Vysoká škola ekonomická v Praze Národohospodářská fakulta
C O ZPŮSOBILO POSLEDNÍ RECESI V Č ESKÉ REPUBLICE ? (P R ÁC E ST U DE NT
B ů Ků LÁ S KÉ HO ST U DIA )
Jakub Bechný
Abstrakt Tato práce analyzuje p íčiny recese v České republice s počátkem v posledním čtvrtletí roku 2011. Na základě modelu vektorové autoregrese docházím k závěru, že pokles HDP byl zp soben negativními spot ebními a vládními šoky. Dále je ukázáno, že recese nebyla zp sobena zahraničními šoky. Ově uji robustnost těchto výsledk . Zkoumaná recese je následně srovnána s poklesem v letech 2008 – 2009. Klíčová slova: hospodá ský cyklus, VAR, komponenty HDP JEL klasifikace: C32, E32
Abstract This paper analyses the causes of the Czech republic´s recession with beginning in the last quarter of 2011. Based on vector autoregression model I conclude that GDP slowdown was caused by negative consumption and government shocks. It is also shown, that the recession was not caused by external shocks. I check the robustness of this findings. Analysed recession is then compared with 2008 – 2009 slowdown. Keywords: business cycle, VAR, GDP components JEL classification: C32, E32
Úvod
V posledním kvartálu roku 2011 zaznamenala Česká republika mezičtvrtletní pokles
HDP o 0,2 %, po nulovém r stu v kvartálu p edchozím,1 čímž započala dlouhotrvající recese. První mezičtvrtletní r st HDP ve výši 0,6 % se dostavil až ve druhém kvartálu roku 2013. ůvšak optimistické vyhlídky na oživení byly utlumeny p edběžným odhadem HDP pro t etí kvartál roku 2013, který indikoval mezičtvrtletní pokles o 0,5 % (ČSÚ, 2013a). Tak dlouhodobý pokles, který navíc p išel brzy po recesi z let 200Ř až 200ř, Česká republika ve své historii dosud nezažila. „Krize“ se stala vděčným mediálním i politickým tématem, ať už jde o její p íčiny, nebo ešení. P edmětem bou livé debaty ze strany odborné i laické ve ejnosti se pak staly kroky České národní banky, učiněné zejména v listopadu 2013. Cílem mé práce je p ispět do diskuze o p íčinách této ekonomické recese v České republice. Volím ryze empirický p ístup, který umožňuje „podívat se na data s jen nezbytným množstvím ekonomické teorie a ekonometricky určit pokud ne hluboké, tak minimálně přibližné příčiny recese“ (Blanchard, 1řř3, s. 270). Nejprve odhaduji neomezený redukovaný VAR model s jednotlivými komponentami HDP jako endogenními proměnnými. Rezidua z jednotlivých rovnic jsou následně použita k vyseparování šok , specifických jednotlivým komponentám, které jsou základem analýzy zkoumané recese.
Docházím k závěru, že
p íčinami poklesu byly silné negativní spot ební šoky, doprovázené šoky vládními. Tuto metodu jako první k analýze hospodá ského cyklu použil Olivier Blanchard (1993). Zkoumal recesi USA v letech 1990 – 1řř1, za jejíž p íčinu určil negativní spot ební šoky. Catão a Ramaswamy (1řř5) touto metodou zkoumají recesi Velké Británie v letech 1990 – 1řř2, za p íčinu rovněž určují negativní spot ební šoky. Dále byla tato metoda aplikována na Japonsko v ř0. letech, Ramaswamy a Rendu (2000) zjišťují, že p íčinou stagnace byly negativní šoky do residenčních a neresidenčních investic. ů konečně Labhard (2003) touto metodou analyzoval země G7 v období jejich poklesu v roce 2000. Identifikuje šoky do několika komponent, z nichž některé byly společné všem zemím G7, jiné specifické pro jednotlivé země. Mnou používaná metoda p ináší několik výhod. Podle Ramaswamy a Rendu (2000, s. 261) umožňuje kvantifikovat, zda během recese byly d ležitější nap íklad investiční či exportní šoky. Oproti strukturním model m VůR modely nevyžadují žádná apriorní omezení
1
Vycházím ze čtvrtletních sezónně očištěných údaj ve stálých cenách, dostupných nap . z databáze ůRůD (ČNB, 2013)
3
konkurujících si teoretických vysvětlení recese. „Metoda dovolí pravidelnostem nalezeným v datech, aby vyprávěly příběh“ (ibid.). Labhard (2003, s. 7) uvádí, že tento p ístup oproti prostému sledování vývoje jednotlivých komponent a HDP v čase p ináší mnohem detailnější obrázek o stavu ekonomiky. „Potenciálně existují další proměnné, vysvětlující chování komponent HDP, ale použití jen samotných komponent má výhodu v zachycení empirických pravidelností při skoupé specifikaci“ (ibid.). Tato práce dále pokračuje v této struktu e: nejprve v části (I.) detailně popisuji použitou empirickou strategii. V části (II.) p edstavuji použitá data, na základě kterých v části (III.) odhaduji nejprve základní VůR model a následně v části (IV.) určuji finální šoky do jednotlivých komponent HDP. Šoky pak interpretuji v části (V.). V části (VI.) se věnuji citlivosti a robustnosti výsledk .
