Vliv makroekonomických veličin na rozvoj automobilového průmyslu v ČR

Mendelova univerzita v Brně Provozně ekonomická fakulta

Vliv makroekonomických veličin na rozvoj automobilového průmyslu v ČR Diplomová práce

Vedoucí práce: doc. Ing. Václav Adamec, Ph.D.

Brno 2013

Bc. Marek Tomšej

Rád bych poděkoval panu doc. Ing. Václavu Adamcovi, Ph.D. za vedení práce, odbornou pomoc a poskytnutí mnoha cenných rad a připomínek při zpracování tohoto tématu. Dále bych chtěl poděkovat Sdruţení automobilového průmyslu, jmenovitě panu Ing. Pavlu Ešnerovi, za poskytnutí materiálů k práci.

Prohlašuji, ţe jsem diplomovou práci zpracoval samostatně a ţe jsem uvedl všechny pouţité prameny a literaturu, ze kterých jsem čerpal. V Brně dne 5. května 2013

__________________

Abstract Automotive industry is one of the key industry sectors in the Czech Republic. It is very important for the formation of gross domestic product, export and employment. This diploma work deals with the effect of European Union economic variables on the automotive industry in the Czech Republic. Its aim is to describe the influence of EU economy on sales and export of Czech passenger cars. Analyzed indicators of EU economy are gross domestic product per capita, interest rate of ECB, exchange rate of Czech crown and the Euro, unemployment rate, inflation, car prices and fuel prices. First part of the work focuses on demand for Skoda in Europe and the main determinants that affect it. Next part points to Germany as one of the most important markets for Czech car exporters. The work ends with model of TPCA car export. Keywords Automotive industry, Skoda, Hyundai, TPCA, regression analysis, time series, European Union, passenger cars, new registration, export, GDP, interest rate, exchange rate, price index, scrappage, unemployment rate.

Abstrakt Automobilový průmysl je jedním z klíčových průmyslových odvětví České republiky. Je velmi důleţitý pro tvorbu hrubého domácího produktu, exportu a zaměstnanosti. Tato diplomová práce se zabývá vlivem ekonomických veličin Evropské unie na automobilový průmysl v České republice. Jejím cílem je popsat dopad stavu ekonomiky EU na prodeje a export v Česku vyrobených automobilů. Analyzovanými indikátory evropské ekonomiky jsou HDP na obyvatele, úroková sazba, směnný kurz koruny a eura, inflace, ceny automobilů a ceny paliv. První část práce se zaměřuje na poptávku po vozech Škoda v Evropě a hlavní determinanty, které ji ovlivňují. Další část poukazuje na Německo jako jeden z nejdůleţitějších trhů pro české exportéry automobilů. Práce končí modelem vývozu automobilky TPCA. Klíčová slova Automobilový průmysl, Škoda, Hyundai, TPCA, regresní analýza, časové řady, Evropská unie, osobní automobily, nové registrace, export, HDP, úroková sazba, směnný kurz, cenový index, šrotovné, míra nezaměstnanosti.

Obsah

9

Obsah 1

2

Úvod a cíl práce

15

1.1

Úvod ......................................................................................................... 15

1.2

Cíl práce ................................................................................................... 16

Literární přehled 2.1

19

Současné trendy v automobilovém průmyslu ......................................... 19

2.2 Výkonnost automobilového průmyslu v kontextu s globální ekonomickou krizí ............................................................................................. 21

3

2.3

Modelace výkonnosti automobilového průmyslu .................................. 23

2.4

Synchronnost české produkce s produkcí jiných zemí .......................... 28

Materiály a metodika 3.1

29

Makroekonomická data .......................................................................... 29

3.1.1

Index spotřebitelských cen ............................................................. 29

3.1.2

Míra nezaměstnanosti .................................................................... 29

3.1.3

Směnný kurz CZK/EUR .................................................................. 30

3.1.4

Úroková sazba ................................................................................. 30

3.1.5

Hrubý domácí produkt .................................................................... 31

3.2

Statistiky automobilového průmyslu ...................................................... 31

3.2.1

Prodej automobilů ........................................................................... 31

3.2.2

Export automobilů .......................................................................... 32

3.3

Analýza časových řad .............................................................................. 32

3.3.1

Vlastnosti časových řad................................................................... 32

3.3.2

Metody analýzy časových řad ......................................................... 33

3.3.3

Stacionarita ..................................................................................... 35

3.4

Klasický lineární regresní model ............................................................ 36

3.4.1

Metoda nejmenších čtverců .............................................................37

3.4.2

Předpoklady klasického lineárního regresního modelu ..................37

3.4.3

Gaussův-Markovovův teorém ......................................................... 38

3.5

Hodnocení kvality regresní funkce ......................................................... 38

10

4

Obsah

3.5.1

Testování hypotéz ........................................................................... 38

3.5.2

Testy hypotéz o parametrech regresní funkce ................................39

3.5.3

RESET test .......................................................................................39

3.5.4

Koeficient determinace a korigovaný koeficient determinace ....... 40

3.5.5

Multikolinearita .............................................................................. 40

3.5.6

Heteroskedasticita ........................................................................... 41

3.5.7

Autokorelace ....................................................................................42

Výsledky a diskuze 4.1

Model 1 – Poptávka po vozech Škoda v EU ............................................43

4.1.1

Volba vysvětlované proměnné .........................................................43

4.1.2

Volba vysvětlujících proměnných....................................................43

4.1.3

Vícerozměrná analýza modelu 1 ..................................................... 46

4.1.4

Ekonomická verifikace a interpretace modelu 1 ............................ 48

4.1.5

Statistická verifikace ....................................................................... 49

4.1.6

Ekonometrická verifikace ............................................................... 50

4.2

Model 2 – Export osobních vozů z ČR do Německa ............................... 53

4.2.1

Volba vysvětlované proměnné ......................................................... 53

4.2.2

Volba vysvětlujících proměnných.................................................... 54

4.2.3

Vícerozměrná analýza modelu 2 ..................................................... 55

4.2.4

Ekonomická verifikace a interpretace modelu 2 ............................. 56

4.2.5

Statistická verifikace ........................................................................ 57

4.2.6

Ekonometrická verifikace ................................................................58

4.3

Model 3 – Export vozů TPCA .................................................................. 61

4.3.1

Volba vysvětlované proměnné ......................................................... 61

4.3.2

Volba vysvětlujících proměnných.................................................... 61

4.3.3

Vícerozměrná analýza modelu 3 .....................................................62

4.3.4

Ekonomická verifikace a interpretace modelu 3 .............................63

4.3.5

Statistická verifikace ........................................................................63

4.3.6

Ekonometrická verifikace ............................................................... 64

4.4 5

43

Diskuze ....................................................................................................65

Závěr

70

Obsah

6

Literatura

11

73

12

Seznam obrázků

Seznam obrázků Obr. 1

Srovnání indexu spotřebitelských cen, indexu cen paliv a indexu cen automobilů 45

Obr. 2

Časová řada prvních registrací vozů Škoda v EU a zemích EFTA 47

Obr. 3

Graf reziduí modelu 1

51

Obr. 4

Graf vyrovnaných a skutečných hodnot modelu 1

53

Obr. 5

Časová řada exportu osobních automobilů do Německa 55

Obr. 6


58

Obr. 7


60

Obr. 8


65

Obr. 9

Porovnání časových řad exportu osobních aut do SRN a směnného kurzu

69

Seznam tabulek

13

Seznam tabulek Tab. 1

Vysvětlující proměnné modelu Poptávky po vozech Škoda v EU 46

Tab. 2

T-test všech potenciálních parametrů modelu 1

47

Tab. 3

Porovnání lineární a log-lineární funkční formy modelu 1

48

Tab. 4

T-test parametrů výsledného modelu 1

49

Tab. 5

Analýza rozptylu ANOVA modelu 1

49

Tab. 6

Intervaly spolehlivosti pro parametry modelu 1

50

Tab. 7

RESET test a test nelinearity (pro mocniny) modelu 1

50

Tab. 8

Testy autokorelace chybového členu modelu 1

51

Tab. 9

Testy heteroskedasticity chybového členu modelu 1

52

Tab. 10

VIF faktory pro model 1

52

Tab. 11

Vysvětlující proměnné modelu Export osobních automobilů z ČR do Německa

55

Tab. 12


56

Tab. 13


57

Tab. 14


57

Tab. 15


57

Tab. 16


58

Tab. 17


59

Tab. 18


59

Tab. 19


60

Tab. 20

Vysvětlující proměnné modelu Exportu vozů TPCA

62

14

Seznam tabulek

Tab. 21


64

Tab. 22

Výsledky verifikačních testů modelu 3

64

Tab. 23


65

Úvod a cíl práce

15

1 Úvod a cíl práce 1.1

Úvod

Výroba automobilů je pro české hospodářství klíčovým odvětvím. Na jednu stranu výrazně přispívá k tvorbě domácího produktu, exportu, zaměstnanosti a daňových příjmů, na druhou stranu se na něm naše země stává závislá. Alespoň tak zní obavy, které se v poslední době v souvislosti s tímto odvětvím v České republice rozšiřují. Automobilový výrobci patří mezi firmy s největšími trţbami a objemy exportu v tuzemsku a pravidelně se umísťují v ţebříčcích mezi nejvýznamnějšími firmami ve střední Evropě (Tomšej, 2011). Poslední hospodářská krize ukázala, ţe je automobilový průmysl velmi citlivý vůči ekonomickým cyklům. Mnoho výrobců ve světě se dostalo do problémů a někteří byli odkázáni na finanční pomoc vlád svých zemí. Českým automobilkám se tento vývoj naštěstí vyhnul. Přesto musely čelit sloţité situaci, kdy se měnily spotřebitelské preference a klesaly marţe a trţby. Důsledkem toho byly například dny s přerušenou výrobou. Ekonomická krize, vyvolaná realitní bublinou z roku 2007, pokračuje v Evropě dluhovou krizí. Některé státy Eurozóny mají váţné problémy s obsluhou státního dluhu. Do jisté míry se tedy krize přelila ze soukromého sektoru do veřejného a vlády se ji snaţí řešit škrty ve veřejných rozpočtech. Jsou to opatření, která sniţují sociální dávky obyvatelstvu, sniţují mzdy státním zaměstnancům nebo je propouštějí a omezují vládní investice. Důsledkem je pokles příjmů obyvatelstva, který můţe mít dopad i na odbyt nových vozidel. V současnosti je automobilové odvětví vysoce konkurenční, u většiny značek dochází k modelové expanzi, vyvíjejí se vozidla, která stojí na pomezí stávajících segmentů, vozidla se zaměřením na specifické skupiny zákazníků nebo naopak globální modely, jeţ jsou prodávány s většími či menšími odlišnostmi po celém světě. Vývoj nových vozidel je velmi náročný, finančně i časově. Prakticky ihned po uvedení nového modelu (nebo i dříve) se začíná pracovat na jeho další generaci. Velký důraz se klade na nízkou spotřebu paliva a ekologicky šetrný provoz. Z toho důvodu dochází například ke sniţování objemu motorů, aniţ by se sniţoval výkon (tzv. downsizing) a vyvíjejí se automobily s alternativními pohonnými jednotkami (elektromobily, automobily s pohonem na stlačený zemní plyn, automobily s hybridním pohonem). Důleţitá je také bezpečnost, k jejímuţ zabezpečení jsou vyvíjeny systémy pro aktivní a pasivní ochranu posádky vozu i chodců. Běţným vybavením dnešních automobilů se stávají i různé informační systémy, vyuţívající nejmodernější poznatky z oblasti IT a nabízející širokou škálu funkcí od nastavení podvozku vozidla přes navigaci a telefon aţ po například televizní přijímač. V ČR se dnes vyrábějí vozy malé a vozy střední třídy (největším velkosériovým vozem je Škoda Superb náleţící do kategorie vozů střední třídy). Tyto kategorie patří v Evropě k nejprodávanějším a nejsou řazeny mezi luxusní zboţí. Objem prodejů těchto automobilů by neměl být hospodářským cyklem tak ovliv-

16

Úvod a cíl práce

něn. Navíc právě nákup menších nových vozů byl v období recese některými státy dočasně podpořen státní dotací. Ačkoli největší výrobce v ČR, Škoda, rychle expanduje na trhy v Asii, je pro automobily vyrobené v České republice stále hlavním odbytištěm evropský kontinent. Navíc na nových trzích v Číně, Rusku, Indii a dalších má Škoda také své závody, které tamějším zákazníkům dodávají nové vozy, takţe v ČR vyrobené automobily zůstávají většinou v Evropě. Proto je z hlediska vlivu na výkonnost automobilového průmyslu potřeba sledovat makroekonomické veličiny z Evropy. Pokud je mezi nimi nějaká závislost, čísla z tohoto regionu by měla mít nejlepší vysvětlovací schopnost. V České republice se v současné době nacházejí tři velké podniky zabývající se výrobou osobních automobilů: Mladoboleslavská Škoda auto, TPCA v Kolíně a Hyundai v Nošovicích. Největším výrobcem je Škoda, která je jiţ přes 20 let součástí nadnárodního koncernu Volkswagen Group. Škoda má ze všech výrobců také nejdelší, téměř stodvacetiletou, tradici ve výrobě automobilů na území ČR. V nabídce má celkem sedm modelů: Citigo, Fabia, Rommster, Rapid, Octavia, Yeti a Superb. Modely pokrývají spektrum segmentů od mini vozů aţ po střední třídu. V roce 2011 Škoda dodala zákazníkům po celém světě 879 tis automobilů, o 15 % více neţ v předchozím roce, a vytvořila zisk přes 16 miliard Kč. (Škoda auto a.s., 2012) Dalším výrobcem je join-venture francouzského koncernu PSA, který je tvořen značkami Citroën a Peugeot, a japonské Toyoty. Závod se nachází v Kolíně a od roku 2005 zde vyrábí kolem 300 tisíc vozů ročně, které jsou téměř výhradně určeny pro export. TPCA vyrábí tři sesterské modely mini vozů: Citroën C1, Peugeot 107 a Toyota Aygo. Roční trţby kolem 50 miliard Kč z podniku dělají jednoho z největších českých exportérů (TPCA, 2006). Od roku 2008 vyrábí v ČR, konkrétně v Nošovicích v Moravskoslezském kraji, třetí velká automobilka Hyundai. Vyráběny jsou zde modely, které jsou zaměřeny především na evropské zákazníky. Je to malé MPV ix20, vůz niţší střední třídy i30 a malé SUV ix35. V roce 2011 podnik vyrobil 251 tisíc nových vozidel (Hyundai-motor, 2012). Tato práce bude pojednávat o tom, jaký vliv má na český automobilový průmysl ekonomická situace v Evropě. Pomocí matematických modelů bude zkoumat, jak ovlivňují výrobu vozidel v ČR a jejich prodej změny makroekonomických veličin.

1.2 Cíl práce Cílem práce je popsat a kvantitativně vyjádřit vliv agregátních ekonomických veličin na automobilový průmysl v České republice. Analyzovanými ukazateli českého automobilového průmyslu budou především prodeje automobilů na evropském trhu a vývoz automobilů z České republiky. Uvedené charakteristiky automobilového průmyslu se budou týkat v České republice vyrobených, nových osobních automobilů a byly zvoleny tak, aby co nejlépe vystihovaly odvětví výroby osobních automobilů v České republice.

Úvod a cíl práce

17

Práce si dále klade za cíl ověřit hypotézy, které budou předpokládat závislost těchto ukazatelů automobilového průmyslu v ČR na makroekonomických veličinách především ekonomiky Evropské Unie. Půjde zejména o úrokové sazby, hrubý domácí produkt (dále také HDP), inflaci, nezaměstnanost, reálné mzdy, směnný kurz a ceny automobilů. Úrokové sazby ovlivňují cenu úvěrů, a to včetně spotřebitelských, které jsou často vyuţívány při koupi automobilu. HDP je základní ukazatel výkonnosti ekonomiky a na jeho růstu a poklesu je vysvětlen hospodářský cyklus. V souladu s ekonomickou teorií je většina průmyslových odvětí povaţována za cyklické, lze tedy předpokládat vliv vývoje HDP také na automobilový průmysl. Předpokladem je, ţe vztah mezi nimi bude pozitivní, takţe rostoucí HDP bude doprovázeno růstem výroby a odbytu automobilů. Cenovou hladinu statků a sluţeb, které jsou součástí poptávky domácností, vyjadřuje index spotřebitelských cen. Mezi tyto statky patří také automobily, ty jsou také součástí spotřebního koše domácností. Zvýšení cenové hladiny za současného nezvýšení reálných mezd můţe vést k omezení spotřeby, včetně poklesu nákupu nových automobilů. Zvýšení míry nezaměstnanosti stejně jako pokles reálných mezd vede ke sníţení důchodů, coţ opět můţe vést ke sníţení spotřeby. Výše směnného kurzu má významný vliv na export, jehoţ důleţitou součástí v ČR je export automobilů. Silná koruna prodraţuje české automobily v zahraničí a můţe tam ovlivnit objem prodejů. Negativní účinek na poptávku po automobilech pak bude mít i růst jejich cen. Dalšími uvaţovanými vlivy, které působí na prodej a export českých automobilek budou ceny komplementů, konkrétně paliv a maziv, a státní dotace na koupi nového automobilu. Jak je psáno výše, v rámci práce budou ověřovány hypotézy o vztahu českého automobilového průmyslu a makroekonomických veličin Evropské Unie a České republiky. První hypotéza se týká období, kdy se evropská ekonomika dostala do recese. Hypotéza předpokládá, ţe v tomto období došlo k poklesu nebo ke zpomalení růstu prodejů automobilů vyrobených v ČR. Automobily jsou sice často povaţovány za zboţí spíše luxusní, tedy zbytné spotřeby, ale z dnešního pohledu je třeba vnímat to, ţe pro mnoho lidí jsou součástí kaţdodenního ţivota a často nezbytným prostředkem k podnikání. Navíc vozy vyráběné v ČR patří většinou do kategorie niţší a střední třídy a za luxusní zboţí je tedy nemůţeme povaţovat. Druhá hypotéza tvrdí, ţe evropský ekonomický růst a úroková sazba mají významný vliv na export automobilů z ČR. V poslední hypotéze je vysloven předpoklad negativní závislosti objemu českého exportu nových automobilů a míry nezaměstnanosti v Evropské unii. Výsledky práce by měly přispět k popsání trendů v automobilovém průmyslu v ČR v souvislosti s vývojem především evropského hospodářství a k identifikaci hlavních vlivů působících na prodej a export českých automobilů. V nedávné minulosti procházela Evropa stádiem hospodářského útlumu. Ve většině zemí tato situace přetrvává dodnes, ať uţ v podobě pokračující recese, stagnace či pouze slabého hospodářského růstu. Tato analýza bude zkoumat, jak je těmito podmínkami ovlivněna poptávka po automobilech vyrobených v ČR a zda jsou čeští výrobci schopni reagovat na měnící se trţní podmínky vhodnými opat-

18

Úvod a cíl práce

řeními. Vztah mezi makroekonomickými veličinami popisujícími evropské hospodářství a ukazateli automobilového průmyslu bude v této práci vyjádřen pomocí matematických modelů, přičemţ cílem práce je najít vzájemnou závislost mezi těmito skupinami proměnných.

