Vývoj cen vybraných zemědělských komodit v ČR

Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta __________________________________________________________

Vývoj cen vybraných zemědělských komodit v ČR

Diplomová práce

Vedoucí práce:

Bc. Petra Škárková

prof. Ing. Milan Palát, CSc.

Brno 2007

2

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

V Petrově nad Desnou dne 20. května 2007

……………………………

3

4

Na tomto místě bych ráda poděkovala panu profesorovi Milanu Palátovi za jeho ochotu, odbornou pomoc a věcné připomínky při zpracování diplomové práce. Poděkování bych také chtěla věnovat Marcelovi Klimešovi, který mi zajistil technické zázemí, což značně zlepšilo mé podmínky práce.

5

6

Abstact This work deals with statistic analysis of prices development of selected agricultural commodities on the Czech market. From statistical point of view it´s about time series problems. In this work time series of prices from agricultural producers are analysed with trend and seasonal docomposition, harmonic analysis, running averages, Brown´s exponential smoothing and Holt´s exponencial smoothing. Analysis results are consequently connected through economic theory.

Abstrakt Tato práce se zabývá statistickou analýzou vývoje cen vybraných zemědělských komodit na trhu ČR. Z hlediska statistického jde o problematiku časových řad. V práci jsou časové řady cen zemědělských výrobců analyzovány trendovou a sezónní dekompozicí, harmonickou analýzou, klouzavými průměry, Brownovým exponenciálním vyrovnáním a Holtovým exponenciálním vyrovnáním. Výsledky analýzy jsou následně propojeny s ekonomickou teorií.

7

8

Obsah 1. ÚVOD A CÍL PRÁCE...................................................................................................... 11 1.1 1.2

ÚVOD DO PROBLEMATIKY...................................................................................11 CÍL PRÁCE ........................................................................................................12

2. PŘEHLED LITERATURY .............................................................................................. 15 2.1 ČASOVÉ ŘADY – ČLENĚNÍ, POJMY A CHARAKTERISTIKY.........................................15 2.1.1 Členění časových řad ........................................................................................ 15 2.1.2 Specifické problémy časových řad .................................................................. 17 2.1.3 Elementární charakteristiky časových řad ..................................................... 18 2.1.4 Dekompozice časové řady ............................................................................... 18 2.2 ANALÝZA TRENDU .............................................................................................20 2.2.1 Analytické vyrovnání ........................................................................................ 20 2.2.2 Adaptivní techniky vyrovnání .......................................................................... 21 2.2.3 Volba vhodného modelu trendu...................................................................... 23 2.3 ANALÝZA SEZÓNNÍ SLOŽKY ................................................................................24 3. POUŽITÉ METODY ........................................................................................................ 27 3.1 VÝPOČET CHRONOLOGICKÉHO PRŮMĚRU ............................................................27 3.2 VÝPOČET ELEMENTÁRNÍCH CHARAKTERISTIK .......................................................28 3.3 POSTUPY ANALYTICKÝCH METOD VYROVNÁNÍ ČASOVÉ ŘADY ................................29 3.3.1 Lineární trendová funkce .................................................................................. 29 3.3.2 Kvadratická trendová funkce ............................................................................ 29 3.3.3 Exponenciální trendová funkce........................................................................ 30 3.4 POSTUPY ADAPTIVNÍCH METOD VYROVNÁNÍ PŘI ANALÝZE ČASOVÝCH ŘAD ..............32 3.4.1 Brownovo dvojité (lineární) exponenciální vyrovnání................................... 32 3.4.2 Holtovo exponenciální vyrovnání..................................................................... 32 3.4.3 Klouzavé průměry .............................................................................................. 33 3.5 VÝPOČET MĚR „ÚSPĚŠNOSTI“ TRENDOVÝCH FUNKCÍ.............................................34 3.6 VÝPOČTY K ANALÝZE SEZÓNNOSTI .....................................................................35 3.6.1 Test hypotézy o existenci sezónnosti ............................................................. 35 3.6.2 Proporcionální sezónnost ................................................................................. 35 3.6.3 Konstantní sezónnost ........................................................................................ 36 3.6.4 Harmonická analýza .......................................................................................... 37 4. VÝSLEDKY A DISKUZE.................................................................................................. 39 4.1 AGRÁRNÍ SEKTOR ČR V ROCE 2005...................................................................39 4.1.1 Agrární sektor z národohospodářského hlediska ......................................... 39 4.1.2 Agrární zahraniční obchod ............................................................................... 40 4.1.3 Faktory ovlivňující agrární sektor..................................................................... 41

9

4.1.4 Obecné údaje o pěstování a produkci zemědělských komodit v ČR......... 43 4.2 TRH BRAMBOR V ČR......................................................................................... 46 4.2.1 Základní údaje o plochách, sklizni a výnosech ............................................. 46 4.2.2 Zahraniční obchod s bramborami .................................................................... 50 4.3 TRH ZELENINY V ČR ......................................................................................... 51 4.3.1 Základní údaje o plochách, sklizni a výnosech ............................................. 51 4.3.2 Zahraniční obchod se zeleninou ...................................................................... 54 4.4 STATISTICKÁ ANALÝZA ...................................................................................... 55 4.4.1 Výběr a úprava dat............................................................................................. 55 4.4.2 Elementární charakteristiky časových řad...................................................... 57 4.4.3 Volba vhodného modelu trendu ....................................................................... 59 4.4.4 Model proporcionální sezónnosti při využití kvadratického trendu............. 62 4.4.5 Analýza cyklické složky ..................................................................................... 67 4.4.6 Adaptivní metody vyrovnání časové řady....................................................... 72 4.4.7 Extrapolace cen .................................................................................................. 79 5. ZÁVĚR................................................................................................................................. 81 6. LITERATURA..................................................................................................................... 85 PŘÍLOHY................................................................................................................................. 87

10

1. Úvod a cíl práce 1.1 Úvod do problematiky Řešení různých ekonomických problémů si mnohdy vyžaduje, aby byla provedena podrobná analýza, která řešiteli poskytne konkrétnější údaje o zkoumané oblasti. Především manažeři, na kterých leží tíha zodpovědnosti za rozhodnutí, která činí, by se měli snažit o získání maxima informací o řešeném problému. Pomocnými technikami při analýze a tvorbě rozhodnutí bývají zpravidla různé manažerské metody jako je např. manažerská mřížka, Bostonská matice nebo rozklad „rybí kosti“ a mnoho dalších. Avšak mnohdy tyto „jednoduché“ analýzy nestačí. Disciplínou, která je schopna poskytnout požadované informace, a to formou přeměny dat, je statistická analýza. Díky ní je manažer schopen získat pro svá rozhodnutí relevantní informace. Způsoby přeměny dat v informace jsou různé (např. sumarizace dat, třídění, porovnávání, konstrukce sekundárních ukazatelů atd.). Setkáváme se tak s mnoha rozličnými postupy zpracování, kam kromě jiného patří také analýza časových řad.

Co je to vlastně časová řada? Jedná se o časově uspořádanou posloupnost hodnot určitého ekonomického ukazatele. Co je cílem analýzy časových řad a čeho lze touto analýzou dosáhnout? Jejím cílem je většinou konstrukce vhodného modelu, který umožní porozumět vzniku časové řady a porozumět podmínkám, které ovlivňují vznik jednotlivých hodnot. Nalezení vztahu příčin a následků umožní na tyto přičiny působit a tím také v některých případech ovlivnit celý vývoj časové řady. Dalším velmi častým cílem je konstrukce předpovědí, které slouží pro vytvoření představy o dalším vývoji časové řady.

Analýzu časových řad lze využít v mnoha oblastech. A právě jednou z možností její aplikace se budeme zabývat i v této práci. Konkrétně jde o analýzu vývoje cen zemědělských komodit. Uvedená oblast, tedy zemědělství, hraje významnou roli ve společnosti už jen z toho důvodu,

11

že je zaměřena na produkci výrobků uspokojující základní lidskou potřebu. Z hlediska makroekonomického se pak jedná o velmi důležitou součást národního hospodářství každé země. Abychom se však dostali ke konkrétnímu užití, přejděme nyní k samotnému cíli této práce.

1.2 Cíl práce Cílem je provést analýzu cenového vývoje vybraných rostlinných zemědělských komodit, kterými jsou cibule, bílé zelí, červené zelí a brambory, v období od poloviny roku 2002 do začátku roku 2007, a to na tuzemském trhu. Účelem analýzy je tvorba modelu a rozpoznání mechanismu generování hodnot časové řady, následně pak konstrukce předpovědí. Pomocí klasického modelu časových řad bude zjištěna dlouhodobá tendence vývoje cen a popsány fluktuace, které se při jejím vývoji objevují. Následně pomocí vybraných metod vyrovnání časové řady cen bude proveden odhad vývoje do budoucnosti. Tyto výsledky mohou sloužit především zemědělským výrobcům a obchodníkům při odhadech tržeb a tvorbě finančních nebo podnikatelských plánů. Také osoby uvažující o vstupu do zemědělského odvětví si díky této práci budou moci udělat přehled o trhu s vybranými komoditami a pomůže jim to při rozhodování

o zaměření

jejich

činnosti.

Výsledky

práce

budou

okomentovány

a demonstrovány graficky.

Práce je rozdělena do několika částí. Nejdříve budou čtenáři stručně seznámeni s pojmy a specifiky spojenými s časovými řadami. Dále zde bude uvedeno členění časových řad a vybrané metody analýzy trendu a sezónnosti. Následující část doplňuje předchozí text vzorci a postupy vybraných metod (prakticky použity jsou trendová a sezónní dekompozice, harmonická analýza, analýza klouzavými průměry, dále Brownovo exponenciální vyrovnání a Holtovo exponenciální vyrovnání). Pro přehlednost jsou využity odkazy, které tvoří vazbu mezi oběma částmi. Čtvrtá kapitola, jenž je jádrem práce, je rozdělena do několika podkapitol. První z nich je zaměřena na české zemědělství. Obsahuje popis agrárního sektoru obecně

12

a dále popis trhů analyzovaných komodit. Z textu se například dozvíte, jaký je podíl zemědělství na HDP, do kterých zemí nejvíce vyvážíme a naopak, ze kterých zemí nejvíce dovážíme. Je zde uvedeno také, jaké je rozdělení půdního fondu a jaký je vývoj osevních ploch, výnosů a produkce rostlinných komodit. V dalších dvou podkapitolách jsou blíže charakterizovány trhy brambor a zeleniny, které jsou předmětem analýzy. Čtvrtá podkapitola obsahuje výsledky analýzy vývoje cen sledovanýc komodit a jsou zde také provedeny odhady cen do blízké budoucnosti.

13

14

2. Přehled literatury 2.1 Časové řady – členění, pojmy a charakteristiky 2.1.1

Členění časových řad

Časová1 řada je posloupnost věcně a prostorově srovnatelných hodnot sledovaného jevu, uspořádaná zpravidla od minulosti k přítomnosti. Podle odlišného obsahu sledovaných jevů lze provést základní členění časových řad na: 1. Intervalové a okamžikové, 2. roční a krátkodobé (čtvrtletní, měsíční, týdenní aj. krátkodobé periody), 3. časové řady primárních (prvotních) ukazatelů a sekundárních (odvozených) charakteristik, 4. časové řady naturálních ukazatelů (ukazatelé jsou vyjádřeny v naturálních jednotkách) a peněžních ukazatelů.

Add 1) Intervalová (úseková) časová řada je posloupnost hodnot, které se vztahují k určitému časovému intervalu nenulové délky. Typické pro ni je, že hodnoty v rámci daného úseku lze sčítat. Abychom mohli intervalové ukazatele také srovnávat, je nutné splnit požadavek konstantní délky časových úseků jednotlivých intervalů. Kdyby tento požadavek nebyl splněn, bylo by srovnání zkreslené a následné hodnocení neobjektivní. Velmi často se s tímto problémem setkáváme v oblasti obchodu, kdy nelze srovnávat ani měsíce stejné délky, neboť zde působí ještě další faktory, které je nutné zohlednit (například rozdílnost způsobená počtem pracovních dnů v měsíci, resp. počtem volných dnů daná výskytem svátků a počtem víkendů). Problém tzv. kalendářních variací byl poprvé zmíněn v jedné z prací rakouského úředníka a statistika Karla Freiherra von Czoernig-Czernhausen (1804 – 1889). Způsob očišťování na kalendářní dny se provádí pomocí následujících přepočtů:

1

Analogicky bývá časová řada označována jako dynamická, vývojová, případně chronologická.

15

y (0) = yt t

kt kt

Kde yt je hodnota očišťovaného ukazatele v příslušném dílčím období roku (měsíci či čtvrtletí), kt je počet kalendářních dní v příslušném dílčím období roku, b 0t = y t =

p

∑ Wy

i =− p

i

t,i

,

je průměrný počet kalendářních dní v dílčím období roku (např. v měsíci)

Okamžiková časová řada je sestavena z ukazatelů, které se vztahují k určitému časovému okamžiku (například k určitému dni, týdnu, měsíci apod.). Tyto hodnoty jsou samy o sobě nesčitatelné, je však možné provést souhrn pomocí chronologického průměru (prostého nebo váženého). Výpočet chronologického průměru je uveden v části 3.1.

Add 2) Krátkodobé časové řady jsou takové, jejichž periodicita2 je kratší než jeden rok. Naopak, je-li periodicita roční nebo delší, hovoříme o ročních (dlouhodobých) časových řadách. Rozlišení na krátkodobé a dlouhodobé časové řady je z toho důvodu, že se různí použitá metodika při jejich analýze.

Add 3) Časové řady primárních ukazatelů jsou zjišťované přímo jako hodnoty, u nichž lze jednoznačně určit typ charakteristiky, statistické jednotky i statistického znaku. Je to například stav zásob k určitému datu nebo počet odpracovaných hodin. Časové řady sekundárních ukazatelů jsou takové, jejichž hodnoty vznikají odvozením od ukazatelů primárních. Existují tři možnosti vzniku sekundárních ukazatelů: 2

U okamžikové časové řad jde o časové rozpětí mezi rozhodnými okamžiky; u intervalové řady je periodicitou myšlena délka příslušného období.

16

•

jako funkce různých primárních ukazatelů (obvykle rozdíl nebo podíl; například zisk nebo doba obratu zásob),

•

jako funkce různých hodnot téhož primárního ukazatele (typickým příkladem je časový průměr),

•

jako funkce více než dvou primárních ukazatelů, tj. kombinací předchozích postupů (jako příklad lze uvést relativní ukazatele, kde alespoň jeden je časovým průměrem).