I.
Empirická strategie Blanchard (1řř3) nejprve navrhuje odhadnout dynamické vztahy mezi jednotlivými
komponentami HDP na základě m rovnicového VůR(p) modelu v neomezeném redukovaném tvaru
(1) kde zt je vektor endogenních proměnných, d je vektor deterministických proměnných, vt = [v1,t, v2,t,… , vm,t]T je vektor náhodných složek typu bílého šumu, δ je matice parametr deterministických proměnných a πj jsou matice parametr
zpožděných endogenních
proměnných. Endogenní proměnné jsou v mém p ípadě spot eba p edmět
dlouhodobé
spot eby, residenční investice, neresidenční investice, spot eba vládních institucí, čistý export a změna stavu zásob. Počet rovnic m je tedy roven šesti. Jako deterministické proměnné zahrnuji úrovňové konstanty a sezónní dummy proměnné pro první až t etí kvartál. Jak uvádí Labhard (2003, s. 12), jednotlivé náhodné složky z vektoru vt shrnují tu část jednotlivých komponent HDP, kterou nelze vysvětlit obvyklou dynamikou modelovaného systému. Jsou chybami p edpovědi a zároveň první aproximací hledaných šok . Náhodné složky vt mohou být korelovány nap íč rovnicemi, což je d sledkem jednak jejich vzájemné p ímé závislosti a jednak jejich závislosti na faktoru či trendu, který ovlivňuje všechny komponenty společně (Blanchard, 1993, s. 271). 4
Cílem je tento společný trend odstranit a získat tak čisté šoky do jednotlivých komponent HDP. Společný trend lze dle Blancharda (1řř3, s. 271) získat buď pomocí váženého pr měru náhodných složek z každé rovnice, kde vahami jsou časově proměnlivé podíly jednotlivých komponent na HDP. ůlternativně pak jako náhodnou složku uy,t z regrese
(2) kde Yt jsou celkové výdaje na HDP, α0 je 1x4 vektor parametr deterministických proměnných, α1, …, αp jsou 1x6 vektory parametr predeterminovaných proměnných zt-p, zpožděných od 1 do p z modelu (1). Tento zp sob je výpočtově jednodušší a proto jej, stejně jako Blanchard (1řř3), dále používám. Společný faktor či trend odstraňuji pomocí regrese vt z (1) na společném faktoru uy,t z rovnice (2) i=1, …,6
(3)
Labhard (2003, s. 12) uvádí, že společný faktor uy,t v (3) je částečně endogenní (je to pr měr náhodných složek), a proto je nutné použít techniku instrumentálních proměnných. V (3) tedy používám vyrovnané hodnoty uy,t z pomocné rovnice
(4) kde a1, …, ak jsou použité instrumenty, γ0, … ,γk jsou jejich parametry a ϕt je náhodná složka. Náhodné složky εi,t z rovnice (3) ukazují, jak se i-tá komponenta HDP odchyluje od hodnoty, která je predikována na základě dynamiky celého systému a společného faktoru. Mohou se lišit volatilitou, proto je pro jejich další analýzu vhodná jejich normalizace, tedy vydělení jejich směrodatnou odchylkou. Dále obdobně normalizuji náhodnou složku z rovnice (2), uy,t. Takto upravené náhodné složky pak mají normované normální rozdělení a p edstavují to, co Blanchard (1řř3), Catão a Ramaswamy (1995), Labhard (2003) a Ramaswamy a Rendu (2000) označují za finální šoky do jednotlivých komponent. Normalizované náhodné složky uy,t jsou pak celkovou bilancí šok . V praktické části samoz ejmě pracuji s odhady náhodných složek v podobě reziduí. 5
II.
Data Používám čtvrtletní časové ady pro Českou republiku z období od 1řř6Q2 do
2013Q2. Čerpám je z databáze Českého statistického ú adu Hrubý domácí produkt – Časové ady čtvrtletních účt (2013b). ů to následující proměnné: celkové výdaje na HDP (dále Y), celkový export (X), import (M), čistý export (Nx), spot eba vládních institucí (G), residenční investice (I_res), neresidenční investice (I_nres), spot eba p edmět dlouhodobé spot eby (C_dur), spot eba p edmět
krátkodobé spot eby (C_ndur)2. Dále čerpám z databéze
Eurostatu (2013), GDP and main components, údaje o změně stavu zásob výrobc (Inv). Data používám v prvních diferencích, stálých cenách roku 2005 a sezonně neočištěná. Popisné statistiky a výsledky test jednotkových ko en jsou uvedeny v p íloze č. 1. H0 p ítomnosti jednotkového ko ene u ůDF testu nelze i na 10% hladině významnosti zamítnout pouze u C_dur. Naopak H0 stacionarity KPSS testu nezamítám na 10% hladině významnosti u žádné proměnné3. Na základě těchto výsledk
tedy považuji všechny
proměnné za (slabě) stacionární.