Literární přehled

19

2 Literární přehled 2.1 Současné trendy v automobilovém průmyslu Produkce automobilů má v českých zemích více neţ stoletou tradici a v posledních dekádách proţívá velký rozvoj. Uţ ve své dřívější práci (Tomšej, 2011) uvádím, ţe se stále zvyšuje podíl automobilového průmyslu na tvorbě hrubého domácího produktu, zaměstnanosti a exportu. Pro Českou republiku a její ekonomiku je klíčovým odvětvím jiţ od dob transformace. Dle Havlové (1993) je automobilový průmysl chápán jako vizitka průmyslové vyspělosti státu a v tom smyslu má jeho modernizace, související i s přechodem k soukromému vlastnictví zásadní význam pro celou ekonomiku. Proto v mnohých případech došlo ke vstupu zahraničních investorů do českých automobilových podniků. V tehdejší době byl silný a zkušený zahraniční partner velkou výhodou, bez něj by v těţké konkurenci české firmy asi těţko obstály (Tomšej, 2011). Podle Isac a Bâgu (2010) existuje v evropském automobilovém průmyslu tendence k přesunu výrobních kapacit ze západní do střední a východní Evropy, o čemţ svědčí třeba investice Citroënu a Peugeutu v Kolíně nebo Volkwagenu v Bratislavě. Důvodem k tomu jsou stagnující prodeje, růst nákladů na materiál, konkurence z Asie a klesající ceny v tomto odvětví. V oblasti střední a východní Evropy mají automobiloví výrobci přístup k levnější pracovní síle a k novým zákazníkům. Efekt je takový, ţe od roku 2000 v regionu západní Evropy došlo k úbytku výrobní kapacity 1, 5 milionu vyrobených vozidel ročně, zatímco ve střední a východní Evropě kapacit přibylo o 1, 8 milionu vozidel ročně do roku 2009. Automobilky se také snaţí lokalizovat více svých dodavatelů komponentů v místě výroby, aby ušetřily na clu a dopravě, jelikoţ ceny vozu jsou asi z 60 % tvořeny náklady na komponenty. Podíl domácích dodavatelů chtějí výrobci zvýšit z 10 % na 50 %. Isac a Bâgu (2010) dále uvádějí, ţe pro automobilky z vyspělých zemí bude pro následující léta klíčové prosadit se na nejvýznamnějších rozvojových trzích světa: v Číně, Indii, Rusku a Brazílii, na něţ připadne většina z celosvětového růstu trhu s osobními automobily. Trh v západní Evropě je relativně stabilní, coţ značí ekonomickou vyspělost regionu, kde jsou výkyvy v prodeji nových automobilů a převládající ekonomická situace dány agregátní poptávkou. Naproti tomu hospodářský růst v zemích jako je Česká republika, Polsko, Maďarsko či Rumunsko vyvolal boom v oblasti prodejů automobilů. Isac a Bâgu (2010) píšou, ţe se v Evropě dá očekávat mírný růst poptávky po nových automobilech zapříčiněný oţivením v západní Evropě a růstem exportu a domácí poptávky v zemích střední a východní Evropy. Z tohoto růstu by měly těţit především koncerny Hyundai, VW-Porshe, Fiat, Renault-Nissan a Ford. Dopady přímých zahraničních investic zkoumá ve své studii Guidote (2008). Definuje zde přímé zahraniční investice a zevrubně charakterizuje transformaci automobilového průmyslu ve střední a východní Evropě. Blíţe se pak zaměřuje na český automobilový průmysl, jeho historii i současný vývoj.

20


Dochází k závěru, ţe přímé zahraniční investice mohou mít v hostující zemi příznivý i nepříznivý efekt. V případě transformace českého automobilového průmyslu byl význam investic velký. V celosvětovém srovnání si podle Guidote (2008) vede tuzemský automobilový průmysl velmi dobře, Škoda je v Česku v lepším postavení neţ VW v Německu. Škoda si vybudovala velmi dobrou konkurenční pozici, musí na ni ale dál pracovat a posilovat ji. Guidote (2008) pozitivně hodnotí také vstup TPCA a Hyundai do ČR, zároveň ale poukazuje na riziko, kterým můţe být závislost na jednom průmyslovém odvětví, případná krize pak můţe mít výraznější dopady. Tyto závěry se zdají být správné, nejsou ale opřeny o ţádná měření či hlubší analýzy. Podrobněji se podobné problematice věnuje Moravcová (2012). Ve své diplomové práci se zabývá vlivem přímých zahraničních investic na produktivitu práce v českém automobilovém průmyslu. Podle analýzy Moravcové (2012) neexistuje významný vliv přítomnosti zahraničních firem v českém automobilovém průmyslu na produktivitu práce domácích firem, coţ ale nekoresponduje s výsledky podobných studií o jiných odvětvích. Jak sama Moravcová dodává, nevýznamnost jejího modelu můţe být dána časovým zpoţděním, které způsobuje postupné zavádění technologického postupu či manaţerské znalosti z cizího podniku. Dalším důvodem je nízký počet pozorování a jejich časová perioda z let 2004 aţ 2009. Model Moravcové (2012) tedy vůbec nemusí zohledňovat změnu produktivity práce v důsledku investice VW do Škody ze začátku 90. let Pozitivně na produktivitu práce dle Moravcové (2012) působí vyšší koncentrace trhu v automobilovém sektoru. Čím více koncentrovaný sektor je, tím vyšší je produktivita práce. Tato situace můţe být vysvětlena tím, ţe podniky těţí z úspor z rozsahu, průmyslového seskupení nebo příslušné infrastruktury a zlepšuje se tak jejich produktivita práce. Další moţností zvýšení produktivity práce prostřednictvím vyšší koncentrace trhu je opuštění trhu méně produktivními domácími podniky. Důvodem, proč koncentrace odvětví přináší vyšší produktivitu práce, můţe být dle Moravcové jistá výjimečnost automobilového průmyslu, který je oproti průměru ve zpracovatelském průmyslu kapitálově náročnější. O nových trendech, které se prosazují v automobilovém průmyslu, pojednává ve své diplomové práci také Okřinová (2007). Mimo jiné uvádí, ţe výroba automobilů je dnes výsledkem spolupráce automobilky s mnoha specializovanými partnery. Ti mají na starost výrobu a mnohdy i vývoj některých částí vozu. Dnešní automobilový průmysl je tedy postaven na úzké spolupráci mezi výrobcem a dodavatelem. Specifika výroby automobilů, kdy jeden typ má mnoho různých provedení (např. motorizace, pohon, barva, vybavení), navíc vyţadují velmi sofistikovaný logistický systém. Výrobky se od dodavatele ke koncovému výrobci mohou dostat různými způsoby. Prvním z nich je systém Just in Time (JIT), který funguje na principu dodání přesně v poţadovanou dobu. Dalším způsobem je systém Kanban, jeţ je zaloţen na průběţném doplňování zásob dodavatelem, podle denní potřeby. V systému Just in Sequence jsou dodávány dodavatelem díly přesně v pořadí, v jakém budou montovány do automobilu. Po-


21

sledním je systém konsignace, který přenáší veškerou odpovědnost na dodavatele první úrovně, kteří musí pruţně reagovat na kolísající poptávku a musí sami řídit také část dodavatelského řetězce, která je jim podřízena.

2.2 Výkonnost automobilového průmyslu v kontextu s globální ekonomickou krizí O krizi automobilového průmyslu píše Iosip (2010) v článku Economic crisis and the automotive industry in Romania. Podle něj byla krize automobilového průmyslu součástí krize finanční, měla dopady na producenty v Evropě, Asii, ale především v USA. Právě americký automobilový průmysl zasáhla energetická krize v letech 2003 – 2008, během níţ došlo k výraznému růstu cen pohonných hmot, coţ způsobilo pokles zájmu o automobily kategorie SUV a Pickup, na jejichţ výrobu se zaměřovaly velké americké automobilky Ford, Chrysler a General Motors. Situace se ještě zhoršila příchodem úvěrové krize v roce 2008 a s ní souvisejícím růstem cen surovin a materiálů. Nejen američtí výrobci se v důsledku toho uchýlili k různým slevám a jiným marketingovým nástrojům, které měly stimulovat jejich odbyt. Přesto mnozí spotřebitelé v Severní Americe dali při koupi vozu kvalitnější japonské či evropské konkurenci. Před globální ekonomickou krizí výrobci automobilů vsadili na výrazný růst trhu a investovali velké peníze na výstavbu nových výrobních kapacit a distribuční sítě. S nástupem ekonomické krize, jeţ přinesla výrazný pokles poptávky, stála většina automobilek před stejným problémem, kterým byly nadměrné kapacity. Reakcí mnohých výrobců pak byly ţádosti o masivní sanace, se kterými se obraceli na své vlády s argumentem, ţe bez veřejných financí dojde k propouštění a celkovému poškození celého odvětví. Podle Iosipa je v roce 2010 automobilový průmysl v těţké krizi, zaviněné především špatnými obchodními rozhodnutími a strategiemi manaţerů. A dotace za státních rozpočtů automobilkám mohou způsobit, ţe insolvence se nebude týkat výrobců, ale jejich věřitelů, čili států. Vlasák (2010) ve své diplomové práci Zahraniční obchod ČR v závislosti na ekonomickém vývoji v zemích Evropské unie provádí mimo jiné analýzu vývoje exportu strojů a dopravních prostředků z ČR, kde nejvýznamnější roli hraje automobilový průmysl. Automobilový průmysl má na celém exportu téměř 20% podíl, má tedy výrazný vliv na ekonomiku celé republiky a patří mezi její nejvýznamnější průmyslová odvětví. Významně se podílí na tvorbě HDP a zaměstnanosti. Výsledkem modelu, který Vlasák (2010) vypracoval, je pozitivní vliv registrací nových automobilů v Německu, Francii, Itálii a Velké Británii a negativní vliv devizového kurzu CZK/EUR na export strojů a dopravních prostředků. Ve zkoumaném období 2007 aţ 2009 objevuje Vlasák (2010) několik zlomů. První z nich v prosinci 2007, kdy došlo k výraznému nárůstu exportu, připisuje na vrub uvedení nových modelů Škody do prodeje a slevovým akcím, které

22


bývají na konci roku obvyklé. Druhý zlom z října roku 2008 je podle Vlasáka zapříčiněn nastupující ekonomickou krizí a očekáváním příchodu tzv. šrotovného, s nímţ souvisí třetí zlom. V průběhu roku 2009 se totiţ mnoho zemí EU rozhodlo stimulovat poptávku po nových automobilech finančním příspěvkem na jejich koupi, pokud současně majitel nechá zlikvidovat svůj starý vůz. Touto státní podporou na koupi nového automobilu se v článku Dopad zavedení šrotovného ve vybraných státech EU na obchod s automobily zabývají Litzman a Kouba (2011). Efektivitu dotace počítají jako podíl odhadu počtu vozů prodaných v daném období díky šrotovnému nad rámec obvyklé poptávky vůči celkovému počtu vyplacených dotací. V analýze se zaměřili na tři sousední státy České republiky, které šrotovné zavedly, a to Německo, Slovensko a Rakousko. Důvody pro zavedení této podpory byly převáţně ekonomické a také ekologické, šlo o reakci na hospodářskou situaci v Evropě. Cílem byla podpora prodeje automobilů, které jsou povaţovány za zboţí dlouhodobé spotřeby, tudíţ je jejich nákup spotřebiteli v případě poklesu výkonnosti hospodářství odkládán. Postupně bylo toto opatření v různých podobách zavedeno ve 14 evropských státech včetně největších trhů, jako jsou Německo, Francie, Velká Británie nebo Španělsko. Velkorysé pobídky připravilo pro řidiče Německo, ze státního rozpočtu bylo na šrotovné nachystáno celkem 5 miliard EUR, přičemţ i dotace na jedno vozidlo byla poměrně vysoká, činila 2 500 EUR, to znamená, ţe s tímto příspěvkem si Němci pořídili celkem 2 miliony nových vozů. Dle Litzmanova a Koubova (2011) modelu se v Německu díky šrotovnému prodalo navíc téměř 850 tisíc automobilů, zbytek z uvedených 2 milionů připadá na zákazníky, kteří by si auto pořídili i bez zavedení dotací. Opatření na sebe uvázalo značnou část poptávky z budoucích období, propad po jeho skončení ale nakonec podle autorů nebyl tak hluboký, jak očekávaly některé pesimistické odhady. V Rakousku byl systém dotací poněkud odlišný a dosáhlo na něj jen 30 tisíc zákazníků, přičemţ se na rakouském trhu v roce 2008 prodalo asi 430 tisíc aut. Dle Litzmana a Kouby (2011) tedy poptávka nebyla šrotovným příliš ovlivněna a po jeho skončení tedy ani nedošlo k výraznějšímu propadu. Na Slovensku mělo opatření poměrně velký úspěch, dotaci tady během 4 měsíců vyuţilo 44 tisíc motoristů. Výsledky Litzmana a Kouby (2011) připisují z tohoto čísla téměř 16 tisíc prodaných automobilů vlivu šrotovného. Litzman a Kouba (2011) dále zhodnocují vztah dotací a míry úspor. Porovnávají 6 zemí, které zavedly šrotovné: Německo, Rakousko, Slovensko, Francii, Itálii a Velkou Británii. Výsledky ukazují, ţe v zemích s vyšší mírou úspor byla efektivita dotací vysoká a naopak. Například v Rakousku byla v roce 2008 míra úspor 28 %, v Německu 26 % a efektivita šrotovného 63 %, respektive 44 %. Můţeme tedy konstatovat pozitivní korelaci mezi těmito veličinami. Výkonností automobilového průmyslu jsem se zabýval jiţ ve své dřívější práci, která byla zaměřena na zhodnocení vlivů ekonomické krize přibliţně z let 2007 aţ 2010 na prodej a výrobu automobilů v České republice. Jak uvádím v této práci, v období ekonomické krize od roku 2007 do roku 2010 se sníţily počty nově registrovaných osobních automobilů a lehkých uţitkových vozidel


23

o 7 %, nákladních automobilů o 53 %, autobusů o 21 % a přívěsů a návěsů o 29 %. Je patrné, ţe propad prodejů osobních a lehkých uţitkových automobilů nebyl tak hluboký jako u nákladních aut, autobusů a přívěsů a návěsů. Poptávku po osobních automobilech totiţ výrazně stimuloval propad jejich cen a také změna zákona o DPH, která dovolila podnikatelům odpočet daně při nákupu osobního vozidla. V práci provádím porovnání vývoje registrací automobilů s vývojem HDP, z něhoţ vyplývá, ţe automobilový trh výrazně reagoval jiţ na pokles růstu ekonomiky v roce 2008, více se ale prodeje propadly v době recese v roce 2009 (Tomšej, 2011). Jak píši ve své analýze, podepsala se hospodářská krize více na výrobě nákladních automobilů a autobusů neţ osobních aut, coţ koresponduje s prodejními výsledky. Objem výroby osobních automobilů se mezi lety 2007 aţ 2010 dokonce zvýšil o 15 %, v případě nákladních automobilů došlo k poklesu o 55 %, objem výroby autobusů poklesl o 15 % a přípojných vozidel o 68 %. Růst objemu výroby osobních automobilů byl ale zapříčiněn otevřením továrny Hyundaie v Nošovicích. Pomineme-li automobily vyrobené tímto podnikem, klesl objem vyrobených vozidel ve zmiňovaném období o 6,4 %. Kromě registrací a výroby jsem s vývojem HDP porovnával téţ hospodářskou výkonnost automobilek. V celém odvětví došlo za období 2007 aţ 2010 k poklesu hrubé přidané hodnoty o 16 %, trţby klesly o 23 % a zaměstnanost o 16 % (Tomšej, 2011).

2.3 Modelace výkonnosti automobilového průmyslu V této podkapitole bych rád ukázal, jakým způsobem nahlíţejí na modelování výkonnosti automobilového průmyslu jiní autoři. Soustřeďují se především na poptávku po automobilech. Jako vysvětlující proměnné autoři nejčastěji uvádějí různé formy důchodových a produktových veličin, jako je disponibilní důchod, HDP apod., a cenu vozidel (např. Wolff, 1938, Carlson a Umble, 1980, Wetzel a Hoffer, 1982, Witt a Johnson, 1986, Whelan, 2007, Lee a Kang, 2008, Litzman a Kouba 2011), dále cenu paliv (např. Carlson a Umble, 1980, Wetzel a Hoffer, 1982, Witt a Johnson, 1986, Whelan, 2007, Lee a Kang, 2008, Litzman a Kouba 2011) a úrokovou míru (např. Witt a Johnson, 1986, Lee a Kang, 2008). Jak si všímají Train (1986), Whelan (2007) a Litzman, Kouba a Dušková (2012) vyskytují se v literatuře dva typy modelů, vyuţívající agregovaná (např. Wolff, 1938, Lee a Kang, 2008) a neagregovaná data (např. Train, 1986, Whelan, 2007). Průkopníkem v oblasti modelování poptávky po automobilech je Peter de Wolff (1938) a jeho práce The Demand for Passenger Cars in the United States. Autor zkoumá faktory, které určují poptávku po osobních automobilech ve Spojených státech v letech 1921 – 1934. Protoţe autor zanedbává export a import automobilů z USA, respektive do USA, ztotoţňuje produkci amerických automobilek se součtem sešrotovaných vozů a zvýšení počtu registrovaných automobilů : .

24


Tímto vztahem lze dle autora interpretovat i poptávku po nových automobilech, která se dělí na tzv. poptávku po nahrazení a poptávku po nové koupi . Poptávku po nahrazení vyjadřuje upravenou regresní rovnicí: , Kde představuje počet vyřazených vozů, který je očištěn o cyklické výkyvy, jsou příjmy nezaměstnaných v určitém roce v miliardách dolarů, přičemţ index znamená, ţe jde o příjmy za první 4 měsíce předchozího roku a značí počet let uplynulých od výchozího roku 1921. Regresní rovnice pro poptávku po nové koupi (kterou můţeme vyjádřit i jako má tvar: . Symbol vyjadřuje odchylky od jejího trendu v milionech vozů, je cena vozů ve stovkách dolarů a jsou celkové zisky firem v miliardách dolarů. S pomocí této rovnice Wolff (1938) vypočítává elasticitu poptávky po nových automobilech a zjišťuje, ţe její hodnoty byly vysoké v období recese a v období růstu naopak nízké. Míru šrotování vozidel a hlavní determinanty, které ji ovlivňují, analyzuje ve své práci Walker (1968). Podle něj se rozhodnutí sešrotovat vozidlo odvíjí od věku a stavu automobilu, nákladů na opravy a znovu zprovoznění a od očekávané prodejní ceny ojetého auta. Obdobně se také Parks (1977) zabývá faktory, které ovlivňují rozhodnutí o sešrotování vozidla, s čímţ samozřejmě zpravidla souvisí také případné rozhodnutí o koupi nového vozidla. Model zkoumá americkou produkci z období po 2. světové válce a vyjadřuje pravděpodobnost, ţe automobil bude vyřazen, coţ závisí na jeho věku, na relativních nákladech na opravy a proměnných, které zachycují ţivotnost vozu. Nejvýznamnější je podle Parkse (1977) věk vozidla, důleţité jsou i náklady na opravy. Carlson a Umble (1980) pro vyjádření poptávky po automobilech a její předpověď vycházejí z rovnice: , Kde je velikost poptávky v čase , jsou koeficienty je disponibilní příjem v čase , je cena automobilu v čase , je cena benzinu v čase a je náhodný člen. Jelikoţ autoři počítají rovnice pro kaţdou třídu vozů zvlášť, je nutno rovnice rozlišit pomocí indexu . Podobný tvar rovnice vyuţívají i Litzman a Kouba (2011) a v článku se stejným zaměřením o rok později také Litzman, Kouba a Dušková (2012). Mezi vysvětlující proměnné opět patří disponibilní příjem domácnosti, cena automobilu a cena komplementu, kterým je benzin. Obě práce se primárně zabývají šrotovným, pro jeho simulaci přidávají autoři do modelu dummy proměn-


25

nou nabývající hodnot 1 a 0. 1 značí období, kdy je zavedena šrotovací prémie a 0 značí období, kdy šrotovné zavedeno není. Rovnice má tedy tvar: , v níţ označuje poptávku po nových vozech v čase , jsou parametry rovnice, je disponibilní příjem v čase , značí cenu vozu v čase , cenu komplementu v čase a dummy proměnnou pro šrotovné v čase , je chybový člen. Wetzel a Hoffer (1982) vyvíjejí svůj model v rámci základních ekonomických předpokladů, ţe spotřebitel se snaţí maximalizovat svůj uţitek ze spotřeby a firma zase usiluje o maximalizaci zisku ze své produkce. Jako jedni z mála se tedy věnují i straně nabídky. Pro účely své analýzy sestavují následující soubor vysvětlujících proměnných pro poptávku po -té velikosti automobilu: cena vozu , cena substitutu , cena komplementu , proměnná vyjadřující úroveň ekonomického prostředí (vyjádřená mimo jiné disponibilním důchodem) a proměnná pro ostatní faktory . Rovnice pak má tvar: . Nabídka -té velikosti automobilu je pak podle autorů funkcí jeho ceny vektoru cen vstupů a úrovni technologie :

,

. Výsledky Wetzela a Hoffera (1982) ukazují mimo jiné na fakt, ţe cena paliv má významný negativní vliv pouze na poptávku po velkých automobilech, tento vliv je navíc pouze dočasný. Sloţitý model poptávky po osobních a lehkých uţitkových vozidlech, jehoţ autorem je Train (1986), vyuţívá mnoţství vysvětlujících proměnných. Je zaloţen na faktorech chování, které podmiňují volbu domácností při koupi nového auta. Model autor rozděluje na 7 submodelů, které popisují: počet vozidel, která se rozhodne kaţdá domácnost vlastnit, volbu třídy a roku výroby automobilu, který si domácnost pořizuje, počet mil, které členové domácnosti ročně ujedou, proporce mil ujetých členy kaţdé domácnosti v různých kategoriích cest (pracovní, nepracovní, městské, meziměstské). Witt a Johnson (1986) se snaţí odhadnout ekonometrický model poptávky po nových automobilech pro Velkou Británii, který bude poskytovat formální rámec pro předpověď. Závislou proměnnou je počet nových registrací automobilů, vyjádřených v přepočtu na obyvatele, za potenciální řidiče je povaţována věková skupina 17+. Autoři zařazují jako vysvětlující proměnné cenu vozu vyjádřenou v reálných hodnotách a disponibilní příjem na obyvatele (per capita). Mnoho nových automobilů je financováno z půjček, coţ pravděpodobně ovlivní