Add 4) U časových řad naturálních ukazatelů jsou hodnoty ukazatelů vyjádřeny v naturálních jednotkách. Nevýhodou tohoto vyjádření je omezená možnost agregování ukazatelů a také menší vypovídací schopnost. Proto se většina ekonomických časových řad vyjadřuje ve formě peněžních ukazatelů. (Hindls a kol., 2002, str. 246 - 251)

2.1.2 Specifické problémy časových řad V rámci analýzy časových řad se setkáváme s různými obtížemi, které mohou mít negativní dopad na správnost a objektivnost výsledků. Na co si tedy musíme při zpracování časových řad dávat pozor? Je to především fakt, že některé údaje vlivem technicko technologického nebo i ekonomického rázu zastarávají. Je jistě rozdíl mezi výkonnostními parametry počítače z roku 1980 a výkonem počítačů 21. století; v případě srovnávání ekonomických veličin pak je nutné dbát na to, aby jejich přepočítané hodnoty (např. přepočet na stálé nebo srovnatelné ceny) byly v aktualizované podobě.

V souvislosti se zastaráváním údajů je vhodné zvážit také optimální délku časové řady, protože ne vždy je lepší mít mnoho údajů. Navazujícím specifikem časových řad je volba hustoty okamžikových zjišťování, která by měla být úměrná analyzované oblasti (jiná hustota zjišťování bude při měření venkovní teploty a jiná při zjišťování přírůstku váhy masných býků). I

při hustotě měření bychom se měli vyhýbat extrémům. Příliš vysoká hustota

17

okamžiku zjišťování vede k nadbytečným informacím, naopak příliš nízká vede k jejich možné ztrátě a k úniku podstatných zákonitostí, které by mohly mít výrazný dopad na změnu výsledků.

Pro statistickou analýzu vývoje je specifická autokorelace , resp. autoregrese časově blízkých hodnot. Jedná se o efekt závislosti, která je mnohem intenzivnější než u hodnot blízkých prostorově. Příkladem může být vyšší závislost dnešní venkovní teploty na teplotě včerejší, než na teplotě z minulého týdne.

Posledním problémem, který se v popisované problematice vyskytuje jsou již v části 2.1.1 zmíněné kalendářní variace. Znovu jen krátce lze podotknout, že se jedná o problém vyvolaný skutečností, že proces ekonomických dějů úzce souvisí s výstavbou kalendáře. Různý počet kalendářních dnů v jednotlivých periodách ovlivňuje výsledky některých ekonomických jevů a znemožňuje tak objektivní srovnání. Proto je v těchto případech vhodné provést očištění časové řady od kalendářních variací. (Minařík, 2006, str. 159)

2.1.3 Elementární charakteristiky časových řad K základním metodám vytvářejícím obecnou představu o analyzovaném jevu řadíme výpočet elementárních charakteristik. Mezi tyto charakteristiky patří diference různého řádu, tempa růstu, průměrná tempa růstu a průměrné hodnoty časové řady. V části 3.2 jsou uvedeny vzorce pro jejich výpočet.

2.1.4 Dekompozice časové řady Tento model nám umožní určit formy pohybu časové řady. Jeho podstatou je dekompozice časové řady na základní složky, kterými jsou: •

trendová (Tt),

18

•

sezónní (St),

•

cyklická (Ct),

•

náhodná (εt) , přičemž první tři složky tvoří systematickou část průběhu časové řady.

Trendová část značí dlouhodobou tendenci vývoje analyzovaného ukazatele v čase, která může být rostoucí, klesající nebo konstantní. V případě konstantního trendu hodnoty ukazatele kolísají kolem neměnné úrovně a takovouto časovou řadu označujeme také jako stacionární řadu. Trend vzniká důsledkem sil, které působí stejným směrem.

Sezónní a cyklická složka představují pravidelnou fluktuaci kolem trendové složky. Jde o tzv. periodické kolísání, které je charakteristické délkou periody (frekvencí), velikostí odchylky (amplitudou) a fázovým posunem určujícím polohu maxim a minim vzhledem k počátku časové osy (Minařík, 2006, str. 165). Zda se jedná o sezónní nebo cyklickou složku určíme na základě délky periody. Jestliže je perioda kratší než jeden rok, tedy periodické změny probíhají v rámci jednoho kalendářního roku, přičemž dochází k jejich každoročnímu opakování, jde o složku sezónní. Jestliže je perioda delší než jeden rok, tzn. že zachycuje dlouhodobou fázi poklesu či růstu, jde o složku cyklickou. Protože tato složka působí dlouhodobě, je velmi obtížné ji vysledovat a popsat. Někdy nebývá cyklická složka považována za samostatnou složku časové řady, ale je zahrnována pod složku trendovou jako její část (tzv. střednědobý trend), vyjadřující střednědobou tendenci vývoje, která má často oscilační charakter s neznámou, zpravidla proměnlivou (Hindls a kol., 2002, str. 255). U krátké časové řady nemusí být cyklická složka vůbec rozeznatelná.

Náhodná složka je nesystematická a je tvořena náhodnými výkyvy časové řady. Příčiny vzniku náhodné složky jsou různé a vzájemně nezávislé. Tyto vlivy většinou nedokážeme systematicky podchytit a popsat.

19

Dekompozice časové řady se v praxi používá především z těchto důvodů: •

analýzou jednotlivých složek řady lze odhalit určité zákonitosti vývoje zkoumaného jevu,

•

časové řady je možné očistit od sezónnosti, tj. z časové řady se odstraní sezónní složka, což umožňuje porovnávat trend několika časových řad současně,

•

časové řady lze očistit od trendu, tj. z řady se odstraní trendová složka, což umožňuje lépe modelovat sezónnost, protože charakter sezónnosti je výraznější,

•

často umožňuje přesněji určit předpovědi nejen jednotlivých složek časové řady, ale v konečném důsledku také samotné časové řady v tom smyslu, že předpovědi jednotlivých složek se sečtou anebo vynásobí podle toho, který typ dekompozice jsme použili.

Nakonec této podkapitoly zmíním možné tvary rozkladu časové řady. Jsou dvojího typu: aditivní, který vychází ze součtu jednotlivých složek časové řady a má následující tvar y t = Tt + St + C t + ε t , kde t = 1, 2,..., n,

multiplikativní, který jednotlivé složky násobí y t = Tt *St *C t * ε t , kde t = 1, 2,..., n.

2.2 Analýza trendu 2.2.1

Analytické vyrovnání

Při analytickém vyrovnání jde o proložení pozorovaných hodnot řady vhodnou spojitou funkcí, která má v čase konstantní parametry. V této práci budou popsány pouze tři jednoduché trendové funkce – lineární, kvadratická (parabolická) a exponenciální (výpočty jsou uvedeny v části 3.3). V praxi bývají používány i další typy trendových funkcí, a to například modifikovaný exponenciální trend, Gompertzova křivka nebo logistický trend. Součástí konstrukce trendu je odhad neznámých parametrů funkce. Nejpoužívanější metodou odhadu těchto parametrů je metoda nejmenších čtverců (tzv. OLS metoda). Podmínkou pro

20

použití této metody je, aby zvolená trendová funkce byla lineární v parametrech, případně byla linearizovatelná. Postup linearizující transformace bude uveden jako součást exponenciálního vyrovnání (viz výpočet v části 3.3.3). Lineární a kvadratický trend jsou lineární v parametrech, takže odhady parametrů lze získat za pomoci metody OLS přímo.

2.2.2 Adaptivní techniky vyrovnání Tyto techniky, na rozdíl od analytických metod, berou v úvahu „stárnutí“ informací. Při vyrovnávání časové řady je zvolená délka období výrazně kratší, než je celé minulé období, za které máme časovou řadu nashromážděnou. V následujících krocích do výpočtů zařazujeme i další známá pozorování, čímž se model neustále adaptuje na nově přicházející informace. Proces adaptace probíhá až do vyčerpání posledního, nejnovějšího údaje časové

řady. Mezi adaptivní metody řadíme exponenciální vyrovnání a vyrovnání klouzavými průměry (výpočty jsou uvedeny v části 3.4).

Exponenciální vyrovnání Podstatou exponenciálního vyrovnání je modifikace metody nejmenších čtverců, používané při tvorbě modelu tak, aby váhy jednotlivých čtverců v minimalizovaném součtu směrem do minulosti exponenciálně klesaly. Jedná se tedy o váženou metodu nejmenších čtverců s exponenciálně klesajícími váhami. Váhy jsou dány tzv. vyrovnávací konstantou α, přičemž se předpokládá, že 0<α<1. Problémem ovšem je volba vhodné vyrovnávací konstanty. Existují různé postupy vedoucí k volbě této konstanty, současně ale řada autorů doporučuje v ekonomických aplikacích volit konstantu v rozmezí 0,7≤α<1, která umožňuje dosáhnout vcelku uspokojivé výsledky. V zásadě lze rozdělit exponenciální vyrovnávání na dva základní typy: • Brownovo – má jednu vyrovnávací konstantu a je vhodné především pro řady rychle měnící svůj průběh, bez výrazného trendu a sezónnosti;

21

• Holtovo – má dvě vyrovnávací konstanty a je vhodné především pro řady s výrazným trendem bez přítomnosti sezónní složky.

Podle stupně polynomu, použitého pro vyrovnání v metodě exponenciálního vyrovnávání, je možné dále dělit tyto metody na: • jednoduché exponenciální vyrovnávání – předpokládá se, že trend lze v krátkých úsecích považovat za konstantní; • dvojité exponenciální vyrovnávání – předpokládá se, že trend lze v krátkých úsecích považovat za lineární (Hindls, Hronová, Novák, 2000, str. 129).

Klouzavé průměry Modelování trendu pomocí klouzavých průměrů se používá tehdy, je-li vývoj řady v důsledku silného vlivu nesystematické složky nerovnoměrný, nebo má-li extrémní hodnoty. Známe klouzavé průměry: •

prosté,

•

vážené,

•

centrované.

Vyrovnání pomocí klouzavých průměrů se provede tak, že z řady pozorovaných hodnot vytvoříme řadu průměrů vypočítaných z těchto hodnot. Každý průměr přitom reprezentuje určitou, v řadě na sebe navazující skupinu hodnot. Při postupném výpočtu průměrů kloužeme vždy o jedno pozorování dopředu. Vždy, když přibereme následující nové pozorování, vypustíme ze skupiny to nejstarší a průměr vypočítáme z takto nově vzniklé skupiny. Důležité je stanovit počet pozorování (tzn. počet hodnot), ze kterých budou tvořeny jednotlivé průměry. Hledáme délku tzv. klouzavé části.

22

Volba délky je obtížná, snažíme se ji stanovit na základě věcné analýzy zkoumaného ekonomického jevu. V časových řadách se sezónností je délka klouzavé části určena počtem sezón. Většinou se volí klouzavé části kratší délky, např. p = 2, 3, 4, potom m = 5, 7, 9, vypočítané dle vztahu m = 2p +1, přičemž m < n, kde n je celkový počet pozorování analyzované řady. Nyní je potřeba identifikovat jednotlivé klouzavé části, a to za pomoci jejího středního bodu. Je-li m liché číslo, pak p bude dle vztahu p = (m-1)/2 sudé. Středním bodem první klouzavé části je (p+1) bod, středním bodem poslední klouzavé části je bod s pořadovým číslem (n – p). Je-li m sudé číslo, budeme počítat tzv. centrovaný klouzavý průměr. V tomto případě nelze přiřadit hodnoty klouzavých průměrů přímo k empirickým pozorováním dané časové řady, a proto budeme počítat tzv. centrovaný klouzavý průměr. Střední bod t nebude tedy celočíselný a klouzavé průměry budou přiřazeny vždy ke střednímu bodu t, nacházejícímu se mezi dvěma empirickými hodnotami. Následující hodnota klouzavého průměru bude přiřazena střední hodnotě t+1, která je opět neceločíselná. Celočíselný je však bod (t + t+1)/2, který leží mezi oběma předchozími body. Hodnota odpovídající tomuto bodu je centrovaným klouzavým průměrem. Vypočítat jej lze buď jako aritmetický průměr dvou sousedních klouzavých průměrů, nebo pomocí systému vah pro (m+1)-členné klouzavé průměry.

2.2.3 Volba vhodného modelu trendu Modely trendů lze hodnotit pomocí různých metod, v této práci budou však použity pouze vybrané míry vycházející z reziduálního součtu čtverců. Jsou jimi tyto: 1) Mean Error (M.E.) – střední chyba odhadu, 2) Mean Squared Error (M.S.E.) – střední čtvercová chyba odhadu, 3) Mean Absolute Error (M.A.E) – střední absolutní chyba odhadu, 4) Mean Absolute Percentage Error (M.A.P.E.) – střední absolutní procentní chyba odhadu, 5) Mean Percentage Error (M.P.E.) – střední procentní chyba odhadu. Výpočty těchto charakteristik jsou uvedeny v části 3.5.

23

2.3 Analýza sezónní složky Sezónní složka reprezentuje v modelu časové řady existenci sezónních vlivů. S těmito vlivy se téměř vždy setkáváme při analýze časových řad s periodicitou zjišťování kratší než jeden rok. Jde o vlivy způsobené pravidelným koloběhem Země kolem Slunce, nejčastěji jsou to vlivy klimatické (střídání ročních období), nebo vlivy vycházející ze společenských standardů a zvyklostí (státní svátky, víkendy apod.). Působením těchto vlivů dochází k pravidelným, v určitých intervalech opakujícím se výkyvům vůči určitému nesezónnímu vývoji řady (Hindls a kol., 2002, str. 302). Cílem analýzy sezónní složky je za prvé kvantifikace sezónní složky za účelem její analýzy a za druhé výpočet sezónně očištěné časové řady. Ještě než se přistoupí ke kvantifikaci sezónní složky, měla by se provést procedura testující oprávněnost zařazení sezónního parametru do modelu. K tomu lze použít test hypotézy o existenci sezónnosti, jehož výpočet je spolu s postupem analýzy sezónnosti uveden v části 3.6.