III.
Základní VAR model Nejprve provádím odhad VůR(3) modelu, specifikovaného na základě rovnice (1).
Délku zpoždění volím nejnižší nutnou k dosažení reziduí charakteru bílého šumu, jak doporučují Ramaswamy a Rendu (2000, s. 262). K odhad m používám metodou nejmenších čtverc (MNČ) a HůC standardní chyby4. V p íloze č. 2 jsou uvedeny výsledné odhady parametr , t-testy z prostorových d vod neuvádím. Výstupy základních diagnostických test jsou uvedeny v p íloze č. 3. Dle celkových F-test jsou všechny rovnice jako celek statisticky významné i na 1% hladině významnosti. Indexy determinace ukazují, že podíl vysvětlené variability endogenních proměnných se pohybuje mezi Ř3,2 % až řŘ,ř %. V p íloze č. 3 uvádím p-hodnoty F-test Grangerovy kauzality, které dle mého názoru p i p edpokládané5 multikolinearitě vysvětlujících proměnných lépe dokládají oprávněnost zahrnutí dané proměnné do modelu, než t-testy. Na 5% hladině významnosti podmiňují
I_res jsou investice do obydlí, I_nres p edstavují celkovou tvorbu hrubého fixního kapitálu bez investic do obydlí. C_dur je součet spot eby p edmět st ednědobé a dlouhodobé spot eby, C_ndur pak p edmět krátkodobé spot eby a služeb. 3 Délku zahrnutého zpoždění u ůDF testu volím na základě t-testu posledního zahrnutého zpoždění, jak doporučují Ng a Perron (1řř5). Délku zpoždění u KPSS testu následně volím stejnou, jako u ůDF. Do odhadovaných rovnic p íslušných test zahrnuji sezónní dummy proměnné. 4 Pokud není uvedeno jinak, tak k odhad m používám program gretl 1.ř.12. 5 Také indikované metodou Variance Inflation Factors, kterou poskytuje gretl. 2
6
z hlediska Grangerovy kauzality danou vysvětlovanou proměnnou v rovnicích 1 až 5 minimálně 4 proměnné. Výjimkou je rovnice č. 6 (Inv), kterou podmiňují pouze 2 proměnné. Dále rozeberu testy reziduí. Ljung-Box Q' test v první rovnici indikuje autokorelaci již na 1% hladině významnosti. To p edstavuje potenciální problém, jelikož v p ípadě zahrnutí zpožděných hodnot vysvětlované proměnné p i autokorelaci nemusí vést metoda nejmenších čtverc ke konzistentním odhad m parametr . Breusch-Godfrey test ukazuje, že se jedná o autokorelaci prvního ádu, kterou eším pomocí metody Cochrane-Orcutta (C-O). Odhady parametr
získané touto metodou se mírně liší od p vodní rovnice VůR(3) modelu,
znaménka však mění pouze parametry proměnných nevýznamných dle F-test . Klíčovým výstupem VůR(3) modelu, se kterým dále pracuji, jsou však rezidua jednotlivých rovnic. Korelace reziduí první rovnice systému, získaných MNČ a C-O, činí 0,7ř a jejich graf naznačuje obdobný vývoj v čase. Z tohoto d vodu nepovažuji autokorelaci vzhledem k získaným reziduím za zásadní problém a dále pracuji s rezidui získanými MNČ. ůRCH LM test indikuje na 5% hladině významnosti autoregresní podmíněnou heteroskedasticitu v páté rovnici a na 10% hladině významnosti v rovnici šesté. Jak však uvádí Hušek (200ř, s. 311), MNČ vede i v p ítomnosti ůRCH procesu ke konzistentním odhad m. Na druhou stranu Lütkepohl a Krätzig (2004, s. 125) dodávají, že ůRCH m že také indikovat neúplnou specifikaci a opomenuté proměnné. Breusch-Pagan test heteroskedasticity a Doornik-Hansen test normality naznačují zamítnutí H0 na 5% hladině významnosti v p ípadě obou test
u rovnice č. 2 (I_nres).
Heteroskedasticitu samotnou eším použitím HůC standardních chyb. Heteroskedasticita však patrně p sobí i nenormalitu. Rovnici č. 2 jsem proto znovu odhadl technikou Heteroskedasticity-corrected, získal nová rezidua a porovnal je s p vodními, získaným MNČ. Nová rezidua již lze považovat za normálně rozdělená, p-hodnota Doornik-Hansen testu činí 0,0řř. Jejich vzájemná korelace činí 0,ř57 p i obdobném pr běhu v čase. V další fázi práce tedy budu používat rezidua získána MNČ. VůR (3) model lze pokládat za stabilní, jelikož všechny jeho ko eny jsou menší než jedna (Hušek, 2007, s. 241). Jako indikátor p ítomnosti strukturální změny používám CUSUM test, jehož výstupy uvádím v p íloze č. 4. Kumulativní součty rekurzivních reziduí všech rovnic se nacházejí uvnit intervalu stability, test tedy strukturální změnu neindikuje6 (Lütkepohl, Krätzig 2004, s. 53).