26


prodej automobilů, tuto proměnnou autoři vyjadřují jako minimální zálohu na nové auto v procentech. V modelu dále uvaţují cenu paliv, úrokovou míru, která ovlivní cenu půjček a ropnou krizi v 70. letech, kdy byl nedostatek pohonných hmot, vyjádřenou dummy proměnnou. Pro vyjádření poptávky po nových vozech tedy autoři vyuţívají následující log-lineární model: , přičemţ je počet nových registrací automobilů v přepočtu na obyvatele v roce , je reálný disponibilní příjem na obyvatele v roce , je reálná cena nových automobilů v roce , je minimální procentní záloha na nové automobily v roce , je úroková sazba v roce je reálná cena paliv v roce , je dummy proměnná reprezentující dopady ropné krize z roku 1973, je chybový člen a jsou parametry rovnice. Podle Witta a Johnsona (1986) tvoří většinu nákupů automobilů tzv. nahrazující nákupy, coţ znamená, ţe lidé nákupem nahrazují svůj starý vůz. Poptávka v současném roce můţe být tedy z velké části vysvětlena poptávkou z předchozích let, proto také sestavují model doplněný o zpoţděnou proměnnou: , kde v němţ označuje poţadovanou hodnotu nových registrací automobilů a můţe být interpretována jako rychlost přizpůsobení poptávky zvýšeným příjmům. Pokud do tohoto výrazu dosadíme první rovnici, získáme vztah dlouhodobého charakteru, ukazující poţadovanou úroveň prodeje nových automobilů. Whelan (2007) vyuţívá ekonometrickou analýzu vlastnictví automobilů domácnostmi pro předpověď pro Velkou Británii do roku 2031. Model je sestaven pomocí 6 vysvětlujících proměnných: Příjem domácností, kde mimo jiné hraje roli struktura domácnosti, čili počet jejích členů a také regionální rozdíly v nákladech. Struktura domácností, čímţ je myšlen, jak je uvedeno výše, především počet členů domácnosti a také věk členů. Je tedy důleţité, kolik ţije v domácnosti dětí, dospělých a důchodců. Náklady na koupi i provoz vozidla, kam patří údrţba, palivo a daně. Potřeba/dostupnost. Potřebu lze podle autora těţko měřit, pomáhá si tedy záměnou za pojem dostupnost. To znamená, ţe potřeba vlastnictví automobilu závisí na typu oblasti, kde člověk ţije, např. město, příměstské oblasti či venkov. Jako alternativní proměnou zde tedy pouţívá hustotu obyvatelstva. V řídce obydlených oblastech bude potřeba vlastnit automobil vysoká a naopak ve městech bude niţší, jelikoţ je zde dobrá dostupnost veřejné dopravy a lepší docházková dostupnost, čehoţ si všímají i Johnson, Currie, a Stanley (2010)


27

Sluţební automobily. Zařazení této proměnné Whelan (2007) odůvodňuje faktem, ţe firemní automobil je často důvodem k nákupu druhého auta do domácnosti. Poslední vysvětlující proměnná zahrnuje ostatní vlivy, coţ je například kriminalita, bezpečnost, moţnosti parkování, vytíţenost dopravy, vývoj technologií apod. Pomocí uvedených proměnných vytváří Whelan (2007) následující model uţitkové funkce domácnosti, která vlastní jeden nebo více automobilů:

kde je vektor alternativních specifických konstant, je počet řidičských průkazů, je příjem domácností, je dummy proměnná vektoru struktury domácností, je dummy proměnná vektoru typů oblastí, je počet zaměstnaných dospělých, je index kupních cen, je index provozních nákladů vozidla, jsou parametry. Podobně jsou vytvořeny i rovnice pro domácnosti, které vlastní dva a více automobilů v závislosti na vlastnictví jednoho a více automobilů a pro domácnosti, které vlastní tři a více automobilů v závislosti na vlastnictví dvou a více automobilů. V těchto rovnicích je pak ještě za kaţdý sluţební vůz přidána jedna dummy proměnná. Práce, jejímiţ autory jsou Lee a Kang (2008), analyzuje pomocí regresní analýzy faktory, které ovlivňují poptávku po automobilech v Brazílii. V jejich modelu jsou 4 vysvětlující proměnné: cenový index zboţí dlouhodobé spotřeby, cena paliv, úroková sazba a HDP. Cenový index zboţí dlouhodobé spotřeby pouţili z důvodu nedostupnosti cenových dat, která by se vztahovala obecně k automobilům. Pouţívají měsíční údaje z let 2001 aţ 2006. Autory vytvořený model má následující tvar:

kde je poptávka po automobilech v Brazílii, aţ jsou koeficienty rovnice, proměnné aţ jsou výše uvedené veličiny (cenový index zboţí dlouhodobé spotřeby, cena paliv, úroková sazba a HDP) a je stochastický chybový člen. K určení kříţové elasticity poptávky Lee a Kang (2008) vyuţívají log-lineární verzi modelu. Jejich výsledky ukazují, ţe v případě zvýšení cen pohonných hmot o 1 % dojde ke zvýšení poptávky po automobilech asi o 0,0065 %, to znamená, ţe palivo a automobily jsou substituty, coţ se neshoduje s ekonomickou teorií. Autoři se domnívají, ţe pro brazilské spotřebitele není cena pohonných hmot při koupi nového vozu příliš důleţitým faktorem. Dále, dojde-li k jednoprocentnímu poklesu úrokové sazby nebo jednoprocentnímu růstu HDP zvýší se poptávka po automobilech o 0,32 % respektive o 1,82 %. Důchodová elasticita je vysoká, podle autorů lze tedy v Brazílii automobily povaţovat za luxusní zboţí, coţ je ve shodě s převaţující ekonomickou teorií.

28


2.4 Synchronnost české produkce s produkcí jiných zemí Relevantní pro tuto práci je i studie, jejíţ autor je Ševela (2005). Zabývá se v ní synchronností produkce Německa a České republiky. Ekonomické teorie hlavního proudu předpokládají, ţe hlavním kanálem pro přenos impulsů mezi ekonomikami je jejich zahraniční obchod a přímé zahraniční investice. V zahraničním obchodě mezi ČR a Německem hraje důleţitou roli obchod s automobily, přičemţ významné německé zahraniční investice proudily a proudí do českého automobilového průmyslu. Pro země samotné i pro jejich vzájemnou hospodářskou spolupráci je automobilový průmysl klíčovým odvětvím. Autor se zaměřuje na časové řady tří veličin: produkce Německa, produkce České republiky a exportu z ČR do Německa. Pro zhodnocení korelace a vzájemného zpoţdění mezi veličinami vyuţívá jednoduchého VAR(1) modelu. Testování je zaloţeno na Grangerově kauzalitě, která testuje velikost příspěvku proměnné a jejich zpoţděných hodnot na vysvětlení hodnot jiné veličiny. Dle Ševely (2005) lze výsledky interpretovat jako nesoulad mezi hospodářskými cykly Německa a České republiky. Jeho analýza naznačuje jednostrannou závislost české produkce a exportu do Německa na německé produkci a dále oboustrannou závislost mezi českou produkcí a českým exportem do Německa, přičemţ závislost exportu na produkci je průkaznější. Tyto dvě zmíněné časové řady můţeme povaţovat za vzájemně nezpoţděné. Také Kapounek a Lacina (2005) hodnotí závislost hospodářské cyklu České republiky a některých dalších členských zemí Evropské unie tentokrát ve vztahu k Eurozóně. Podobně jako Ševela zkoumají korelaci mezi časovými řadami, k čemuţ vyuţívají Box-Jenkinsovy metody modelující vzájemné závislosti mezi daty v časové řadě. Tato metoda je zaloţena na odstranění autokorelací v časové řadě. Vlastní korelace mezi časovými řadami je zjišťována pomocí testování korelačních koeficientů reziduí, kde hypotéza : Časové řady jsou vzájemně nezávislé, : Časové řady jsou vzájemně závislé. Výsledky Kapounka a Laciny (2005) ukazují negativní závislost hospodářských cyklů České republiky a některých nových členských států EU na Eurozóně, coţ znamená, ţe jejich produkce je asynchronní.

Materiály a metodika

29

3 Materiály a metodika Tato kapitola prezentuje materiály a data, které budou v rámci práci analyzovány. Jedná se o dvě skupiny dat: makroekonomická data, popisující ekonomiku Evropské unie a mikroekonomická data, která se vztahují k českému automobilovému průmyslu. Další část kapitoly se bude věnovat metodice zpracování uvedených dat. Ke zpracování dat byl vyuţit tabulkový procesor MS Excel a statistický a ekonometrický software Gretl.

3.1 Makroekonomická data Nejdůleţitějšími makroekonomickými daty pouţitými v této práci jsou časové řady hrubého domácího produktu, cenových indexů a míry nezaměstnanosti. V závislosti na vymezení modelu byla vyuţita data pro 27 států Evropské unie a pro Spolkovou republiku Německo. Dalšími časovými řadami jsou úroková sazba vyhlašovaná Evropskou centrální bankou a směnný kurz koruny vůči euru vyhlašovaný Českou národní bankou. Tato práce bude vyuţívat především čtvrtletní data. Data, která byla dostupná pouze v měsíční periodicitě, byla přepočtena také na čtvrtletní. 3.1.1

Index spotřebitelských cen

Index spotřebitelských cen měří míru inflace a vyjadřuje cenovou hladinu jako průměrnou úroveň cen souboru zboţí a sluţeb (Giovannini, 2010). Cenovým indexem pouţitým pro účely této práce je harmonizovaný index spotřebitelských cen zveřejňovaný Eurostatem (HICP, Harmonised index of consumer prices). Tento index měří změnu cen výrobků v průběhu času a je mnoţinou indexů spotřebitelských cen jednotlivých členských zemí spočítanou na základě harmonizovaných přístupů (Harmonised indices of consumer prices (HICP), 2012). Na základě Klasifikace individuální spotřeby podle účelu (COICOP) se jedná o index CPI all-items (Giovannini, 2010), zahrnuje tedy všechny výrobky a sluţby zakoupené domácnostmi, rezidenty i nerezidenty, v rámci peněţních transakcí na území země, v tomto případě celé Evropské unie. Index zobrazuje měsíční údaje, referenčním rokem je rok 2005 (Harmonised indices of consumer prices (HICP), 2012). Ve stejném vyjádření jako výše uvedený celkový cenový index jsou v této práci vyuţity téţ index cen paliv a maziv pro osobní dopravní prostředky (Fuels and lubricants for personal transport equipment) a index cen motorových vozidel (Motor cars). 3.1.2

Míra nezaměstnanosti

Míra nezaměstnanosti je prostředkem pro měření nezaměstnanosti na trhu práce, kde nezaměstnanými se rozumí ti, kteří práci nemají a hledají ji. Míra nezaměstnanosti se prakticky zjišťuje pomocí registrované nezaměstnanosti, mezi

30


nezaměstnané jsou tedy řazeni lidé přihlášení na úřadech práce (Holman, 2011). Časové řady míry nezaměstnanosti, které vyuţívá tato práce, jsou ve formě čtvrtletních údajů o nezaměstnanosti v 27 státech Evropské unie. Data jsou harmonizovaná a pocházejí ze skupiny údajů výběrového šetření pracovní síly (Labour force survey), vydávané Eurostatem. Uvedená míra nezaměstnanosti obyvatelstva EU bez rozdílu věku a pohlaví je sezónně očištěna a očištěna od vlivu počtu pracovních dnů. Podle definice zaměstnanosti a nezaměstnanosti Mezinárodní organizace práce jsou nezaměstnaní všechny osoby mezi 15 a 74 roky věku, které nebyly zaměstnány během referenčního týdne, aktivně hledaly práci v průběhu posledních čtyř týdnů a byly připraveny začít pracovat okamţitě nebo do dvou týdnů. Zaměstnané osoby jsou všechny osoby, které pracovaly nejméně jednu hodinu za mzdu nebo zisk během referenčního týdne nebo byly dočasně v této práci. Tato proměnná je potřeba pro výpočet míry nezaměstnanosti. Míra nezaměstnanosti je počet nezaměstnaných jako procento pracovní síly (Eurostat, 2012). 3.1.3

Směnný kurz CZK/EUR

Směnný kurz nebo měnový kurz je podle Klímy (2006) cena, za níţ se jedna měna směňuje za jinou, je to cena měnové jednotky vyjádřená v jiných měnových jednotkách. Klíma (2006) dále uvádí, ţe je utvářen rovnováhou nabídky a poptávky po měnových prostředcích na devizovém trhu. Pro účely této práce je vyuţita časová řada kurzu české koruny vůči euru, který je stanovován Českou národní bankou. Kurzy devizového trhu (tzv. fixing) jsou stanovovány na základě monitorování vývoje měn na mezibankovním devizovém trhu. Zveřejňované kurzy vybraných měn odpovídají tomu, jak se jednotlivé měny obchodovaly na devizovém trhu ve 14:15 místního času (Česká národní banka, 2013b). Údaje jsou ve formě měsíčních průměrů, jejichţ hodnota je aritmetickým průměrem z denních kurzů vyhlášených v pracovní dny za dané období (Česká národní banka, 2013a). Průměrem z měsíčních kurzů byla vytvořena také čtvrtletní data. 3.1.4

Úroková sazba

Podle Klímy (2006) je úroková sazba utvářena na trhu peněz, kde se soustředí nabídka a poptávka po zapůjčení peněţních prostředků, peněţního kapitálu či zápůjčního kapitálu. Úroková sazba je střetem nabídky a poptávky po penězích a je ovlivňována centrální bankou prostřednictvím jejích operací s obchodním peněţním sektorem. Úrokové sazby jsou jedním z klíčových nástrojů monetární politiky centrální banky. Tato práce vyuţívá data Evropské centrální banky, která je emisní bankou pro země Eurozóny. Zvolená sazba je úroková sazba pro hlavní refinanční operace (The interest rate on the main refinancing operations, MRO), prostřednictvím které ECB obvykle poskytuje většinu likvidity do bankovního systému. Jedná se o pravidelné reverzní transakce s týdenní frekvencí a splatností jeden týden. Uvedená sazba můţe být fixní nebo variabilní, pro účely této práce mezi nimi nebude rozlišováno (European central bank, 2012; European central bank, 2013).


3.1.5

31

Hrubý domácí produkt

Jurečka (2010) uvádí, ţe hrubý domácí produkt je součtem finálních peněţních hodnot výrobků a sluţeb vyprodukovaných během jednoho roku výrobními faktory alokovanými v dané zemi bez ohledu na to, kdo tyto faktory vlastní. V případě této práce jsou vyuţita agregovaná data HDP ze všech států Evropské unie, zveřejněná Eurostatem. V práci budou vyuţita data reálná i nominální, vyjádřená v eurech na jednoho obyvatele. Data jsou sezónně očištěna a očištěna od vlivu počtu pracovních dnů. Časovou periodou je kalendářní čtvrtletí (Eurostat, 2010).

3.2 Statistiky automobilového průmyslu Pro účely této práce jsou relevantní především data o prodeji a exportu osobních automobilů vyrobených v ČR. Data jsou čerpána z více pramenů a nebyla dostupná v jednotné formě, musela být proto dále zpracována, tím se blíţe zabývá další text. Časová perioda pozorování je kalendářní čtvrtletí a časové rozmezí dat se liší podle jejich dostupnosti. 3.2.1

Prodej automobilů

V rámci této podkapitoly bylo cílem získat data o prodejích (nových registracích) českých automobilů v Evropské unii (českými automobily jsou rozuměny automobily vyrobené v ČR). V Evropské unii proto, aby údaje automobilového průmyslu korespondovaly s makroekonomickými daty, která jsou zveřejňována pouze pro oblast Evropské unie, Eurozóny či jednotlivých států Evropy, ale nejsou dostupná pro celou Evropu. Údaje podle výše uvedené definice ale nebyly dostupné, proto byly získány a zpracovány statistiky, které se této definici blíţí. Data o prodeji vozů značky Škoda byla získána ze statistik Evropské asociace automobilových výrobců ACEA (European automobile manufacturers‘ associaion). Jedná se o nové registrace všech vozů značky Škoda v zemích Evropské unie a ve třech členských státech Evropského sdruţení volného obchodu EFTA (Island, Norsko, Švýcarsko). Měsíční data byla dostupná pouze od ledna roku 2006 do června roku 2012. Údaje o prodeji vozů vyrobených v závodech TPCA a HMMC (Hyundai Motor Manufacture Czech) jsou pro účely práce ztotoţněny s údaji o jejich výrobě, protoţe data speciálně s těmito parametry nejsou zveřejňována. Data o výrobě pocházejí ze statistik Sdruţení automobilového průmyslu. Lze předpokládat, ţe automobily vyrobené těmito podniky v ČR jsou určeny pro evropský trh (Hyundai má výrobní závod i v Rusku). Rozdíl oproti datům prvních registrací vozů značky Škoda můţe být v přesnějším vymezení trhu, v případě Škody jde o země EU a EFTA a v případě TPCA a HMMC jde pravděpodobně také o východní a jihovýchodní Evropu. Dalším problémem můţe být fakt, ţe data výroby se vztahují k období, kdy automobil ještě není prodán. Vzniká tedy časový rozdíl mezi výrobou a prodejem daný dodacími lhůtami, které se ovšem v současném obchodě s automobily zkracují.

32


3.2.2

Export automobilů

Data vztahující se k exportu v ČR vyrobených automobilů jsou dostupná v rámci statistik Sdruţení automobilového průmyslu, ale pouze čísla TPCA a HMMC lze povaţovat za relevantní pro tuto práci. Export Škody auto je totiţ v těchto statistikách vyjádřen jako celosvětové prodeje vozů této značky, přičemţ Škoda má v současnosti závody i mimo ČR, například v Číně nebo Indii, vozy v nich vyrobené tedy nemůţeme povaţovat za český export. Export TPCA a HMMC je ve statistikách SAP vyjádřen jako kumulované měsíční hodnoty, které bylo potřeba upravit. Celkový export osobních automobilů vyjádřený čtvrtletně v peněţních jednotkách pochází z dat Českého statistického úřadu a je zveřejněn v databázi zahraničního obchodu. V této práci budou vyuţita data exportu osobních automobilů podle harmonizovaného systému mezinárodní klasifikace zboţí, která se dělí na kapitoly označované dvoumístným numerickým kódem (HS2). Tyto kapitoly se dělí na čísla označovaná čtyřmístným numerickým kódem (HS4), která se dále dělí na jednotlivé poloţky označované jako HS6 (Český statistický úřad, 2012). Zpracovávaná data se týkají zboţí v kategorii Osobní auta a jiná motorová vozidla pro přepravu osob s kódem 8703. Základem statistické hodnoty vyváţeného zboţí je fakturovaná cena samotného zboţí. Součástí statistické hodnoty jsou jen ty přímé obchodní náklady (zejména dopravné a pojistné), které vznikají v souvislosti s dopravou vyváţeného zboţí po území ČR (Český statistický úřad, 2012).