Sezónní složka se odhaduje pomocí sezónních průměrů (aditivní model) nebo pomocí

sezónních indexů (multiplikativní model). Sezónní průměry interpretujeme ve stejných měrných jednotkách jako původní časovou řadu, sezónní indexy se interpretují v procentech (Arlt, Arltová, Rulíková, 2002, str. 65). Sezónnost může být modelována jako sezónnost

proporcionální nebo sezónnost konstantní.

Proporcionální sezónnost je taková, jejíž amplituda výkyvu se zvyšuje s rostoucím trendem a snižuje s klesajícím trendem. Je-li však časová řada bez trendu, pak je amplituda výkyvu stále stejná. V tomto případě se sezónní výkyv a trendová složka spolu skládají násobením a charakteristikou sezónního kolísání je sezónní index.

U konstantní sezónnosti se amplituda nemění v závislosti na trendové složce, ale chová se stejně jako proporcionálně chápaná sezónnost v časové řadě bez trendové složky. Zde je měřítkem sezónního kolísání absolutní číslo – sezónní konstanta, resp. sezónní průměr.

24

Pro popis periodického chování časové řady lze využít také tzv. model skrytých period, což je ekvivalentní označení pro harmonickou analýzu. Základem této koncepce je popis hodnot

časové řady směsí sinusovek a kosinusovek o rozličných amplitudách a frekvencích. Věcně si lze představit časovou řadu jako výsledek součtu „H“ harmonických členů (tzv. harmonik). Jde o proces vytvořený velkým počtem vzájemně se prolínajících goniometrických křivek, kdy některé z nich se ve svých účincích navzájem doplňují, jiné eliminují, až je jejich výslednicí právě uvažovaný proces yt (Vídeňský, 2001, str. 34). Harmonickou analýzu lze použít také při analýze cyklické složky. V tomto případě se postup aplikuje na řadu náhodných složek, kterou jsme očistili od sezónnosti a současně jsme eliminovali trend.

25

26

3. Použité metody Tato část obsahuje obecné metody používané při analýze časových řad. Uvedené metody doplňují text předchozí části. Zahrnují především vzorce, slovní popis postupu výpočtů a v některých případech také příklady. Méně obsáhlá je část věnovaná exponenciálnímu vyrovnání. Výpočty spadající do této oblasti byly provedeny pomocí statistického programu UNISTAT.

3.1 Výpočet chronologického průměru Prostý chronologický průměr použijeme v případě, že je délka mezi jednotlivými časovými okamžiky stejná. Bude-li délka mezi nimi rozdílná (tzn. nebude konstantní), použijeme vážený chronologický průměr, kde vahami budou délky příslušných intervalů. Samotné výpočty provádíme dle následujících vzorců: a) Vzorec pro prostý chronologický průměr

y1 + y 2 y 2 + y3 y + yk 1 1 + + ... + k −1 y1 + y 2 + ... + y k −1 + y k 2 2 2 2 , y= = 2 k −1 k −1

b) vzorec pro vážený chronologický průměr

y + y3 y1 + y 2 y + yk d1 + 2 d 2 + ... + k −1 d k −1 2 2 2 y= . d1 + d 2 + ... + d k −1

27

Použity jsou hodnoty okamžikových ukazatelů y1, y2, …, yT pro T časových okamžiků, které značíme t1, t2, …, tT . Ve vzorci pro vážený chronologický průměr jsou symbolem di označeny délky intervalů.

3.2 Výpočet elementárních charakteristik Diference prvního řádu neboli absolutní přírůstky (úbytky) nám říkají, jaká je změna hodnoty ukazatele v čase t oproti hodnotě ukazatele v čase t-1. V matematickém vyjádření tedy:

∆1t = yt − yt −1 , kde t = 2, 3, …, T. Výpočet diference druhého řádu se vztahuje k časové řadě tvořené diferencemi prvního řádu a jde o změny absolutních přírůstků (úbytků) v čase t oproti absolutním přírůstkům (úbytkům) v čase t-1.

∆2t = ∆1t −∆1t −1, kde t = 2, 3, …, T. Diferencováním druhé diference, dostaneme diferenci třetího řádu a takto lze postupovat i dále. Diferencování má v analýze časových řad velký význam. Používá se při modelování trendu časových řad k výběru vhodné trendové funkce, nezastupitelná je jeho role při stochastickém modelování časových řad.

Tempo růstu je podíl hodnoty ukazatele v čase t a hodnoty ukazatele v čase t-1. Z výsledného koeficientu lze po vynásobení stem odečíst, jaká je procentická změna sledovaných hodnot.

kt =

yt , y t −1

kde t = 2, 3, …, T.

28

Průměrné tempo růstu se určuje jako geometrický průměr z jednotlivých temp růstu podle vzorce: k = (k 2 k 3 ...k n )

1 n −1

= n −1 k 2 k 3 ...k n .

Koeficienty růstu se kromě přímého použití pro charakterizování dynamiky časové řady používají jako jedno z kritérií pro nalezení vhodné trendové funkce.

3.3

Postupy analytických metod vyrovnání časové řady

3.3.1 Lineární trendová funkce Tato funkce je matematicky popsána ve tvaru přímky Tt = β0 + β1t, kde β0 a β1 jsou neznámé parametry a t = 1, 2, …, n je časová proměnná. Odhad neznámých parametrů β0 a β1 provedeme pomocí zmíněné OLS metody. Prakticky to znamená vyřešit soustavu dvou rovnic, z nichž získáme odhady parametrů: b 0 = y − b1 t , b1 =

∑ ty − t ∑ y ∑ t − nt t

2

3.3.2 Kvadratická trendová funkce Kvadratická funkce (parabolický trend) má podobu

29

2

t

.

Tt = β0 + β1t + β2 t 2 , kde β0, β1, a β2 jsou neznámé parametry a t = 1, 2, …, n je časová proměnná. Také v tomto případě můžeme pro odhad parametrů použít OLS metodu, protože trendová funkce je lineární v parametrech. Budeme zde řešit tři normální rovnice, ze kterých získáme odhady parametrů:

b0 =

∑ y ∑ t′ − ∑ t′ ∑ y t′ n ∑ t ′ − (∑ t ′ )

b1 =

∑ y t′ , ∑ t′

4

2

t

t

4

2 2

2

,

t

2

n ∑ y t t ′2 − ∑ y t ∑ t ′2 b2 = . n ∑ t ′4 − ( ∑ t ′2 ) 2

3.3.3 Exponenciální trendová funkce Tuto trendovou funkci lze zapsat ve tvaru Tt = β0β1t , kde β0, β1 jsou neznámé parametry a t = 1, 2, …, n je časová proměnná. Protože tato funkce není lineární v parametrech, nelze k odhadu parametrů použít metodu nejmenších čtverců přímo, ale musíme nejdřív provést linearizující transformaci.

30

Tt = β0β1t převedeme logaritmickou transformací na funkci log Tt = log β0 + t * log β1t . Tato nová funkce je již lineární v parametrech, takže lze dále použít metodu OLS, jejímž výsledkem bude odhad parametrů:

log b 0 =

log b1 =

∑ log y n

t

,

∑ t′ log y ∑ t′ 2

t

.

Nicméně použití metody odhadu linearizující transformací dává většinou zkreslené a nekonzistentní odhady. Zlepšení statistických vlastností výsledku lze dosáhnout tím, že místo OLS metody použité výše, použijeme váženou metodu nejmenších čtverců. Rozdíl v těchto metodách je ten, že u vážené metody OLS násobíme výchozí funkci minimalizující

Q = ∑ (log y t − log Tt ) 2 w t ...min . Teoretické i praktické

čtvercovou odchylku váhou wt ⇒

zkušenosti prokázaly, že je účelné použít pro váhu w t = y 2t . Po provedení následujících kroků metody získáme odhady parametrů:

log b 0

∑y =

log b1

∑y =

2 t

2 t

log y t ∑ t 2 y 2t − ∑ ty 2t ∑ ty 2t log y t

∑y ∑t y 2 t

2

2 t

− (∑ ty t2 ) 2

log y t ∑ ty 2t − ∑ ty 2t ∑ ty 2t log y t

∑y ∑t y 2 t

2

31

2 t

− (∑ ty t2 ) 2

.

,

3.4 Postupy adaptivních metod vyrovnání při analýze časových řad 3.4.1 Brownovo dvojité (lineární) exponenciální vyrovnání Při této metodě platí Yt = β0 + β1t. Odhady parametrů β0 a β1 v čase t se vypočítají ze vztahů β0 = 2R t − R ′′t , β1 =

(1 − α) (R t − R ′′t ), α

kde ∞

R t = (1 − α)∑ α j y t − j = (1 − α)y t + αR t −1 je jednoduchá vyrovnávací statistika, j= 0 ∞

R ′′t = (1 − α)∑ α jR t − j = (1 − α)R t + αR ′′t −1 je dvojitá vyrovnávací statistika. j= 0

3.4.2 Holtovo exponenciální vyrovnání Vycházíme opět z předpokladu lineárního trendu. V terminologii exponenciálního vyrovnání vzniká lineární trend tak, že k úrovni v čase t (Ut) je přičten trend v čase t (Trt) a vzniká úroveň v čase t+1 (Ut+1), k té je přičten trend v čase t+1 (Trt+1) a vzniká úroveň v čase t+2 (Ut+2) atd. Uvedený proces lze zapsat do vztahu

32

ˆ = αy + (1 − α)(U ˆ + Tr ˆ ), U t t t −1 t −1 ˆ = β(U ˆ −U ˆ ) + (1 − β)Tr ˆ . Tr t t t −1 t −1

Vyrovnaná hodnota v čase t je reprezentována úrovní v tomtéž čase.

3.4.3 Klouzavé průměry Prosté klouzavé průměry Při použití prostých klouzavých průměrů předpokládáme, že na klouzavých částech je definován lineární trend. Jednotlivé průměry vypočítáme dle vzorce

b 0t = y t =

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

kde t = p+1. Tento vzorec bývá také zapisován ve formě symbolu

1 (1,1,1,...,1), přičemž m

počet jedniček v závorce = m.

Vážené klouzavé průměry U vážených klouzavých průměrů předpokládáme, že klouzavou část vyrovnané řady lze popsat parabolickou trendovou funkcí. Vzorec pro výpočet vážených klouzavých průměrů je b 0t = y t =

p

∑ Wy

i =− p

i

t,i

, kde t = p + 1, p + 2,..., n − p,

a Wi =

3 (3m 2 − 7 − 20i 2 ), kde i = − p,..., −1, 0,1..., p. 4m(m 2 − 4)

33

Pomocí výpočtu vah Wi tedy zjistíme vážený klouzavý průměr pro každou střední hodnotu klouzavé části. Jelikož jsou váhy klouzavých průměrů invariantní na časovém bodu t, lze při výpočtech použít jejich tabelované hodnoty. V praxi se nejvíce používá pětičlenný, sedmičlenný a devítičlenný klouzavý průměr. Systém vah pro tyto a další klouzavé průměry je uveden v následující tabulce:

Tabulka 3: Systém vah klouzavých průměrů Délka klouzavé části (m) 3 5 7 9 11 13 15 17 19 21

Váhy (0,1,0) 1/35(-3,12,17,12,-3) 1/21(-2,3,6,7,6,3,-2) 1/231(-21,14,39,54,59,54,39,14,-21) 1/429(-36,9,44,69,84,89,84,69,44,9,-36) 1/143(-11,0,9,16,21,24,25,24,21,16,9,0,-11) 1/1105(-78,-13,42,87,122,147,162,167,…) 1/323(-21,-6,7,18,27,34,39,42,43,…) 1/2261(-136,-51,24,89,144,189,224,249,264,269,…) 1/3059(-171,-76,9,84,149,204,249,284,309,324,329,…)

3.5 Výpočet měr „úspěšnosti“ trendových funkcí

M.E. =

∑ (y

M.A.E. =

t

− Tt )

n

∑y

t

M.S.E. =

,

− Tt

n

 y − Tt M.P.E. = ∑  t  yt

∑ (y

t

− Tt ) 2

n

,

 y − Tt M.A.P.E. = ∑  t  yt

,

 100 . .  n

34

 100 , .  n

3.6 Výpočty k analýze sezónnosti 3.6.1 Test hypotézy o existenci sezónnosti Posloupnost dílčích období v roce (sezón) je značena jako j = 1, 2, …, r, kde r = počet dílčích období v roce (sezón). V praktických aplikacích lze předpokládat, že r je sudé číslo (např. 4 pro řady s čtvrtletní periodicitou nebo 12 pro řady s měsíční periodicitou). Posloupnost i = 1,

2, …, m je posloupnost časové proměnné, kde m je počet období (např. let). Prvním krokem je formulace nulové a alternativní hypotézy ⇒

H0: βj = 0, j = 1, 2, …, r,

H1: βj ≠ 0 alespoň pro některou sezónu j = 1, 2, …, r.

Jako testové kritérium je použita statistika r

m ∑ (y. j − y) 2 F=

j=1

(r − 1)σ2

,

kde m

r

∑∑ (y σ2 =

i =1 j=1

ij

m

r

i =1

j=1

− y) 2 − r ∑ yi. − y)2 − m ∑ (y. j − y) 2 (r − 1)(m − 1)

.

Při platnosti H0 má statistika rozdělení F s (r-1) a (r-1)(m-1) stupni volnosti. Kritickou hodnotu určující obor přijetí pak nalezneme v tabulce kvantilů F rozdělení pro dané stupně volnosti při určité hladině významnosti (např.hladina významnosti je 5 %, pak hledáme F0,95 ).

3.6.2 Proporcionální sezónnost Využitím tzv. empirických sezónních indexů lze sestavit triviální model proporcionální sezónnosti

35

Yij = I j ⋅ Tij ,

kde Yij jsou vyrovnané hodnoty časové řady, Tij je trendová složka a I j je empirický sezónní index vypočítaný ze vztahu 1 m yij Ij = ∑ , k i =1 Tij

pro j = 1, 2,..., r. Pro sezónní indexy by mělo platit

r

∑I j=1

j

= m.