6
CUSUM test byl proveden v programu JMulTi pro 1% , 5% a 10% hladinu významnosti.
7
IV.
Určení finálních šoků Dále se věnuji odhad m rovnic (2), (3) a (4), které vedou k vyseparování šok do
jednotlivých komponent HDP. Z d vodu omezeného prostoru nebudu reportovat a komentovat všechny odhady a testy. Pokud není uvedeno jinak, používám MNČ a na 5% hladině významnosti jsou splněny p edpoklady homoskedasticity, normality a nep ítomnosti autokorelace. Nejprve provádím odhad rovnice (2). Maximální délku zpoždění volím rovnu t em, tedy stejnou, jako v p ípadě VůR modelu. Tuto rovnici odhaduji za účelem zisku reziduí (dále ûy,t) jakožto celkové bilance šok do HDP. Doornik-Hansen test s p-value 0,47 dokládá jejich normalitu. Komplikací je však autokorelace, dle Breusch-Godfrey testu p ítomná na 5% hladině významnosti. Odhad (2) tedy provádím i technikou Cochrane-Orcutta a získávám kontrolní časovou adu reziduí. Korelace kontrolních reziduí a ûy,t činí 0,ř07 p i obdobném vývoji v čase. To opět považuji za doklad nízkého záporného vlivu autokorelace na rezidua a pracuji dále s ûy,t. Poměrně komplikovaným úkolem se stalo hledání instrumentálních proměnných pro pomocnou rovnici (4). Blanchard (1řř3, s. 271) vychází z p edpokladu, že rezidua z rovnice pro vládní spot ebu VůR modelu jsou exogenní, není je t eba očišťovat od společného trendu, a mohou zároveň posloužit jako instrument. Catão a Ramaswamy (1995), Labhard (2003) a Ramaswamy a Rendu (2000) dále používají za instrument rezidua z rovnice exportu, kterou však m j VůR model nedisponuje. P i hledání instrument se ídím požadavkem, aby byl potenciální instrument co nejsilněji korelovaný s ûy,t a zároveň co nejméně s vysvětlovanou proměnnou v rovnici (3), která je reziduem z (1). V mém p ípadě je však problémem relativně silná korelace reziduí vládní spot eby s ostatními rezidui z (1), a proto jejich omezená použitelnost. Pro další postup budu rezidua z (1) značit û1,t pro první rovnici vysvětlující C_dur, û2,t pro rezidua z rovnice I_res, až po û6,t pro rezidua z rovnice Inv, jak je naznačeno v p íloze č. 2. Jako první instrument použiji rezidua û7,t z rovnice
(5) kde Xt je celkový export, θ0 úrovňová konstanta a Qi pro i=1,2,3 jsou sezónní dummies. Druhým instrumentem jsou rezidua û8,t z rovnice 8
(6) kde Mt je celkový import. Jako t etí instrument zapojuji rezidua û9,t z rovnice, která byla kv li autokorelaci odhadnuta metodou Cochrane-Orcutta
(7) kde C_ndurt je spot eba p edmět
krátkodobé spot eby. Posledním použitým
instrumentem budou rezidua û4,t z rovnice pro G z (1). Xt, Mt a C_ndurt jsou proměnné, se kterými jsem experimentoval p i alternativních specifikacích VůR modelu z (1). Do finálního modelu nebyly zahrnuty mimo jiné z d vodu, že dle test Grangerovy kauzality nepomáhaly p i určení hodnot ostatních proměnných. P i volbě konkrétních instrument
se primárně ídím již zmíněným požadavkem
maximální korelace s ûy,t a minimální s ûi,t, i=1,…, 6. Párové korelační koeficienty jsou uvedeny v tabulce č. 1. Pokud korelace instrumentu s vysvětlovanou proměnnou z rovnice (3) p esáhne dle mého názoru únosnou mez, je v tabulce vyznačena tučně. Tyto korelace také p ibližně korespondují s testy Grangerovy kauzality, provedenými p i alternativních specifikacích modelu (1). Nap íklad C_ndur hrála významnou roli p i ručení hodnoty C_dur. Relativně silná korelace jejich reziduí û1,t a û9,t je tedy logická a svědčí o oprávněném nepoužití û9,t jako instrumentu pro ûy,t v rovnici (3), vysvětlující û1,t. Tabulka č. 1: Korelační koeficienty pro volbu instrumentálních proměnných ûy,t û1,t û2,t û3,t û4,t û5,t û7,t 0,542 0,258 0,180 -0,004 0,539 0,293 û8,t 0,485 0,234 0,236 0,086 -0,045 0,568 û9,t 0,324 -0,102 0,045 0,090 0,388 0,258 û4,t 0,179 0,064 0,426 -0,110 1,000 -0,258
û6,t -0,171 0,014 -0,048 -0,174
Z tabulky č. 1 je tedy patrné, že pro každou z rovnic (3) disponuji nejméně dvěma instrumenty. Pomocná rovnice (4) nebude jen jedna. Pro získání adekvátních, na náhodné složce z rovnice (3) nezávislých vyrovnaných hodnot ûy,t, pot ebuji celkem 4 pomocné regrese:
(8) 9
(9) (10) (11) Vyrovnané hodnoty ûy,t z (Ř) budu dále značit Ŷ8,t, z (9) Ŷ9,t, z (10) Ŷ10,t a konečně z (11) Ŷ11,t.. Nyní již lze konečně p istoupit k vyseparování šok do jednotlivých komponent HDP z rovnice (3) za použití těchto regresí
