Mendelova univerzita v Brně Provozně ekonomická fakulta
Faktory ovlivňující trh se spotřebitelskými úvěry v České republice Diplomová práce
Vedoucí práce:
Vypracovala:
doc. Ing. Václav Adamec, Ph.D.
Brno 2014
Lenka Nováková
Zadání diplomové práce
Poděkování Na tomto místě chci poděkovat vedoucímu své diplomové práce doc. Ing. Václavu Adamcovi, Ph.D. za vstřícný přístup, odbornou pomoc, rady a připomínky, které mi v průběhu zpracování diplomové práce poskytoval.
Čestné prohlášení Prohlašuji, že jsem tuto práci: Faktory ovlivňující trh se spotřebitelskými úvěry v České republice vypracoval/a samostatně a veškeré použité prameny a informace jsou uvedeny v seznamu použité literatury. Souhlasím, aby moje práce byla zveřejněna v souladu s § 47b zákona č. 111/1998 Sb., o vysokých školách ve znění pozdějších předpisů, a v souladu s platnou Směrnicí o zveřejňování vysokoškolských závěrečných prací. Jsem si vědom/a, že se na moji práci vztahuje zákon č. 121/2000 Sb., autorský zákon, a že Mendelova univerzita v Brně má právo na uzavření licenční smlouvy a užití této práce jako školního díla podle § 60 odst. 1 Autorského zákona. Dále se zavazuji, že před sepsáním licenční smlouvy o využití díla jinou osobou (subjektem) si vyžádám písemné stanovisko univerzity o tom, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity, a zavazuji se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla, a to až do jejich skutečné výše. V Brně dne 15. května 2014
__________________
Abstract NOVÁKOVÁ, L. Factors influencing the consumer loan market in the Czech Republic. Master’s thesis. Brno: MENDELU, 2014. This master’s thesis analyzes the consumer loan market in the Czech Republic since 2000 until now. To achieve given goals of work is used multivariate regression analysis, by which is described the impact of macroeconomic indicators on the volume of consumer loans, consumer loans impact on consumption of households and the impact of unemployment and wage on the volume of consumer loans granted by non-banking institutions. Then is also compared the development of consumer loans by banking and non-banking institutions. Keywords Multivariate regression analysis, consumer loan, structural break, dependence, disposable income, consumption expenditures
Abstrakt NOVÁKOVÁ, L. Faktory ovlivňující trh se spotřebitelskými úvěry v České republice. Diplomová práce. Brno: MENDELU v Brně, 2014. Tato diplomová práce analyzuje trh spotřebitelských úvěrů v České republice od roku 2000 do současnosti. Pro naplnění stanovených cílů práce je využita vícerozměrná regresní analýza, kterou je popsán vliv makroekonomických veličin na objem spotřebitelských úvěrů, vliv poskytnutých spotřebitelských úvěrů na spotřebu domácností a vliv nezaměstnanosti a mzdy na objem spotřebitelských úvěrů poskytovaných nebankovními institucemi. Dále je porovnán vývoj spotřebitelských úvěru u bankovních a nebankovních institucí. Klíčová slova Vícerozměrná regresní analýza, spotřebitelský úvěr, strukturální zlom, závislost, disponibilní příjem, spotřební výdaje
Obsah
6
Obsah 1
Úvod
8
2
Cíl práce
11
3
Literární přehled
13
3.1
3.1.1
Vymezení spotřebitelského úvěru.................................................... 13
3.1.2
Účastníci ........................................................................................... 15
3.1.3
Druhy spotřebitelských úvěrů ......................................................... 17
3.1.4
Roční procentní sazba nákladů........................................................18
3.2
4
Spotřebitelský úvěr .................................................................................. 13
Makroekonomické veličiny ..................................................................... 20
3.2.1
Inflace .............................................................................................. 20
3.2.2
Mzda a disponibilní důchod ........................................................... 22
3.2.3
Úrokové míry .................................................................................. 24
3.2.4
Nezaměstnanost .............................................................................. 25
Materiál a metodika
27
4.1
Materiál ................................................................................................... 27
4.2
Regresní analýza ..................................................................................... 27
4.2.1
Podstata regresní analýzy ............................................................... 27
4.2.2
Regresní funkce a její parametry .................................................... 28
4.2.3
Vícenásobná regrese ....................................................................... 30
4.2.4
Kvalita regresní funkce .................................................................... 31
4.2.5
Testy používané při volbě regresní funkce ..................................... 32
4.2.6
Předpoklady klasického regresního modelu .................................. 35
Obsah
5
Výsledky a diskuse
7
39
5.1 Závislost objemu spotřebitelských úvěrů na vývoji makroekonomických veličin ............................................................................................................... 39 5.2 Závislost spotřeby domácností na objemu poskytnutých spotřebitelských úvěrů ..................................................................................... 47 5.3 Vlivy působící na objem spotřebitelských úvěrů u nebankovních institucí ............................................................................................................. 55 5.4 Srovnání vývoje objemu spotřebitelských úvěrů u bankovních a nebankovních institucí .................................................................................. 62 6