3.6.3 Konstantní sezónnost Budeme-li předpokládat, že trend analyzované časové řady můžeme popsat lineární funkcí, počítáme následující model konstantní sezónnosti s lineárním trendem. yij = α 0 + α1 (t ij + t ) + β j + εij , kde i = 1, 2,..., m a j = 1, 2,..., r. βj pro j = 1, 2,..., r jsou neznámé sezónní parametry. Odhad r+2 parametrů získáme řešením rovnic: a0 = y =

a1 =

1 m r ∑∑ yij , rm i =1 j=1

m 1 12 ∑ (i − i )yi. , r m(m 2 − 1) i =1

b j = (y. j − y) − ( j − j)a1 ,

36

přičemž průměry yi. , y. j se vypočítají:

yi. =

1 r ∑ yij , r j=1

y. j =

1 m ∑ yij. m i =1

3.6.4 Harmonická analýza Matematickým základem této koncepce je trigoniometrický polynom udávaný ve tvaru

H

H

j=1

j=1

y t = A 0 + ∑ a j ⋅ sin w j t + ∑ b j ⋅ cos w j t + ε t ,

kde t = 1, 2,..., n, H =

n (n − 1) pro n sudé, případně H = pro n liché, 2 2

wj =

2πj , n

pro j = 1, 2,..., H.

Frekvence wj se udává v radiánech za časovou jednotku, kterou tvoří časový interval mezi dvěma sousedními pozorováními řady. Fourierova perioda má rozměr času t a nazývá se délkou periody. Udává dobu, během níž proběhne jeden cyklus a platí pro ni vztah

τj =

2π n = . wj j

37

Čím jsou jednotlivé koeficienty j-té harmoniky aj, bj odlišnější od nuly, tím mají jednotlivé harmoniky významnější přínos pro popis časové řady. Můžeme-li předpokládat, že trend v časové řadě je konstantní (pokud ne, odečteme od všech hodnot jejich aritmetický průměr), potom je možno psát vztah jako

r

r

j=1

j=1

Yt = Tt + Pt = A 0 + ∑ a j ⋅ sin w j t + ∑ b j ⋅ cos w j t.

Uvedený model se nazývá model skrytých period. Odhady parametrů získáme řešením rovnic

A0 =

1 n ∑ y t = y, n t =1

aj =

2 n ∑ yt sin w jt, n t =1

bj =

2 n ∑ yt cos w jt, n t =1

kde j = 1, 2,..., r .

38

4. Výsledky a diskuze 4.1 Agrární sektor ČR v roce 2005 4.1.1 Agrární sektor z národohospodářského hlediska Postavení agrárního sektoru v národním hospodářství lze změřit pomocí podílu na HDP, který podle statistiky národních účtů byl v roce 2005 2,98 %. Podíl samostatného odvětví zemědělství na tvorbě HDP byl v roce 2005 1,06 %.

Tabulka 4: Přehled národohospodářských ukazatelů ČR Ukazatel Podíl na HDP1) v b. c. - podle statistiky národních účtů (%) - odvětví zemědělství, lesnictví a rybolovu z toho - odvětví zemědělství2) - výroba potravin, nápojů a tabákových výrobků Podíl zemědělství3) na HDP v b. c. - podle SZÚ (%) Podíl agrárního zahraničního obchodu (%) - na celkovém vývozu - na celkovém dovozu - na záporném saldu ZO ČR Podíl vydání za potraviny, nápoje a tabákové výrobky na celkových spotřebních výdajích domácností (%) z toho za potraviny a nealkoholické nápje Podíl na celkové zaměstnanosti v NH4) (%) - odvětví zemědělství, lesnictví a rybolovu z toho - odvětví zemědělství - výroba potravinářských výrobků, nápojů a tabákových výrobků Poměr průměrné měsícní mzdy v odvětví zemědělství k průměrné měsíční mzdě v NH (%) Podíl na celkových výdajích státního rozpočtu (%) - dovětví zemědělství5) Podíl výdajů státního rozpočtu pro odvětví zemědělství na HDP v b. c. (%) 1)

2004

2005

3,30

2,98

2,63 3,11 1,58 3,57 5,35 121,10

2,31 3,17 1,06 4,15 5,65 -

24,07

23,60

21,18

20,73

4,30

3,98

3,46 3,09

3,16 2,96

71,79

71,65

3,40 1,07

5,01 1,58

Vypočteno z hrubé přidané hodnoty v běžných cenách (údaje týkající se HPH neobsahují revize ČSÚ provedené po 14. 4. 2006 2) Včetně nezemědělských činností zemědělských podniků, myslivosti a souvisejících činností. 3) Zemědělská prvovýroba, poskytované zemědělské služby a neoddělitelné nezemědělské činnosti 4) Podle metodiky ILO 5) Podle odvětvového třídění rozpočtových výdajů (výdaje z kapitoly MZe i dalších ústředních kapitol)

Zdroj: Zpráva o stavu zemědělství ČR za rok 2005

39

V oblasti zahraničního obchodu došlo v roce 2005 oproti roku 2004 ke zvýšení podílu agrárního zahraničního obchodu jak na celkovém vývozu, tak na celkovém dovozu. Poněvadž přírůstek vývozu výrazně převýšil přírůstek dovozu (o více než 6 mld. Kč), snížilo se o tento rozdíl záporné saldo agrárního zahraničního obchodu z předchozího roku. Podíl zaměstnanosti za odvětví zemědělství, lesnictví a rybolovu se na celkové zaměstnanosti v národním hospodářství v roce 2005 podílel 3,98 %, což představuje snížení oproti roku 2004 o 0,32 %. V absolutním vyjádření bylo podle statistiky ČSÚ čistě v zemědělství v roce 2005 zaměstnáno 183 648 pracovníků, z toho 61 981 žen. Průměrná měsíční mzda zaměstnanců v zemědělství je i nadále velmi nízká, v roce 2005 činila 12 833 Kč a byla tedy téměř o 30 % nižší, než průměrná mzda v národním hospodářství. Podíl výdajů na celkových výdajích státního rozpočtu do tohoto odvětví se zvýšily, a to o 1,61 % oproti roku 2004. V oblasti tržeb za vlastní výrobky a služby v zemědělství došlo během 2. čtvrtletí 2005 ke zvýšení proti srovnatelnému období předchozího roku o 1,5 mld. Kč a v běžných cenách vzrostly o 6,5 %. Nárůst tržeb byl ovlivněn zvýšeným prodejem uskladněných produktů rostlinné výroby ze sklizně předchozího roku.

4.1.2 Agrární zahraniční obchod V českém agrárním zahraničním obchodě hrají v současné době největší roli členské země EU 25. Hodnota vývozu v rámci agrárního obchodu se státy EU 25 v roce 2005 činila 66 011,1 mil. Kč (2 216,3 mil. EUR) a stoupla meziročně o 13 817,5 mil. Kč (580,4 mil. EUR), tj. o 26,5 %, resp. o 35,5 %. Rovněž hodnota dovozu ze zemí EU 25 (92 589,1 mil. Kč, resp. 3 108,7 mil. EUR) se zvýšila o 9 381,2 mil. Kč (o 500,7 mil. EUR), tj. o 11,3 %, resp. o 19,2 %. Největšími dovozci domácí zemědělské produkce v roce 2005 byli Slovensko (20 896 mil. Kč), Německo (18 308 mil. Kč) a Polsko (7 143 mil. Kč). Naopak největší vývozci, jejichž produkce směřovala na český trh, byli Německo (26 912 mil. Kč), Polsko (12 593 mil. Kč), Slovensko (10 447 mil. Kč) a Nizozemí (9 586 mil. Kč).

40

V komoditní skladbě AZO3 zůstaly v roce 2005 nejvýznamnějšími komoditními agregacemi agrárního vývozu mléko a mléčné výrobky, cukr a cukrovinky, nápoje a lihové tekutiny, obiloviny, různé potravinářské přípravky a dále pak olejnatá semena. Podíl uvedených šesti, z celkových 24 komoditních agregací na celkovém agrárním vývozu ČR v roce 2005 byl 55,11 %. V rámci podstatně diverzifikovanější struktury agrárního dovozu do ČR bylo zaznamenáno meziroční zvýšení exportu téměř u všech zbožových skupin, avšak změny jeho hodnot byly oproti vývozu podstatně menší. Rozhodujícími dovozními agregacemi jsou dlouhodobě ovoce a ořechy, maso a jedlé droby, různé potravinářské přípravky, mléko a mléčné výrobky, nápoje a lihové tekutiny, zbytky a odpady v potravinářském průmyslu, zelenina a hlízy, přípravky z obilovin. Podíl uvedených osmi komoditních agregací na celkovém agrárním dovozu v roce 2005 představuje 56,78 %. Největší meziroční změnou v komoditní skladbě agrárního dovozu bylo zvýšení hodnoty importu masa a drobů o 3 067,1 mil. Kč (42,4 %), mléka a mléčných výrobků o 1 687,5 mil. Kč (30,4 %), ovoce a ořechů o 1 169,6 mil. Kč (11,2 %) a různých potravinářských přípravků o 813,5 mil.Kč (10,2 %). Naproti tomu meziroční pokles dovozu byl zaznamenán především u komoditních agregací zbytky a odpady v potravinářském průmyslu, krmivo a živočišné a rostlinné tuky a oleje.

4.1.3 Faktory ovlivňující agrární sektor V posledních dvou letech měly významný dopad na agrární sektor podpory plynoucí ze zdrojů EU. Pokračuje také příznivý trend alokace úvěrů do zemědělství, myslivosti i rybolovu. Investičně pozitivně působí skutečnost, že se zvyšuje celkový objem střednědobých a dlouhodobých úvěrů. Příčinami růstu úvěrů jsou příznivé úrokové podmínky a narůstající ochota bank půjčovat zemědělským podnikatelům. Zlepšující se situace je obecně dána platnými pravidly podpůrné politiky v rámci SZP a v neposlední řadě sílícím vlivem zahraničních finančních institucí.

3

AZO – agrární zahraniční obchod

41

Tabulka 4.1: Přehled úvěrů v zemědělství Ukazatel Úvěry a pohledávky za klienty celkem z toho - krátkodobé (do 1 roku) - střednědobé (1 - 5 let) - dlouhodobé (nad 5 let) Investiční úvěry celkem

2004

2005

21728,8 4908,5 6379,0 10441,3 13351,5

22607,6 4419,0 6962,2 11226,4 14705,9

Meziroční index 104,0 90,0 109,1 107,5 110,1

Zdroj: Zpráva o stavu zemědělství ČR za rok 2005

Vliv na podnikatelské prostředí v daném sektoru mají také faktory ovlivňující obchod a vývoj cen na agrárním trhu. Mezi hlavní patří: •

nestabilní trh se zemědělskými komoditami, do kterého musel vstupovat stát se svými regulačními opatřeními,

•

pokračující liberalizace zahraničního obchodu,

•

působení velkých nadnárodních obchodních řetězců na český trh a konkurenční boj o zákazníka zejména prostřednictvím cen; tento tlak na spotřebitelské ceny byl přes zpracovatele přenášen na prvovýrobce,

•

vývoj kurzu koruny související s obchodní pozicí českých producentů na zahraničních trzích,

•

klimatické podmínky způsobující meziroční kolísání produkce.

Souhrnné meziroční srovnání cen zemědělských výrobců v lednu 2007 dle údajů ČSÚ ⇒ ceny zemědělských výrobců byly vyšší o 11,8 % (v prosinci o 8,1 %); ceny rostlinných výrobků vzrostly o 31,3 % (v důsledku výrazně vyšších cen brambor o 174,0 %, obilovin o 30,5 % a olejnin o 18,4 %); ceny živočišných výrobků klesly o 4,2 % (nižší byly ceny prasat o 7,9 %, mléka

o

4,3

%

a

drůbeže

o

5,3

%,

42

vzrostly

ceny

vajec

o

7,9

%).

Zemědělské podnikání je vzhledem ke svému charakteru výroby vystaveno vysoké míře rizika. Nejčastější rizika vyplývají z nestability trhu, ekonomické odpovědnosti za škody způsobené zemědělskou činností na životním prostředí, ze škod způsobených jinými sektory s dopadem na zemědělství, ale zejména ze škod způsobených klimatickými, povětrnostními a biologickými vlivy. Dopady škod vzniklých z titulu působení výše uvedených faktorů je možno do určité míry eliminovat strukturálními změnami výroby (restrukturalizací a diverzifikací), zvýšenou flexibilitou a dále rozdělováním, přesunem a pojištěním rizika. Zemědělské pojištění v roce 2005 nabízely Česká pojišťovna, a. s., Generali pojišťovna, a. s., a Hasičská vzájemná pojišťovna, a. s.

4.1.4 Obecné údaje o pěstování a produkci zemědělských komodit v ČR Celková výměra zemědělského půdního fondu České republiky je 4 259 tis. ha, tj. 54,1 % celkové rozlohy státu. Její největší část připadá na ornou půdu, jejíž rozloha však stále klesá a naopak dochází ke zvětšování plochy trvale travních porostů. Tento trend je pozitivní především v oblastech, které nemají příznivé podmínky pro intenzivní využívání půdy. Podle kriterií EU bylo více než 60 % zemědělské půdy zařazeno do méně příznivých oblastí a oblastí s ekologickým omezením. Společným cílem těchto oblastí je zajistit rozvoj multifunkčního zemědělství.

Tabulka 4.2: Rozdělení pozemků dle užití Druh pozemku Zemědělská půda celkem Orná půda Chmelnice Vinice Ovocné sady Zahrady Trvalé travní porosty

Výměra (ha) 4 259 480 3 047 249 10 967 18 670 46 994 161 811 973 789

Podíl výměry (%) 100,00 71,54 0,26 0,44 1,10 3,80 22,86

Zdroj: Zpráva o stavu zemědělství ČR za rok 2005

43

V České republice se pěstují všechny plodiny odpovídající zeměpisné charakteristice a zdejším klimatickým podmínkám. V rámci rostlinné výroby jsou to hlavní druhy obilovin (pšenice, žito, ječmen, oves, kukuřice), cukrová řepa, brambory, olejniny, len, chmel, ovoce, zelenina a vinná réva. V živočišné výrobě převažuje chov skotu, prasat a drůbeže. V rozsáhlé síti chovných rybníků se pěstitelé zaměřují na chov kaprů.