3.3 Analýza časových řad Seger a Hindls (1993) popisují časovou řadu jako řadu hodnot, věcně a prostorově srovnatelných, které jsou v čase uspořádány směrem od minulosti do přítomnosti. Podle toho jakými hodnotami jsou tvořeny, dělí se časové řady obvykle na intervalové a okamţikové. Hodnoty intervalových časových řad se vztahují k určitému časovému období, hodnoty okamţikových časových řad k určitému okamţiku (Artl, Artlová, 2007). Artl, Artlová (2007) dále dělí časové řady podle délky intervalu pozorování na dlouhodobé (roční nebo delší intervaly pozorování), krátkodobé (intervaly jsou kratší neţ jeden rok) a vysokofrekvenční (intervaly jsou kratší neţ jeden týden). 3.3.1

Vlastnosti časových řad

Podle Artla a Artlové (2007) časové řady mohou disponovat následujícími specifickými vlastnostmi: trendem, sezónností, podmíněnou heteroskedasticitou, nelinearitou a společnými vlastnostmi více časových řad. Trend - Trend popisuje obecnou tendenci vývoje časové řady, působí na něj faktory dlouhodobého charakteru (Artl, Artlová, 2007; Karpíšek, Drdla, 2001). K základním funkcím popisující trend patří lineární trend, parabo-


33

lický trend, exponenciální trend nebo logistický trend1 (Seger, Hindls, 1993). Sezónnost - Sezónnost se vyskytuje u těch časových řad, které mají periodicitu kratší neţ jeden rok. Na časovou řadu působí sezónní vlivy, opakující se kaţdý rok a způsobují tak její periodické výkyvy (Seger, Hindls, 1993). Při sezónním očišťování časové řady dochází k odfiltrování sezónní sloţky při současném zachování trendové případně cyklické sloţky. Metody očišťování vycházejí většinou z různých typů klouzavých průměrů a jejich kombinací (Seger, Hindels, Hronová, 1998). Nelinearita - Podle Artla a Artlové (2007) je nelinearita časových řad způsobena např. strukturálními zlomy nebo změnami průběhu a variability můţe se projevit odlišnými průměrnými diferencemi nebo průměrnými koeficienty růstu v různých obdobích. Podmíněná heteroskedasticita - Podmíněná heteroskedasticita je typická pro finanční časové řady. Jejich variabilita (volatilita) se v průběhu času mění, období s vysokou variabilitou jsou střídána obdobími s nízkou variabilitou. Logaritmy výnosů (koeficientů růstu) takové časové řady pak mají normální rozdělení s rozptylem, který se v čase mění (Artl, Artlová, 2007). Společné vlastnosti časových řad - Při analýze vztahů mezi více časovými řadami se můţou tyto řady vyvíjet podobný způsobem a mohou mít podobný trend, sezónnost nebo volatilitu (Artl, Artlová, 2007). Příkladem můţe být častý výskyt zdánlivé korelace mezi reálným důchodem a spotřebou (Hušek, Pelikán, 2003). 3.3.2

Metody analýzy časových řad

V této podkapitole budou krátce zmíněny některé hlavní metody analýzy časových řad.

Logistická funkce se v ekonomické oblasti pouţívá např. při modelování poptávky po statcích dlouhodobé spotřeby nebo pří modelování vývoje, výroby a prodeje některých výrobků. Průběh funkce má tvar S-křivky (Hindls, Hronová, Seger, 2003). 1

34


Klasická dekompozice časových řad Klasická dekompozice časové řady rozkládá dle Hindlse, Hronové a Segera (2003) časovou řadu na systematickou a náhodnou sloţku ( ). Systematická sloţka je dále rozkládána na trendovou ( ), sezónní ( ) a cyklickou sloţku ( ). Tato metoda vychází z předpokladu, ţe náhodný proces, který generuje časovou řadu, je závislý pouze na čase (Forbelská, 2009). Podle Hindlse, Hronové a Segera (2003) můţe být rozklad ve tvaru aditivního modelu: , nebo multiplikativního modelu:

Jako nástroj klasické dekompozice časových řad je vyuţívána regresní analýza (Forbelská, 2009). Box-Jenkinsova metodologie Box-Jenkinsova metodologie povaţuje za základní prvek konstrukce modelu časové řady náhodnou sloţku. Jádro přístupu spočívá v korelační analýze časové řady (Hindls, Kaňoková, Novák, 1997). Cílem pak je, dle Forbelské (2009), vyšetřit vzájemnou závislost jednotlivých prvků řady s různým zpoţděním. Analýza časové řady probíhá pomocí autoregresního procesu řádu a procesu klouzavých průměrů řádu . Spektrální analýza časových řad (Fourierovská analýza) Spektrální analýza vychází z předpokladu, ţe časová řada se skládá ze směsi sinusových a kosinusových křivek s různými amplitudami a frekvencemi. Tyto amplitudy a frekvence jsou popsány spektrem, které je předmětem spektrální analýzy. Spektrum ukazuje, která vlnění převládají v daném procesu a jaká je jeho vnitřní struktura. Metoda se soustřeďuje na popis periodického chování časové řady a zkoumá zastoupení jednotlivých frekvencí v časové řadě. Spektrální analýza se pouţívá také při zkoumání vztahů mezi několika časovými řadami, je schopná nalézt časové zpoţdění mezi řadami a porovnat jejich frekvence (Forbelská, 2009). Modely volatility Jak uvádí Artl a Artlová (2007), modely volatility jsou rozsáhlou skupinou modelů, které se zabývají variabilitou časových řad. Tyto modely popisují podmíněnou heteroskedasticitu zkoumané řady. Jejich význam spočívá v zachycení měnících se podmínek na trhu, jsou tedy aplikovatelné obzvláště na finanční časové řady a lze je vyuţít např. při tvorbě optimálního portfolia či analýzy rizika. Modely volatility lze chápat jako modely nelineární, charakterizují totiţ vývoj


35

podmíněného rozptylu časové řady. Zachycují tedy závislost mezi veličinami, které nejsou lineární. Model samotný ovšem můţe mít lineární i nelineární funkční formu. Klouzavé průměry Podle Segera a Hindlse (1993) spočívá podstata vyrovnání časové řady pomocí klouzavých průměrů v nahrazení posloupnosti empirických pozorování řadou průměrů, které jsou vypočtené z těchto pozorování. Kaţdý z těchto průměrů reprezentuje určitou skupinu pozorování. Důleţité je stanovení délky tzv. klouzavé části, tedy počtu pozorování, z nichţ jsou jednotlivé klouzavé průměry počítány, značené jako , pro , kde je počet pozorování. Seger a Hindls (1993) dále rozlišují prosté klouzavé průměry, které předpokládají, ţe na jednotlivých klouzavých částech je definován lineární trend, dalším typem jsou pak váţené klouzavé průměry, u kterých je na klouzavé části definován parabolický trend a centrované klouzavé průměry, u nichţ rozsah klouzavé části odpovídá sudému číslu. Ty se vyuţívají při vyrovnání sezónních časových řad (Forbelská, 2009). Adaptivní metody Adaptivní metody analýzy časových řad jsou modely s proměnlivými parametry. Konstrukce sloţek probíhá pomocí parametrů, které mění v průběhu času své hodnoty, takţe nepředpokládají stabilitu tvaru ani parametrů modelu v čase (Hindls, Kaňoková, Novák, 1997). Jedna z nejpopulárnějších adaptivních metod je exponenciální vyrovnání. Při konstrukci tohoto modelu se předpokládá, ţe empirická pozorování, která jsou mladší, budou více ovlivňovat budoucí vývoj časové řady, neţ starší pozorování. Mladším pozorováním jsou proto přiřazeny vyšší váhy. Rozlišujeme jednoduché, dvojité nebo trojité exponenciální vyrovnání podle toho, zda je trend v krátkých úsecích řady povaţován za konstantní, lineární nebo parabolický (Hindls, Hronová, Seger, 2003). VAR modely Model vektorové autoregrese (VAR) je vícerovnicový regresní model, představující zobecnění jednorovnicových autoregresních (AR) modelů na časové řady několika proměnných. VAR modely nevyţadují, na rozdíl od modelů simultálně závislých rovnic, klasifikaci proměnných v systému na endogenní a exogenní. Dokáţou vystihnout dynamické interakce proměnných v systému (Hušek, 2009). 3.3.3

Stacionarita

Stacionarita se vyskytuje v silné (striktní) a slabé (kovarianční) formě. Časová řada je striktně stacionární, pokud pravděpodobnostní rozdělení časové řady a je stejné pro všechny posuny v čase . To znamená, ţe dva stejné úseky časové řady vykazují stejné

36


statistické charakteristiky. Striktní forma se vyskytuje velmi zřídka (Brockwell, Davis, 2006). Častěji se můţeme setkat se slabší formou stacionarity. Mějme časovou řadu se střední hodnotou a rozptylem . Pokud pro všechna platí, ţe , a kovarianční a korelační funkce závisí pouze na časové vzdálenosti náhodné veličiny (ne na jejich umístění v čase), tj. pro a :

a , daný proces se označuje jako kovariančně stacionární. Pro stochastický proces tedy platí, ţe charakteristiky jeho náhodných veličin jsou v čase neměnné (Artl, Artlová, 2007). Při ověřování stacionarity časové řad se nejčastěji pouţívají testy jednotkových kořenů, které rozpracovali Dickey a Fuller, označované jako DF testy. Základní DF test se pouţívá v případě, ţe reziduální sloţka představuje bílý šum2. Pro případ, ţe nezávislá proměnná obsahuje autokorelaci, byl navrţen rozšířený DF test (Augmented DF test, ADF test), který vyuţívá nulovou hypotézu ve tvaru:

kde a jsou parametry. Kritické hodnoty a testová statistika jsou stejné jako u DF testu, testuje se, zda (Cipra, 2008; Hušek, 1999).

3.4 Klasický lineární regresní model Předmětem regresní analýzy je poznání a matematický popis statistických závislostí mezi závislou proměnnou a nezávislými proměnnými (Seger, Hindls, 1993). Obecnou formulaci klasického jednorovnicového vícerozměrného lineárního modelu lze zapsat jako: , kde je úrovňová konstanta, změnu střední hodnoty závislé proměnné

jsou regresní parametry, vyjadřující při jednotkovém zvýšení vysvětlující

Předpokladem bílého šumu je stochastický proces, který je řadou nekorelovaných náhodných veličin jednoho pravděpodobnostního rozdělení s konstantní střední hodnotou (obvykle nulovou), konstantním rozptylem a sériovou nezávislostí (Artl,1999). 2


37

proměnné , v případě neměnnosti ostatních vysvětlujících proměnných (Hančlová, 2012). V maticovém zápisu lze klasický lineární regresní model vyjádřit následovně (Hančlová, 2012): , kde: je vektor

pozorování vysvětlované proměnné,

je matice

pozorování vysvětlujících proměnných,

je vektor

regresních koeficientů,

je vektor

náhodné chyby.

Odhadnutou výběrovou regresní funkci pak můţeme zapsat jako (Hančlová, 2012): . 3.4.1

Metoda nejmenších čtverců

Jednou z metod odhadu parametrů lineárního regresního modelu je metoda nejmenších čtverců (Ordinary Least Squares, OLS). Metoda nejmenších čtverců vychází z minimalizace součtu čtverců reziduální sloţky (Hančlová, 2012): , Při podmínce:

Řešení metody OLS je pak dáno vztahem:

3.4.2

Předpoklady klasického lineárního regresního modelu

Pro odhadování regresních parametrů metodou nejmenších čtverců se uvádějí následující předpoklady: regresní model je lineární v parametrech a je správně specifikován, matice není stochastická, náhodný a výběrový soubor má pevně dané proměnné (Hančlová, 2012; Seger, Hindls, 1993), , střední hodnota náhodné sloţky je nulová,

38


, náhodná sloţka má konstantní rozptyl, to znamená, ţe se jedná o předpoklad homoskedasticity, , náhodné sloţky jsou povaţovány za nekorelované, jedná se o sériovou nezávislost náhodné sloţky (nepřítomnost autokorelace). Poslední dva předpoklady v maticové formě vyjádříme (Seger, Hindels, Hronová, 1998), , korelace vysvětlující proměnné s náhodnou sloţkou je nulová, , počet pozorování musí být větší neţ počet regresních parametrů modelu , kde je počet vysvětlujících proměnných, to znamená, ţe neexistuje exaktní vztah mezi vysvětlujícími proměnnými (není přítomna perfektní multikolinearita), náhodná sloţka má normální rozdělení (Hančlová, 2012; Seger, Hindls, 1993). 3.4.3

Gaussův-Markovovův teorém

Jestliţe odhadovaná funkce regresních parametrů v klasickém lineárním regresním modelu je maximálně vydatným, nestranným lineárním odhadem ze všech lineárních odhadů parametrů , označujeme ji jako BLUE odhad (Best Linear Unbiased Estimator). Je-li nejlepším odhadem ze všech modelů (nejen lineárních), hovoříme o BUE (Best Unbiased Estimator) odhadu (Hančlová, 2012; Seger, Hindels, Hronová, 1998).

3.5 Hodnocení kvality regresní funkce V této podkapitole budou zmíněny pro účely práce nejdůleţitější metody hodnocení kvality a poţadovaných vlastností odhadované regresní funkce. 3.5.1

Testování hypotéz

Podle Segera a Hindelse (1993) se za statistickou hypotézu povaţuje určitý předpoklad o parametru či tvaru rozdělení zkoumaného znaku. Proces ověřování správnosti či nesprávnosti hypotézy pomocí výsledků získaných náhodným výběrem se nazývá testování hypotéz. Rozlišujeme nulovou a alternativní hypotézu. Nulovou hypotézou rozumíme předpoklad, který jsme vyslovili o určité charakteristice či tvaru rozdělení v základním souboru. Nulovou hypotézu me . Proti nulové hypotéze stavíme hypotézu alternativní, označovanou nebo , která popírá vlastnost nulové hypotézy (Seger, Hindls, 1993). Test můţe být dvoustranný, pokud alternativní hypotéza popírá platnost nulové hypotézy bez další specifikace oboru hodnot testovaného parametru (relace ) nebo jednostranný tehdy, kdyţ alternativní hypotéza popírá platnost nulové hypotézy a zároveň vymezuje obor hodnot testovaného parametru (relace <, >; Seger, Hindls, 1993).


39

V dalším postupu se volí hladina významnosti (nejčastěji 5, případně 10 %) a kritické hodnoty pro přijetí či zamítnutí nulové hypotézy (Seger, Hindls, 1993). S těmito kritickými hodnotami se porovnává vypočtená testová statistika a na základě tohoto srovnání se zamítá či nezamítá nulová hypotéza (Hančlová, 2012). 3.5.2

Testy hypotéz o parametrech regresní funkce

Tyto testy se zabývají statistickou významností regresních parametrů. Nulová hypotéza pro oboustrannou alternativu testu je vyjádřena jako:

a je postavena proti alternativní hypotéze:

Testové kritérium má tvar:

kde je odhad parametru je standardní chyba. V případě výše uvedené oboustranné alternativy testu, kde , zamítáme , pokud , označuje zvolenou hladinu významnosti. Jako kritické hodnoty jsou pouţívány kvantily Studentova rozdělení s stupni volnosti. U velkých výběrů ( ) jsou nahrazovány kvantily normovaného normálního rozdělení (Seger, Hindels, Hronová, 1998). 3.5.3

RESET test

Tento test je vhodný pro testování specifikačních chyb, vzniklých v důsledku opomenutí vysvětlujících proměnných nebo chybnou specifikací tvaru modelu. Test spočívá v zahrnutí druhých a třetích mocnin vysvětlované proměnné do modelu (pro ilustraci do nejjednoduššího modelu s jednou vysvětlující proměnnou), který pak dostane tvar:

F-testem pak zjišťujeme, zda došlo k podstatnému zvýšení koeficientu determinace pro upravený model. V takovém případě pak zamítáme nulovou hypotézu o správné specifikaci modelu (Hušek, 1999).

40

3.5.4


Koeficient determinace a korigovaný koeficient determinace

Dle Hančlové (2012) je podstatou koeficientu determinace rozklad úplné sumy čtverců ( ) rozdílů pozorované hodnoty a její střední hodnoty na reziduální a regresní část :

Koeficient determinace označovaný jako pak sleduje podíl regresní sumy čtverců na celkové sumě čtverců (Hančlová, 2012):

Koeficient determinace tedy vyjadřuje míru vysvětlení variability vysvětlované proměnné regresním modelem. Hodnoty se pohybují v rozmezí od 0 do 1. Hodnota 1 znamená, ţe všechna pozorování leţí na regresní přímce (Hančlová, 2012). Nevýhodou koeficientu determinace je nezohlednění většího počtu vysvětlujících proměnných v modelu, navíc v případě, ţe v modelu chybí úrovňová konstanta, můţe nabývat záporných hodnot. Upřednostňuje se proto pouţívání korigovaného koeficientu determinace, upravujícího koeficient determinace o stupně volnosti (Hančlová, 2012): Ve vzorci značí rozsah výběru a počet parametrů. Pro korigovaný koeficient determinace platí, ţe s výjimkou, kdy počet proměnných nebo (Hančlová, 2012). 3.5.5

Multikolinearita

Mezi vysvětlujícími proměnnými můţe existovat závislost, která se nazývá multikolinearita. Informace o tomto problému poskytuje například matice korelačních koeficientů. Pokud jsou všechny dvojice vysvětlujících proměnných nekorelované (všechny korelační koeficienty jsou rovny nule), multikolinearita neexistuje, korelační matice je jednotkovou maticí a její determinant se rovná jedné. Druhým extrémem je perfektní multikolinearita, kdy je determinant korelační matice roven nule. Obě situace jsou ale výjimečné (Seger, Hindels, Hronová, 1998). Nejčastější příčinou multikolinearity je tendence ekonomických časových řad, zvláště makroekonomických údajů, vyvíjet se stejným směrem. Multikolinearitu můţe způsobovat také zahrnutí zpoţděných proměnných nebo umělých proměnných do modelu. Multikolinearita způsobuje nepřesnost odhadů OLS způsobenou velkými standardními chybami odhadované funkce. Odhady ale při tom zůstávají nestranné i vydatné (Hušek, 1999).


41

Kromě korelačních koeficientů je další moţnou metodou detekce multikolinearity Variance Inflation Faktor (VIF). Pro výpočet se uţívá vzorec:

kde je koeficient pomocné regrese. Podstatou této metody je výpočet pomocných regresí pro jednotlivé vysvětlující proměnné. VIF faktor se počítá pro kaţdou vysvětlující proměnou zvlášť. Čím vyšší , tím vyšší je VIF a tím vyšší je pravděpodobnost výskytu významné multikolinearity, v extrémním případě se jedná o perfektní multikolinearitu (Gujarati, 1993). 3.5.6

Heteroskedasticita

Důleţitým předpokladem klasického lineárního regresního modelu je homoskedasticita, čili konstantní rozptyl náhodné sloţky. Opačná situace, problém heteroskedasticity, se vyskytuje častěji u průřezových dat neţ u časových řad, jelikoţ jednotlivá pozorování průřezových dat mohou být značně heterogenní (Gujarati, 1993). Důsledkem heteroskedasticity jsou OLS odhady, které jsou sice stále nevychýlené a lineární, ale jiţ nejsou maximálně vydatné, dochází také k růstu rozptylu rozdělení parametrů, který jiţ není minimální. Odhady tak nesplňují podmínku BLUE podle Gaussova-Markovova teorému (Gujarati, 1993). Detekce heteroskedasticity je poměrně sloţitým problémem. Kromě posouzení grafu reziduí můţeme vyuţít celou řadů testů heteroskedasticity, např. Parkův test, Glejserův test, Whiteův test nebo Breusch-Paganův test (Gujarati, 1993). Whiteův test, v případě testování homoskedasticity např. v modelu:

vytvoří pomocný model vypočtených reziduí:

Cílem je zjistit, zda se rozptyl původních chyb (levá strana pomocného modelu) systematicky mění v závislosti na všech regresorech původního modelu. V pomocném modelu je proveden test lineárních omezení s nulovou hypotézou:

Při vyuţití Chí-kvadrát testu má příslušný kritický obor na hladině významnosti tvar:

kde

je počet regresorů a

je počet omezení (Cipra, 2008).

42

3.5.7


Autokorelace

Autokorelace je porušením dalšího předpokladu klasického lineárního regresního modelu. Můţe být definována jako korelace mezi jednotlivými pozorováními uspořádanými v čase, v případě časových řad, nebo v prostoru, v případě průřezových řad (Gujarati, 1993). Příčinou autokorelace je například setrvačnost časových řad, kdy jednotlivé údaje časové řady jsou více či méně determinovány svými hodnotami z předchozích období. Dalšími příčinami můţe být například chybná matematická specifikace modelu nebo pouţití zpoţděných vysvětlujících proměnných. Nejčastěji pouţívaným testem pro detekci autokorelace je podle Huška (1999) Durbin-Watsonova (DW) statistika , definovaná vztahem:

jedná se tedy o podíl součtu čtverců rozdílů sousedních reziduí a reziduálního součtu čtverců. Při testování nulové hypotézy sériové nezávislosti reziduí porovnáváme hodnotu s kritickými hodnotami a , coţ jsou horní a dolní meze DW statistiky. Ty jsou na vysvětlujících proměnných nezávislé a pro různé hladiny významnosti a stupně volnosti jsou obsaţeny ve statistických tabulkách. Nulovou hypotézu zamítáme, je-li: , tj. kladná autokorelace, tj. záporná autokorelace. Pokud V případech kdy:

, nulovou hypotézu sériové nezávislosti nezamítáme. a ,

jsou výsledky testu neprůkazné (Hušek, 1999).

