806328) = 0,0989 Ljung-Box Q' = 1,92347 s p-hodnotou = P(Chí-kvadrát(4) > 1,92347) = 0,75 Multikolinearita VIF faktory r_cena_pozemek nezamestnanost r_urokova_mira obyvatelstvo_25-39 r_cena_byt_1

6,141 1,837 1,622 4,967 6,981

Heteroskedasticita Whiteův test heteroskedaticity Testovací statistika: TR^2 = 23,283592, s p-hodnotou = P(Chí-kvadrát(20) > 23,283592) = 0,275085 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 0,753 [0,6861] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 0,691506, s p-hodnotou = P(F(2,31) > 0,691506) = 0,508 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,565775, s p-hodnotou = P(F(1,32) > 0,565775) = 0,457 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,662258, s p-hodnotou = P(F(1,32) > 0,662258) = 0,422 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,84739, asymptotická p-hodnota 0,3578 pro r_cena_pozemek testovací statistika: tau_c(1) = 0,145907, asymptotická p-hodnota 0,9691 pro nezamestnanost testovací statistika: tau_c(1) = -3,07022, asymptotická p-hodnota 0,02886 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro obyvatelstvo_25-39 testovací statistika: tau_c(1) = -0,304553, asymptotická p-hodnota 0,922 pro chybový člen testovací statistika: tau_c(1) = -7,9603, asymptotická p-hodnota 6,533e-013

Výstupy testů

102

Ústecký kraj Autokorelace Testovací statistika: LMF = 2,276116, s p-hodnotou = P(F(4,30) > 2,27612) = 0,0861 Alternativní statistika: TR^2 = 9,324206, s p-hodnotou = P(Chí-kvadrát(4) > 9,32421) = 0,0535 Ljung-Box Q' = 5,70943, s p-hodnotou = P(Chí-kvadrát(4) > 5,70943) = 0,222 Multikolinearita VIF faktory nezamestnanost r_urokova_mira prirustek_stehovanim r_cena_byt_1

5,950 2,080 1,157 3,839

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 18,049776, s p-hodnotou = P(Chí-kvadrát(14) > 18,049776) = 0,204523 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 0,475 [0,7885] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 1,250380, s p-hodnotou = P(F(2,32) > 1,25038) = 0,3 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 2,448085, s p-hodnotou = P(F(1,33) > 2,44808) = 0,127 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 2,402061, s p-hodnotou = P(F(1,33) > 2,40206) = 0,131 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,77627, asymptotická p-hodnota 0,3928 pro nezamestnanost testovací statistika: tau_c(1) = -2,20489, asymptotická p-hodnota 0,2046 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro prirustek_stehovanim testovací statistika: tau_c(1) = -2,16289, asymptotická p-hodnota 0,2225 pro chybový člen testovací statistika: tau_c(1) = -4,65132, asymptotická p-hodnota 9,982e-005

Výstupy testů

103

Liberecký kraj Autokorelace Testovací statistika: LMF = 1,572704, s p-hodnotou = P(F(4,29) > 1,5727) = 0,208 Alternativní statistika: TR^2 = 6,952003, s p-hodnotou = P(Chí-kvadrát(4) > 6,952) = 0,138 Ljung-Box Q' = 6,81327, s p-hodnotou = P(Chí-kvadrát(4) > 6,81327) = 0,146 Multikolinearita VIF faktory r_mzdy nezamestnanost prirustek_stehovanim r_urokova_mira r_cena_byt

3,176 3,858 3,206 2,178 3,358

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 26,825552, s p-hodnotou = P(Chí-kvadrát(20) > 26,825552) = 0,140244 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 5,041 [0,0804] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 1,287499, s p-hodnotou = P(F(2,31) > 1,2875) = 0,29 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,431060, s p-hodnotou = P(F(1,32) > 0,43106) = 0,516 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,254925, s p-hodnotou = P(F(1,32) > 0,254925) = 0,617 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,83067, asymptotická p-hodnota 0,3659 pro r_mzdy testovací statistika: tau_c(1) = -0,617692, asymptotická p-hodnota 0,8644 pro nezamestnanost testovací statistika: tau_c(1) = -2,63719, asymptotická p-hodnota 0,08547 pro prirustek_stehovanim testovací statistika: tau_c(1) = -1,88581, asymptotická p-hodnota 0,3394 pro r_urokova_mir testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -3,5836, asymptotická p-hodnota 0,006113

Výstupy testů

104

Královéhradecký kraj Autokorelace Testovací statistika: LMF = 1,245591, s p-hodnotou = P(F(4,29) > 1,24559) = 0,314 Alternativní statistika: TR^2 = 5,718029, s p-hodnotou = P(Chí-kvadrát(4) > 5,71803) = 0,221 Ljung-Box Q' = 6,6735, s p-hodnotou = P(Chí-kvadrát(4) > 6,6735) = 0,154 Multikolinearita VIF faktory r_mzdy nezamestnanost prirustek_stehovanim r_urokova_mira r_cena_byt_1