Nezemědělské vedlejší činnosti 3%

Produkce zemědělských služeb Vejce 2% 2% Mléko 21%

Obiloviny 18%

Drůbež 6%

Technické plodiny 13%

Krmné plodiny 7% Zelenina a zahradnické výrobky 4%

Prasata 12% Skot 7% Brambory Ovoce 1% 3%

Ostatní rostlinné a živočišné výrobky 1%

Obr. 4: Struktura produkce zemědělského odvětví v ČR v roce 2006 /Zdroj: ČSÚ/

V následující tabulce je znázorněn vývoj sklizňových ploch, výnosů a sklizně vybraných plodin rostlinné výroby. U obilovin vidíme, že přestože došlo ke zvýšení sklizňové plochy, byla sklizeň i výnosy oproti roku 2004 nižší. V pěstování brambor došlo ke změně struktury, patrný je odklon od pěstování raných brambor a přesunutí zájmu k statním typům. Tento krok vedl k průměrnému zvýšení výnosů o 5,5 % oproti roku 2004. Také u technické cukrovky

44

došlo ke zvýšení výnosů zhruba o 3 t/ha. Vzhledem k souběžnému snížení sklizňové plochy lze říci, že na zvýšení výnosů se podílely jiné faktory, především vyšší produktivita práce. Tabulka 4.3: Základní údaje o plochách, výnosech a sklizni vybraných komodit rostlinné výroby Plodina Pšenice ozimá Pšenice jarní Žito Ječmen ozimý Ječmen jarní Oves Kukuřice na zrno Ostatní obiloviny vč. triticale OBILOVINY CELKEM Luskoviny jedlé Brambory - rané - ostatní Cukrovka technická Řepka na semeno Mák Ostatní olejniny Len - stonky Kukuřice na zeleno a siláž Víceleté pícniny na o.p. Trvalé trav. porosty (píce v seně) Chmel Vinné hrozny

Sklizňová plocha (ha) 2004 2005 801 719 762 792 61 442 57 647 59 209 46 903 115 605 124 804 353 390 396 723 58 572 51 666 89 921 98 044 69 493 72 968 1 609 351 1 611 547 21 487 29122 6 379 2 266 29 595 33 805 71 096 65 569 259 460 267 160 27 611 44 611 95 357 87 753 5 365 4 499 213 547 192 501 222 471 220 916 858 116 852 741 5 838 5 672 12 967 14 247

Výnos (t/ha) 2004 2005 5,96 5,15 4,35 3,70 5,29 4,19 5,15 4,40 4,91 4,15 3,88 2,92 6,13 7,17 4,59 3,68 5,46 4,75 3,35 2,70 20,15 18,72 24,78 28,71 50,34 53,31 3,60 2,88 0,90 0,82 1,56 1,74 3,27 2,99 30,26 35,69 6,88 6,75 3,23 3,12 1,08 1,38 5,38 4,39

Sklizeň (t) 2004 2005 4 775 190 3931811 267 333 213228 313 348 196755 595 911 549143 1 734 671 1646233 227 017 151054 551 628 702933 318 703 268694 8 783 801 7659851 71 962 78757 128 531 42418 733 267 970528 3 579 278 3495611 934 674 769377 24 821 36418 148 990 152947 17 557 13474 6 462 231 6 870 443 1 529 688 1 492 127 2 768 948 2 663 906 6 311 7 831 69 733 62 597

Zdroj: Zpráva o stavu zemědělství ČR 2005

Produkce zeleniny a ovoce po zahrnutí sklizně domácností byla proti předchozímu roku nižší. Sklizňová plocha zeleniny České republiky se v roce 2005 meziročně téměř o čtvrtinu snížila a bylo sklizeno 273,4 tis. tun zeleniny (nižší o 15 % proti roku 2004). Ovoce bylo sklizeno 305,7 tis. t, což je proti roku 2004 o 30 % nižší. Z více než 14 tis. hektarů vinic se v roce 2005 sklidilo 62,6 tis. tun hroznů, což je meziroční pokles o 10 %.

45

4.2 Trh brambor v ČR 4.2.1 Základní údaje o plochách, sklizni a výnosech V roce 2006 byly osázené plochy brambor uvedené v Informacích o odhadech výnosů a sklizní vybraných zemědělských plodin v ČR ke dni 15. 10. 2006 podle ČSÚ 30 026 ha. Z dlouhodobého hlediska, jak je vidět v tabulce i v grafu, jde o pokračující klesající trend. Pokles ploch bývá většinou nahrazován vyšším výnosem, ale v roce 2006, díky nepříznivému průběhu počasí, se propad ploch nepodařil kompenzovat. Pokles ploch byl zjištěn u všech skupin brambor v zemědělském sektoru – sadbových, raných i konzumních ostatních a také brambor určených k výrobě bramborového škrobu. Tabulkka 4.4: Vývoj plochy a sklizní vybrané plodiny v letech 2000 až 2006 Plodina Plocha (ha) Brambory celkem

Brambory rané

Brambory ostatní

Sklizeň (t)

2000

2001

2002

2003

2004

2005

2006

69 198

54 137

38 314

35 982

35 974

36 071

30 026

900 843

682 511

861 798

1 013 000

692 174

1 475 992 1 130 477

Výnos (t/ha)

21,33

20,88

23,51

18,97

23,96

28,08

23,05

Plocha (ha)

15 662

11 373

8 599

7 076

6 379

2 266

1 566

Sklizeň (t)

226 433

187 244

157 128

113 790

128 531

42 418

29 585

Výnos (t/ha)

14,46

16,46

18,27

16,08

20,15

18,72

18,89

Plocha (ha)

53 536

42 764

29 715

28 906

29 595

33 805

24 416

Sklizeň (t)

1 249 559

943 232

743 715

568 721

733 267

970 582

583 586

23,34

22,06

25,03

19,67

24,78

28,71

23,90

Výnos (t/ha)

Zdroj: ČSÚ

46

Plocha (tis.ha)

Lineární (Plocha (tis.ha))

160 140

Plocha v tis. ha

120 100 80 60 40 20 0 2000

2001

2002

2003

2004

2005

2006

Rok

Obr. 4.1: Vývoj osevní plochy brambor

Výnosy (t/ha)

Lineární (Výnosy (t/ha))

30

Výnosy v t/ha

25 20 15 10 5 0 2000

2001

2002

2003

2004

Rok

Obr. 4.2: Vývoj výnosů brambor

47

2005

2006

Sklizeň (tis.t)

Lineární (Sklizeň (tis.t))

3500

Sklizeň v tis. t

3000 2500 2000 1500 1000 500 0 2000

2001

2002

2003

2004

2005

2006

Rok

Obr. 4.3: Vývoj sklizně brambor Z prvních dvou grafů je patrné, že velikost plochy určené na pěstování brambor a objem sklizně brambor se během let 2000 až 2006 snížily o více než 50 %. Poměr objemu sklizně a plochy má však mírně rostoucí charakter, jak znázorňuje obrázek 4.2. Z globálního hlediska tedy došlo ke zefektivnění produkce. Je to důsledek toho, že pěstování konzumních brambor se přesouvá do níže položených oblastí. Rozložení pěstební plochy brambor podle krajů České republiky je znázorněno na obrázku 4.4. Největší podíl celkové pěstební plochy brambor se nachází v kraji Vysočina (31 %), následuje kraj Středočeský (23 %) a kraj Jihočeský (15 %).

Brambory jsou náročnou plodinou, u které o výši výnosu a jeho kvalitě rozhoduje řada faktorů, jako jsou například průběh vegetační sezóny vzhledem k počasí či měnící se situace na trhu. Rentabilita pěstování brambor se musí hodnotit za delší období, nelze brát v úvahu pouze dobrý či špatný výsledek jednoho roku.

48

Vysočina

Středočeský

Jihočeský

Pardubický

Královéhradecký

Ostatní

Jihomoravský

15% 31%

5% 5%

6% 15%

23%

Obr. 4.4: Pěstební plocha brambor v roce 2006 podle krajů V prvním odstavci již bylo naznačeno, že se brambory pěstované v ČR dělí do 4 skupin. Jsou to brambory rané, konzumní ostatní, sadbové a brambory na výrobu škrobu. •

Rané brambory – jsou sklizeny v době od 16.5. do 30.6. před ukončením vegetačního cyklu a mají nedozrálou loupající se slupku. U nás jsou sklízeny dle vývoje počasí od konce měsíce května a v červnu. Od počátku marketingového roku 2005/2006 je pro zařazení raných brambor používaná nová metodika v souladu s metodikou používanou v EU. Do této doby byly za brambory rané považovány všechny plochy brambor sklízeny v období červen až srpen. Provedená změna se v daném období podílela na poklesu statistik vykazovaných ploch raných brambor.

•

Brambory konzumní ostatní – jsou sklízeny po dosažení úplné zralosti hlíz, mají dobře vyvinutou a pevnou slupku; jsou obchodovány od 1.7. roku sklizně.

•

Sadbové brambory – jsou určeny pro množení brambor.

49

•

Brambory pro výrobu škrobu – pěstují se za účelem průmyslového zpracování; patří sem odrůdy, které splňují kritéria stanovené vyhláškou č. 381/200 Sb., o metodice zkoušek odrůd brambor pro zápis do Seznamu doporučených odrůd (SDO).

Pro zpestření nabídky trhu se do ČR ještě dovážejí brambory nové, které jsou obchodovány od 1.1. do 15.5. Tyto brambory jsou vyzrálé, s pevnou slupkou. Pěstují se v severní Africe a na středomořských ostrovech, k nám se dováží především z Egypty, Izraele a Maroka. V rámci EU z Německa, jako první země proclení, dále pak z Itálie a Španělska.

4.2.2 Zahraniční obchod s bramborami Od 1.5.2004, kdy se Česká republika připojila k zemím Evropské unie, nejsou na společném území žádná celní a ochranná opatření. Pro obchodní styk se zeměmi, které jsou nečleny, platí předpisy uvedené ve společném celním sazebníku vydaném Nařízením Komise (ES)

č. 1719/2005 ze dne 27. října 2005. Dle tohoto společného celního sazebníku (TARIC) mohou být pro konkrétní země a konkrétní podobu vybraného zboží stanovena různá tarifní i netarifní omezení.

Podle měsíčního přehledu o dovozech se nejvíce brambor do ČR dováží v jarních měsících z důvodu nedostatečné nabídky kvalitních brambor ze zimních skladů v ČR. V současné době stávající sklady v ČR většinou neodpovídají kapacitním a technologickým požadavkům na uskladnění brambor v požadované kvalitě. Brambory konzumní ostatní jsou dováženy do ČR prakticky výhradně ze zemí EU. V roce 2006 bylo nejvíce brambor určených ke konzumaci dovezeno z Řecka, Německa a Itálie. Naopak nejvíce jsme vyvezli na Slovensko a do Polska. Údaje o obchodovaném množství zachycují následující tabulky.

50

Tabulky 4.5 a 4.6: Dovoz a vývoz brambor nových od 1.1. do 30.6. roku 2006 Vybraná země Řecko Itálie Egypt Německo

Dovoz (t) 6710 5435 2767 1119

Vybraná země Slovensko Polsko Rumunsko Německo

Vývoz (t) 2129 1288 385 317

Tabulky 4.7 a 4.8: Dovoz a vývoz brambor konzumních ostatních od 1.7. do 30.9. roku 2006 Vybraná země Německo Slovensko Rakousko Polsko

Dovoz (t) 3028 2342 204 47

Vybraná země Slovensko Polsko Německo Rakousko

Vývoz (t) 1766 1670 984 391

Požadavky na české bramborářství do budoucna se týkají vybudování zemědělských podniků, v jejichž vedení budou odborně schopní manažeři s odpovídajícími znalostmi, kteří budou mít k dispozici moderní technologie pro pěstování a sklizeň brambor. Nedílnou součástí by měly být skladovací prostory umožňující kvalitní příjem a uložení brambor do skladu, ale také náležitou tržní úpravu brambor. Velmi důležité bude i vytvoření podmínek pro skladování případné nadprodukce a dlouhodobé skladování konzumních brambor.

4.3 Trh zeleniny v ČR 4.3.1 Základní údaje o plochách, sklizni a výnosech Zelenina se v České republice pěstuje na celkové výměře zhruba 10 tis. hektarů. Podle údajů

ČSÚ bylo v roce 2006 sklizeno celkem 184,5 tis. tun konzumní zeleniny. Celkové hodnoty sklizně zeleniny v letech 2000 až 2006 mají klesající tendenci. Výrazné snížení nastalo mezi roky 2001 a 2002, což však způsobila především změna ve statistickém zjišťování, kdy od roku 2002 se do údajů nezahrnuje sklizeň domácnosti. Nicméně v daném roce mělo na sklizeň

51

významný dopad také kolísavé počasí. Vrcholem této nepřízně byly povodně, které zničily či poškodily produkci zeleniny z celkové výměry 1440 ha. Další výraznější pokles sklizně (o 21,7 %) byl mezi lety 2004 a 2005. Hlavním důvodem byla nepříznivá tržní situace v roce 2004 (všeobecná nadprodukce zeleniny, levné dovozy a obtížné uplatnění domácí produkce i za ceny pod úrovní nákladů), která vedla zelináře k omezení rozsahu pěstované zeleniny. Velký pokles je zaznamenán u zelí, cibule, květáku, petržele a mrkve.