Závěr
65
7
Použitá literatura
70
8
Seznam obrázků a tabulek
75
A
Zdrojová data
79
Úvod
8
1 Úvod Na trhu úvěrů lze v České republice narazit na různé produkty. Příkladem mohou být úvěry ze stavebního spoření, hypoteční úvěry, kontokorentní úvěry, úvěry z kreditních karet, spotřebitelské úvěry apod. Na konci 90. let byly české domácnosti téměř nezadlužené. Postupem času si však lidé oblíbili život na dluh. Je to spojeno se změnami preferencí spotřebitelů, demografickými změnami, ale také s růstem mezd, nízkými úrokovými sazbami a stabilnějším ekonomickým klimatem. Finanční instituce navíc čelí sílící konkurenci. Jsou nuceni lépe pečovat o své zákazníky, což zahrnuje např. i snadnější dosažení na úvěry. Spotřebitelské úvěry a zadlužování domácností se stává stále diskutovanějším tématem. V posledních letech u nás zažívají spotřebitelské úvěry rozmach. Do České republiky pronikl ze zahraničí fenomén, kdy si lidé půjčují peníze nejen na koupi nemovitostí, ale také využívají úvěrů k pořizování služeb a movitých věcí. Půjčování peněz se tak stalo nedílnou součástí dnešní ekonomiky. Život spotřebitelů je rok od roku hektičtější, náročnější časově i psychicky. Zároveň skýtá stále více podnětů pro využití úvěrů. Typickým příkladem může být rozbití lednice, kuchyňské trouby, pračky či automobilu. Tyto situace jsou nečekané. Pokud spotřebitelé nevhodně hospodaří se svými penězi, jsou nuceni takovéto nepředvídatelné události financovat z jiných, než z vlastních finančních zdrojů. Proto je důležité sledovat různé ekonomické teorie, které se zabývají vlivy na spotřebitelské chování. Existují dva základní druhy úvěrů. Nad bankovními úvěry provádí dohled Česká národní banka. Tyto úvěry mají vyšší požadavky na bonitu klienta a také zajištění úvěru. Mají však nižší úrokové sazby. Druhým typem jsou nebankovní úvěry, nad kterými dohlíží Česká obchodní inspekce. Výhodou je menší náročnost na bonitu klienta a zajištění úvěru. Narozdíl od bankovních mají však tyto úvěry vyšší úrokové sazby a kladou důraz na včasné splácení.
Úvod
9
Podle různých marketingových průzkumů se Češi rozhodují především spontánně, např. co se týče dovolených či elektroniky. Dopředu plánují pouze klíčové záležitosti, např. koupi vozu. Ale i navzdory vysoké dynamice poskytnutých úvěrů, se řadí české domácnosti mezi nejméně zadlužené, protože zadlužení domácností v České republice není ani z poloviny tak vysoké jako průměrné zadlužení domácností evropských. Z marketingového hlediska je zajímavé, jak dlouho ještě bude trvat, než bude trh přesycen reklamou a zákazníci budou vůči těmto stimulům imunní. Zatím však nabízené „nejlepší“ a „nejvýhodnější“ podmínky úvěrů vrhají obyvatele do představy, že zadlužování je bezpečné, výhodné a zcela normální. Spotřebitelé jsou tedy i vlivem útočné reklamy motivováni k vyššímu zadlužování. Může dojít i k předlužení domácností. Ty nebudou schopny svoje závazky splácet, což může vést až k exekuci majetku. Pozoruhodný je také sociální charakter zadluženosti domácností, jelikož zadlužení narůstá především u nízkopříjmových rodin z pracující třídy. Stále více u nich zdomácňuje finanční tíseň a takové dluhové zatížení vede k nesplácení dluhů a bankrotu. Největší podíl zadlužení spadá do kategorie primárního bydlení, jež je pro většinu rodin nejdůležitějším aktivem. V některých případech dokonce došlo k tomu, že při rostoucích cenách nemovitostí se objevovaly stále rizikovější hypoteční úvěry. Z okolí je totiž na spotřebitele vyvíjen tlak, aby si udržel či zlepšoval svou dosavadní životní úroveň. A tak bez ohledu na disponibilní příjem se rodiny s nižšími příjmy zadlužují více než rodiny s vyššími příjmy. S tím souvisí i otázka nezaměstnanosti. Podle logické úvahy, při rostoucí nezaměstnanosti by spotřebitelé měli omezovat svoje zadlužení a už více si nepůjčovat, protože nebudou schopni hradit splátky. Navzdory tomu se však v praxi objevuje i opačný jev, kdy spotřebitelé naopak chtějí vyrovnat nedostatek svých příjmů půjčkou. Tady už přichází na řadu podmínky poskytování úvěrů u bank, kdy např. příčinou velké hospodářské krize v USA roku 2008 bylo částečně i to, že americké banky poskytovaly hypotéky i méně solventním spotřebitelům. Další oblastí, ve které dochází k nárůstu zadlužení domácností, jsou kromě zadlužení na kreditních kartách také spotřebitelské úvěry zahrnující úvě-
Úvod
10
ry s fixními úrokovými sazbami a splátkami, např. půjčky na koupi automobilu, studentské půjčky, apod. Je potřeba také neopomenout možný vliv inflace a úrokových sazeb. Inflace především ovlivňuje reálnou mzdu a tedy disponibilní důchod domácností. Avšak domácnosti nejsou až tak schopny zahrnout dopad různých hladin inflace na jejich reálnou mzdu do svých rozhodování. Lze však uvést, že inflace snižuje disponibilní důchod domácností, zboží se zdražuje a peníze ztrácí svou kupní sílu. Proto je otázkou, jak se s rostoucí inflací a jejími vlivy na disponibilní důchod tyto domácnosti vypořádají. Diskuze může být vedena také o tom, zda má očekávání spotřebitelů ohledně stálosti jejich příjmů vliv na spotřební vydání nebo nikoliv. Dalším možným vlivem na objem poskytovaných spotřebitelských úvěrů jsou úrokové sazby. Všechny úrokové sazby v ekonomice jsou vzájemně provázané. Úrokové sazby poskytované bankami se odvíjí od úrokových sazeb, které stanovuje centrální banka. Takže konečným výstupem takovýchto řetězových vztahů je úroková sazba, kterou spotřebitelé platí za poskytnutí spotřebitelského úvěru. Ale při porovnání bankami poskytovaných sazeb na takové úvěry lze usoudit, že v rámci konkurence se snaží moc neodlišovat a spíše upoutat možné klienty jinými způsoby.