6,006 3,537 1,977 1,762 7,414

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 22,526183, s p-hodnotou = P(Chí-kvadrát(20) > 22,526183) = 0,312654 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 4,354 [0,1134] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 3,558902, s p-hodnotou = P(F(2,31) > 3,5589) = 0,0406 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 1,402709, s p-hodnotou = P(F(1,32) > 1,40271) = 0,245 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 1,822762, s p-hodnotou = P(F(1,32) > 1,82276) = 0,186 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,79244, asymptotická p-hodnota 0,3847 pro r_mzdy testovací statistika: tau_c(1) = -0,575203, asymptotická p-hodnota 0,8737 pro nezamestnanost testovací statistika: tau_c(1) = -3,16525, asymptotická p-hodnota 0,02212 pro prirustek_stehovanim testovací statistika: tau_c(1) = -2,24987, p-hodnota 0,1928 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -4,14893, asymptotická p-hodnota 0,0008001

Výstupy testů

105

Pardubický kraj Autokorelace Testovací statistika: LMF = 1,401252, s p-hodnotou = P(F(4,29) > 1,40125) = 0,258 Alternativní statistika: TR^2 = 6,316870, s p-hodnotou = P(Chí-kvadrát(4) > 6,31687) = 0,177 Ljung-Box Q' = 7,40088, s p-hodnotou = P(Chí-kvadrát(4) > 7,40088) = 0,116 Multikolinearita VIF faktory r_mzdy nezamestnanost prirustek_stehovanim r_urokova_mira r_cena_byt_1

4,719 3,597 2,752 1,779 5,440

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 13,913184, s p-hodnotou = P(Chí-kvadrát(20) > 13,913184) = 0,834870 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 0,057 [0,9720] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 2,533033, s p-hodnotou = P(F(2,31) > 2,53303) = 0,0957 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,097032, s p-hodnotou = P(F(1,32) > 0,0970316) = 0,757 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,206835, s p-hodnotou = P(F(1,32) > 0,206835) = 0,652 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,70209, asymptotická p-hodnota 0,4302 pro r_mzdy testovací statistika: tau_c(1) = -0,987278, asymptotická p-hodnota 0,76 pro nezamestnanost testovací statistika: tau_c(1) = -3,47156, asymptotická p-hodnota 0,008776 pro prirustek_stehovanim testovací statistika: tau_c(1) = -2,77888, asymptotická p-hodnota 0,06131 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -5,18737, asymptotická p-hodnota 8,313e-006

Výstupy testů

106

Kraj Vysočina Autokorelace Testovací statistika: LMF = 1,449820, s p-hodnotou = P(F(4,29) > 1,44982) = 0,243 Alternativní statistika: TR^2 = 6,499328, s p-hodnotou = P(Chí-kvadrát(4) > 6,49933) = 0,165 Ljung-Box Q' = 7,61392, s p-hodnotou = P(Chí-kvadrát(4) > 7,61392) = 0,107 Multikolinearita VIF faktory r_mzdy nezamestnanost prirustek_stehovanim r_urokova_mira r_cena_byt_1

5,078 2,602 1,992 1,723 4,934

Heteroskedasticita Whiteův test heteroskedaticity Testovací statistika: TR^2 = 28,875319, s p-hodnotou = P(Chí-kvadrát(20) > 28,875319) = 0,090244 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 2,483 [0,2890] Specifikace Testovací statistika: F = 2,228948, s p-hodnotou = P(F(2,31) > 2,22895) = 0,126 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 1,595293, s p-hodnotou = P(F(1,32) > 1,59529) = 0,216 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 1,306104, s p-hodnotou = P(F(1,32) > 1,3061) = 0,262 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,5873, asymptotická p-hodnota 0,4891 pro r_mzdy testovací statistika: tau_c(1) = -1,0647, asymptotická p-hodnota 0,7318 pro nezamestnanost testovací statistika: tau_c(1) = -3,29112, asymptotická p-hodnota 0,01532 pro prirustek_stehovanim testovací statistika: tau_c(1) = -1,86627, asymptotická p-hodnota 0,3442 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -5,19201, asymptotická p-hodnota 8,127e-006

Výstupy testů

107

Jihomoravský kraj Autokorelace Testovací statistika: LMF = 1,396695, s p-hodnotou = P(F(4,29) > 1,3967) = 0,261 Alternativní statistika: TR^2 = 6,320869, s p-hodnotou = P(Chí-kvadrát(4) > 6,32087) = 0,176 Ljung-Box Q' = 7,023, s p-hodnotou = P(Chí-kvadrát(4) > 7,023) = 0,135 Multikolinearita VIF faktory r_cena_pozemek nezamestnanost r_urokova_mira r_najem r_cena_byt