(12) (13) (14) (15) (16) (17) Rezidua z rovnic (12) – (17) jsou hledanými šoky do komponent HDP. šokem do spot eby p edmět dlouhodobé pot eby, do neresidenčních investic,
šok do residenčních investic,
šok do vládní spot eby,
čistý exportní šok a
je tedy šok šok do
změny stavu zásob výrobc . Mým již tradičním problémem p i práci s daty týkajících se spot eby je autokorelace ve výsledných reziduích, rovnice (12) není výjimkou. Proto pro kontrolu odhaduji (12) metodou Cochrane-Orcutta a výsledný alternativní šok srovnávám s
. Jejich korelace činí
0,Ř31, proto opět p i jejich obdobném pr běhu v čase neshledávám autokorelaci za významný problém. Navíc vzhledem ke specifikaci (12) MNČ poskytuje i p i autokorelaci konzistentní odhady parametr . Na závěr této části práce musím poznamenat, že snaha o očištění reziduí ze základního VůR(3) modelu, specifikovaného podle rovnice (1), od jejich společného faktoru či trendu, byla úspěšná jen částečně. Celkově vzato, výsledné šoky jsou vzájemně sice méně korelované, než p vodní rezidua z (1). Nicméně některé z šok jsou i tak vzájemně st edně silně korelované. Blanchard (1řř3, s. 271) ve své práci p iznává stejné komplikace. Tabulku se vzájemnými korelacemi jednotlivých šok uvádím v p íloze č. 5 a tomuto problému se ještě částečně věnuji v pasáži věnované citlivosti a robustnosti. 10
V.
Interpretace šoků V této části práce p istoupím k interpretaci šok
z rovnic (12) - (17) a uy,t z (2)
jako celkové bilance těchto šok . Šoky pro lepší srovnatelnost nejprve normalizuji, tedy dělím jejich směrodatnou odchylkou. Nejprve k obecné interpretaci uy,t. Pokud budou všechny šoky do komponent HDP, , pozitivní, bude pozitivní i jejich celková bilance, uy,t. Pokud však budou mít
r zná
znaménka, uy,t bude pozitivní či negativní podle toho, jak se jednotlivé šoky do komponent navzájem vykompenzují (Labhard, 2003, s. 13).
pak p edstavují odchylky hodnot
jednotlivých komponent HDP od jejich úrovně prognózované na základě dynamiky celého systému, očištěné od společného trendu či faktoru všech šok . Blanchard (1993), Catão a Ramaswamy (1995), Labhard (2003) a Ramaswamy a Rendu (2000) dále doporučují normalizované šoky do komponent a jejich celkovou bilanci analyzovat ve formě jejich kumulovaných součt , počínaje zvoleným datem. Dle Labharda (2003, s. 15) tento p ístup lépe znázorňuje, jaké šoky hrály v čase nejvýznamnější roli. Kumulované součty uy,t budu dále značit Y*, Nx* a
C_dur*,
I_res*,
I_nres*,
G*,
Inv*. Zastupují tedy kumulovanou bilanci celkových šok do HDP (Y*),
kumulované šoky do spot eby p edmět dlouhodobé pot eby (C_dur*), rezidenčních investic (I_res*), nerezidenčních investic (I_nres*), vládní spot eby (G*), čistého exportu (Nx*) a změny stavu zásob (Inv*). Primárním cílem této práce je analyzovat poslední recesi v České republice, jejíž začátek lze datovat k poslednímu čtvrtletí roku 2011. Za počáteční datum kumulovaných součt volím druhé čtvrtletí roku 2011 a uvádím je níže v grafu č. 1. Zároveň poslední recesi srovnám s recesí roku 200Ř – 200ř. Za tímto účelem uvádím v p íloze č. 6 kumulované součty od druhého čtvrtletí 200Ř do posledního čtvrtletí roku 200ř. Tyto kumulované součty jsou kumulovanými součty směrodatných odchylek. Pokud má v čase t+ 1 daný kumulovaný součet nižší hodnotu, než v čase t, znamená to negativní šok o velikosti rozdílu kumulovaných součt v t+ 1 a v t. Pokud má v čase t+ 1 hodnotu vyšší než v t, znamená to šok pozitivní. Nyní již k samotné recesi, začínající posledním čtvrtletím roku 2011(ČNB, 2013). V období 2011Q3 byl mezičtvrtletní r st HDP nulový, v následujícím čtvrtletí již záporný. Meziroční r st HDP se do záporu dostal v 2012Q1. Jak uvádím v grafu č. 1, Y* indikuje trvalé negativní šoky do ekonomiky od 2011Q2 až do 2013Q1. Celková bilance šok je pozitivní, tedy Y* poprvé neklesá, až v 2013Q2. Což se projevilo po osmi kvartálech prvním kladným mezičtvrtletním r stem HDP ve výši 0,6 %. 11
Počínaje 2011Q2, I_res* fluktuuje kolem nuly. Inv* sice naznačuje negativní šoky do změny stavu zásob, ve srovnání s ostatními však nevýznamné. O něco významnější se již jeví role šok do vládní spot eby, znázorněné G*. Mé modely indikují sice mírné, ale opakující se negativní šoky v p ibližně stejné výši až do 2012Q4, což nenaznačuje jakoukoliv snahu fiskální politiky o zmírnění recese. Obrat p ichází až v roce 2013, kdy m žeme pozorovat dva mírné pozitivní šoky.