Cíl práce
11
2 Cíl práce Tato diplomová práce má za cíl popsat a zhodnotit současný trh spotřebitelských úvěrů v České republice. Nedostatek příjmů či jejich dočasný výpadek je problém, který jsou spotřebitelé nuceni nějakým způsobem řešit. Jednou z hlavních možností, jak tyto nesnáze překonat, je přijmout spotřebitelský úvěr od bankovního nebo nebankovního poskytovatele. Prvním dílčím cílem je popsat závislost spotřeby domácností na objemu poskytnutých spotřebitelských úvěrů jako jednoho z možných finančních zdrojů pro řešení výše zmíněných problémů. Tato veličina může mít pozitivní nebo negativní vliv na výdaje spotřebitelů. Přijetí úvěru sice dočasně zlepší finanční možnosti jednotlivců, ale je také spojeno s nárůstem zadluženosti, splácením úvěrového dluhu včetně úroků a poplatků a snížením spotřeby v budoucnosti. Spotřebitelé jsou při rozhodování o přijetí či nepřijetí takového úvěru ovlivněni mnoha faktory. Bude zajímavé sledovat, jakou měrou spotřebitele ovlivňují ukazatelé charakterizující hospodářské prostředí v České republice, např. míra nezaměstnanosti, průměrná mzda, inflace apod. Dalším dílčím cílem této práce je proto popsat závislost objemu spotřebitelských úvěrů na vývoji makroekonomických veličin. Pokud se spotřebitelé uchýlí k žádosti o úvěr, mohou oslovit nejen bankovní domy, ale také nebankovní subjekty nabízející tyto produkty. Posledním dílčím cílem práce je tedy i vzájemná komparace jednotlivých typů spotřebitelských úvěrů a úvěrů od různých poskytovatelů. Nebankovní instituce poskytují spotřebitelům jiné podmínky pro získání spotřebitelského úvěru. K dosažení cílů práce bude využito ekonometrických metod, konkrétně vícenásobné regresní analýzy a analýzy časových řad. Jsou stanoveny následující pracovní hypotézy: 1.
Se zvyšující se průměrnou mzdou roste i objem poskytnutých spotřebitelských úvěrů v současném období. Spotřebitelé předpokládají, že budou schopni dostát svým závazkům z těchto úvěrů.
Cíl práce
2.
12
Spotřební výdaje domácností rostou se zvyšujícím se objemem poskytnutých spotřebitelských úvěrů v současném období.
3.
S rostoucí
nezaměstnaností
roste
i zájem
o spotřebitelské
úvěry
u nebankovních institucí v současném období, protože u bankovních institucí nezaměstnaní a spotřebitelé s nižšími příjmy hůře dosáhnou na úvěr.
Literární přehled
13
3 Literární přehled 3.1 Spotřebitelský úvěr 3.1.1
Vymezení spotřebitelského úvěru
Spotřebitelský úvěr je v Zákoně č. 43/2013 Sb. (dále jen „Zákon o spotř. úvěru“, 2013) definován jako „odložená platba, půjčka, úvěr nebo jiná obdobná finanční služba poskytovaná nebo přislíbená spotřebiteli věřitelem, nebo zprostředkovatelem.“ Podle § 2 se tento zákon však nevztahuje na spotřebitelský úvěr, který je: 1.
poskytnutý pro účely bydlení, přičemž pohledávka je zajištěna právem k nemovitosti,
2.
sjednaný v podobě leasingu nebo nájmu věci, u nichž právo či povinnost odkoupení předmětu smlouvy po určité době není sjednáno,
3.
poskytnutý bez úplaty a bez úroku,
4.
s celkovou výší nižší než 5 000 Kč nebo vyšší než 1 880 000 Kč,
5.
který poskytuje zaměstnavatel svým zaměstnancům jako vedlejší činnost; roční procentní sazba nákladů tohoto úvěru je nižší než obvykle na trhu nabízená roční procentní sazba nákladů,
6.
sjednaný s obchodníkem s cennými papíry či bankou, jehož účelem je provedení operace s investičním nástrojem,
7.
v podobě bezplatného odkladu platby stávajícího dluhu,
8.
poskytnutý pouze omezenému okruhu osob ve veřejném zájmu bezúročně nebo s úrokovými sazbami nižšími než je na trhu obvyklé,
9. 10.
obsažený ve smíru uzavřeném před soudem či jiným příslušným orgánem, při jehož poskytnutí věřiteli nevzniká právo na navrácení peněz a věřiteli je přenechána movitá věc nebo
11.
sjednaný ve formě průběžného poskytování služby nebo dodávání zboží stejného druhu, které spotřebitel může platit splátkami.