Tabulkka 4.9: Vývoj plochy, sklizně a výnosů vybrané plodiny v letech 2000 až 2006 Plodina Plocha (ha) Celer Sklizeň (t) bulvový Výnos (t/ha) Plocha (ha) Mrkev Sklizeň (t) Výnos (t/ha) Plocha (ha) Petržel Sklizeň (t) Výnos (t/ha) Plocha (ha) Kedlubny Sklizeň (t) Výnos (t/ha) Plocha (ha) Kapusta Sklizeň (t) Výnos (t/ha) Plocha (ha) Květák Sklizeň (t) Výnos (t/ha) Plocha (ha) Zelí Sklizeň (t) Výnos (t/ha) Plocha (ha) Okurky Sklizeň (t) (nakladačky) Výnos (t/ha) Plocha (ha) Okurky Sklizeň (t) (salátové) Výnos (t/ha) Plocha (ha) Rajčata Sklizeň (t) Výnos (t/ha)

2000 1119 18242 16,30 3152 58596 18,59 1592 15747 9,89 1091 15672 14,36 963 15211 15,80 2040 28558 14,00 3746 133561 35,65 2705 25535 9,44 1142 15122 13,24 1978 30573 15,46

2001 801 12768 15,94 2532 52449 20,71 1053 10732 10,19 816 11724 14,37 697 11656 16,72 1643 22959 13,97 2874 103970 36,18 2201 24575 11,17 831 10766 12,96 1547 25014 16,17

2002 318 4402 13,84 977 27436 28,08 438 4057 9,26 121 1440 11,90 245 3688 15,05 908 11767 12,96 1965 73045 37,17 605 12259 20,26 198 3768 19,03 431 13144 30,50

52

2003 345 6964 20,19 889 24429 27,48 496 3355 6,76 107 1785 16,68 240 3883 16,18 904 12709 14,06 2014 75078 37,28 426 7897 18,54 142 4203 29,60 455 12610 27,71

2004 380 9045 23,80 950 30251 31,84 800 4811 6,01 104 1729 16,63 234 4041 17,27 795 11521 14,49 1897 70662 37,25 302 4813 15,94 87 2955 33,97 474 15707 33,14

2005 285 6139 21,54 714 25184 35,27 427 5452 12,77 121 1690 13,97 141 3130 22,20 486 7779 16,01 1000 49493 49,49 322 6105 18,96 118 4540 38,47 480 15014 31,28

2006 320 7350 22,97 678 25024 36,91 363 5347 14,73 138 2248 16,29 176 3142 17,85 508 7807 15,37 1310 50832 38,80 260 2930 11,27 124 4495 36,25 414 12484 30,15

Plodina Plocha (ha) Sklizeň (t) Výnos (t/ha) Plocha (ha) Sklizeň (t) Výnos (t/ha) Plocha (ha) Sklizeň (t) Výnos (t/ha) Plocha (ha) Sklizeň (t) Výnos (t/ha) Plocha (ha) Sklizeň (t) x

Cibule

Česnek Hrách dřeňový Ostatní zelenina Zelenina celkem

2000 5457 76402 14,00 1391 7111 5,11 2114 7105 3,36 3507 34521 9,84 31997 481956 x

2001 4797 84086 17,53 1018 5405 5,31 2247 9800 4,36 2991 35279 11,80 26048 421183 x

2002 2468 45284 18,35 41 189 4,61 1771 6750 3,81 2181 19846 9,10 12667 227075 x

2003 2754 33735 12,25 38 61 1,61 1123 3648 3,25 2241 20565 9,18 12174 210922 x

2004 2867 63505 22,15 21 104 4,95 1085 6041 5,57 2420 25965 10,73 12416 251150 x

2005 1839 47588 25,88 50 165 3,30 978 5052 5,17 1954 19343 9,90 8915 196674 x

2006 2235 35898 16,06 36 97 2,69 1131 5262 4,65 2270 21640 9,53 9963 184556 x

* Od roku 2002 jsou hodnoty v tabulce bez údajů o sklizních v domácnostech.

Největší podíl na celkové výměře pěstební plochy zeleniny v roce 2006 má cibule (22 %), zelí (13 %) a hrách (11 %). celer bulvový

mrkev

petržel

kapusta

květák

zelí

okurky nakladačky

okurky salátové

rajčata

cibule

česnek

hrách dřeňový

ostatní zelenina

3% 24%

kedlubny

7%

4%

1% 2% 5%

13%

11% 3% 4% 1%

22%

Obr. 4.5: Pěstební plocha jednotlivých druhů zeleniny

53

Zelenina se dělí do několika kategorií, dle charakteristických vlastností na: •

košťálovou (květák, zelí, kapusta, kedluben, brokolice),

•

cibulovou (cibule, pór,…),

•

kořenovou (mrkev, petržel, celer,…),

•

plodovou (paprika, rajčata, okurky,…),

•

luskovou (hrách, fazole,…),

•

listovou (salát, špenát,…).

Pro pěstování sadby a rychlení některých druhů zeleniny se využívají kryté plochy, kterých je na území ČR celkem 42 ha – 19 ha skleníků a 23 ha fóliovníků. U nás se takto nejvíce pěstují rajčata (25 ha), papriky (5 ha) a okurky (5 ha), na 7 ha se pěstuje sadba zeleniny.

4.3.2 Zahraniční obchod se zeleninou V současné době ČR obchoduje nejvíce se zeměmi EU. Dovoz z EU představoval 90% podíl a vývoz do EU 95% podíl na celkovém obchodovaném objemu. Nejvíce zeleniny bylo dovezeno ze Španělska (92 tis. tun), z Polska (76 tis. tun), Nizozemska (64 tis. tun), Německa (58 tis. tun), Maďarska (43 tis. tun) a Itálie (31 tis. tun). Naopak nejvíce vyvezeno bylo do těchto zemí: Slovensko (29,1 tis. tun), Německo (5,7 tis. tun), Maďarsko (4,5 tis. tun) a Polsko (2,5 tis. tun). Komoditní skladba nejvíce dovážené a vyvážené zeleniny v roce 2006 je uvedena v následujících tabulkách. Tabulky 4.10 a 4.11: Dovoz a vývoz vybraných druhů zeleniny v roce 2006 Druh zeleniny Rajčata Okurky salátové Cibule Paprika zeleninová Zelí bílé, červené

Dovoz (t) 63227 49215 39292 36139 17616

Druh zeleniny Rajčata Kapusta, pekingské zelí, kedlubny Mrkev Cibule Zelí bílé, červené

54

Vývoz (t) 7753 5964 4902 2961 2061

4.4 Statistická analýza 4.4.1 Výběr a úprava dat V práci jsou analyzovány ceny čtyř vybraných komodit (cibule, bílé zelí, červené zelí, brambory). Základní soubor je tvořen průměrnými cenami zemědělských výrobců (dále jen ceny), které byly zjišťovány každý sudý týden v období od července 2002 do března 2007. Celkem bylo zjištěno 121 údajů, avšak vzhledem k náročnosti zpracování většího objemu dat, byl základní soubor dále upraven do podoby průměrných měsíčních cen. Data byla redukována na 57 hodnot. Tabulky s cenami jsou uvedeny v příloze 1. Následující grafy znázorňují základní a upravený soubor cen všech sledovaných komodit. Pro jednodušší orientaci v grafech uvádím, že rok má 52 týdnů.

Cibule

Zelí (b)

Zelí (č)

Brambory

14,00 Cena (Kč/kg)

12,00 10,00 8,00 6,00 4,00 2,00 0,00 28/2002 48/2002 16/2003 36/2003 4/2004 24/2004 44/2004 12/2005 32/2005 52/2005 20/2006 40/2006 8/2007 Týden/Rok

Obr. 4.6: Základní soubor cen

Upravený soubor dat, který je graficky znázorněn obrázkem 4.7, je tvořen hodnotami průměrných cen komodit. V tomto případě byl použit vzorec pro výpočet prostého chronologického průměru aplikovaný na zjištěné ceny v příslušném měsíci .

55

Cibule

Zelí (b)

Zelí (č)

Brambory

12,00

Cena (Kč/kg)

10,00 8,00 6,00 4,00 2,00 0,00 VII.02 XI.02

III.03 VII.03 XI.03

III.04 VII.04 XI.04

III.05 VII.05 XI.05

III.06 VII.06 XI.06

III.07

Měsíc.Rok

Obr. 4.7: Upravený soubor cen

Pro zjištění, zda se úpravou souboru nezměnila výpověď dat, byly vypočteny míry variability rozptyl a směrodatná odchylka. Tabulka 4.12: Vybrané míry variability

Rozsah souboru Rozptyl Směrodatná odchylka

Základní soubor 121 5,0974 2,2577

Výběrový soubor 57 4,8324 2,1983

Porovnáním vypočtených charakteristik u obou souborů lze zjistit, do jaké míry se změnila vypovídací schopnost dat. Z údajů v tabulce 4.12 můžeme říci, že jejich kvalita se úpravou, respektive zmenšením souboru, nezhoršila. Naopak je zřejmé mírné zlepšení, a to u obou charakteristik.

56

4.4.2

Elementární charakteristiky časových řad

Elementární charakteristiky nám umožní získat rychlou a orientační představu o charakteru vývoje cen vybraných komodit. V následujících tabulkách jsou vypočtené roční chronologické průměry cen, přírůstky (úbytky) průměrných cen, tempa růstu průměrných cen a průměrné tempo růstu průměrných cen za vybraná období. Demonstrativně je výpočet hodnot uveden v příloze 2 na komoditě cibule. Hodnoty charakteristik pro roky 2002 a 2007 zde nejsou uvedeny, neboť nebyly zjištěny ceny ve všech měsících těchto let. Tabulka 4.13: Základní charakteristiky u komodity cibule Charakteristika Průměrné roční ceny Diference Inedx cen Průměrné roční tempo růstu

2003 6,95 0,98

Rok 2004 2005 5,76 3,21 -1,19 -2,55 0,8287 0,5574

2006 6,44 3,23 2,0078

V roce 2003 byla průměrná roční cena cibule nejvyšší ze všech sledovaných období. Výrazný propad cen cibule nastal v roce 2005, kdy cena klesla o více než 50 % oproti předchozímu roku. Tento pokles byl ovlivněn zvýšením pěstební plochy v roce 2004 a také vysokými hektarovými výnosy. Poměrně hluboký propad cen cibule a vzniklé přebytky vedly pěstitele k omezení osevní plochy, což mělo za následek opětovný růst cen. V roce 2006 se průměr cen ustálil na 6,44 Kč, což zhruba odpovídá dlouhodobému trendu. Tabulka 4.14: Základní charakteristiky u komodity zelí bílé Charakteristika Průměrné roční ceny Diference Inedx cen Průměrné roční tempo růstu

2003 5,23 1,03

Rok 2004 2005 2,58 4,12 -2,65 1,53 0,4941 1,5930

57

2006 5,71 1,59 1,3863

Tabulka 4.15: Základní charakteristiky u komodity zelí červené Charakteristika Průměrné roční ceny Diference Inedx cen Průměrné roční tempo růstu

2003 6,58 1,01

Rok 2004 2005 4,81 4,94 -1,76 0,13 0,7319 1,0261

2006 6,71 1,77 1,3587

Stejně jako u cibule, tak také u komodity zelí došlo v letech 2004 a 2005 ke snížení cen produkce. I v tomto případě hrála důležitou roli vysoká úroda a dále dovozy čerstvé zeleniny, které způsobily převis nabídky nad poptávkou, což tlačilo ceny dolů. Na růst cen v roce 2006 mělo vliv nejen snížení pěstebních ploch ovlivněné nízkými cenami v roce 2005, ale také nepřízeň počasí v průběhu pěstebního roku 2006. Tabulka 4.16: Základní charakteristiky u komodity brambory Charakteristika Průměrné roční ceny Diference Inedx cen Průměrné roční tempo růstu

2003 4,79 1,06

2004 5,25 0,46 1,0969

Rok 2005 2,65 -2,60 0,5041

2006 5,70 3,06 2,1542

Vývoj ročních průměrných cen brambor se od vývoje cen zeleniny liší. V roce 2004 došlo k růstu cen brambor, nicméně rok 2005 se vyznačuje taktéž propadem cen, a to o 2,60 Kč oproti roku 2004. Růst cen v roce 2004 byl způsoben nízkými výnosy v předešlém roce, které jsou ze statistického hlediska nejnižší v celé historii českého bramborářství. Následující rok se průměrná roční cena brambor pohybovala kolem 2,65 Kč/ kg. Tento pokles byl ovlivněn především nízkými cenami na evropském trhu. V roce 2006 tuzemské ceny rostou, a to opět vlivem růstu cen na evropském trhu, neboť evropští pěstitelé v důsledku nízkých cen v předcházejícím období omezili produkci brambor.

58

4.4.3

Volba vhodného modelu trendu

V této části práce bude vybrán trend, který se jeví pro popis vývoje časové řady jako nejvhodnější. Budou hodnoceny tři typy trendu, a to lineární, kvadratický a exponenciální. Volba vhodného trendu bude provedena pomocí interpolačních kritérií, konkrétně vyhodnocením chyb odhadu. V práci pak bude rozveden pouze trend vykazující nejlepší hodnoty. Podle vzorců uvedených v části 3.2.3 byly vypočteny hodnoty chyb a znázorněny v následujících tabulkách. Výpočty jsou uvedeny v příloze 3. Ve stejné příloze jsou uvedeny také výpočty všech modelů trendu a grafy zbývajících dvou modelů, které nebyly vybrány. Jejich demonstrace je opět provedena na komoditě cibule. Tabulka 4.17: Přehled chyb odhadu u komodity cibule Model Lineární K Kvvaaddrraattiicckkýý Exponenciální

M.E. 0,0000 00,,00000000 -1,1342

M.S.E. 4,8324 33,,33884455 6,1699

M.A.E. 1,8784 11,,55556655 1,9824

M.A.P.E. 51,4152 3399,,55225577 63,5348

M.P.E. -28,1399 --1199,,55119988 -53,3866

M.A.P.E. 35,7238 3344,,44997700 49,3076

M.P.E. -16,8988 --1144,,88662255 -39,2694

Tabulka 4.18: Přehled chyb odhadu u komodity zelí bílé Model Lineární K Kvvaaddrraattiicckkýý Exponenciální

M.E. 0,0000 00,,00000000 -0,8194

M.S.E. 2,4055 22,,22228811 3,0736

M.A.E. 1,2075 11,,22330077 1,5012

Tabulka 4.19: Přehled chyb odhadu u komodity zelí červené Model Lineární K Kvvaaddrraattiicckkýý Exponenciální

M.E. 0,0000 00,,00000000 -0,5426

M.S.E. 2,1075 11,,99119966 2,4008

M.A.E. 1,1072 11,,11662211 1,2455

M.A.P.E. 22,9149 2233,,11994400 27,5038

M.P.E. -8,1090 --77,,11661199 -18,4776

M.A.P.E. 45,3596 4411,,99119999 66,7976

M.P.E. -21,1525 --1188,,88335544 -56,3870

Tabulka 4.20: Přehled chyb odhadu u komodity brambory Model Lineární K Kvvaaddrraattiicckkýý Exponenciální

M.E. 0,0000 00,,00000000 -1,3469

M.S.E. 4,3024 33,,99336600 6,0795

M.A.E. 1,8008 11,,77001122 2,1588

59

Rytým stylem označené řádky v tabulkách představují nejnižší vypočtené chyby odhadů. Jako nejvhodnější se u všech komodit jeví kvadratický trend. Obecná podoba rovnice kvadratického trendu je Tt = β0 + β1t + β2t2, kde t = -28, …, 0, …, 28.

Dále jsou k této části znázorněny grafy vývoje cen jednotlivých komodit a jejich vyrovnání kvadratickým trendem. Pod obrázkem je vždy uvedena konkrétní rovnice trendu.