2,842 3,754 2,016 2,743 7,623

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 20,651574, s p-hodnotou = P(Chí-kvadrát(20) > 20,651574) = 0,417890 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 0,666[0,7169] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 0,047578, s p-hodnotou = P(F(2,31) > 0,0475783) = 0,954 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,012510, s p-hodnotou = P(F(1,32) > 0,0125098) = 0,912 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,006827, s p-hodnotou = P(F(1,32) > 0,00682717) = 0,935 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,56473, asymptotická p-hodnota 0,5007 pro r_cena_pozemek testovací statistika: tau_c(1) = -0,267607, asymptotická p-hodnota 0,9272 pro nezamestnanost testovací statistika: tau_c(1) = -3,06321, asymptotická p-hodnota 0,02942 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro r_najem testovací statistika: tau_c(1) = -2,68586, asymptotická p-hodnota 0,08555 pro chybový člen testovací statistika: tau_c(1) = -6,37166, asymptotická p-hodnota 1,453e-008

Výstupy testů

108

Olomoucký kraj Autokorelace Testovací statistika: LMF = 0,880882, s p-hodnotou = P(F(4,30) > 0,880882) = 0,487 Alternativní statistika: TR^2 = 4,099137, s p-hodnotou = P(Chí-kvadrát(4) > 4,09914) = 0,393 Ljung-Box Q' = 5,04101, s p-hodnotou = P(Chí-kvadrát(4) > 5,04101) = 0,283 Multikolinearita VIF faktory r_mzdy nezamestnanost r_urokova_mira r_cena_byt

3,128 2,449 1,856 4,029

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 18,541609, s p-hodnotou = P(Chí-kvadrát(14) > 18,541609) = 0,183214 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 3,407[0,1820] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 0,173665, s p-hodnotou = P(F(2,32) > 0,173665) = 0,841 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,104501, s p-hodnotou = P(F(1,33) > 0,104501) = 0,749 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,075938, s p-hodnotou = P(F(1,33) > 0,075938) = 0,785 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,81885, asymptotická p-hodnota 0,3717 pro r_mzdy testovací statistika: tau_c(1) = -0,848005, asymptotická p-hodnota 0,8048 pro nezamestnanost testovací statistika: tau_c(1) = -2,93068, asymptotická p-hodnota 0,04189 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -5,34057, asymptotická p-hodnota 3,897e-006

Výstupy testů

109

Zlínský kraj Autokorelace Testovací statistika: LMF = 0,981640, s p-hodnotou = P(F(4,29) > 0,98164) = 0,433 Alternativní statistika: TR^2 = 4,650828, s p-hodnotou = P(Chí-kvadrát(4) > 4,65083) = 0,325 Ljung-Box Q' = 4,92492, s p-hodnotou = P(Chí-kvadrát(4) > 4,92492) = 0,295 Multikolinearita VIF faktory r_mzdy nezamestnanost r_urokova_mira prirustek_stehovanim r_cena_byt

4,713 2,965 2,243 1,359 5,669

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 26,203881, s p-hodnotou = P(Chí-kvadrát(20) > 26,203881) = 0,159183 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 5,215[0,0737] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 0,383359, s p-hodnotou = P(F(2,31) > 0,383359) = 0,685 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,001697, s p-hodnotou = P(F(1,32) > 0,00169681) = 0,967 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,001596, s p-hodnotou = P(F(1,32) > 0,00159565) = 0,968 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,64473, asymptotická p-hodnota 0,4596 pro r_mzdy testovací statistika: tau_c(1) = -0,782078, asymptotická p-hodnota 0,8236 pro nezamestnanost testovací statistika: tau_c(1) = -3,4416, asymptotická p-hodnota 0,009648 pro prirustek_stehovanim testovací statistika: tau_c(1) = -3,09762, asymptotická p-hodnota 0,02675 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -3,79648, asymptotická p-hodnota 0,002959

Výstupy testů

110

Moravskoslezský kraj Autokorelace Testovací statistika: LMF = 0,909102, s p-hodnotou = P(F(4,30) > 0,909102) = 0,471 Alternativní statistika: TR^2 = 4,216263, s p-hodnotou = P(Chí-kvadrát(4) > 4,21626) = 0,378 Ljung-Box Q' = 4,41662, s p-hodnotou = P(Chí-kvadrát(4) > 4,41662) = 0,353 Multikolinearita VIF faktory nezamestnanost r_urokova_mira prirustek_stehovanim r_cena_byt_1