Výsledky a diskuze

43

4 Výsledky a diskuze Tato část práce se věnuje samotné specifikaci makroekonomických faktorů, které ovlivňují prodej a export českých automobilů. Obsahuje výsledky modelů, které tuto závislost zobrazují a postup jejich tvorby. Výsledky budou na konci kapitoly podrobeny diskuzi.

4.1 Model 1 – Poptávka po vozech Škoda v EU Model se zabývá popisem a vysvětlením vlivů determinujících poptávku po automobilech značky Škoda v Evropské unii a zemích Evropského sdruţení volného obchodu EFTA. Z důvodu dostupnosti byla pouţita data od roku 2006 do poloviny roku 2012 ve čtvrtletních intervalech. 4.1.1

Volba vysvětlované proměnné

Zvolenou vysvětlovanou proměnnou jsou statistiky prvních registrací osobních automobilů Škoda ve státech EU a EFTA (v modelu označena jako AS_SKODA), které jsou ve formě počtů nově registrovaných automobilů. Důvodem pro analýzu pouze prodejů Škody je větší míra homogenity závislé proměnné. Závody TPCA a Hyundai byly zprovozněny teprve v nedávných letech a jejich produkce se tak neprojeví ve všech pozorováních zkoumané časové řady. Produkce TPCA má pak odlišný charakter od produkce Škody a Hyundaie, je zacílena na odlišnou skupinu zákazníků a také na odlišné trhy. Škoda je navíc největší český výrobce a ze všech tří velkých automobilek by měl být typickým reprezentantem odvětví v ČR. Data prodejů Hyundaie a TPCA mají navíc zcela odlišný charakter, coţ je blíţe popsáno v podkapitole 3.2.1. Data prvních registrací Škody jsou čerpány z webových stránek Asociace evropských automobilových výrobců. Pro jednotlivé výrobce jsou zde data dostupná pouze pro celou EU spolu se zeměmi EFTA. Data byla vybrána tak, aby zobrazovala co největší část poptávky po vozech Škoda, vyrobených v ČR. Zároveň ale musí co nejvíce korespondovat s makroekonomickými daty Eurostatu. Kromě Evropské unie vyváţí Škoda z Česka například do východní a jihovýchodní Evropy, proti zbytku Evropy jsou ale tato čísla zanedbatelná, zvláště proto, ţe své montáţní závody má Škoda i na Ukrajině a v Rusku. 4.1.2

Volba vysvětlujících proměnných

Jako potenciální činitelé, mající vliv na poptávku po osobních automobilech, byli na základě ekonomické teorie a výsledků autorů zabývajících se podobnými tématy zvoleny následující veličiny: Hrubý domácí produkt vyjádřený na jednoho obyvatele v eurech. HDP je ukazatelem ekonomické výkonnosti a vyjádřen na obyvatele je také ukazatelem ţivotní úrovně obyvatel dané ekonomiky. Můţe tedy slouţit jako ná-

44

Výsledky a diskuze

hrada za údaj o reálných mzdách, který není Eurostatem v poţadované formě zveřejňován. Očekávané znaménko je plus, jelikoţ při vyšší ekonomické výkonnosti a vyšší ţivotní úrovni obyvatel lze očekávat růst poptávky po automobilech. Úroková míra v procentech, zveřejňovaná Evropskou centrální bankou. Jelikoţ se tato úroková míra týká především zemí eurozóny a data prvních registrací jsou v rámci této práce z celé EU a zemí EFTA, panuje tu nesoulad, který by při tvorbě modelu mohl být problémový. Zmírnit tento rozpor můţe například fakt, ţe mnoho ekonomických subjektů mimo eurozónu vyuţívá i sluţeb bank z eurozóny a pouţívá k různým transakcím euro. Protoţe vyšší úroková sazba prodraţuje úvěry na nákup automobilů, je očekávaným znaménkem u této proměnné mínus. Míra nezaměstnanosti v procentech, u níţ lze očekávat taktéţ záporný vztah k poptávce po nových automobilech. Nezaměstnaní lidé totiţ budou své nákupy automobilů omezovat a odkládat do doby, kdy budou znovu zaměstnáni nebo budou preferovat koupi menšího a levnějšího automobilu. Směnný kurz české koruny a eura, který je vyjádřen jako cena jednoho eura v korunách. Očekávané znaménko je v tomto případě kladné, protoţe silná koruna neboli pokles kurzu, zdraţuje české exportované zboţí v zahraničí. Inflace, která je vyjádřena pomocí bazického indexu spotřebitelských cen s referenčním rokem 2005. U inflace lze očekávat jak pozitivní, tak negativní vliv na poptávku po automobilech. Pokud totiţ dochází k růstu cenové hladiny v zahraničí, zahraniční měna apretuje a zlevňuje tak dovezené zboţí, vliv by byl tedy pozitivní. Avšak v případě, kdy by nominální kurz klesal, tak by se tento vliv mohl vyrušit. Růst cenové hladiny navíc můţe odradit ekonomické subjekty od nákupů nových automobilů. Zároveň je ale inflace také průvodním jevem ekonomického růstu a deflace naopak průvodním jevem recese. V tomto případě by byl vztah opět pozitivní. Ceny automobilů v podobě bazického indexu s referenčním rokem 2005. Očekávané znaménko je v tomto případě mínus, neboť vyšší ceny automobilů budou ekonomické subjekty odrazovat od jejich nákupu. Ceny paliv a maziv jsou opět vyjádřeny bazickým indexem, kde rok 2005 je referenčním rokem. Zde není jednoznačné, zda bude vztah k poptávce po automobilech pozitivní či negativní. Vysoké ceny paliv jako komplementu sice mohou způsobovat pokles poptávky po autech. Paliva ovšem rostla v posledních letech velice rychle i v době hospodářského růstu, a to především kvůli růstu cen ropy. Jejich růst také můţe být průvodním jevem konjunktury. Ceny paliv tedy nemusejí být tak důleţitým faktorem při koupi auta, k čemuţ dospívají například autoři Lee a Kang (2008). Podobně jako u celkového cenového indexu můţe hrát roli i vliv na reálný směnný kurz. Všechny cenové indexy jsou porovnány v obrázku 1, kde je vidět, jak se od sebe liší.

Výsledky a diskuze

45

Šrotovné, jeţ je vyjádřeno pomocí dummy proměnné, přičemţ 1 znamená období, kdy byla šrotovací prémie vyplácena a 0 značí období, v němţ se prémie nevyplácela. Jedničkou byla označena všechna čtvrtletí roku 2009. V tomto roce mělo totiţ nejvíce států zavedenu prémii, včetně těch, které představují největší automobilové trhy a v nichţ byly dotace nejvyšší (ACEA, 2009). Obr. 1

Srovnání indexu spotřebitelských cen, indexu cen paliv a indexu cen automobilů

Zdroj: Eurostat. Upraveno autorem.

Data všech uvedených vysvětlujících proměnných jsou čerpána z Eurostatu. Výjimkou jsou směnný kurz, který pochází z dat České národní banky, úroková míra zveřejňovaná Evropskou centrální bankou a umělá proměnná šrotovné, pro jejíţ tvorbu byly čerpány údaje z webových stránek Asociace evropských výrobců automobilů. Data jsou čtvrtletní a ty veličiny, jeţ se vyznačují sezónností, byly pouţity v očištěné podobě. V tabulce 1 jsou pro zpřehlednění uvedeny všechny potenciální vysvětlující proměnné s označením, které mají v modelu a s očekávanými znaménky.

46 Tab. 1

Výsledky a diskuze Vysvětlující proměnné modelu Poptávky po vozech Škoda v EU

Vysvětlující proměnná HDP na 1 obyvatele v EU Úroková míra Míra nezaměstnanosti Směnný kurz koruny k euru Inflace (index spotřebitelských cen) Index cen automobilů Index cen paliv Dummy proměnná pro šrotovné

Označení GDP IR UN_R CZKEUR PI PI_CARS PI_FUEL SCRAPPAGE

Očekávané znaménko + + +/+/+

Zdroj: Vlastní práce.

4.1.3

Vícerozměrná analýza modelu 1

Vztah mezi výše uvedenou vysvětlovanou proměnnou a vysvětlujícími proměnnými bude analyzován pomocí vícerozměrné regresní analýzy, která bude zkoumat následující vztah:

V níţe uvedeném grafu je zobrazena časová řada prvních registrací vozů Škoda v EU a EFTA, z něhoţ je patrné, ţe se vyznačuje výraznou sezónností (obr. 2). Data byla proto očištěna od sezonní sloţky pomocí TRAMO analýzy, kterou nabízí program Gretl.

Výsledky a diskuze Obr. 2

47

Časová řada prvních registrací vozů Škoda v EU a zemích EFTA

Zdroj: Evropské sdružení automobilových výrobců. Upraveno autorem.

Ve vícerozměrném regresním modelu, zahrnujícím všechny výše uvedené vysvětlující veličiny, byla pomocí t-testu testována významnost zahrnutých parametrů. Na 5% hladině významnosti se ukázaly být jako významné pouze parametry šrotovné, index spotřebitelských cen a index cen paliv. U HDP byla překročena hladina významnosti jen mírně (tab. 2). Model byl proto podroben dalším úpravám. Tab. 2


Parametr Konstanta HDP na 1 obyvatele v EU Úroková míra Míra nezaměstnanosti Směnný kurz koruny k euru Inflace (index spotřebitelských cen) Index cen automobilů Index cen paliv Dummy proměnná pro šrotovné

p-hodnota 0,7626 0,0593 0,9046 0,4186 0,6050 0,0391 0,8915 0,0139 0,0008


Úpravy provedené sestupným výběrem a krokovou regresí daly vzniknout modelu, z něhoţ byly odstraněny nevýznamné proměnné (kromě úrokové míry),

48

Výsledky a diskuze

a ve kterém tvoří skupinu vysvětlujících veličin HDP, index spotřebitelských cen, index cen paliv, šrotovné a úroková míra. Dále byly porovnávány lineární a log-lineární funkční formy modelu (tab. 3). Jelikoţ jednotkou vysvětlované proměnné jsou počty prvně registrovaných automobilů, které vykazují velké změny napříč jednotlivými obdobími, byl jako funkční forma zvolen log-lineární model (obdobně jej vyuţívají také autoři Witt a Johnson, 1986 a Lee a Kang, 2008). Tato funkční forma vyjadřuje růst vysvětlované veličiny v závislosti na vysvětlujících parametrech. Vysvětlovanou veličinou v tomto modelu tedy budou logaritmy sezónně očištěných prvních registrací vozů Škoda v EU a EFTA. Z níţe uvedené tabulky vyplývá, ţe při porovnávání kvality obou regresních funkcí za vyuţití vybraných kritérií, je vhodnější log-lineární funkční forma. Tab. 3

Porovnání lineární a log-lineární funkční formy modelu 1

Kritérium F-test (p-hodnota) DW statistika RESET test (p-hodnota) Test nelinearity (p-hodnota)

Lineární model 0,000048 1,853698 0,238598 0,0501

Log-lineární model 0,000031 1,907307 0,313258 0,07443


Výsledná rovnice pro model 1, tvar:

4.1.4

, má po provedeném odhadu následující

Ekonomická verifikace a interpretace modelu 1

Z rovnice plyne, ţe růst HDP na obyvatele EU o 1 euro za čtvrtletí, zapříčiní růst prvních registrací Škody o 0,0423 %, jinak řečeno růst HDP o 100 euro způsobí růst prvních registrací Škody o 4,23 %. Naopak vzroste-li úroková sazba Evropské centrální banky a o jeden procentní bod klesne počet prvních registrací Škody o 3,26 %. Také růst indexu spotřebitelských cen o jeden procentní bod způsobí pokles nových registrací Škody, konkrétně o 2,1 %. Vliv indexu cen paliv je takový, ţe jeho růst o jeden procentní bod zvýší počet nově registrovaných škodovek o 0,484 %. Způsob interpretace dummy proměnné popisují ve svém článku autoři Halvorsen a Palmquist (1980). Relativní efekt na vysvětlovanou proměnnou vyjadřují vztahem , kde je koeficient umělé proměnné v rovnici. Procentuální efekt získáme vynásobením obou stran rovnice stem. Zavedení šrotovného tedy způsobilo růst nových registrací Škody o 20,54 %. U HDP a šrotovného byla dle ekonomické teorie očekávána kladná znaménka koeficientů, která byla v modelu potvrzena podobně jako záporné znaménku koeficientu úrokové míry. Co se týče cenových indexů, byla na základě

Výsledky a diskuze

49

ekonomické teorie a výsledků jiných autorů očekávána moţnost kladného i záporného vlivu těchto veličin na počet nových registrací vozů Škoda. V případě indexu spotřebitelských cen, jeţ má v modelu znaménko mínus, převáţily tendence, které tlumí poptávku po automobilech při růstu cenové hladiny, případně zde působí vliv nominálního směnného kurzu. Index cen paliv má v modelu znaménko plus, coţ plně nekoresponduje s ekonomickou teorií, přesto, vhledem k dlouhodobému výrazně cyklickému vývoji cen paliv, není tento výsledek překvapující, obdobně k němu dospívají i práce autorů uvedené ve druhé kapitole. Vývoj cenových indexů je zobrazen na obrázku 1. 4.1.5

Statistická verifikace

Výsledný model podrobíme statistickým testům, které mají ověřit statistickou významnost parametrů modelu (tab. 4) a statistickou významnost modelu jako celku. Jiţ dříve jsme z modelu vyloučili proměnné, které byly statisticky nevýznamné. U všech vysvětlujících proměnných výsledného modelu, včetně konstanty, tedy zamítáme nulovou hypotézu o nevýznamnosti parametru na 5% hladině významnosti. Tab. 4


Parametr Konstanta HDP na 1 obyvatele v EU (GDP) Úroková míra (IR) Inflace (PI) Index cen paliv (PI_FUELS) Šrotovné (SCRAPPAGE)

p-hodnota <0,0001 0,0017 0,0350 0,0007 0,0018 <0,0001


F-testem ověříme celkovou statistickou významnost modelu. S hodnotami a zamítáme nulovou hypotézu o statistické nevýznamnosti modelu. V rámci analýzy rozptylu (ANOVA) je pak proveden výpočet regresní (ESS), reziduální (RSS) a celkové sumy čtverců (TSS), pomocí nichţ získáme koeficient determinace a korigovaný koeficient determinace (tab. 5). Tyto koeficienty slouţí jako kritéria posuzování kvality regresní funkce. Tab. 5


0,0814

0,0292

0,1106

0,736


V tabulce 6 jsou uvedeny intervaly spolehlivosti pro model 1.

0,67

50 Tab. 6

Výsledky a diskuze Intervaly spolehlivosti pro parametry modelu 1

Parametr

Koeficient

Konstanta HDP na 1 obyvatele v EU (GDP) Úroková míra (IR) Inflace (PI) Index cen paliv (PI_FUELS) Šrotovné (SCRAPPAGE)

10,8781 0,000423 -0,0326 -0,021 0,00484 0,1868

Interval spolehlivosti 2,5 % 97,5 % 9,921 11,8351 0,000179 0,000667 -0,0627 -0,0025 -0,032 -0,01 0,00203 0,00765 0,1121 0,2614


4.1.6

Ekonometrická verifikace

V rámci ekonometrické verifikace modelu bude ověřováno splnění klasických předpokladů lineárního regresního modelu. Správná specifikace byla testována Ramseyovým RESET testem a poţadavek linearity v parametrech byl ověřován testem nelinearity. Nulové hypotézy o správné specifikaci modelu a linearitě parametrů nezamítáme, jelikoţ v obou případech byla p-hodnota větší neţ hladina významnosti 5%. Výsledky testů jsou zobrazeny v tabulce 7. Tab. 7


Test RESET test Test nelinearity (mocniny)

Nulová hypotéza Specifikace je adekvátní Vztah je lineární

p-hodnota 0,3133 0,0744


Graf reziduí (obr. 3) v závislosti na čase nenaznačuje chybu ve volbě funkční formy modelu ani porušení předpokladu o nulové střední hodnotě, rezidua oscilují okolo nulové hodnoty. Pro ověření tohoto předpokladu byl ještě proveden ttest střední hodnoty s nulovou hypotézou Střední hodnota chybového členu je rovna nule. S p-hodnotou 0,5 hypotézu na 5% hladině významnosti nezamítáme.


51



V dalším kroku verifikace bude model testován na přítomnost autokorelace. Uţ z pohledu na Durbin-Watsonovu statistiku s hodnotou 1,9073 lze usuzovat, ţe problém autokorelace se v modelu nevyskytuje. Autokorelace prvního řádu byla v modelu ověřována Durbin-Watsonovým testem, autokorelace vyšších řádů Breusch-Godfreyovým testem, Box-Pierceovým testem a Ljung-Boxovým testem s řádem zpoţdění 5, protoţe počet pozorování a (tab. 8). Tab. 8


Test Durbin-Watsonův test Breusch-Godfreyův test Box-Pierceův test Ljung-Boxův test

p-hodnota 0,122 0,385 0,211 0,505


Nulová hypotéza u všech testů předpokládá, ţe v modelu se autokorelace nevyskytuje. Ve všech případech tuto hypotézu nezamítáme, jelikoţ p-hodnoty jsou vyšší neţ hladina významnosti 5 %, můţeme tedy konstatovat, ţe výsledný model není autokorelovaný. Dalšími testy, které byly na modelu provedeny, byly Whiteův test a Breusch-Paganův test, které slouţí k detekci heteroskedasticity. Nulová hypotéza v případě obou testů předpokládá homoskedasticitu chybového členu.

52

Výsledky a diskuze

V následující tabulce 9 jsou zobrazeny výsledky testů, na základě p-hodnot nulové hypotézy v obou případech nezamítáme. Tab. 9


Test Whiteův test Breusch-Paganův test

p-hodnota 0,5117 0,6366


Důleţitým poţadavkem na klasický lineární regresní model je absence multikolinearity. Tento problém bude v modelu detekován pomocí VIF faktorů, které indikují multikolinearitu při hodnotách větších neţ 10. V tabulce 10 vidíme, ţe problém nastává u indexu spotřebitelských cen. Jelikoţ je ale hodnota 10 překročena jen velmi mírně, nejedná se o významnou multikolinearitu. Jedním z doporučení při výskytu multikolinearity je nedělat nic, coţ se v tomto případě, jeví jako nejlepší moţnost. Tab. 10


Proměnná GDP IR PI PI_FUELS SCRAPPAGE

VIF faktor 8,841 5,821 10,636 6,912 2,966


Normalita rozdělení chybového členu je v modelu testována pomocí Chí-kvadrát testu. Porovnáme-li výslednou p-hodnotu 0,412 se zvolenou hladinou významnosti 5 %, dospějeme k závěru, ţe nulovou hypotézu o normálním rozdělení chybového členu nezamítáme. Ekonometrickou verifikací bylo zjištěno, ţe model je správně specifikován, nevyskytuje se v něm heteroskedasticita ani autokorelace a chybový člen má normální rozdělení. Existuje zde pouze malý problém s multikolinearitou. Získané odhady parametrů můţeme označit jako BUE, tedy jako nejlepší nevychýlený odhad z lineárních i nelineárních odhadů a splňují tak podmínky GaussovaMarkovova teorému. Na obrázku 4 je zobrazen graf vyrovnaných a skutečných hodnot modelu 1.


53


Zdroj: Evropské sdružení automobilových výrobců, vlastní práce.

4.2 Model 2 – Export osobních vozů z ČR do Německa Následující text bude věnován specifikaci vlivů působících na export osobních automobilů z České republiky do Německa. 4.2.1


Vysvětlovanou proměnnou v tomto modelu bude export osobních automobilů z ČR do Spolkové republiky Německo v období 2005 – 2012, data roku 2012 byla v době tvorby této práce dostupná pouze pro první tři čtvrtletí. Toto časové rozmezí bylo zvoleno s ohledem na spuštění výroby společností TPCA v ČR v roce 2005 a s ohledem na strukturální zlom z roku 2004, způsobený vstupem ČR do Evropské unie. Data jsou v kategorii Osobní auta a jiná motorová vozidla pro přepravu osob a jsou vyjádřena čtvrtletně v korunách. Čerpána jsou z webových stránek Českého statistického úřadu. Z důvodu vyšší míry homogenity dat bylo za cílovou oblast vývozu zvoleno pouze Německo, které je největším trhem pro automobily vyrobené v České republice a je také největším automobilovým trhem v Evropě. Před tvorbou modelu byla data exportu osobních automobilů z ČR do SRN očištěna od vlivu růstu cen pomocí indexu cen automobilů pro Německo. Proměnná je v modelu označena jako EX_GE.