Literární přehled
14
Jak zmiňuje Kašparovská (2010), u spotřebitelských úvěrů jde většinou o krátkodobé až střednědobé půjčky se standardizovaným průběhem. Tato standardizace je nezbytná vzhledem k relativně nižší průměrné hodnotě spotřebitelských úvěrů. Dále také shrnula charakteristiky, které odlišují spotřebitelské úvěry od firemních úvěrů. Zmíněné charakteristiky jsou uvedeny v Tab. 1. Tab. 1
Charakteristiky spotřebitelských a firemních úvěrů
Charakteristika
Spotřebitelské úvěry
Využití úvěrových prostředků
financují spotřebu občanů a domácnosti
Zdroje splácení úvěrů
běžný příjem klienta (domácnosti)
Průměrný objem poskytnutého úvěru
relativně nízký
Úvěrové hodnocení
scoring
Firemní úvěry financují podnikatelskou činnost úvěrovaný objekt produkuje cash flow ke splácení úvěru relativně vyšší až vysoký rating
Zdroj: Kašparovská, 2010
Zajímavým postřehem Dupala (2005) je fakt, že při prodeji zboží na úvěr se cena stane splatnou až po uplynutí určité doby po uzavření smlouvy. Při prodeji na splátky se prodejce s kupujícím dohodnou na výši splátek a době jejich splatnosti. Lze se také domluvit na tzv. ztrátě výhody splátek, kdy při nesplnění některé splátky může dodavatel požadovat zaplacení ceny nebo jejího zbytku najednou. Kostečková (2009) uvádí, že došlo ke značnému zrychlení a zjednodušení vyřízení úvěrů. Byly zrušeny některé požadavky poskytovatelů, např. na zajištění nebo na předkládané dokumenty spolu se žádostí o úvěr. Dále ke zrychlení tohoto procesu velkou měrou přispělo využívání informačních technologií a úvěrových
registrů,
které
‚střeží‘
údaje
o platební
morálce,
bonitě
a důvěryhodnosti klientů. Křepelka (2008) z dlouhodobého hlediska předpokládá relativně stabilní poptávku po spotřebitelských úvěrech.
Literární přehled
15
Důležitou myšlenku také prezentují Bhattacharya a Boot (2004), kteří ukazují vzájemnou vazbu mezi majetkem a úvěry. Aktiva dlouhodobé spotřeby, jako jsou budovy, stroje, pozemky, mají dvojí úlohu. Nejsou pouze výrobními faktory, ale také slouží k zajištění úvěrů. Limity úvěrů spotřebitelů jsou tak ovlivněny cenou těchto aktiv. Zároveň jsou tyto ceny ovlivněny výší úvěrových limitů. Vzniká tedy silný transmisní mechanismus, díky kterému účinky šoků přetrvávají, zesilují se a rozšiřují. 3.1.2
Účastníci
• Spotřebitel Zákon o spotř. úvěru (2013) popisuje spotřebitele jako fyzickou osobu, která nejedná v rámci své podnikatelské činnosti či v rámci samostatného výkonu svého povolání. Dupal (2005) uvádí, že by si spotřebitel měl ve vlastním zájmu před koupí získat objektivní informace a sledovat technickou kvalitu, ekonomickou náročnost, cenovou náročnost, účel použití, ekologické zájmy apod. Měl by od prodejce požadovat objektivní a úplné informace o kupovaném zboží. • Zprostředkovatel Zákon o spotř. úvěru (2013) označuje zprostředkovatele jako osobu, jež není věřitelem a která v rámci své podnikatelské činnosti či v rámci samostatného výkonu svého povolání za odměnu nabízí spotřebiteli příležitost uzavřít smlouvu o spotřebitelském úvěru s věřitelem nebo mu pomáhá tuto smlouvu uzavřít, případně ji jménem věřitele uzavírá. • Věřitel Věřitelem je dle Zákona o spotř. úvěru (2013) osoba, která nabízí a poskytuje spotřebitelský úvěr v rámci své podnikatelské činnosti nebo v rámci samostatného výkonu svého povolání. Kašparovská (2010) poukazuje na to, že spotřebitelské úvěry jsou poskytovány bankami i nebankovními finančními institucemi. V dřívější době byly tyto
Literární přehled
16
úvěry doménou spořitelen a úvěrových družstev. Nyní se na spotřebitelské úvěry zaměřují také velké banky, což lze zdůvodnit dvěma faktory: 1.
převážnou část zdrojové (vkladové) základny univerzálních obchodních bank tvoří spotřebitelé a domácnosti a banky se snaží si tyto klienty udržet rozšiřováním své nabídky bankovních produktů,
2.
standardizovaný průběh spotřebitelských úvěrů (scoring, způsob splácení, délka úvěru či zajištění) umožňuje využít počítačových technologií, čímž se snižují náklady banky a taktéž se snižují časové lhůty při poskytování těchto produktů.
Kostečková (2009) rozděluje poskytovatele spotřebitelských úvěrů na bankovní a nebankovní subjekty, do kterých zařadila např. družstevní záložny (viz Obr. 1). Také zjišťuje, že úvěry od nebankovních subjektů mají kratší dobu splatnosti a v důsledku mírnějších požadavků na bonitu klientů je požadován vyšší úrok.
Obr. 1
Poskytovatelé spotřebitelských úvěrů (zdroj: Kostečková 2009)
Literární přehled
3.1.3
17
Druhy spotřebitelských úvěrů
Banky se snaží nabízet své produkty tak, aby vyhovovaly požadavkům klientů. Je mnoho způsobů rozdělení spotřebitelských úvěrů. Může docházet k překrývání jednotlivých členění případně kombinace několika kategorií dohromady. V této podkapitole budou některá z členění přiblížena. Kašparovská (2010) rozlišuje čtyři varianty spotřebitelských úvěrů. 1.