5,856 1,818 1,101 4,603

Heteroskedasticita Whiteův test heteroskedaticity Testovací statistika: TR^2 = 18,923741, s p-hodnotou = P(Chí-kvadrát(14) > 18,923741) = 0,167884 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 4,305[0,1162] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 0,707553, s p-hodnotou = P(F(2,32) > 0,707553) = 0,5 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 1,181734, s p-hodnotou = P(F(1,33) > 1,18173) = 0,285 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 1,099472, s p-hodnotou = P(F(1,33) > 1,09947) = 0,302 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -2,07063, asymptotická p-hodnota 0,2568 pro nezamestnanost testovací statistika: tau_c(1) = -1,97517, asymptotická p-hodnota 0,2981 pro prirustek_stehovanim testovací statistika: tau_c(1) = -2,66638, asymptotická p-hodnota 0,07996 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -2,87029, asymptotická p-hodnota 0,04889

Výstupy testů

111

Plzeňský kraj Autokorelace Testovací statistika: LMF = 1,493872, s p-hodnotou = P(F(4,29) > 1,49387) = 0,234 Alternativní statistika: TR^2 = 7,137678, s p-hodnotou = P(Chí-kvadrát(4) > 7,13768) = 0,129 Ljung-Box Q' = 3,97204, s p-hodnotou = P(Chí-kvadrát(4) > 3,97204) = 0,41 Multikolinearita VIF faktory r_cena_pozemek prirustek_stehovanim nezamestnanost r__urokova_mira r_cena_byt_1

4,630 6,782 5,812 2,113 6,876

Heteroskedasticita Whiteův test Testovací statistika: TR^2 = 20,604839, s p-hodnotou = P(Chí-kvadrát(20) > 20,604839) = 0,420710 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 1,671[0,4336] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 1,607139, s p-hodnotou = P(F(2,31) > 1,60714) = 0,217 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,065043, s p-hodnotou = P(F(1,32) > 0,0650428) = 0,8 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 0,121681, s p-hodnotou = P(F(1,32) > 0,121681) = 0,73 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,86083, asymptotická p-hodnota 0,3513 pro prirustek_stehovanim testovací statistika: tau_c(1) = -1,83365, asymptotická p-hodnota 0,3645 pro r_cena_pozemek testovací statistika: tau_c(1) = -1,35228, asymptotická p-hodnota 0,6072 pro nezamestnanost testovací statistika: tau_c(1) = -2,64596, asymptotická p-hodnota 0,08378 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -5,38416, asymptotická p-hodnota 3,13e-006

Výstupy testů

112

Praha Autokorelace Testovací statistika: LMF = 1,263221, s p-hodnotou = P(F(4,29) > 1,26322) = 0,309 Alternativní statistika: TR^2 = 5,990401, s p-hodnotou = P(Chí-kvadrát(4) > 5,9904) = 0,2 Ljung-Box Q' = 6,26075, s p-hodnotou = P(Chí-kvadrát(4) > 6,26075) = 0,181 Multikolinearita VIF faktory r_cena_pozemek nezamestnanost r_urokova_mira dok_byty r_cena_byt_1

5,441 2,405 2,065 1,287 5,792

Heteroskedasticita Whiteův test heteroskedaticity Testovací statistika: TR^2 = 26,948262, s p-hodnotou = P(Chí-kvadrát(20) > 26,948262) = 0,136726 Normalita Testovací statistika pro normalitu Chí-kvadrát(2)= 0,696[0,7062] Specifikace Test RESET pro specifikaci (druhé a třetí mocniny) Testovací statistika: F = 3,908299, s p-hodnotou = P(F(2,31) > 3,9083) = 0,0306 Test RESET pro specifikaci (pouze druhé mocniny) Testovací statistika: F = 0,931624, s p-hodnotou = P(F(1,32) > 0,931624) = 0,342 Test RESET pro specifikaci (pouze třetí mocniny) Testovací statistika: F = 1,222337, s p-hodnotou = P(F(1,32) > 1,22234) = 0,277 Stacionarita Rozšířený Dickey-Fullerův test s řádem zpoždění 4, s testováním maximálního řádu zpoždění nulová hypotéza jednotkového kořenu: a = 1 pro r_cena_byt testovací statistika: tau_c(1) = -1,83345, asymptotická p-hodnota 0,3646 pro r_cena_pozemek testovací statistika: tau_c(1) = -1,41538, asymptotická p-hodnota 0,5764 pro nezamestnanost testovací statistika: tau_c(1) = -2,10887, asymptotická p-hodnota 0,2413 pro dok_byty testovací statistika: tau_c(1) = -4,97225, p-hodnota 0,0001 pro r_urokova_mira testovací statistika: tau_c(1) = -3,88216, asymptotická p-hodnota 0,002181 pro chybový člen testovací statistika: tau_c(1) = -4,32308, asymptotická p-hodnota 0,0004

Determinanty ovlivňující ceny rezidenčních nemovitostí v České republice

Recommend Documents