Dle mých model
lze za hlavní p íčinu zkoumané recese považovat negativní
spot ební šoky, reprezentované C_dur*. Od počátku až do konce sledovaného období lze z této strany pozorovat nep etržité negativní šoky, které p i komparaci s ostatními nabývají nesrovnatelné výše. Šoky do neresidenčních investic, znázorněné I_nres*, začínají nabývat významných negativních hodnot až ve 2012Q2. Tedy až s ročním zpožděním, oproti C_dur* a G*. Zdá se však, že je to právě pozitivní investiční šok, který ve spolupráci s vládním a exportním šokem vedl k vykompenzování dalšího negativního spot ebního šoku v 2013Q2 a tím k prvnímu celkově pozitivnímu šoku do ekonomiky.
12
Zajímavé je srovnání s poklesem z let 2008 – 20097, kumulované šoky pro toto období uvádím v p íloze č. 6. Y* indikuje první celkový negativní šok v 200ŘQ4 a následně první pozitivní v 200řQ3. Počínaje 200ŘQ2 a až do 200řQ1 m žeme pozorovat negativní šoky do čistého exportu, reprezentované Nx*. Naopak v recesi po 2011Q4 p inášel externí sektor v zásadě pozitivní impulzy. Dalším kontrastem těchto dvou recesí je chování spot ebních šok – dle C_dur* byly v letech 2008 – 200ř po celou dobu pozitivní. Obdobné chování, tedy pozitivní šoky, v těchto letech vykazuje i G*. V obou recesích podobně se naopak chovají šoky do neresidenčních investic, znázorněny I_nres*. První významně negativní investiční šok během recese 200Ř - 200ř p ichází čtvrtletí po prvním externím a následně mají tyto šoky ve srovnání s ostatními nejzápornější vliv. V 200řQ3 je pak pozitivní investiční šok ve spolupráci se spot ebním a exportním pravděpodobným tahounem oživení. Poměrně jednoznačným závěrem mé práce tedy je, že recese začínající v posledním čtvrtletí roku 2011 nebyla zp sobena negativními zahraničními šoky a je problémem vnit ní ekonomiky České republiky. Hlavní p íčinou se zdají být negativní spot ební šoky, doprovázené relativně mírnějšími negativními vládními šoky.
VI.
Citlivost a robustnost V této části práce se ještě jednou vrátím k některým z krok , které jsem v pr běhu
vyseparovávání výsledných šok do komponent HDP učinil. U těchto krok
pak zvolím
odlišný p ístup a budu sledovat, jak se tato dílčí změna podepíše na konečných výsledcích. Metodu srovnání výsledk
volím stejnou jako v p ípadech, kdy byla v některé z rovnic
p ítomna nap íklad autokorelace či heteroskedasticita. Konkrétně tedy srovnávám pr běh základní a alternativní ady reziduí v čase, následně jej kvantifikuji párovým korelačním koeficientem. Myšlenka této metody je taková, že pokud jsou alternativní rezidua dosti korelovaná, povedou na závěr k obdobným finálním šok m. Nejprve se budu věnovat základnímu neomezenému redukovanému VůR(3) modelu z rovnice (1), jehož koeficienty jsou uvedeny v p íloze č. 2 a diagnostika v p íloze č. 3. Jak uvádí výstupy z F-test
Grangerovy kauzality, ne všechny ze zahrnutých endogenních
proměnných pomáhají p i určení všech ostatních proměnných. Nabízí se tedy otázka, jak hodně se budou lišit rezidua omezeného a neomezeného VůR(3) modelu. Rovnice omezeného VůR(3) modelu jsem odhadl MNČ, v jednotlivých rovnicích jsem omezil na nulu ty proměnné, u nichž na 5% hladině významnosti dle v p íloze č. 3 uvedeného F-testu nelze 7
Dle ARAD (ČNB, 2013) došlo, mě eno mezičtvrtletně, k poklesu HDP v období 200ŘQ4 – 2009Q2.