Neúčelové nebo účelové spotřebitelské úvěry. Neúčelové úvěry jsou díky své jednoduchosti oblíbené a žádané. Žadatel o takový úvěr není povinen předkládat bance doklady o účelu úvěru. Pokud banka žádost o úvěr schválí a smlouva je podepsána, klient obdrží peníze na účet. Převážně jsou tyto úvěry spojeny s vyšší úrokovou sazbou z důvodu neprůhlednosti účelu úvěru, což pro banku zvyšuje rizikovost investice. U účelových úvěrů žadatel dokládá účel úvěru a bance vzniká právo kontrolovat, jestli klient čerpá úvěr v souladu se smluveným účelem.
2.
Nezajištěné nebo zajištěné spotřebitelské úvěry. Vlivem tlaku konkurence nebankovních poskytovatelů úvěrů a pro urychlení procesu schvalování a čerpání úvěrů banky v posledních letech nabízejí spotřebitelské úvěry, které mají nižší objemy a jsou bez zajištění. V případě vysoké rizikovosti úvěru pro banku je vyžádáno zajištění, které je často v podobě zástavy nemovitého majetku, ručitelského prohlášení, směnečného zajištění či postoupení pohledávek z nájmu.
3.
Spotřebitelské úvěry s postupným nebo jednorázovým čerpáním. Většinou jsou úvěry čerpány jednorázově. Čerpání však závisí především na předmětu úvěru.
4.
Postupně nebo jednorázově splatné spotřebitelské úvěry. Většinou se jedná o postupné splácení v anuitních měsíčních splátkách. U jednorázového splacení klient splácí pravidelně pouze úroky. Až teprve v poslední splátce uhradí i jistinu.
Literární přehled
18
Mezi spotřebitelské úvěry Kašparovská (2010) zahrnuje také následující typy úvěrových produktů: • kreditní karty, • americká hypotéka, • splátkový prodej, • kontokorentní spotřebitelský úvěr (tj. úvěr na běžném účtu). Podle Půlpánové (2007) se spotřebitelské úvěry dělí pouze do dvou kategorií. 1.
Revolvingové. Revolving je založen na automatickém obnovení vztahu mezi bankou a klientem po uplynutí vymezené doby, pokud některá ze zúčastněných stran nechce vztah ukončit. To znamená, že na klientský úvěrový účet jsou prostředky opakovaně poskytnuty na základě jedné smlouvy po splacení původní částky
2.
Splátkové. Obvykle jsou splátkové úvěry poskytovány na pořízení spotřebního zboží a služeb. Výplata je provedena bezhotovostně na účet prodejce nebo na účet třetí osoby a úvěr je splácen většinou měsíčními anuitními splátkami jistiny i úroku.
Golin (2001) obecně dělí půjčky podle typu vypůjčovatelů na obchodní a průmyslové úvěry, úvěry na nemovitost, zemědělské úvěry, mezibankovní úvěry, úvěry finančním institucím a spotřebitelské úvěry, do nichž zahrnuje úvěry pro jednotlivce a rodiny a které zahrnují širokou škálu typů, včetně půjček z kreditních karet, osobních půjček a úvěrů na nákup vozu. 3.1.4
Roční procentní sazba nákladů
Roční procentní sazba nákladů (dále jen „RPSN“) je v Zákoně o spotř. úvěru (2013) definována jako celkové náklady úvěru pro spotřebitele, které jsou vyjádřeny jako roční procentní podíl z celkové výše spotřebitelského úvěru. Tyto celkové náklady úvěru zahrnují veškeré náklady, včetně úroků, daní, provizí a všech poplatků zaplacených spotřebitelem v souvislosti se spotřebitelským
Literární přehled
19
úvěrem a které jsou věřiteli známy. Do celkových nákladů také patří náklady ohledně doplňkových služeb úvěru, především pojistné, pokud existuje povinnost uzavřít smlouvu o poskytnutí doplňkové služby. V § 10 tohoto zákona je RPSN blíže specifikováno jako současná hodnota všech
nákladů
spotřebitele
sjednaných
mezi
věřitelem
a spotřebitelem
ve smlouvě o spotřebitelském úvěru. Důležité je, že se RPSN počítá na roční bázi, a to podle vzorce uvedeného v příloze zákona. Na tento vzorec se také odkazuje Kašparovská (2010) v této podobě K ′ = m′ AK AK′ ′ = ∑ ∑ tK tK ′ K =1 (1 + i ) K ′ =1 (1 + i )
K ´m
(1)
kde: K
vyjadřuje pořadové číslo půjčky téže osoby,
K‘
je číslo splátky,
AK
výše půjčky číslo K
A’K‘
výše splátky číslo K,
∑
představuje celkový souhrn,
m
číslo poslední půjčky,
m‘
číslo poslední splátky,
tK
je interval vyjádřený v letech a ve zlomcích roku, ode dne půjčky čís-
lo 1 do dnů následných půjček číslo 2 až m, tK‘
je interval vyjádřený v počtu roků a ve zlomcích roku, ode dne půjč-
ky číslo 1 do dnů splátek nebo úhrad poplatků číslo 1 až m, i
vyjadřuje hledanou roční procentní sazbu nákladů na spotřebitelský
úvěr. Dupal (2005) doplňuje, že ukazatel RPSN je jedním z několika ukazatelů, který vypovídá o úrovni platebních podmínek úvěru a lze tedy díky němu posoudit výhodnost a nákladovost spotřebitelského úvěru v porovnání s jinými spotřebitelskými úvěry nabízenými na trhu. Pro výpočet RPSN se odkazuje na stránky www.coi.cz/Spotuver/uver.htm, kde je možno si vyzkoušet výpočetní programy.