A. Kvadratický trend komodity cibule

Cena (Kč/kg)

Vývoj cen cibule 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

Kvadratický trend

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.8: Vyrovnání vývoje cen cibule kvadratickým trendem

Rovnice

odhadovaného

kvadratického

trendu

Tt = 4, 4643 − 3, 27E-05t + 0, 00497t 2 .

60

pro

komoditu

cibuli

má

tvar

B. Kvadratický trend komodity zelí bílé

Cena (Kč/kg)

Vývoj cen zelí (b) 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

Kvadratický trend

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.9: Vyrovnání vývoje cen zelí bílého kvadratickým trendem Rovnice

odhadovaného

kvadratického

trendu

pro

komoditu

Tt = 3,8116 − 0, 0125t + 0, 00174t 2 .

C. Kvadratický trend komodity zelí červené

Cena (Kč/kg)

Vývoj cen zelí (č) 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

Kvadratický trend

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.10: Vyrovnání vývoje cen zelí červeného kvadratickým trendem

61

zelí

bílé

má

tvar

Rovnice odhadovaného kvadratického trendu pro komoditu zelí červené má tvar Tt = 5,177 + 0, 00935t + 0, 00179t 2 .

D. Kvadratický trend komodity brambory

Cena (Kč/kg)

Vývoj cen brambor 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

Kvadratický trend

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.11: Vyrovnání vývoje cen brambor kvadratickým trendem Rovnice odhadovaného kvadratického trendu pro komoditu zelí červené má tvar Tt = 3,9639 + 0, 0361t + 0, 0025t 2 . Vzhledem k tomu, že je tato práce zaměřena na analýzu cen rostlinných komodit, předpokládá se, že v časových řadách bude patrný vliv střídání ročních období. Proto následuje analýza sezónní složky s využitím nalezeného kvadratického trendu.

4.4.4

Model proporcionální sezónnosti při využití kvadratického trendu

Charakter sezónní složky je: Sij = cj*Tij, i = 1, 2, …, 6; j = 1, 2, …, 12. Hodnoty cj jsou standardizované průměrné sezónní indexy, jejichž součet je roven j = 12. Výpočty sezónních indexů, sezónně očištěných cen a teoretických hodnot jsou uvedeny v příloze 4. Jako příklad posloužila opět komodita cibule.

62

A. Analýza sezónnosti u komodity cibule Tabulka 4.21: Sezónní indexy cibule

Vypočtené sezónní indexy ukazují, že ceny cibule

Standardizované průměrné sezónní indexy c1 0,9371 c2 0,9109 c3 0,9734 c4 0,9846 c5 1,1571 c6 1,0907 c7 1,1212 c8 1,0793 c9 0,9637 c10 0,9303 c11 0,9225 c12 0,9293 Suma 12,0000

S kuteč né c eny

v rámci roku vždy na přelomu druhého a třetího

čtvrtletí vzrostou nad dlouhodobý normál. Ve třetím čtvrtletí jsou tedy ceny obecně vyšší, protože dochází zásoby komodity z minulého roku, přičemž na novou úrodu se čeká. Pokles cen je patrný opět až ve 4. čtvrtletí, kdy se sklízí nová úroda. Obdobně to funguje i u ostatních rostlinných komodit.

S ezónně oč iš těné c eny

T eoretic ká hodnota c en

K vadratic ký trend

12,00

Cena (Kč/kg)

10,00 8,00 6,00 4,00 2,00 0,00 V II.02

XI.02

III.03

V II.03

XI.03

III.04

V II.04

XI.04

M ěs íc .R ok

Obr. 4.12: Sezónnost v časové řadě cen cibule

63

III.05

V II.05

XI.05

III.06

V II.06

XI.06

III.07

B. Analýza sezónnosti u komodity zelí bílé Tabulka 4.22: Sezónní indexy zelí bílého

Ceny zelí bílého i červeného jsou zpravidla

Standardizované průměrné sezónní indexy c1 0,9424 c2 1,0145 c3 1,1100 c4 1,2742 c5 1,2787 c6 1,2511 c7 0,9578 c8 0,9057 c9 0,8383 c10 0,7739 c11 0,8023 c12 0,8512 Suma 12,0000

Skutečné ceny

v prvním pololetí rostoucí, jejich pokles je typický vždy pro druhou polovinu roku. Pokles cen je způsoben opět růstem nabídky v důsledku nové úrody.

Sezónně očištěné ceny

Teoretická hodnota cen

Kvadratický trend

Cena (Kč/kg)

10,00 8,00 6,00 4,00 2,00 0,00 VII.02

XI.02

III.03

VII.03

XI.03

III.04

VII.04

XI.04 Měsíc.Rok

Obr. 4.13: Sezónnost v časové řadě cen zelí bílého

64

III.05

VII.05

XI.05

III.06

VII.06

XI.06

III.07

C. Analýza sezónnosti u komodity zelí červené Tabulka 4.23: Sezónní indexy zelí červeného Standardizované průměrné sezónní indexy c1 0,9528 c2 0,9509 c3 1,0672 c4 1,1385 c5 1,2115 c6 1,3176 c7 1,0061 c8 0,9200 c9 0,8676 c10 0,8475 c11 0,8485 c12 0,8718 Suma 12,0000

Skutečné ceny

Sezónně očištěné ceny

Teoretická hodnota

Kvadratický trend

10,00

Cena (Kč/kg)

8,00 6,00 4,00 2,00 0,00 VII.02 XI.02

III.03

VII.03 XI.03

III.04

VII.04

XI.04

III.05

Měsíc.Rok

Obr. 4.14: Sezónnost v časové řadě cen zelí červeného

65

VII.05

XI.05

III.06

VII.06

XI.06

III.07

D. Analýza sezónnosti u komodity brambory Tabulka 4.24: Sezónní indexy brambor

Vývoj cen brambor se v zásadě neliší od vývoje cen

Standardizované průměrné sezónní indexy c1 1,0454 c2 1,0544 c3 1,0964 c4 1,0993 c5 1,0593 c6 1,2013 c7 0,9394 c8 0,8494 c9 0,8346 c10 0,8670 c11 0,9477 c12 1,0058 Suma 12,0000

Skutečné ceny

předchozích komodit. Vidíme, že začátkem roku se ceny pohybují mírně nad dlouhodobým normálem, od druhé poloviny roku pak ceny klesají.

Sezónně očištěné ceny

Teoretická hodnota cen

Kvadratický trend

10,00

Cena (Kč/kg)

8,00 6,00 4,00 2,00 0,00 VII.02

XI.02

III.03

VII.03

XI.03

III.04

VII.04

XI.04 Měsíc.Rok

Obr. 4.15: Sezónnost v časové řadě cen brambor

66

III.05

VII.05

XI.05

III.06

VII.06

XI.06

III.07

Přestože byly ceny komodit od vlivu sezónnosti očištěny, jsou ve všech grafech dále patrné výrazné poměrně pravidelné odchylky od teoretických hodnot, což by mohlo poukazovat na cyklickou složku ekonomické řady.

4.4.5 Analýza cyklické složky Zjištění, zda ekonomická řada obsahuje cyklus, spočívá v provedení analýzy náhodné složky, která je oproštěna od trendu a sezónnosti. Pomocí periodogramu bude nejdříve zjištěno, zda tato řada náhodných složek obsahuje významnou periodu a případně jaká je její délka. Potvrzení existence významné periody poskytne Fisherův test. Tímto testujeme nulovou hypotézu o tom, že sledovaná časová řada neobsahuje významnou periodu, proti alternativě, že významnou periodu obsahuje. Nulová hypotéza se zamítá, pokud W > gf (α), kde gf (α) je kritická hodnota Fisherova testu na hladině významnosti α = 0,01. Kritická hodnota na dané hladině významnosti je pro H = 28 v intervalu (0,241; 0,2777).

Následuje sestrojení vyrovnávací sinusové funkce odpovídající délce nalezené periody. Níže jsou uvedeny výsledné grafy, výpočty jsou obsaženy v příloze 5.

67

A. Analýza cyklické složky u komodity cibule 1,8 1,6 1,4

I(wj)

1,2 1 0,8 0,6 0,4 0,2 0 1

3

5

7

9

11 13 15 17 19 21 23 25 27 π

Obr. 4.16: Periodogram (cibule) Z periodogramu je patrná jedna významná perioda, což potvrzuje také Fisherův test, podle kterého W = 0,49 je větší než 0,2777, proto se hypotéza o nevýznamné periodě zamítá. Z dalších výpočtů byla určena délka periody 28,5 měsíců, což je asi 2 a 1/4 roku.

Vyrovnané hodnoty

Náhodná složka

4 3

Odchylka

2 1 0 -1VII.02

XI.02

III.03

VII.03

XI.03

III.04

VII.04

XI.04

III.05

-2 -3 -4 Měsíc.Rok

Obr. 4.17: Cyklus ve vývoji cen cibule Obr. 4.17: Cyklus ve vývoji cen cibule

68

VII.05

XI.05

III.06

VII.06

XI.06

III.07

B. Analýza cyklické složky u komodity zelí bílé 1,4 1,2

I(wj)

1 0,8 0,6 0,4 0,2 0 1

3

5

7

9 11 13 15 17 19 21 23 25 27 π

Obr. 4.18: Periodogram (zelí bílé) W = 0,716; 0,716 > 0,277; hypotéza o nevýznamné periodě se zamítá. Délka periody je zde opět 28,5 měsíců.

Obr. 4.19: Cyklus ve vývoji cen zelí bílého Vyrovnané hodnoty

Náhodná složka

2,5 2 1,5

Odchylka

1 0,5 0 -0,5VII.02 XI.02

III.03

VII.03 XI.03

III.04

VII.04 XI.04

III.05

-1 -1,5 -2 -2,5 Měsíc.Rok

Obr. 4.19: Cyklus ve vývoji cen zelí bílého

69

VII.05 XI.05

III.06

VII.06 XI.06

III.07

C. Analýza cyklické složky u komodity zelí červené 0,9 0,8 0,7

I(wj)

0,6 0,5 0,4 0,3 0,2 0,1 0 1

3

5

7

9

11 13 15 17 19 21 23 25 27 π

Obr. 4.20: Periodogram (zelí červené) W = 0,62; 0,62 > 0,277; hypotéza o nevýznamné periodě se zamítá. Délka periody je 28,5 měsíců. Vyrovnané hodnoty

Náhodná složka

2 1,5 1

Odchylka

0,5 0 -0,5VII.02 XI.02 III.03 VII.03 XI.03 III.04 VII.04 XI.04 III.05 VII.05 XI.05 III.06 VII.06 XI.06 III.07 -1 -1,5 -2 -2,5 -3 Měsíc.Rok

Obr. 4.21: Cyklus ve vývoji cen zelí červeného

70

I(wj)

D. Analýza cyklické složky u komodity brambory 2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0 1

3

5

7

9

11 13 15 17 19 21 23 25 27 π

Obr. 4.22: Periodogram (brambory) W = 0,499; 0,499 > 0,277; hypotéza o nevýznamné periodě se zamítá. Délka periody je i zde 28,5 měsíců. Vyrovnané hodnoty

Náhodná složka

5 4

Odchylka

3 2 1 0 -1VII.02 XI.02 III.03 VII.03 XI.03 III.04 VII.04 XI.04 III.05 VII.05 XI.05 III.06 VII.06 XI.06 III.07 -2 -3 Měsíc.Rok

Obr. 4.23: Cyklus ve vývoji cen brambor

71

Z analýzy cyklické složky u všech uvedených komodit lze učinit společný závěr, tedy že v časových řadách cen se nachází perioda, která proběhne vždy jednou za 28,5 měsíců. Velice zjednodušeně lze tuto situaci vysvětlit následovně. Střídající se pokles a růst cen je důsledkem vždy předcházejícího stavu zásob komodity. Pokud je v předešlém roce vysoká úroda, je nabídka vyšší než poptávka a ceny klesají. Zemědělští pěstitelé na tento stav reagují snížením produkce. V agregátním pojetí dojde ke snížení nabídky komodit na trhu a současně ke zvýšení cen. Takto popsaný proces se opakuje a vytváří cyklus.

Z grafů je zřejmé, že výše cen v jednotlivých vrcholech a sedlech se více či méně odchylují od vyrovnaných hodnot. Tyto výkyvy lze považovat za zbytkovou veličinu, na niž působí různé momentální vlivy, kterými může být např. přízeň či nepřízeň počasí v daném roce, výskyt škůdců, situace v zahraničí a s tím spojené množství dovozu, poptávka na domácím trhu apod.

4.4.6 Adaptivní metody vyrovnání časové řady Klouzavé průměry Při vyrovnání časové řady cen komodit byl použit vážený klouzavý průměr. Průměrné hodnoty byly vypočteny pomocí soustavy vah 1/35 [-3, 12, 17, 12, -3].