13
zamítnout H0 nevýznamnosti. V p íloze č. 7 jsou uvedeny korelační koeficienty reziduí z rovnic pro stejnou vysvětlovanou proměnnou, tedy reziduí základního neomezeného VůR(3) modelu a omezeného VůR(3). ůlternativní rezidua jsou s p vodními poměrně silně korelována, což svědčí ve prospěch robustnosti výsledk této práce. Další změnu v základním VůR(3) modelu z (1) provedu použitím sezónně očištěných dat8. Model (1) tedy specifikuji bez sezónních dummies. Délku zpoždění volím pro co nejlepší srovnatelnost rovnu také t em. V p íloze č. 7 pak opět uvádím korelace reziduí základního VůR(3) a VůR(3) ze sezónně očištěných dat. V tomto p ípadě alternativní rezidua již sice nejsou témě identická se základními, na druhou stranu k diametrálně odlišným výsledk m nevedou. V dosavadním pr běhu této práce jsem užíval sezónně neočištěná data, jelikož dle mého názoru p inášejí vyšší variabilitu v proměnných, která pak redukuje problémy s multikolinearitou. Použití neočištěných dat pak p i zahrnutí sezónních dummy proměnných vede k významně vyšší shodě model s daty, mě eno R2. Což je implicitním požadavkem této práce na VůR model z (1) – co nejvíce vysvětlit dané proměnné a zbylá rezidua po očištění interpretovat jako šoky. Na druhou stranu, VůR(3) model ze sezónně očištěných dat již nevykazuje žádnou autokorelaci. Další změna, kterou provádím v postupu vedoucímu k vyseparování jednotlivých šok , se týká rovnice (3), respektive regresí (12) – (17). Jak uvádím již výše a shrnuji v p íloze č. 5, některé ze šok do komponent jsou i po očištění od společného faktoru či trendu stále st edně silně korelované. To m že vznášet otázku, zda rovnice (3) od společného faktoru očišťuje dostatečně silně. Proto pro kontrolu provádím očištění reziduí z (1) i na základě (3), rozší ené o zpožděné hodnoty společného faktoru uy,t i=1, …,6
(18)
Na základě (1Ř) tedy upravuji regrese (12) – (17) pro konkrétní vyrovnané hodnoty ûy,t za použití výše diskutovaných instrumentálních proměnných z pomocných regresí (Ř) – (11). Získávám tak alternativní šoky do komponent HDP. Tyto alternativní šoky se v čase chovají prakticky identicky jako šoky vyseparované ze základních model , což shrnuji v p íloze č. Ř jejich korelacemi. Rovnice (3) tedy společný faktor odstraňuje dostatečně, její rozší ení
P vodní úrovňová data očišťuji metodou X-12-ůRIMů, kterou nabízí gretl. Následně p echázím k prvním diferencím, které jsou dle ůDF a KPSS test stacionární.
8
14
nevede k posunu. Nové šoky z (1Ř) jsou vzájemně korelované prakticky stejně jako p vodní, jejichž korelace uvádím v p íloze č. 5. Nyní již k poslední zkoušce robustnosti výsledk . V drtivé většině model používám MNČ. Jak již zmiňuji výše, pokud jsem se v pr běhu práce setkal s autokorelací či heteroskedasticitou, získal jsem alternativní rezidua z „bezproblémového“ modelu, která jsem porovnával s rezidui modelu zatíženého defektem. Rezidua byla vždy silně korelovaná, z čehož jsem vyvozoval závěr, že nap . autokorelace výsledky významně neovlivní a lze tedy použít rezidua získaná MNČ. Nabízí se ovšem otázka, zdali tomu tak je doopravdy. Proto jsem zopakoval celý postup vedoucí až ke konečným kumulovaným součt m šok , ovšem p i nahrazení autokorelací a heteroskedasticitou zatížených reziduí jejich protějšky získanými technikou Cochrane-Orcutta či Heteroskedasticity-corrected. Tyto kroky vyžadovaly nové odhady první a druhé rovnice z (1), dále rovnic (2), (3) i (4). ůlternativní kumulované součty normalizovaných šok uvádím v grafické podobě v p íloze č. ř. Vedou k prakticky stejným závěr m, jako šoky p vodní. Dle mého názoru jsou k analýze recese vhodnější p vodní šoky, prezentované v grafu č. 1, jelikož jsou všechny získány použitím stejné odhadové techniky a takto lépe srovnatelné.