Literární přehled
20
Existuje také rozdíl mezi roční úrokovou sazbou a RPSN. Dupal (2005) uvádí, že se jedná o zcela rozlišné ukazatele a každý se vypočte podle jiného vzorce. Jednomu spotřebitelskému úvěru tedy bude příslušet určitá hodnota RPSN a jiná hodnota roční úrokové sazby. Proto je důležité tyto dva pojmy od sebe odlišovat. Jasněji tento rozdíl specifikuje Pololáník (2008). Úroková míra podle něj představuje pouze cenu vypůjčených peněz, přičemž do RPSN jsou zahrnuty veškeré náklady spojené s půjčkou nebo úvěrem. Mezi ostatní náklady spojené s půjčkou se mohou zařadit např. poplatky za správu úvěru, za uzavření smlouvy, za vedení účtu, první navýšená splátka, pojištění schopnosti splácet úvěr, poplatky související s posouzením žádosti o úvěr, poplatky za převod peněžních prostředků apod. RPSN tedy bývá v praxi vyšší, záleží především na poplatcích spojených s půjčkou. Na zajímavý fakt upozorňuje Kašparovská (2010). RPSN nemusí nutně obsahovat všechny provize a poplatky, které v souvislosti s půjčkou banka účtuje. Není taxativně zákonem stanoveno, které poplatky a provize jsou součástí RPSN a záleží tedy na každé bance. Proto by si spotřebitel měl ve vlastním zájmu zjistit, které poplatky banka do RPSN nezahrnuje.
3.2 Makroekonomické veličiny Tato podkapitola bude obsahovat stručný popis jednotlivých makroekonomických veličin, jejichž vliv na objem poskytnutých spotřebitelských úvěrů bude zkoumán v kapitole 5. 3.2.1
Inflace
Golin (2001) popisuje inflaci jako tempo růstu cen, které je obvykle měřeno pomocí ukazatelů, jako je CPI (index spotřebitelských cen) a PPI (index cen výrobců) nebo také jako trvalý a podstatný nárůst cen. Obecně podle něj platí, že inflace je důsledkem toho, že peněžní zásoba roste rychleji než produkce zboží a služeb.
Literární přehled
21
Klíma (2006) označuje inflaci za další závažný problém, který stejně jako nezaměstnanost narušuje výkonnost ekonomiky. Obecně je inflace definována jako růst cenové hladiny, její výše se kvantifikuje mírou inflace a pro její výpočet se využívají již zmíněné cenové indexy. Opak inflace je označován jako deflace, ke které dochází při poklesu celkové cenové hladiny. Jejím významným rysem je její setrvačnost, jelikož má tendence pokračovat po určitou dobu stejným tempem i za rozlišných inflačních tlaků. Inflace je rozdělena do tří stupňů. Inflace mírná představuje jednociferný roční nárůst míry inflace. Je přijatelná a umožňuje dobré fungování peněžního systému. Není tedy zdrojem vážnějších potíží v ekonomice. Pádivá inflace je spojena s dvou až trojciferným nárůstem roční míry inflace. Lidé se snaží držet co nejméně peněz, nakupují statky, zejména nemovitosti a také nejsou schopni půjčovat finance za nízké nominální úrokové sazby. Tato inflace způsobuje vážné ekonomické poruchy. Třetím stupněm je hyperinflace, která se vyznačuje troj, čtyř nebo i víceciferným nárůstem. Peníze přestávají plnit svoji funkci platidla a často jsou nahrazeny barterem. Hyperinflace zapříčiní rozpad peněžní soustavy a její dopad na fungování ekonomiky je silně negativní. Podle příčiny inflace Klíma (2006) také rozděluje inflaci na nabídkovou (vyvolána podněty na straně nabídky) a poptávkovou (vyvolána podněty na straně poptávky). Inflace má negativní dopad na mzdy, kdy se snižuje jejich kupní síla. Naopak cena majetku stoupá společně s inflací, proto inflace razantněji postihuje sociálně slabší obyvatele, kteří jsou více závislí na mzdě. Růst cen nezbytného zboží snižuje objem důchodu, který spotřebitelé mohou použít na jiné výrobky, což ve větším měřítku a po delší době může způsobit přesuny ve výrobě. Zajímavé také je, že pokud je míra inflace vyšší než nominální úroková míra, tak klesá hodnota vkladů a půjček a věřitelé ztrácejí. Naopak dlužníci získávají. Holman (2005) se zabývá také inflačním cílováním, kdy si centrální banka vytyčí inflační cíl např. 1 % a tuto informaci pak mohou spotřebitelé zahrnout do svých racionálních inflačních očekávání a podle toho budou jednat.