54

Výsledky a diskuze

4.2.2


Potenciální proměnné mající vliv na export osobních automobilů jsou stejné jako v případě modelu poptávky po nových vozech Škoda, s tím rozdílem, ţe se vztahují k Německu. Směnný kurz a úroková sazba zůstaly v nezměněné podobě, protoţe se týkají všech zemí platící eurem. Jako vysvětlující proměnná nebude uvaţován index cen automobilů, jelikoţ tento index poslouţil k očištění původních dat exportu. Hrubý domácí produkt vyjádřený reálně na jednoho obyvatele v eurech. Očekávané znaménko je plus, protoţe růst ekonomické výkonnosti a vyšší ţivotní úroveň obyvatel v cílové zemi podnítí růst exportu automobilů. Úroková míra, kterou zveřejňuje Evropská centrální banka, v procentech. Očekávaným znaménkem je mínus. Vyšší úroková míra v Německu totiţ způsobí zdraţení úvěrů na koupi dovezených automobilů z ČR. Míra nezaměstnanosti v procentech. Podobně i u exportu očekáván záporný vliv této proměnné.

jako

u poptávky

je

Směnný kurz české koruny a eura, který je vyjádřen jako počet korun za jedno euro. Jelikoţ export z Česka je v Německu prodraţován silnou korunou, tzn. vyšším kurzem, je předpokládán pozitivní vztah směnného kurzu a exportu. Inflace, vyjádřena jako bazický index spotřebitelských cen s referenčním rokem 2005. Z důvodů vysvětlených v podkapitole 4.1.2 bude podobně jakou u poptávky očekávána moţnost pozitivního i negativního vlivu inflace na export. Ceny paliv a maziv jako bazický index s referenčním rokem 2005. Podobně jako v případě inflace můţeme očekávat jak pozitivní, tak negativní závislost, coţ je opět blíţe popsáno v podkapitole 4.1.2. Šrotovné je dummy proměnná, vyjadřující dotaci na nákup nového automobilu, která byla v Německu vyplácena po vypuknutí globální hospodářské krize v roce 2009 (ACEA, 2009). Jednička označuje období, kdy se prémie vyplácela, nula představuje období bez šrotovného. Vysvětlující proměnné HDP, nezaměstnanost, index spotřebitelských cen a index cen paliv jsou čerpány z Eurostatu, úroková sazba z Evropské centrální banky, směnný kurz z České národní banky a šrotovné z Asociace evropských výrobců automobilů. Sezónní veličiny jsou v očištěné podobě. V tabulce 11 jsou vysvětlující proměnné přehledně zobrazeny spolu s jejich označením v modelu a s očekávanými znaménky závislosti na vysvětlované veličině.

Výsledky a diskuze Tab. 11

55

Vysvětlující proměnné modelu Export osobních automobilů z ČR do Německa

Vysvěstlující proměnná HDP na 1 obyvatele v EU Úroková míra Míra nezaměstnanosti Směnný kurz koruny k euru Inflace (index spotřebitelských cen) Index cen paliv Dummy proměnná pro šrotovné

Označení GDP IR UN_R CZKEUR PI PI_FUEL SCRAPPAGE

Očekávané znaménko + + +/+/+


4.2.3


Na základě výše uvedených vysvětlované a vysvětlujících veličin bude pomocí vícerozměrné regresní analýzy zkoumán vztah:

Stejně jako první registrace se také export automobilů vyznačuje sezónními výkyvy, coţ je patrné z obrázku 5. Data byla proto očištěna prostřednictvím TRAMO analýzy. Obr. 5

Časová řada exportu osobních automobilů do Německa

Zdroj: Český statistický úřad. Upraveno autorem.

56

Výsledky a diskuze

Vysvětlující parametry modelu byly podrobeny t-testu, který měl ověřit jejich významnost. Na 5% hladině byly významné pouze úroková míra a šrotovné (tab. 12). Tab. 12


Parametr Konstanta HDP na 1 obyvatele v EU Úroková míra Míra nezaměstnanosti Směnný kurz koruny k euru Inflace (index spotřebitelských cen) Index cen paliv Dummy proměnná pro šrotovné

p-hodnota 0,8668 0,1438 0,0025 0,3426 0,1198 0,4669 0,4170 0,0025


Metodami krokové regrese a sestupného výběru byl vytvořen model, který z výše uvedených proměnných zachovává pouze HDP, úrokovou míru a šrotovné. Podobně jako v případě modelu 1 byly porovnávány lineární a log-lineární funkční formy. Pro výsledný model byla nakonec vybrána log-lineární funkční forma, a to ze dvou důvodů. Za prvé, časová řada exportu je ovlivněna změnami, které souvisí s postupným zprovozňováním závodu TPCA od roku 2005 a závodu HMMC od roku 2008. Za druhé, při porovnání některých charakteristik obou modelů, např. DW statistiky, RESET testu nebo Whiteova testu, se jevil jako vhodnější log-lineární model. Po provedení odhadu má konečná rovnice modelu 2, kde tvar:

4.2.4


Na základě koeficientů v rovnici můţeme říci, ţe růst HDP na obyvatele o 1 euro má za následek růst exportu osobních automobilů do Německa v korunách o 0,0544 %, jinak řečeno růst HDP na obyvatele o 100 euro způsobí růst exportu o 5,44 %. Růst úrokové sazby o 1 procentní bod naopak zapříčiní pokles exportu o 9,86 %. Umělou proměnnou budeme podobně jako u prvního modelu interpretovat pomocí vzorce , kde je koeficient umělé proměnné (Halvorsen, Palmquist, 1980). Po vynásobení stem získáme výsledný efekt umělé proměnné v procentech. V našem případě v obdobích, kdy bylo zavedeno šrotovné, se zvýšil export osobních vozů z ČR do Německa o 33,88 %. Znaménka u koeficientů vysvětlujících parametrů jsou v souladu očekáváními dle ekonomické teorie. Na růst výkonnosti ekonomiky a ţivotní úrovně obyvatel v Německu reaguje export aut z ČR taktéţ růstem. Vliv je tedy pozitivní a znaménko je plus. Na vyšší úrokovou míru, která můţe zhoršit dostupnost úvěrů na nákup nových automobilů, reaguje jejich export z ČR poklesem. Vztah

Výsledky a diskuze

57

je tedy nepřímý, přesně podle převládající ekonomické teorie. Kladné znaménko u dummy proměnné šrotovné koresponduje s logickým očekáváním, ţe dotace z veřejných rozpočtů na nákup nových vozů zvýší poptávku po nich, jakoţ i jejich export z ČR. 4.2.5


Nyní bude model ověřen z hlediska statistické významnosti. V tabulce 13 jsou uvedeny p-hodnoty t-testů ověřujících významnost parametrů výsledného modelu. Nulovou hypotézu o statistické nevýznamnosti parametrů zamítáme u všech proměnných včetně konstanty na 5% hladině významnosti. Tab. 13


Parametr Konstanta HDP na 1 obyvatele v EU (GDP) Úroková míra (IR) Šrotovné (SCRAPPAGE)

p-hodnota <0,0001 <0,0001 0,0001 <0,0001


V dalším kroku byla ověřována statistická významnost celého modelu za pomocí F-testu. Jelikoţ a zamítáme nulovou hypotézu Model není statisticky významný. V tabulce 14, která vychází z analýzy rozptylu ANOVA, jsou zobrazeny hodnoty ESS, RSS, TSS slouţící k výpočtu důleţitých charakteristik kvality regresní funkce: koeficientu determinace a korigovaného koeficientu determinace. Tab. 14


1,3505

0,3278

1,6783

0,8047

0,783


V tabulce 15 jsou uvedeny intervaly spolehlivosti, zobrazující 95% pravděpodobnost výskytu vyrovnaných hodnot. Tab. 15


Parametr

Koeficient

Konstanta HDP na 1 obyvatele v EU (GDP) Úroková míra (IR) Šrotovné (SCRAPPAGE)

12,5026 0,00054 -0,0986 0,2918


Interval spolehlivosti 2,5 % 97,5 % 11,2759 13,7294 0,00038 0,00071 -0,13525 -0,06194 0,1562 0,4273

58

4.2.6

Výsledky a diskuze


V této podkapitole budou u modelu exportu osobních automobilů do Německa ověřovány předpoklady klasického lineárního regresního modelu. Nejprve bude ověřována správná specifikace modelu pomocí RESET testu s nulovou hypotézou : Specifikace modelu je adekvátní. Při porovnání p-hodnoty RESET testu se zvolenou hladinou významnosti 5% nulovou hypotézu nezamítáme. Funkční forma je testována testem nelinearity pro mocniny, s p-hodnotou větší neţ hladina významnosti nezamítáme nulovou hypotézu : Vztah je lineární. Výsledky obou testů jsou uvedeny v tabulce 16 Tab. 16


Test RESET test Test nelinearity (mocniny)

Nulová hypotéza Specifikace je adekvátní Vztah je lineární

p-hodnota 0,2957 0,3574


S grafu reziduí je patrné, ţe hodnoty oscilují okolo nulové hodnoty, avšak s rozdílnými amplitudami (obr 6). Pro ověření předpokladu nulové střední hodnoty byl proto proveden i t-test nulové střední hodnoty. S výslednou p-hodnotou 0,5 nezamítáme nulovou hypotézu o nulové střední hodnotě. Obr. 6



Významným předpokladem klasického lineárního regresního modelu je nepřítomnost sériové korelace chybového členu. První úsudek si můţeme udělat

Výsledky a diskuze

59

z hodnoty Durbin-Watsonovi statistiky, jejíţ velikost je v případě tohoto modelu 1,4994. Lze tedy předpokládat, ţe model nejspíše autokorelován nebude, tato hodnota ale průkazná není. Přesněji byla přítomnost autokorelace ověřována pomocí testů Durbin-Watsonova, Breusch-Godfreyova, Box-Piercova a LjungBoxova. První uvedený testuje autokorelaci prvního řádu, ostatní testují autokorelaci vyšších řádu. Jelikoţ počet pozorování a bude v tomto případě testována autokorelace aţ do řádu zpoţdění 6. V tabulce 17 jsou zobrazeny výsledné p-hodnoty zmíněných testů. Tab. 17


Test Durbin-Watsonův test Breusch-Godfreyův test Box-Pierceův test Ljung-Boxův test

p-hodnota 0,022 0,865 0,777 0,689


Nulovou hypotézu : Ţádná autokorelace v případě DW testu na hladině významnosti zamítáme, u všech ostatních testů autokorelace ji nezamítneme. Výsledky testů tedy napovídají, ţe v modelu se nevyskytuje autokorelace vyšších řádů. Problém by mohl být pouze v případě autokorelace prvního řádu, která ale při analýze autokorelační a parciální autokorelační funkce potvrzena nebyla. Předpoklad homoskedasticity byl opět ověřován Whiteovým a BreuschPaganovým testem. Nulovou hypotézu o přítomnosti homoskedasticity v modelu v obou případech nezamítáme na hladině významnosti 5%. P-hodnoty testů jsou zobrazeny v tabulce 18. Tab. 18


Test Whiteův test Breusch-Paganův test

p-hodnota 0,0625 0,1971


V další části ekonometrické verifikace je třeba zjistit, zda se v modelu vyskytuje problém multikolinearity. Splnění tohoto předpokladu potvrzuje tabulka 19 s hodnotami VIF faktorů, z nichţ ţádný nepřekročil hodnotu 2. Multikolinearitu přitom indikují aţ hodnoty vyšší neţ 10.

60 Tab. 19

Výsledky a diskuze VIF faktory pro model 2

Proměnná GDP IR SCRAPPAGE

VIF faktor 1,133 1,253 1,153


Posledním ověřovaným předpokladem je normalita rozdělení chybového členu modelu. K tomu byla pouţita p-hodnota Chí-kvadrát testu o velikosti 0,3413, coţ znamená, ţe nulovou hypotézu o normálním rozdělení chybového členu nezamítáme. Model splňuje všechny předpoklady lineárního regresního modelu, je správně specifikován, je homoskedastický, není autokorelovaný, neobsahuje multikolinerované proměnné a jeho rezidua jsou normálně rozdělena. Odhady parametrů modelu můţeme tedy na základě Gaussova-Markovova teorému označit jako BUE. Jedná se tedy o nejlepší nevychýlený odhad. Na obrázku 7 jsou zobrazeny vyrovnané a skutečné hodnoty modelu. Obr. 7


Zdroj: Český statistický úřad, vlastní práce.

Výsledky a diskuze

61

4.3 Model 3 – Export vozů TPCA Cílem této podkapitoly bylo vytvořit obdobný model, jako je model poptávky po vozech Škoda v EU, ale pro vozy vyrobené v závodě TPCA v Kolíně. 4.3.1


První problém byla specifikace vysvětlované proměnné. Jelikoţ pro oblast EU statistiky o prodejích vozů vyrobených výlučně v kolínském závodě neexistují, byla pouţita data o exportu těchto automobilů z ČR. Data pocházejí ze Sdruţení automobilového průmyslu a jsou vytvořena tak, ţe od počtu vyrobených vozů je odečten počet prvních registrací modelů Toyota Aygo, Citroën C1 a Peugeot 107 na českém trhu. Tato data byla původně v měsíčních kumulovaných počtech exportovaných vozů, a proto je bylo potřeba přepočítat na čtvrtletní počty. Produkce TPCA je zacílena především na trh Evropské unie, malá část vozů ale určitě putuje i mimo EU. Popisovaná data o exportu tedy plně nekorespondují s daty, které budou pouţity jako nezávislé veličiny, a které se týkají Evropské unie. Data pochází z období od prvního čtvrtletí roku 2006 do třetího čtvrtletí roku 2012. V modelu je proměnná označena jako AE_TPCA. 4.3.2


Výčet potenciálních veličin, které by mohly determinovat export automobilů z TPCA je velmi podobný jako v prvním modelu. Bude proto uveden jen ve zkratce v tabulce 20, v níţ jsou jednotlivé proměnné uvedeny s očekávaným znaménkem a s označením, které nesou v modelu. Kromě proměnných zmíněných v modelu 1 byla uvaţována také proměnná, která by měla charakterizovat velikost automobilových trhů ve Francii, Itálii a ve Španělsku. Touto proměnnou měli být první registrace všech automobilů na těchto trzích. Uvedené země jsou hlavním cílem exportu minivozů vyráběných v Kolíně, minimálně dvě z uvedených zemí silně zasáhla globální ekonomická krize a především následná dluhová krize v Eurozóně. Tato proměnná by mohla popsat vliv poklesu trhů, které jsou pro TPCA klíčové. Očekávané znaménko je plus.

62 Tab. 20

Výsledky a diskuze Vysvětlující proměnné modelu Exportu vozů TPCA

Vysvěstlující proměnná

Označení

HDP na 1 obyvatele v EU Úroková míra Míra nezaměstnanosti Směnný kurz koruny k euru Inflace (index spotřebitelských cen) Index cen automobilů Index cen paliv První registrace ve Francii, Itálii a Španělsku Dummy proměnná pro šrotovné

GDP IR UN_R CZKEUR PI PI_CARS PI_FUEL

Očekávané znaménko + + +/+/-

REGISTRACE

+

SCRAPPAGE

+


Parametry HDP, míra nezaměstnanosti a všechny cenové indexy se týkají EU a pocházejí z Eurostatu, směnný kurz byl čerpán z ČNB, úroková sazba z Evropské centrální banky a proměnné REGISTRACE a SCRAPPAGE z Asociace evropských výrobců automobilů. Data se sezónní sloţkou jsou očištěna. 4.3.3


Analyzován bude vztah:

Časová řada exportu se vyznačovala výraznou sezónností, byla proto očištěna. Ve výše uvedeném modelu se po provedení t-testů ukázaly být všechny vysvětlující proměnné nevýznamné. Model byl tedy upraven pomocí krokové regrese a sestupného výběru. Na základě korelačních koeficientů exportu vozů TPCA a zpoţděných hodnot úrokové míry byla v další analýze proměnná IR vyuţívána ve zpoţděné formě s řádem zpoţdění 1. Kromě lineární funkční formy byla uvaţována téţ log-lineární funkční forma modelu, a to z důvodu charakteru závislé proměnné, která je uvedena v počtech exportovaných automobilů. Při porovnání log-lineární a lineární funkční formy byla ale zvolena lineární funkční forma, jelikoţ vykazovala lepší hodnoty u mnoha důleţitých charakteristik modelu. Lepší byl například koeficient determinace (ten je podle Adamce, Střelce a Hampela, 2013, porovnáván s kvazi koeficientem determinace log-lineárního modelu), p-hodnota F-testu nebo p-hodnota Breusch-Paganova testu heteroskedasticity.

Výsledky a diskuze

Výsledný model pro

4.3.4

63

má po provedení odhadu následující tvar:


Z rovnice modelu 3 vyplývá, ţe zvýšení HDP na obyvatele v EU o jedno euro, sníţí počet exportovaných vozů z TPCA o téměř 40 vozidel za jedno čtvrtletí. Zvýšení úrokové sazby o jeden procentní bod v předchozím čtvrtletí způsobí pokles exportu o 7 912 vozidel, podobně zvýšení míry nezaměstnanosti v EU o jeden procentní bod má za následek pokles exportu o 16 315 automobilů. Růst cenové hladiny, respektive indexu spotřebitelských cen o jeden procentní bod pak působí na růst exportu o téměř 1 389 vozidel za jedno čtvrtletí. Z výše uvedeného je zřejmé, ţe je zde problém s interpretací proměnné HDP. Její záporné znaménko v rovnici je v rozporu s očekáváním, přičemţ směr vlivu ostatních veličin je v souladu s očekáváním. Negativní vliv veličiny HDP by mohl být vysvětlen charakterem vozů, vyráběných v Kolínském závodě. Jedná se o minivozy, se základní cenou výrazně niţší neţ 200 000 Kč. Tyto vozy většinou představují druhé či třetí auto do domácnosti. Mohou slouţit jako levnější náhrada větších a draţších vozů, jejichţ prodeje či export budou více korespondovat s vývojem ekonomického cyklu. Na prodeji a exportu minivozů z Kolína se mohla také podepsat dluhová krize v jiţních státech EU, které jsou hlavními cílovými trhy pro tento typ automobilů. Zatímco EU jako celek zaznamenávala v posledních letech slabý ekonomický růst, státy na jihu Evropy se potýkaly s váţnými problémy, jejichţ průvodním jevem byl výrazný pokles automobilového trhu. Dalším faktem, který mohl mít vliv na průběh časové řady exportu TPCA, je stáří modelové řady vozů, které se v závodu vyrábí. Citroën C1, Toyoty Aygo a Peugeot 107 jsou na trhu jiţ 8 let, coţ je běţná délka výrobního cyklu jednoho modelu. Vozy z Kolína tedy jiţ mohou působit zastarale, v tomto segmentu je navíc třeba obměna modelů v kratším čase, protoţe mini automobily jsou vnímány jako vozy s kratší ţivotností. 4.3.5


Z modelu byly vyloučeny všechny nevýznamné proměnné, výsledky t-testů s phodnotami proměnných, které v modelu zůstaly, jsou zobrazeny v tabulce 21. Konstanta, HDP, míra nezaměstnanosti a index spotřebitelských cen se ukázaly být významné na zvolené hladině významnosti. P- hodnota u zpoţděné úrokové sazby sice hranici 0,05 překračuje, avšak jen velmi mírně.

64 Tab. 21

Výsledky a diskuze T-test parametrů výsledného modelu 3

Parametr Konstanta HDP na 1 obyvatele v EU (GDP) Úroková míra (IR) Míra nezaměstnanosti (UN_R) Index spotřebitelských cen (PI)

p-hodnota <0,0001 0,0003 0,0510 0,0037 0,0467


Zamítáme také nulovou hypotézu F-testu o neprůkaznosti modelu, jelikoţ a . Z analýzy rozptylu byly zjištěny koeficient determinace a korigovaný koeficient determinace: . 4.3.6


Výsledky jednotlivých testů ověřující splnění předpokladů klasického lineárního regresního modelu jsou zobrazeny v tabulce 22: Tab. 22

Výsledky verifikačních testů modelu 3

Test RESET test Test nelinearity (mocniny) Test nelinearity (mocniny) Durbin-Watsonův test Breusch-Godfreyův test Box-Pierceův test Ljung-Boxův test Whiteův test Breusch-Paganův test Chí-kvadrát test

Nulová hypotéza Specifikace je adekvátní Vztah je lineární Vztah je lineární Ţádná autokorelace Ţádná autokorelace Ţádná autokorelace Ţádná autokorelace Homoskedasticita Homoskedasticita Chyby jsou normálně rozdělené

p-hodnota 0,1446 0,1048 0,1015 0,0873 0,609 0,434 0,541 0,2547 0,1539 0,2380


Z hodnot tabulky 22 plyne, ţe model je správně specifikován, je lineární v parametrech a normálně rozdělen. V modelu není přítomna heteroskedasticita ani autokorelace. Zbývá ještě ověřit, zda se v modelu nevyskytuje multikolinearita, k čemuţ poslouţí hodnoty VIF faktorů pro jednotlivé proměnné v modelu (tab. 23).