Cena (Kč/kg)

Vývoj cen cibule 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

Vážený klouzavý průměr

III.05

XI.05

VII.06

Měsíc.Rok

Obr. 4.24: Vyrovnání vývoje cen cibule klouzavými průměry

72

III.07

Cena (Kč/kg)

Vývoj cen zelí (b) 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

Vážený klouzavý průměr

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.25: Vyrovnání vývoje cen zelí bílého klouzavými průměry

Cena (Kč/kg)

Vývoj cen zelí (č) 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

Vážený klouzavý průměr

VII.04

III.05

XI.05

VII.06

Měsíc.Rok

Obr. 4.26: Vyrovnání vývoje cen zelí červeného klouzavými průměry

73

III.07

Cena (Kč/kg)

Vývoj cen brambor 10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

Vážený klouzavý průměr

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.27: Vyrovnání vývoje cen brambor klouzavými průměry

Brownovo exponenciální vyrovnání Při vyrovnání touto metodou byla na základě doporučení odborné literatury zvolena vyrovnávací konstanta α = 0,7. Skutečné ceny

Předpověď cen

12,00

Cena (Kč/kg)

10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.28: Vyrovnání vývoje cen cibule Brownovým exp. vyrovnáním

74

Skutečné ceny

Předpověď cen

10,00

Cena (Kč/kg)

8,00

6,00

4,00

2,00

0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.29: Vyrovnání vývoje cen zelí bílého Brownovým exp. vyrovnáním

Skutečné ceny

Předpověď cen

10,00

Cena (Kč/kg)

8,00

6,00

4,00

2,00

0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.30: Vyrovnání vývoje cen zelí červeného Brownovým exp. vyrovnáním

75

Skutečné ceny

Předpověď cen

10,00

Cena (Kč/kg)

8,00

6,00

4,00

2,00

0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.31: Vyrovnání vývoje cen brambor Brownovým exp. vyrovnáním Holtovo exponenciální vyrovnání Holtovo exponenciální vyrovnání pracuje se dvěma vyrovnávacími konstantami α = β = 0,7. Skutečné ceny

Předpověď cen

12,00

Cena (Kč/kg)

10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

Měsíc.Rok

Obr. 4.32: Vyrovnání vývoje cen cibule Holtovým exp. vyrovnáním

76

III.07

Skutečné ceny

Předpověď cen

10,00

Cena (Kč/kg)

8,00

6,00

4,00

2,00

0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.33: Vyrovnání vývoje cen zelí bílého Holtovým exp. vyrovnáním

Skutečné ceny

Předpověď cen

12,00

Cena (Kč/kg)

10,00 8,00 6,00 4,00 2,00 0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.34: Vyrovnání vývoje cen zelí červeného Holtovým exp. vyrovnáním

77

Skutečné ceny

Předpověď cen

10,00

Cena (Kč/kg)

8,00

6,00

4,00

2,00

0,00 VII.02

III.03

XI.03

VII.04

III.05

XI.05

VII.06

III.07

Měsíc.Rok

Obr. 4.35: Vyrovnání vývoje cen brambor Holtovým exp. vyrovnáním Volba vhodného modelu

Tabulka 4.25: Přehled chyb odhadu u komodity cibule Model Brownovo exp. vyrovnání Holtovo exp. vyrovnání K Klloouuzzaavvéé pprrůům měěrryy

M.E. 0,0792 0,0168 --00,,00000044

M.S.E. 0,9441 1,0054 00,,11338811

M.A.E. 0,7239 0,7400 00,,22334455

M.A.P.E. 15,6515 14,4006 44,,77009977

M.P.E. -1,9449 1,2995 --00,,55880022

M.A.P.E. 13,5433 1133,,22665588 60,2672

M.P.E. -2,3882 11,,77550022 -42,6041

M.A.P.E. 1122,,00773388 13,2426 28,7549

M.P.E. --11,,22003322 1,1574 0,7087

Tabulka 4.26: Přehled chyb odhadu u komodity zelí bílé Model Brownovo exp. vyrovnání H Hoollttoovvoo eexxpp.. vvyyrroovvnnáánníí Klouzavé průměry

M.E. -0,0156 00,,00112277 -1,2781

M.S.E. 0,5655 00,,55112244 7,1524

M.A.E. 0,5682 00,,55550011 2,2111

Tabulka 4.27: Přehled chyb odhadu u komodity zelí červené Model BBrroow wnnoovvoo eexxpp.. vvyyrroovvnnáánníí Holtovo exp. vyrovnání Klouzavé průměry

M.E. 00,,00228866 0,0475 0,0512

M.S.E. 00,,88229911 0,9554 3,1697

78

M.A.E. 00,,66669900 0,7178 1,5697

Tabulka 4.28: Přehled chyb odhadu u komodity brambory Model Brownovo exp. vyrovnání H Hoollttoovvoo eexxpp.. vvyyrroovvnnáánníí Klouzavé průměry

M.E. 0,1166 00,,00001166 -1,0431

M.S.E. 0,7106 00,,66556611 2,3646

M.A.E. 0,5560 00,,55886600 1,2253

M.A.P.E. 12,7385 1144,,22447766 34,9089

M.P.E. -0,1912 11,,33115533 -28,7282

Z tabulek chyb odhadů je patrné, který model ze tří uvedených je pro vyrovnání jednotlivých komodit nejvhodnější. U komodity cibule je to model klouzavých průměrů, u komodity zelí bílé bylo zvoleno Holtovo exponenciální vyrovnání, pro komodity zelí červené a brambory se jako nejvhodnější jeví model Brownova exponenciálního vyrovnání.

4.4.7 Extrapolace cen Jedním z cílů analýzy časových řad je také odhad budoucího vývoje. V tomto případě budeme odhadovat ceny jednotlivých komodit pro následující čtvrtletí, tedy pro měsíce duben, květen,

červen 2007. Odhady uvedené v následujících tabulkách byly provedeny pomocí statistického programu UNISTAT.

Tabulka 4.29: Předpovědi dle Brownova exponenciálního vyrovnání Období předpovědi IV.07 V.07 VI.07

Cibule 9,595 9,595 9,595

Zelí bílé 4,229 4,229 4,229

Zelí červené 7,208 7,208 7,208

Brambory 8,391 8,391 8,391

Tabulka 4.30: Předpovědi dle Holtova exponenciálního vyrovnání Období předpovědi IV.07 V.07 VI.07

Cibule 10,212 10,641 11,070

Zelí bílé 4,596 4,849 5,102

79

Zelí červené 8,499 9,771 11,043

Brambory 8,655 8,776 8,896

Cena cibule by se podle odhadu měla ve 2. čtvrtletí roku 2007 pohybovat na úrovni mezi 9,50 Kč a 11 Kč. Ceny zelí bílého se budou pohybovat kolem 5 Kč, v rozmezí 4,20 a 5,10 Kč. Poměrně velké rozmezí cen bude očekáváno u zelí červeného, ceny by se měly pohybovat od 7,20 do 11 Kč. Naopak cena brambor by měla být poměrně stabilní v rozmezí 8,30 a 8,90 Kč.

Pravidlem je, že ve 2. čtvrtletí roku ceny vždy rostou. Rychlost růstu a hladina cen je ovlivněn především tím, jak velké zásoby byly vytvořeny v předešlém roce. Nicméně existuje určitá hranice výše cen, přes kterou by domácí zemědělci nemohli jít. Tato hranice je ovlivněna cenami zahraničních zemědělských producentů – dovozců. Představme si modelovou situaci, kdy stát je uzavřenou ekonomikou, takže vše, včetně potravin, si zajišťuje sám. V tomto případě by zemědělci na základě znalosti množství vytvořených zásob z minulého roku, museli regulovat ceny tak, aby zásoby byly rovnoměrně rozloženy na celé období, než přijde nová úroda. Ceny by tedy s ubývajícími zásobami byly mnohem vyšší, než v případě otevřené ekonomiky.

80

5. Závěr V práci je provedena analýza cen zemědělských výrobců (dále jen ceny) čtyř vybraných zemědělských komodit – cibule, bílé zelí, červené zelí a brambor. Původní rozsah souboru 121 údajů, které obsahovaly ceny každý sudý týden v roce, byly upraveny, takže se pracovalo s měsíčními cenami v období od července 2002 do března 2007. Celkový soubor upravených dat činí 57 údajů. Podobné hodnoty rozptylu a směrodatné odchylky u obou souborů potvrdily, že úpravou se data kvalitativně nezměnila, spíše se mírně zlepšila.

Jako první byly vypočteny základní charakteristiky časových řad – průměrné roční ceny, jejich diference, indexy cen a průměrné tempo růstu cen. U všech komodit je průměrné tempo růstu cen blízké 1, tzn., že se ceny z dlouhodobého hlediska výrazně nemění. Roční indexy cen jsou však proměnlivé. U zeleninových komodit byly průměrné roční ceny v roce 2004 a 2005 poměrně nižší, než v letech 2003 a 2006. V roce 2004 byla nízká cena zeleniny způsobena přetlakem nabídky, a to jak na domácím trhu, tak na trzích zahraničních. Nejvýraznější pokles cen byl patrný u zelí. Vzhledem k vysokým výnosům a špatnému odbytu, bylo mnoho produkce zeleniny zaoráno. Velká úroda v roce 2004 a průměrná sezóna v roce 2005 vytvořili podmínky pro nízké průměrné ceny zeleniny také v roce 2005. Tato situace vedla zemědělce k provedení opatření v následujícím roce 2006 v podobě snížení pěstebních ploch, což způsobilo opětovný vzrůst cen. U brambor je patrný výrazný pokles průměrné ceny v roce 2005. Vliv na pokles ceny měly především vysoké výnosy v roce 2005 a nízké ceny brambor ze zahraniční.

V dalším kroku byly upravené časové řady cen v rámci analýzy trendu vyrovnány lineárním, kvadratickým a exponenciálním trendem. Pro všechny modely byly vypočteny chyby odhadu. Model, který disponoval nejnižšími chybami, byl vybrán jako nejvhodnější. V této práci byl ve

81

všech čtyřech případech zvolen kvadratický trend. V části 4.4.3 jsou znázorněny grafy a rovnice nalezeného trendu.

Logicky bylo odvozeno, že v časové řadě cen zemědělských komodit se bude nacházet sezónní perioda. Proto na analýzu trendu navazuje analýza sezónnosti, podle které byly určeny pravidelné výkyvy cen během roku. S využitím kvadratického trendu se vypočítaly sezónní indexy a následně sezónně očištěná řada cen. Z analýzy vyplývá, že ceny komodit jsou vždy v druhé polovině roku obecně nižší, nacházejí se pod dlouhodobým průměrem, což je spojeno s příchodem nové produkce. Ceny klesají případně se udržují relativně nízké tak dlouho, dokud jsou dostatečné zásoby. Začátkem roku však ceny zpravidla začínají růst a nejvyšší jsou těsně před začátkem nové sklizně.

V grafickém znázornění očištěné řady byly patrné další pravidelné výkyvy, což vedlo k závěru, že řada může obsahovat cyklus. Byla proto provedena analýza cyklické složky, a to formou harmonické analýzy. Její aplikace předpokládá nalezení významné periody. Za tímto účelem byl vypočítán a graficky znázorněn periodogram, z něhož lze významnou periodu určit. Kromě toho byl vypočítán také Fisherův test, který testuje hypotézu o existenci významné periody. Ve vývoji všech komodit byla potvrzena její existence a délka byla určena 28,5 měsíce, což je zhruba 2 a 1/3 roku. Během této doby tedy proběhne jedna „sinusoida“. Na tomto místě bude zopakována interpretace z části 4.4.5. Střídající se pokles a růst cen je důsledkem vždy předcházejícího stavu zásob komodity. Pokud je v předešlém roce vysoká úroda, je nabídka vyšší než poptávka a ceny klesají. Zemědělští pěstitelé na tento stav reagují snížením produkce. V agregátním pojetí dojde ke snížení nabídky komodit na trhu a současně ke zvýšení cen. Takto popsaný proces se opakuje a vytváří cyklus.

Na závěr této práce byly aplikovány analytické metody vyrovnání časových řad a predikce vývoje cen na následující 3 měsíce (duben, květen, červen 2007). V těchto dvou závěrečných

82

částech byl využit ke zpracování dat statistický program UNISTAT. Vyrovnávání časových řad adaptivními metodami poskytuje zpravidla kvalitnější výsledky, než vyrovnání metodami analytickými. Nevýhodou však je, že ponechávají v řadě mnoho informací, které znesnadňují popis obecného charakteru řady. V práci použité adaptivní metody jsou vážené klouzavé průměry, Brownovo exponenciální a Holtovo exponenciální vyrovnání. Pro odhad budoucích cen byly použity Brownovy a Holtovy předpovědi. Výsledky byly zhodnoceny spolu s výše provedenými analýzami sezónnosti a cyklu. V měsících duben, květen a červen 2007 se očekává růst cen, přičemž svého vrcholu by měly dosáhnout v letních měsících, těsně před sklizní nové úrody. Významným činitelem bude samozřejmě počasí, jehož vliv zde není zahrnut. Z analýzy cyklu se dá do jisté míry tvrdit, že průměrné roční ceny by mohly být v roce 2007 nižší, než v roce 2006.

83

84

6. Literatura [1] ANDĚL, Jiří. Statistická analýza časových řad. 1. vyd. Praha : Nakladatelství technické literatury, 1976. 272 s. ISBN 04-004-76. [2] ARLT, Josef, ARLTOVÁ, Markéta. Ekonomické časové řady : vlastnosti, metody

modelování, příklady a aplikace. 1. vyd. Praha : Grada Publishing, 2007. 288 s. ISBN 978-80247-1319-9. [3] ARLT, Josef, ARLTOVÁ, Markéta, RUBLÍKOVÁ, Eva. Analýza ekonomických časových

řad s příklady. Praha : Vysoká škola ekonomická v Praze, 2002. 146 s. Dostupný z WWW: . [4] HARAZIMOVÁ, Radka. Statisticko-ekonomická analýza vývoje cen obilovin v ČR. Brno, 2001. 119 s. Mendelova zemědělská a lesnická univerzita v Brně. Vedoucí diplomové práce Milan Palát. [5] HINDLS, Richard, HRONOVÁ, Stanislava, NOVÁK, Ilja. Metody statistické analýzy pro

ekonomy. 2. přeprac. vyd. Praha : Management Press, 2000. 259 s. ISBN 80-7261-013-9. [6] HINDLS, Richard, HRONOVÁ, Stanislava, SEGER, Jan. Statistika pro ekonomy. 2. vyd. Praha : Professional Publishing, 2002. 415 s. ISBN 80-86419-30-4. [7] KOZÁK, Josef, HINDLS, Richard, ARLT, Josef. Úvod do analýzy ekonomických

časových řad. Praha : VŠE v Praze, 1994. 206 s. ISBN 80-7079-760-6. [8] MINAŘÍK, Bohumil. Statistika I, Popisná statistika (druhá část). Vydání první. Brno: Mendlova zemědělská a lesnická univerzita v Brně, 2006. 107 s. ISBN 80-7157-929-7. [9] MINAŘÍK, B. -- HOFBAUER, J. Začínáme s obsluhou a analýzou dat v programu Unistat

4.0 : Unistat - Statistical Package. b.m.n.: 1996. [10] VÍDEŇSKÝ, Petr. Statisticko-ekonomická analýza hospodaření grafických studií. Brno, 2001. 144 s. , 1 CD-ROM. Mendelova zemědělská a lesnická univerzita v Brně. Vedoucí diplomové práce Milan Palát.

85

Internetové zdroje [1] Český statistický úřad [online]. Český statistický úřad, c2007 , 10.6.2007 [cit. 2007-06-15]. Dostupný z WWW: . [2] Ministerstvo zemědělství : Zemědělská výroba [online]. 2007. Ministerstvo zemědělství, c2007 [cit. 2007-06-15]. Dostupný z WWW: . [3] Státní zemědělský intervenční fond [online]. [2007] [cit. 2007-06-15]. Dostupný z WWW: .

86