Literární přehled
22
Vyhlášením inflačního cíle banka ovlivňuje již zmíněná inflační očekávání a ta silně ovlivňují skutečnou inflaci. Vodová (2009) uvádí, že pokud se s rostoucí inflací zvyšuje poptávka po úvěrech, je to způsobeno očekáváním eroze nominální hodnoty dluhu. Navíc očekávaný nárůst cen spotřebitele motivuje pořídit si investiční a jiné statky dříve. 3.2.2
Mzda a disponibilní důchod
Klíma (2006) jednoduše uvádí, že mzda je efektem vynaložené práce. To znamená, že je peněžním oceněním vykonané práce. Holman (2005) tvrdí, že „mzda je cenou volného času“. Jedná se o to, čeho se jednotlivec vzdá, pokud se rozhodne nepracovat, to znamená rozhodne se mít volný čas. Když se tedy mzda zvýší, tak volný čas se zdraží. Mzda je však také důchodem. Se zvýšením mzdy se zvýší i důchod a člověk pak může nakupovat více statků, včetně volného času a nabízet méně práce. Existují však dva druhy mzdy - mzda nominální a mzda reálná. Nominální mzda je představována např. hodinovou mzdou od zaměstnavatele smluvenou v pracovní smlouvě. Oproti tomu reálná mzda je ovlivňována inflací a je velikostí spotřebního koše, který si za mzdu může spotřebitel koupit. Problematika nominálních a reálných mezd je tedy úzce spojena s inflací, která má vliv na hodnotu peněz. Jak upozorňují Foster a Magdoff (2009), existuje paradox poklesu reálné mzdy a současného rychlého růstu spotřeby. Vysvětlení lze nalézt v chování spotřebitelů. V období stagnujících mezd totiž pracující stále více žijí nad své poměry nebo si snaží udržet svou stávající životní úroveň a jsou tak nuceni si půjčovat, jelikož jejich mzda už nepokryje takové výdaje. Z toho důvodu může být případná ekonomická expanze vykoupena narůstajícím spotřebitelským zadlužením. Gábová (2008) shrnuje pohledy na vztah disponibilního důchodu a zadlužení českých domácností. Uvádí Keynesovu teorii absolutního důchodu, která říká, že v krátkém období reagují domácností svojí spotřebou nedokonale na změny disponibilního důchodu. To však odmítají neoklasikové (např. Fried-
Literární přehled
23
manova teorie permanentního důchodu nebo Modiglianiho teorie životního cyklu). Friedman klade důraz spíše na dlouhodobý, tzv. permanentní důchod, čili domácnosti krátkodobě na změny důchodu nereagují. Gábová (2008) také zmiňuje Modiglianiho teorii, že v produktivním věku lidé spoří a tyto úspory rozpouštějí až v důchodovém věku, kdy se jejich příjmy snižují. Spotřeba je tedy závislá spíše na dlouhodobém důchodu domácností. Hušek a Pelikán (2003) se však také věnují hypotéze racionálních očekávání, která vyvrací závěry teorie permanentního důchodu. Podle nové klasické ekonomie zahrnují racionálně chovající spotřebitelé do svých očekávání také budoucí předpověditelné (anticipované) změny ve vládní politice a definování permanentního důchodu jenom na základě minulého vývoje nemůže vést k reálným závěrům. Gábová (2008) zmiňuje i hypotézu relativního důchodu Jamese Duesenberryho, která tvrdí, že na spotřebitelskou poptávku mají svůj vliv i sociální faktory. Domácnosti spotřebovávají statky podle toho, jakého sociálního statutu chtějí dosáhnout. Hušek a Pelikán (2003) tuto teorii relativního důchodu vysvětlují následovně. Průměrný sklon ke spotřebě každého jednotlivého spotřebitele je odrazem pozice, kterou má spotřebitel svou výší důchodu mezi ostatními spotřebiteli. Individuální užitek totiž nezávisí pouze na vlastní spotřebě, ale závisí také na spotřebě ostatních spotřebitelů. Hušek a Pelikán (2003) se zmiňují rovněž o spotřebním modelu zvykové setrvačnosti, kdy spotřeba v daném období je mj. ovlivněna i úrovní spotřeby v předcházejícím období, a to v důsledku setrvačnosti spotřebních zvyklostí. Gábová (2008) poukazuje na to, že vztah spotřeby a disponibilního důchodu odpovídá v českém prostředí neoklasickým teoriím. Češi nejdřív čekají, jestli je změna jejich disponibilního důchodu trvalejšího charakteru a podle toho přizpůsobí svoji spotřebu. Křepelka (2008) potvrzuje platnost Keynesovy teorie, že spotřební výdaje jsou závislé na důchodu téhož období a spotřeba se tak nepřizpůsobuje až dlouhodobému důchodu.
Literární přehled
24
Šponerová (2008) pomocí korelační analýzy dospívá k závěru, že mezi objemem spotřebitelských úvěrů a reálné mzdové sazby existuje vzájemná závislost. Kostečková (2009) v rámci regresní analýzy zjišťuje pozitivní závislost mzdy a objemu spotřebitelských úvěrů. 3.2.3
Úrokové míry
Je taky nutné rozlišovat mezi nominální a reálnou úrokovou mírou, kde svoji roli opět hraje míra inflace. Holman (2005) vysvětluje, že nominální úroková míra je ta, která je placena z půjčky. Oproti tomu reálná úroková míra je očištěná od inflace a platí vztah nominální úr. míra = reálná úr. míra – očekávaná míra inflace a jedná se o tzv. Fisherovu rovnici, kterou formuloval právě Irwing Fisher. Breinek (2011) uvádí, že inflace se mění pomalu a tak monetární opatření zaměřená na změnu nominální úrokové míry ovlivní přibližně ve stejné výši i úrokovou míru reálnou. Toho ale může centrální banka využít pouze v krátkém období, jelikož v dlouhém období se míra inflace přizpůsobí a výše reálné úrokové míry tak plně závisí na vztahu úspor a investic soukromého sektoru. Nominální