Výsledky a diskuze Tab. 23

65


Proměnná GDP IR-1 UN_R PI

VIF faktor 1,909 14,131 22,356 5,763


Hranice 10, která indikuje multikolinearitu je překročena u proměnných IR a UN_R. Nejedná se ale o příliš vysoké hodnoty, a protoţe se v modelu nevyskytuje další problém například se znaménky, velikostí a průkazností parametrů, nebude kvůli multikolinearitě upravován. Odhadnuté parametry modelu splňují podmínky Gaussova-Markovova teorému a jedná se tedy o nejlepší nevychýlený odhad (BLE). Obr. 8


Zdroj: Sdružení automobilového průmyslu, vlastní práce.

4.4 Diskuze První model se zabýval zjišťováním vlivů determinujících poptávku po vozech Škoda v EU. Kvůli dostupnosti dat, byla jako vysvětlovaná proměnná pouţita data o prvních registracích Škody ve státech EU a EFTA. Geografické vymezení vysvětlujících veličin se přitom vztahuje k EU. Existuje zde tedy nesoulad. Pro představu, jak je tento nesoulad velký, můţeme spočítat podíl všech prodaných vozů v zemích EFTA na celkovém prodeji v oblasti EU+EFTA. Tato data jsou na

66

Výsledky a diskuze

webu ACEA dostupná. Na prvních registracích všech značek v oblasti EU+EFTA se země EFTA podílely v letech 2006-2012 zhruba 2,5-3,8 %, coţ nejsou příliš významné hodnoty. Zůstaňme ještě u volby vysvětlované proměnné modelu 1. Analyzovány byly pouze prodeje Škody, přičemţ v České Republice najdeme ještě dva velké podniky zabývající se výrobou osobních aut. V Kolíně se vyrábějí Toyoty, Peugeoty a Citroëny, v Nošovicích Hyundaie a dokonce se zde krátkou dobu vyráběly i Kie. Prodeje těchto značek mohly být tedy také brány v úvahu. Nestalo se tak z následujících důvodů: Odlišný charakter výroby v jednotlivých automobilkách. Zvláště TPCA se od ostatních českých výrobců odlišuje, kdyţ se zaměřuje výlučně na výrobu mini vozů. Výroba v Nošovicích započala aţ v roce 2008, takţe celkové prodeje analyzované od roku 2006 by se od tohoto období výrazně zvýšily bez ohledu na ekonomickou situaci v EU. Statistiky o prvních registracích nebo prodejích automobilů dle země původu se nevedou. Existují pouze v dělení podle značky nebo země, kde se automobil prvně registruje. Pro tuto práci by nebyla relevantní analýza celkových prodejů např. značky Hyundai nebo Toyota, jelikoţ v Evropě prodávají i jiné vozy, neţ ty vyrobené v Česku. Co se týče výsledků modelu 1, bylo zjištěno, ţe na poptávku po nových automobilech Škoda pozitivně působí rostoucí HDP na obyvatele, rostoucí cena paliv a zavedení šrotovného. Negativní vliv na poptávku po Škodovkách má růst úrokové sazby a inflace. Pozitivní vliv ceny paliv je sice v rozporu s převládající ekonomickou teorií, nejedná se ale o příliš překvapivý výsledek. Ceny paliv se chovají výrazně cyklicky a obsahují významnou inflační komponentu, coţ je vidět na obrázku 1, kde jsou ceny paliv porovnány s indexem spotřebitelských cen a indexem cen automobilů. Na ceny paliv mají samozřejmě velký vliv také postupné vyčerpávání zásob ropy, ozbrojené konflikty v oblastech těţby či různé havárie nebo přírodní katastrofy. Vysoké ceny paliv pak nebudou mít takový efekt na rozhodování o koupi auta, ale spíše ovlivňují aţ rozhodování o tom, jak intenzivně bude auto k různým cestám vyuţíváno. Výrazný vliv na poptávku po Škodovkách mělo šrotovné. V době, kdy bylo vypláceno, zaznamenal velký růst počtu prodaných kusů především model Fabia. Tato kategorie malých levných vozů byla vyplácením státní dotace na koupi nového auta nejvíce ovlivněna, a to v pozitivním slova smyslu. Šrotovné mělo podpořit ke koupi vozu skupinu obyvatel s niţšími příjmy, kteří vlastní starý automobil. Za sešrotování tohoto automobilu obdrţeli prémii, kterou pouţili na koupi nového vozu, nejčastěji malého vozu nebo auta niţší střední třídy. Tehdejší modely Škody Fabia, Roomster popř. Octavia byly pro tyto spotřebitele vhodnou variantou a mohli ze šrotovného těţit. Negativní vliv na poptávku po vozech Škoda má dle výsledků modelu 1 úroková míra. Sazba pouţitá v této práci je zveřejňována Evropskou centrální ban-

Výsledky a diskuze

67

kou. Toto zveřejňování se ale neděje v pravidelných intervalech, např. kaţdý měsíc či čtvrtletí, ale sazba můţe být změněna i několikrát za jedno období. V této práci jsou vyuţívána čtvrtletní data, proto byla pro její účely brána v úvahu vţdy sazba, která v jednotlivých obdobích převaţovala. Sazba se také týká pouze zemí, kde se platí eurem. Ty sice představují na trhu s automobily většinu, ale pořád existuje velká část EU v čele s Velkou Británií, v níţ euro zavedeno není. Na těchto automobilových trzích, včetně např. České republiky, je poptávka po automobilech ovlivňována jinými úrokovými sazbami, které v této práci nejsou brány v úvahu. Proti této skutečnosti můţe působit fakt, ţe i podniky mimo Eurozónu vyuţívají při svých transakcích a úvěrech sluţeb bank z Eurozóny a jsou tak ovlivněni úrokovou sazbou ECB. Cílem modelu 2 bylo vyjádřit vliv makroekonomických veličin na export osobních automobilů z ČR do Německa. Vysvětlovaná veličina byla vyjádřena v korunách a byla očištěna od vlivu cen osobních automobilů v Německu. Vliv cen automobilů by bylo moţno vyjádřit také přímo v modelu pomocí vysvětlující veličiny. Jako vhodnější se ale jevila varianta očištění před tvorbou modelu pro případ, ţe by se tato vysvětlující veličina ukázala být nevýznamnou. Jako cílová oblast vývozu byla zvolena pouze Spolková republika Německo. Byly uvaţovány také varianty, kdy závislou veličinou byl export osobních automobilů do celé EU. V tomto případě se ale v takových datech stýká mnoho vlivů. Jednak je zde vliv poměrně širokého portfolia vyváţených automobilů z jednotlivých automobilek v ČR. Charakter výroby TPCA se odlišuje od charakteru vozů Škoda stejně jako vozů Hyundai vyráběných v Nošovicích. Navíc jsou hodnoty exportu ovlivněny postupným náběhem výroby Hyundaie od roku 2008 a částečně také TPCA od roku 2005 (data jsou v časovém rozmezí 20052013). V případě vyuţití exportu do celé EU by na data závislé veličiny měly vliv také rozdíly mezi jednotlivými trhy, jejich specifika, ekonomická situace v daných zemích. Kaţdý segment automobilů má v různých zemích jiné zastoupení. Z výsledků druhého modelu vyplývá, ţe na růst exportu osobních vozů z ČR do Německa má pozitivní vliv růst HDP na obyvatele a dotace na nákup nového auta. Negativně působí růst úrokové sazby. Porovnáme-li tyto výsledky s prvním modelem, zjistíme, ţe směr působení vysvětlujících veličin je stejný. Velikost působení byla velmi podobná u HDP, v případě šrotovného a úrokové míry byla velikost vlivu větší v modelu 2. U šrotovného to můţe být vysvětleno výší dotace a jejími výhodnými podmínkami v Německu. Vliv úrokové míry na export do Německa byl asi třikrát větší, neţ vliv na prodej Škody v EU. Důvodem je zřejmě fakt, ţe ne všechny země EU platí eurem. Úroková sazba ECB tedy více působí na trh a dovoz automobilů v Německu neţ v celé EU. Na rozdíl od prvního modelu není v modelu 2 obsaţen vliv cen paliv. Vliv inflace neuvaţujeme, protoţe proměnné export a HDP byly od cenových vlivů očištěny, před tvorbou modelu. V souvislosti s tím byly porovnávány 2 varianty. V první variantě byly v modelu pouţity veličiny od inflace očištěné a v druhé variantě byla inflace modelována. Vhodnější byla první varianta.

68

Výsledky a diskuze

Model 3 se zabýval vysvětlením exportu vozů z TPCA. Vysvětlovaná veličina měla původně zobrazovat prodeje těchto vozů. Z důvodu nedostupnosti dat byl ale vyuţit export. Zde vyvstává otázka, do jaké míry můţeme v tomto případě zaměnit export a prodej automobilů. Kromě časového zpoţdění existuje také rozdíl mezi celkovým exportem TPCA a prodejem těchto vozů výlučně v EU. Z ČR totiţ tyto automobily putují i do jiných zemí neţ členských států unie. Je tu tedy také rozpor mezi závislou a nezávislými veličinami, protoţe geografické vymezení závislých proměnných se vztahuje k EU. Z výsledků stojí za povšimnutí především negativní vliv HDP na obyvatele na export vozů TPCA. Pro tuto skutečnost se jako vhodné jeví následující vysvětlení: Charakter výroby TPCA: minvozy s nízkou cenou, vnímané jako levnější náhrada za větší automobily. Hluboká ekonomická krize v Itálii, Španělsku, Řecku, tedy na trzích, kde se minivozy nejvíce prosazují. Stáří modelů vyráběných v TPCA (od roku 2005), dosud nepřišla modelová obměna. Ani jeden z modelů neobsahuje jako vysvětlovanou proměnnou směnný kurz koruny vůči euru, jelikoţ se při jejich tvorbě ukázala jako nevýznamná. Přitom z hlediska ekonomické teorie je důleţitým činitelem působícím zvláště na export. Výsledky této analýzy vliv směnného kurzu neprokázaly. Z obrázku 9 je patrné, ţe zatímco časová řada exportu osobních automobilů do Německa vykazuje dlouhodobě spíše rostoucí trend, časová řada směnného kurzu se vyznačuje klesajícím trendem. Dle převládající ekonomické teorie by měl být vztah mezi těmito veličinami pozitivní. Čeští výrobci tedy zřejmě nejsou při vývozu především do EU směnným kurzem tolik ovlivněni. Hraje zde pravděpodobně také roli expanze podniků zabývající se výrobou osobních vozů v ČR v posledním desetiletí (nové modely Škody, zahájení výroby TPCA a HMMC).


Porovnání časových řad exportu osobních aut do SRN a směnného kurzu

Zdroj: Český statistický úřad, Česká národní banka. Upraveno autorem.

69

70

Závěr

5 Závěr Tato práce se zabývala specifikací vlivů, které má ekonomika Evropské unie na český automobilový průmysl. Práce si kladla za cíl vymezit veličiny ovlivňující poptávku a export v České republice vyrobených osobních automobilů. Jako potenciální činitelé působící na poptávku a export osobních vozů byly vybrány následující veličiny: HDP na obyvatele, úroková sazba, inflace, směnný kurz, míra nezaměstnanosti, index cen automobilů, index cen paliv a maziv a umělá proměnná, vyjadřující vliv státních dotací na koupi nového automobilu (tzv. šrotovné). Pomocí klasické lineární regrese a metody nejmenších čtverců bylo vytvořeno několik modelů, jejichţ cílem bylo ověřit vliv výše uvedených makroekonomických veličin na poptávku a export českých automobilů. První model vytvořený vícerozměrnou regresní analýzou se zabýval vysvětlením poptávky po vozech Škoda v zemích EU a EFTA. Ze všech potenciálních vysvětlujících proměnných se ukázaly být významné HDP na obyvatele, úroková sazba, inflace v podobě indexu spotřebitelských cen, index cen paliv a šrotovné. Z výsledků modelu plyne, ţe růst HDP na obyvatele o 100 eur během jednoho čtvrtletí má za následek růst počtu nově registrovaných Škodovek o 4,23 %. Růst úrokové sazby Evropské centrální banky a indexu spotřebitelských cen o jeden procentní bod způsobí pokles poptávky po vozech Škoda o 3,26 % respektive 2,1 %. Pozitivní je vliv cen paliv, jejich růst o jeden procentní bod zapříčiní růst poptávky po Škodovkách o 0,484 %. V kaţdém čtvrtletí, v němţ se vyplácela dotace na nákup nového automobilu, tzv. šrotovné, došlo k růstu nových registrací Škody o 20,54 %. Není překvapením, ţe největší vliv má v tomto modelu šrotovné v podobě umělé proměnné. Na obrázku 2, kde je zobrazena sezónně neočištěná časová řada prvních registrací Škody v zemích EU a EFTA, je vidět, ţe na počátku ekonomické krize v závěru roku 2008 poptávka výrazně poklesla. V roce 2009 pak došlo k jejímu výraznému nárůstu, na němţ se výrazně podílelo právě šrotovné. Například Škoda Fabia se díky němu dostala mezi nejprodávanější automobily na německém trhu. Druhý model analyzoval determinanty exportu kategorie 8703: Osobní auta a jiná motorová vozidla pro přepravu osob z ČR do Německa. Vysvětlovaná proměnná byla uvedena v korunách. Opět byl vyuţit vícerozměrný regresní model. Z jeho výsledků plyne, ţe růst HDP na obyvatele (v reálném vyjádření) o 100 euro v jednom čtvrtletí způsobí růst exportu osobních aut o 5,44 %. Negativní efekt má úroková míra, jejíţ růst o jeden procentní bod vyvolá v modelu 2 pokles exportu osobních vozů o 9,86 %. Významný vliv má také šrotovné, jehoţ vyplácení zapříčinilo v kaţdém čtvrtletí růst exportu o 33,88 %. Vyšší vliv šrotovného v porovnání s modelem 1 lze vysvětlit výší příspěvku v Německu a výhodnými podmínkami pro jeho získání v této zemi. V porovnání s modelem 1 je v modelu 2 výraznější dopad úrokové sazby. V modelu 1 totiţ pravděpodobně hraje roli to, ţe ne všechny země EU jsou členy Eurozóny a nevztahuje se na ně úroková sazba ECB. Němečtí spotřebitelé také mohou být citlivější na cenu. V tomto případě jak na cenu úvěru, tzn. výši úrokové sazby, tak i na cenu samotného vozidla.

Závěr

71

Model 3, který na rozdíl od předchozích modelů nebyl vyjádřen jako růstový, se zabýval vysvětlením exportu vozů vyráběných v závodě TPCA v Kolíně. Jedná se o vozy Toyota Aygo, Peugeot 107 a Citroën C1. Výsledky ukazují, ţe růst HDP na obyvatele o 100 euro během jednoho čtvrtletí způsobí pokles exportu z TPCA o 3 960 vozů. Negativní vliv má také úroková sazba a nezaměstnanost, jejich růst o jeden procentní bod totiţ zapříčiní pokles exportu TPCA o 7 912 respektive 16 315 automobilů za jedno čtvrtletí. Pozitivně působí pouze index spotřebitelských cen, a to tak, ţe jeho růst o jeden procentní bod má za následek růst exportu TPCA o 1 389. Negativní vliv HDP lze vysvětlit charakterem výroby v Kolíně, která se zaměřuje výlučně na mini vozy s nízkou cenou. Ty slouţí v době ekonomického poklesu jako náhrada za draţší a větší automobily. Svoji roli hraje také stáří modelů vyráběných v Kolíně (8 let) a ekonomická situace na trzích, které jsou pro vozy z Kolína nejdůleţitější, tj. Itálie, Španělsko potaţmo Francie. Na začátku práce byly vysloveny hypotézy týkající se automobilového průmyslu v ČR a ekonomických vlivů, které na něj působí. Podle první hypotézy mělo v období recese v Evropské unii dojít k poklesu poptávky po nových osobních automobilech vyrobených v Česku. Podle výsledků modelu 1, je mezi poptávkou po vozech Škoda a HDP na obyvatele pozitivní vztah, růst HDP vyvolá růst poptávky a naopak. Do recese se evropská ekonomika dostala dle statistik Eurostatu v posledním čtvrtletí roku 2008 a v prvním čtvrtletí roku 2009. Během sledovaného období pak jiţ vícekrát nedošlo k situaci, kdy by HDP klesal dvě čtvrtletí po sobě. Podíváme-li se na obrázek 6, zjistíme, ţe právě v posledním čtvrtletí roku 2008 došlo k výraznému poklesu prodejů Škodovek. V následujícím kvartále se sice situace zlepšila, ale objem prodejů byl stále mnohem niţší neţ před začátkem recese. První hypotézu proto na základě výše uvedených skutečností nezamítneme. Druhá hypotéza předpokládala významný vliv evropského ekonomického růstu a úrokové sazby na export osobních automobilů z České republiky. HDP na obyvatele i úroková míra ECB se ukázaly být významné jak v modelu exportu osobních automobilů, který byl vyjádřen v peněţních jednotkách, tak v modelu exportu vozů vyrobených v podniku TPCA, vyjádřeném v počtech exportovaných automobilů. Tuto hypotézu tedy nezamítáme. V poslední hypotéze byl vysloven předpoklad negativního vztahu exportu a míry nezaměstnanosti v EU. Do modelu 2, jeţ se zabýval vysvětlením vlivů působících na export osobních aut v korunách, nebyla míra nezaměstnanosti pro svou nevýznamnost zahrnuta. Do modelu exportu vozů TPCA míra nezaměstnanosti zařazena byla a byl prokázán její negativní vliv na export vozů z Kolína. Ani třetí hypotézu tedy nemusíme zamítnout. Ve všech třech modelech se ukázaly být významné parametry HDP na obyvatele a úroková míra. Kromě hospodářského růstu, je tedy český automobilový průmysl výrazně ovlivněn také úrokovou sazbou ECB. Alespoň to ukazují výsledky této práce. Vyplývá z toho mimo jiné to, ţe značná část automobilů je nakupována prostřednictvím úvěrů. Je tedy moţné doporučit automobilkám, aby s větším zřetelem sledovaly pohyb úrokových sazeb a v případě jejich růstu se

72

Závěr

snaţily o zmírnění následků. To znamená tlačit dolů sazby u úvěrů na automobily, případně tlačit na dealery svých vozů, aby tak učinili. Dále mohou prodejci v době vysokých úrokových sazeb nabídnout zákazníkům určité výhody, či slevy, aby je přilákali k nákupu. V ţádném z modelů se neukázal být významný vliv směnného kurzu koruny k euru. Podle těchto výsledků tedy není směnný kurz ani při vývozu, ani při prodeji českých vozů v EU důleţitým činitelem, který ovlivňuje objem těchto veličin. Česká republika je malou otevřenou ekonomikou a při tvorbě jejího HDP je export zásadním komponentem. Pro velikost exportu automobilů je ale dle výsledků této práce důleţitější ekonomický růst a úroková sazba v Evropské unii. Názory, které se objevují například v médiích a které přisuzují směnnému kurzu významnou roli při tvorbě exportu, tedy mohou být mylné. Jelikoţ je odvětví automobilového průmyslu poměrně proměnlivým prostředím stejně jako automobilový trh, závěry zde uvedené, nemusejí být platné pro budoucí vývoj. Český automobilový průmysl zaznamenal v poslední dekádě velký boom, na němţ se podíleli zejména zahraniční investoři. Právě na problematiku dalších moţných investic by mohla být zaměřena navazující práce. Podmínky v České republice se jiţ nezdají být tolik lákavé pro automobilové výrobce. Odrazuje je například sloţitá legislativa nebo rostoucí mzdové náklady. Pro umístění závodů na výrobu aut se dnes jeví jako vhodnější Slovensko či Maďarsko. Výrobní závod ve střední Evropě plánuje například BMW. Větší šance na umístění této investice se v tomto případě dávají právě Slovensku nebo Maďarsku neţ České republice. Dalším moţným rozšířením této práce je zaměření se na stranu nabídky v automobilovém průmyslu v ČR. Především by šlo o analýzu vstupů a jejich cen, včetně mzdových nákladů, podmínek práce a včetně prozkoumání dodavatelského řetězce. Taková práce by však vyţadovala náročný výzkum přímo v terénu se sloţitým získáváním dat. Budoucí výzkum by se mohl zaměřit také na analýzu prodejů či exportu vozů vyrobených Hyundaiem v Nošovicích. Tato práce se Hyundaii věnovala spíše okrajově, v době jejího psaní totiţ nebylo k dispozici dostatečné mnoţství dat, protoţe Hyundai v ČR vyrábí teprve od roku 2008.