Závěr Výsledky této práce naznačují, že hlavními p íčinami poslední recese v České republice, začínající ve čtvrtém kvartálu roku 2011, jsou silné negativní spot ební šoky, doprovázené negativními šoky vládními. Otázkou, na kterou však již modely odhadnuté v této práci nedovedou poskytnout jasnou odpověď je, jaké jsou zdroje těchto negativních spot ebních a vládních šok . Blanchard (1řř3, s. 274) rozebírá dvě základní možné p íčiny negativních spot ebních šok . Spot ební šoky obvykle mívají dlouhodobé účinky na HDP, což m že vysvětlovat tak pomalé oživení ekonomiky. Jejich první p íčinou m že být to, že jednoduše reflektují spot ebitelská očekávání ohledně jiných faktor , ovlivňujících jejich budoucí d chod. ůlternativou je pak „animal spirits“ interpretace. Do této kategorie spadají všechny faktory, které nenastávají v d sledku změn v očekávání budoucího d chodu, jako nap íklad nejistota. Vládní spot ebu m žeme chápat jako proxy proměnnou pro fiskální politiku. Negativní vládní šoky až do 2012Q4 pak mohou naznačovat spíše procykličnost fiskální politiky. Vzhledem k velikosti spot ebních šok by k recesi pravděpodobně došlo tak jako tak, nicméně v p ípadě proticyklické fiskální politiky by mohla být mírnější. Za procyklickou 15
fiskální politikou m žeme vidět snahu o konsolidaci ve ejných financí tehdejší vládou. Výsledky této práce však na druhou stranu nevylučují ani interpretaci, že vládní politika jako celek zp sobila kromě vládních i negativní spot ební šoky, p edevším skrz vnesení nejistoty. ů tím i celou recesi. Obdobná metoda analýzy p íčin hospodá ského cyklu byla použita minimálně ve čty ech dalších p ípadech. Od těchto analýz se má práce odlišuje p i postupu vedoucím k očištění šok ze základního VůR modelu od společného faktoru či trendu. Oproti ostatním autor m disponuji dostatečným počtem potenciálních instrumentálních proměnných, což mi zejména umožňuje neaplikovat jimi užívaný p edpoklad o všeobecné exogenitě vládních šok . Blanchard (1řř3) kromě spot eby vládního sektoru nepoužívá další proměnné reprezentující hospodá skou politiku a stejně postupuji i já. Ostatní auto i však již v podobě exogenních proměnných ve VůR modelech dodatečné proměnné hospodá ské politiky zahrnují, i když ne v jejich primárních VůR modelech. Jako první možné rozší ení mnou užívaných model
se tedy nabízí p idání proměnných reprezentující monetární politiku.
P ípadně také další proměnné politiky fiskální. Labhard (2003, s. 13) upozorňuje na rozdíly mezi šoky na základě rovnic (1) – (4) a strukturními šoky z VůR model , identifikovanými nap . na základě BQ dekompozice, které jsou interpretačně spojeny s agregátní poptávkou a nabídkou.
Uvažujme pro ilustraci
nabídkový šok ve smyslu BQ dekompozice, nap íklad produktivitu. Ten se m že, v pojetí šok
z této práce, projevit jako šok do neresidenčních investic, zásob, p ípadně skrz
očekávání budoucího d chodu i jako spot ební šok. Zajímavé by tedy bylo srovnání výsledk této práce se šoky získanými z BQ identifikovaného VAR modelu. Slovy Ramaswamy a Rendu (2000, s. 261): „lepší porozumění nedávné minulosti by mělo být nápomocné odůvodněnějším volbám mezi jednotlivými možnostmi hospodářské politiky.“ ůutor této práce pak doufá, že zde prezentované výsledky k tomuto lepšímu porozumění p íčin poslední recese České republiky napomohou.
16
Literatura a prameny BLANCHARD, Olivier. Consumption and the Recession of 1990-1991. The American Economic Review, 1993, 83.2: 270-274. CůTÃO, Luis; RůMůSWůMY, Ramana. Recession and recovery in the United Kingdom in the 1990s: A vector autoregression approach. International Monetary Fund, 1995. ČNB, ARAD – systém časových řad [online, *.html] 2013 [cit. 2013-12-3], dostupné z:
ČSÚ (Český statistický ú ad), Předběžný odhad HDP - 3. čtvrtletí 2013 [online, *.html] 2013a [cit. 2013-12-3], dostupné z: ČSÚ, Hrubý domácí produkt - Časové řady ukazatelů čtvrtletních účtů [online, *.html] 2013b [cit. 2013-12-3], dostupné z: Eurostat, GDP and main components - Current prices [online, *.html] 2013 [cit. 2013-12-3], dostupné z: HUŠEK, Roman. Ekonometrická analýza. Oeconomica, 2007. HUŠEK, Roman. Aplikovaná ekonometrie: teorie a praxe. Oeconomica, 2009. LABHARD, Vincent. What Caused the 2000/01 Slowdown?: Results from a VAR Analysis of G7 GDP Components. Bank of England, 2003. LÜTKEPOHL, Helmut; KRÄTZIG, Markus (ed.). Applied time series econometrics. Cambridge University Press, 2004. NG, Serena; PERRON, Pierre. Unit root tests in ARMA models with data-dependent methods for the selection of the truncation lag. Journal of the American Statistical Association, 1995, 90.429: 268-281. RAMASWAMY, Ramana; RENDU, Christel. Japan's stagnant nineties: A vector autoregression retrospective. IMF staff papers, 2000, 259-277.
17
Příloha č. 1
18
Příloha č. 2
19
Příloha č. 3
20
Příloha č. 4
21
Příloha č. 5
Příloha č. 6
22
Příloha č. 7
Příloha č. 8
Příloha č. 9
23