Literatura

73

6 Literatura ADAMEC, V., STŘELEC, L., HAMPEL, D. Ekonometrie I: učební text. Vyd. 1. Brno: Mendelova univerzita v Brně, 2013, 162 s. ISBN 978-80-7375-703-8. ARLT, J. Moderní metody modelování ekonomických časových řad. 1.vyd. Praha: Grada Publishing, 1999, 307 s. ISBN 80-7169-539-4. ARLT, J., ARTLOVÁ, M. Ekonomické časové řady: [vlastnosti, metody modelování, příklady a aplikace]. 1. vyd. Praha: Grada, 2007, 285 s. ISBN 978-80247-1319-9. BROCKWELL, P. J., DAVIS, R. A. Time series: theory and methods. 2nd ed. New York. ISBN 978-144-1903-198.CARLSON, L. R., UMBLE, M. Statistical demand functions for automobiles and their use for forcasting in an energy crisis. Journal of Business, 1980, Vol. 53, No. 2, s. 193-20. CIPRA, T. Finanční ekonometrie. 1. vyd. Ekopress. 2008, 538 s. ISBN 978-8086929-43-9. FORBELSKÁ, M. Stochastické modelování jednorozměrných časových řad. 1. vyd. Brno: Masarykova univerzita, 2009, iii, 245 s. Studijní text pro studium MSc in Management Studies. ISBN 978-80-210-4812-6. GIOVANNINI, E. Ekonomická statistika srozumitelně: z pohledu OECD. Vyd. 1. Praha: Wolters Kluwer Česká republika, 2010, 206 s. ISBN 978-80-7357536-6. GUIDOTE, M. B., A Case Study on the Car Industry of the Czech Republic: Tracing FDI Trends in Central and Eastern Europe after the 1990s. Core fields of European Culture III: Socioeconomic Geography of the Central European Countries. 2008. Dostupné z: www.euroculture.upol.cz/dokumenty/sylaby/Czech%20car%20industry_(1 6).doc. GUJARATI, D., N. Essentials of econometrics. New York: McGraw-Hill, 1992, xxii, 466 s. ISBN 0-07-025194-0. HALVORSEN, R., PALMQUIST, R. The interpretation of dummy variables in semilogarithmic equations. American economic review, 1980, 70.3: 474-75. HANČLOVÁ, J. Ekonometrické modelování: klasické přístupy s aplikacemi. 1. vyd. Professional Publishing, 2012, 214 s. ISBN 978-80-7431-088-1. HAVLOVÁ, J. Problémy transformující se ekonomiky. Sociologický Časopis / Czech Sociological Review. Vol. 29, No. 2. 1993, s. 274-276. HINDLS, R., HRONOVÁ, S., SEGER, J. Statistika pro ekonomy. 3. vyd. Praha: Professional Publishing, 2003, 415 s. ISBN 80-86419-34-7. HINDLS, R., KAŇOKOVÁ, J., NOVÁK, I. Metody statistické analýzy pro ekonomy. Vyd. 1. Praha: Management Press, 1997, 249 s. ISBN 80-859-4344-1. HOLMAN, R. Ekonomie. 5. vyd. V Praze: C.H. Beck, c2011, xxii, 696 s. Beckovy ekonomické učebnice. ISBN 978-80-7400-006-5.

74

Literatura

HUŠEK, R. Aplikovaná ekonometrie: teorie a praxe. Vyd. 1. Praha: Oeconomica, 2009, 344 s. ISBN 978-80-245-1623-3. HUŠEK, R. Ekonometrická analýza. 1.vyd. Praha: Ekopress, 1999, 303 s. ISBN 80-861-1919-X. HUŠEK, R., PELIKÁN R. Aplikovaná ekonometrie: Teorie a praxe. 1.vyd. Praha: Professional Publishing, 2003, 263 s. ISBN 80-86419-29-0. IOSIP, A. Economic crisis and the automotive industry in Romania. Bulletin of the Transilvania University of Braşov. Vol. 3 (52), 2010. ISAC, N., BÂGU, C. Global perspectives in automotive industry. Annals of the University of Petrosani, Economics, 10(2), s. 207 – 214. 2010. JOHNSON, V., CURRIE, G., STANLEY, J. Measures of Disadvantage: is Car Ownership a Good Indicator? Social indicators research, 97(3), 439-450. 2010. JUREČKA, V. Makroekonomie. 1. vyd. Praha: Grada, 2010, 332 s. Expert (Grada). ISBN 978-80-247-3258-9. KAPOUNEK, S., LACINA, L. Sladěnost hospodářského cyklu České republiky ve vztahu k Eurozóně. In Firma a konkureční prostředí 2005. 1. vyd. Brno: Konvoj, s.r.o., 2005, s. 48--56. ISBN 80-7302-093-9. KARPÍŠEK, Z., DRDLA, M. Aplikovaná statistika. Vyd. 1. Brno: Zdeněk Novotný, 2001, 131 s. Studijní text pro studium MSc in Management Studies. ISBN 80-238-6581-1. KLÍMA, J. Makroekonomie. 1. vyd. Praha: Alfa Publishing, 2006, 141 s. ISBN 80868-5127-3. LEE, H., KANG, H. H. The Study of Brazilian Automobile Demand, In Decision Sciences Institute Annual Meeting Procreedings 2008. Atlanta, Georgia : DSI, 2008. Dostupné: < http://www.decisionsciences.org/Proceedings/DSI2008/docs/1438905.pdf >. LITZMAN, M., KOUBA, L. Dopad zavedení šrotovného ve vybraných státech EU na obchod s automobily. [CD-ROM]. In Sborník příspěvků IV. mezinárodní vědecké konference doktorandů a mladých vědeckých pracovníků, 2011, s. 727-736. ISBN 978-80-7248-711-0. LITZMAN, M., KOUBA, L., DUŠKOVÁ, J. Šrotovné v kontextu modelování poptávky po automobilech. Acta academica karviniensia. 2012. č. 3, s. 54-66. ISSN 1212-415X. MORAVCOVÁ, M. Does Foreign Direct Investment Affect Labour Productivity in the Automotive Industry?: The Czech Republic Case Study. Praha, 2012. Diplomová práce. Vysoká škola ekonomická v Praze. Vedoucí práce Martin Janíčko. OKŘINOVÁ, A. Nové trendy v obchodu se zaměřením na automobilový průmysl. Diplomová práce. Brno: MZLU v Brně, 2007.

Literatura

75

PARKS, W. Determinants of Scrapping Rates for Postwar Vintage Automobiles. Econometrica, 1977, Vol. 45, No. 5, pp. 1099-1115. SEGER, J., HINDLS, R. Statistické metody v ekonomii. 1.vyd. Jinonice: H, 1993, 445 s. ISBN 80-85787-26-1. SEGER, J., HINDLS, R., HRONOVÁ, S. Statistika v hospodářství. 1.vyd. Praha: ETC Publishing, 1998, 636 s. ISBN 80-86006-56-5. ŠEVELA, M. Synchronnost vývoje produkce Německa a České republiky. In Firma a konkurenční prostředí 2005 - Sekce 1. Makroekonomická výkonnost a konkurenceschopnost české ekonomiky jako součásti ekonomiky EU. Brno: KONVOJ, s.r.o., 2005, s. 114--118. ISBN 80-7302-093-9. TOMŠEJ, M. Dopady ekonomické krize na automobilový průmysl v ČR. Brno, 2011. Bakalářská práce. Mendelova univerzita. Vedoucí práce Jan Ostříţek. TRAIN, K. Qualitative Choice Analysis : Theory, Econometrics, and an Application to Automobile Demand [online]. Cambridge : The MIT Press, 1996 [cit. 2012-11-14]. Dostupné: http://elsa.berkeley.edu/books/choice.html. ISBN 0-262-20055-4. VLASÁK, J. Zahraniční obchod ČR v závislosti na ekonomickém vývoji v zemích Evropské unie. Diplomová práce. Brno: MENDELU Brno, 2010. 74 s. WALKER, P. Determinants of Auto Scrappage. The Review of Economics and Statistics. 1968, Vol. 50, No. 4, s. 503-506. Dostupné: http://www.jstor.org/stable/1926820. WETZEL, J., HOFFER, G. Consumer demand for automobiles: A disaggregated market approach. Journal of consumer research, 1982, s. 195-199. WHELAN, G. Modelling car ownership in Great Britain. Transportation Research, 2007, Vol 41, s. 205-219. WITT, S. F., JOHNSON, S. R. An Econometric Model of New-Car Demand in the UK. Managerial and Decision Economics Vol. 7, No. 1, 1986, s. 19-23. WOLFF, P. The demand for passenger cars in United States. Econometrica, 1938, vol. 6, No. 2, pp. 113-129.

76

Literatura

Internetové zdroje ACEA. Vehicle Scrapping Schemes in the European Union [online]. 2009 [cit. 2013-04-05] Dostupné z: http://www.acea.be/images/uploads/files/20090406_Scrapping_schemes .pdf. Český statistický úřad. Aplikace – obsah. ČSÚ [online]. 2012 [cit. 2013-04-16]. Dostupné z: http://apl.czso.cz/pll/stazo/SS?j=Metodika_CS.html. Harmonised indices of consumer prices (HICP). EUROSTAT. European Commission: Eurostat [online]. 2012 [cit. 2013-02-08]. Dostupné z: http://epp.eurostat.ec.europa.eu/cache/ITY_SDDS/en/prc_hicp_esms.ht m. Hyundai-motor. Basic info [online]. 2012 [cit. 2013-02-04]. Dostupné z: http://www.hyundai-motor.cz/download/basic-info-cz.pdf Česká národní banka. Jakým způsobem se počítají průměrné devizové kurzy? [online]. 2013a [cit. 2013-02-09]. Dostupné z: http://www.cnb.cz/cs/faq/jakym_zpusobem_se_pocitaji.html Česká národní banka. Jakým způsobem stanovuje ČNB kurz koruny k jiným měnám? [online]. 2013b [cit. 2013-02-09]. Dostupné z: http://www.cnb.cz/cs/faq/jakym_zpusobem_stanovuje_cnb_kurz.html European central bank. Monetary policy decisions. [online]. 2012 [cit. 2013-0209]. Dostupné z: http://www.ecb.int/mopo/decisions/html/index.en.html European central bank. Monetary policy instruments. [online]. 2013 [cit. 201302-09]. Dostupné z: http://www.ecb.int/ecb/educational/facts/monpol/html/mp_009.en.html TPCA. O nás. [online]. 2006 [cit. 2013-02-04]. Dostupné z: http://www.tpca.cz/cz/o-nas Eurostat. Quarterly national accounts. [online]. 2010 [cit. 2013-02-11]. Dostupné z: http://epp.eurostat.ec.europa.eu/cache/ITY_SDDS/en/namq_esms.htm Eurostat. Unemployment - LFS adjusted series. [online]. 2012 [cit. 2013-0208]. Dostupné z: http://epp.eurostat.ec.europa.eu/cache/ITY_SDDS/en/une_esms.htm Škoda auto a.s. Výroční zpráva 2011. [online]. Mladá Boleskav, 2012 [cit. 201302-02]. Dostupné z: http://new.skodaauto.com/kariera/SiteCollectionDocuments/vyrocni%20zpravy/skodaauto-annual-report-2011.pdf

Literatura

77

Zdroje statistických údajů Česká národní banka: Kurzy devizového trhu, dostupné z: http://www.cnb.cz/cs/financni_trhy/devizovy_trh/kurzy_devizoveho_trh u/denni_kurz.jsp. Český statistický úřad: Databáze zahraničního obchodu dostupná z: http://apl.czso.cz/pll/stazo/STAZO.STAZO. European automobile manufacturers association statistics, dostupné z: http://www.acea.be/collection/statistics. European central bank statistics, dostupné z: http://www.ecb.int/stats/monetary/rates/html/index.en.html#fn2. Eurostat database, dostupná z: http://epp.eurostat.ec.europa.eu/portal/page/portal/statistics/search_dat abase. Sdruţení automobilového průmyslu dostupné z: http://www.autosap.cz/.

78

Přílohy

Přílohy

Přílohy

79

Proměnné modelu 1 – Poptávka po vozech Škoda v EU AS_ PI_ OBDOBÍ SKODA GDP IR UN_R PI FUELS PI_CARS CZKEUR SCRAP. 2006 Q1 112671 5800 2,25 8,6 101,39 103,19 100,49 28,59 0 2006 Q2 124161 5900 2,5 8,4 102,53 109,77 100,73 28,39 0 2006 Q3 115034 6000 3 8,2 102,63 105,19 100,78 28,34 0 2006 Q4 117553 6100 3,25 7,9 103,17 100,4 100,92 28,03 0 2007 Q1 126062 6200 3,5 7,5 103,62 103,2 101,74 28,04 0 2007 Q2 130490 6200 3,75 7,2 104,62 110,15 101,76 28,26 0 2007 Q3 113563 6300 4 7,2 104,83 109,35 101,5 27,92 0 2007 Q4 121753 6300 4 7 106,41 114,61 101,82 26,79 0 2008 Q1 125681 6300 4 6,8 107,49 118,9 101,59 25,55 0 2008 Q2 137367 6300 4 6,9 109,06 130,89 101,43 24,83 0 2008 Q3 116340 6300 4,25 7,1 109,18 124,11 101,26 24,10 0 2008 Q4 95064 6100 3,25 7,5 108,55 97,66 100,53 25,36 0 2009 Q1 113217 5800 2 8,3 108,74 98,05 100,52 27,62 1 2009 Q2 140250 5800 1 8,9 109,48 108,41 100,97 26,68 1 2009 Q3 119851 5900 1 9,3 109,25 108,66 101,18 25,60 1 2009 Q4 117138 5900 1 9,5 109,97 110,1 101,31 25,91 1 2010 Q1 119643 6000 1 9,7 110,71 118,31 101,56 25,88 0 2010 Q2 126244 6100 1 9,7 111,35 121,65 101,4 25,59 0 2010 Q3 108378 6200 1 9,6 111,53 120,23 101,45 24,92 0 2010 Q4 117188 6200 1 9,6 112,75 126,75 101,28 24,78 0 2011 Q1 128453 6300 1 9,5 114,03 136,38 101,95 24,37 0 2011 Q2 135152 6300 1,25 9,5 114,72 136,75 102,06 24,32 0 2011 Q3 116840 6300 1,5 9,7 115,15 138,1 101,97 24,39 0 2011 Q4 117480 6300 1,25 10 116,07 138,39 101,96 25,27 0 2012 Q1 143250 6400 1 10,2 117,16 148,88 102,18 25,08 0 2012 Q2 147896 6400 1 10,4 117,42 142,87 102,23 25,25 0

80

Přílohy

Proměnné modelu 2 – Export osobních vozů z ČR do Německa PI_ PI_ OBDOBÍ EX GDP IR UN_R PI FUELS CARS CZKEUR SCRAP. 2005 Q1 7812421 6700 2 11,4 99,3 94,2 99,7 30,01 0 2005 Q2 8897742 6700 2 11,4 99,9 99,4 99,9 30,13 0 2005 Q3 7727234 6800 2 11,3 100,8 110,5 100,3 29,68 0 2005 Q4 9047723 6800 2 11 101,3 101,2 100,8 29,30 0 2006 Q1 10790562 6900 2,25 10,6 101,2 103 101,3 28,60 0 2006 Q2 11007361 7000 2,5 10,3 101,9 111,2 101,4 28,38 0 2006 Q3 8050124 7000 3 10,1 101,8 102,5 101,8 28,33 0 2006 Q4 9796907 7100 3,25 9,7 102,7 100 102,1 28,05 0 2007 Q1 12046113 7200 3,5 9,2 103,2 106 104,6 28,04 0 2007 Q2 10443796 7200 3,75 8,8 103,9 112,2 104,8 28,27 0 2007 Q3 8171786 7300 4 8,6 104,5 111,7 104,8 27,92 0 2007 Q4 10524185 7300 4 8,3 105,9 111,8 105,2 26,83 0 2008 Q1 9871512 7400 4 8 106,6 118 105,4 25,56 0 2008 Q2 9620933 7400 4 7,7 107,4 127,6 105,6 24,83 0 2008 Q3 8481793 7300 4,25 7,2 107,6 121,9 105,6 24,09 0 2008 Q4 7781321 7200 3,25 7,2 107,1 95,4 105,5 25,34 0 2009 Q1 14058553 6900 2 7,6 107 97,2 105,7 27,60 1 2009 Q2 17288981 6900 1 7,9 107,4 108,2 105,3 26,68 1 2009 Q3 14326088 7000 1 7,9 107,1 105,7 105,3 25,60 1 2009 Q4 11530579 7100 1 7,7 108 107,6 105,2 25,92 1 2010 Q1 10145216 7100 1 7,5 108,3 115,7 105,3 25,87 0 2010 Q2 12907675 7300 1 7,2 108,3 117,2 105,3 25,59 0 2010 Q3 12995279 7300 1 6,9 108,5 114,8 105,4 24,91 0 2010 Q4 13867662 7400 1 6,7 110 120,7 105,4 24,79 0 2011 Q1 13839461 7500 1 6,3 110,8 128,5 105,5 24,38 0 2011 Q2 16038033 7500 1,25 6 110,9 128,6 105,7 24,32 0 2011 Q3 13253614 7500 1,5 5,8 111,6 130,4 106,2 24,39 0 2011 Q4 14713411 7500 1,25 5,7 112,5 126,8 106,1 25,28 0 2012 Q1 16191316 7500 1 5,6 113,4 138,3 106 25,08 0 2012 Q2 16066152 7500 1 5,5 113,1 131,5 105,9 25,26 0 2012 Q3 13506281 7600 0,75 5,4 113,9 141,9 106 25,07 0

Přílohy

81

Proměnné modelu 3 – Export vozů TPCA PI_ OBDOBÍ AE_TPCA GDP IR UN_R PI FUELS PI_CARS CZKEUR SCRAP. 2006 Q1 81645 5800 2,25 8,6 101,39 103,19 100,49 28,59 0 2006 Q2 77068 5900 2,5 8,4 102,53 109,77 100,73 28,39 0 2006 Q3 60657 6000 3 8,2 102,63 105,19 100,78 28,34 0 2006 Q4 72899 6100 3,25 7,9 103,17 100,4 100,92 28,03 0 2007 Q1 82762 6200 3,5 7,5 103,62 103,2 101,74 28,04 0 2007 Q2 77611 6200 3,75 7,2 104,62 110,15 101,76 28,26 0 2007 Q3 69215 6300 4 7,2 104,83 109,35 101,5 27,92 0 2007 Q4 77328 6300 4 7 106,41 114,61 101,82 26,79 0 2008 Q1 86481 6300 4 6,8 107,49 118,9 101,59 25,55 0 2008 Q2 86736 6300 4 6,9 109,06 130,89 101,43 24,83 0 2008 Q3 73674 6300 4,25 7,1 109,18 124,11 101,26 24,10 0 2008 Q4 76293 6100 3,25 7,5 108,55 97,66 100,53 25,36 0 2009 Q1 87009 5800 2 8,3 108,74 98,05 100,52 27,62 1 2009 Q2 87545 5800 1 8,9 109,48 108,41 100,97 26,68 1 2009 Q3 72215 5900 1 9,3 109,25 108,66 101,18 25,60 1 2009 Q4 84862 5900 1 9,5 109,97 110,1 101,31 25,91 1 2010 Q1 88963 6000 1 9,7 110,71 118,31 101,56 25,88 0 2010 Q2 88668 6100 1 9,7 111,35 121,65 101,4 25,59 0 2010 Q3 68286 6200 1 9,6 111,53 120,23 101,45 24,92 0 2010 Q4 48942 6200 1 9,6 112,75 126,75 101,28 24,78 0 2011 Q1 75758 6300 1 9,5 114,03 136,38 101,95 24,37 0 2011 Q2 80021 6300 1,25 9,5 114,72 136,75 102,06 24,32 0 2011 Q3 62109 6300 1,5 9,7 115,15 138,1 101,97 24,39 0 2011 Q4 51908 6300 1,25 10 116,07 138,39 101,96 25,27 0 2012 Q1 69167 6400 1 10,2 117,16 148,88 102,18 25,08 0 2012 Q2 52602 6400 1 10,4 117,42 142,87 102,23 25,25 0 2012 Q3 46747 6500 0,75 10,5 118,11 151,26 102,3 25,06 0

Vliv makroekonomických veličin na rozvoj automobilového průmyslu v ČR

Recommend Documents