úroková míra ve svém důsledku ovlivňuje tržní úrokové míry a tím úrokové míry, které banky ukládají na úvěrové produkty. Holman (2005) dále upřesňuje, že vkladatelé dostávají nominální úrokovou míru a za tu si vypůjčují na spotřebu nebo investování. Ale spotřebitelé se rozhodují na základě reálné úrokové míry, kolik budou spořit a kolik investují. je tedy nutné očišťovat nominální úrokovou míru o očekávanou míru inflace, abychom byli schopni zjistit, jestli se spoření nebo investice vůbec vyplatí. V rámci korelační analýzy, kterou provedla Šponerová (2008) je vykázána statistická nevýznamnost parametru úrokové sazby, jako vlivu na objem spotřebitelských úvěrů. Kostečková (2009) ve své práci prezentuje negativní závislost úrokové míry a spotřebitelských úvěrů. Bhattacharya
a Boot
(2004)
vyzdvihují
kritiku
Keynesovské
a monetaristické makroekonomické teorie o monetárním transmisním mecha-
Literární přehled
25
nismu, který se zakládá na vlivu změn úrokových měr na investice a dlouhodobé výdaje spotřebitelů nebo alternativně na měřitelné efekty bohatství na spotřebu. Některá empirická zkoumání ukázala, že jak kanál úrokových měr, tak efekt bohatství je buď zanedbatelný, nebo v rozporu s řadou empirických zákonitostí. Možný pozitivní dopad úrokové sazby, který je v rozporu se standardní finanční teorií, Vodová (2009) vysvětluje divergentním vývojem úrokových sazeb a objemu poskytnutých úvěrů ve sledovaném období nebo velkým podílem úvěrů poskytnutých domácnostem, kdy poptávka je ovlivněna spíše jinými faktory než faktory zkoumanými. Zjišťuje, že poptávka po úvěrech (celkových, nikoliv pouze spotřebitelských) je v České republice funkcí investic, indexu PX50, HDP zpožděného o jedno čtvrtletí a úrokové sazby úvěrů. 3.2.4
Nezaměstnanost
Ukazatelé nezaměstnanosti jsou zásadními faktory, které ovlivňují finanční situaci spotřebitelů. Zda mají příjem či jsou bez práce se výrazně promítá do rodinných financí. Pro lepší pochopení toho, kdo je nezaměstnaný uvádí Pavelka (2007) přehledné rozdělení jednotlivých skupin obyvatel (viz Obr. 2) a definuje míru nezaměstnanosti jako „procento nezaměstnaných z ekonomicky aktivního obyvatelstva“. Nezaměstnanými jsou myšleny osoby starší 15-ti let, které nemají placené místo nebo nejsou sebezaměstnané, aktivně místo hledají a jsou schopny nastoupit do zaměstnání.
Literární přehled
Obr. 2
26
Struktura obyvatelstva ČR (zdroj: Pavelka 2007)
Klíma (2006) rozlišuje mezi frikční nezaměstnaností, strukturální, cyklickou dobrovolnou a nedobrovolnou a také definuje přirozenou míru nezaměstnanosti, jež je mj. nejnižší udržitelnou mírou nezaměstnanosti bez toho, aby inflace vykazovala tendence ke zvyšování či snižování. Také poukazuje na to, že nejčastěji se jako makroekonomické ukazatele používají obecná míra nezaměstnanosti, specifické míry nezaměstnanosti, míra registrované nezaměstnanosti a míra ekonomické aktivity. Negativní dopady nezaměstnanosti lze rozdělit na ekonomické a sociální. Podle Klímy (2006) dochází při nezaměstnanosti k nevyužití práce, což vede ke značným vyčíslitelným ekonomickým ztrátám na výrobcích i službách, tedy produktu (hrubý domácí produkt, hrubý národní produkt), který nezaměstnaní obyvatelé mohli vyrobit. Pavelka (2007) zdůrazňuje, že nezaměstnanost je spojena s kriminalitou, alkoholismem, sebevraždami atd., protože nezaměstnanost jde ruku v ruce s poklesem životní úrovně. Dlouhodobě nezaměstnaní navíc ztrácí pracovní návyky a stávají se pro zaměstnavatele méně atraktivními, čímž se snižuje jejich šance na nalezení nového místa. U nezaměstnanosti s poskytnutými úvěry.
uvádí
Kostečková
(2009)
negativní
závislost
Materiál a metodika
27
4 Materiál a metodika 4.1 Materiál V této diplomové práci jsou použita statistická data, která se vztahují k výdajům na spotřebu, objemu spotřebitelských úvěrů u bankovních a nebankovních institucí, průměrné mzdy, nominální úrokové sazby, míry inflace a míry nezaměstnanosti. Tato data jsou čtvrtletní za období let 2000 až 2013. Zdrojem dat je Systém časových řad ARAD České národní banky, webových stránek Českého statistického úřadu, České bankovní asociace a České leasingové a finanční asociace1. Při práci s číselnými údaji je použit tabulkový procesor MS Excel, počítačový statistický systém Gretl a veškeré číselné hodnoty jsou zaokrouhlovány maximálně na tři desetinná místa.
4.2 Regresní analýza 4.2.1
Podstata regresní analýzy
Regresní analýza zkoumá závislost dvou a více číselných proměnných. Jedná se o souhrn postupů a metod pro získání odhadu hodnot nebo středních hodnot nějaké proměnné, která odpovídá daným hodnotám jedné nebo více vysvětlujících proměnných. Proměnná, jejíž hodnoty nebo střední hodnoty jsou odhadovány, tzn. vysvětlovaná nebo závisle proměnná, je označena symbolem y. Proměnná, pomocí které jsou tyto odhady prováděny, tzn. vysvětlující nebo nezávisle proměnná, je značena symbolem x. V případě vyššího počtu vysvětlujících proměnných je potřeba je označit x1, x2, atd. Zpravidla ekonomické veličiny závisí na více činitelích, přičemž využít při regresní analýze lze pouze ty, které se dají
1
Česká leasingová a finanční asociace sdružuje nebankovní společnosti nabízející leasing, úvěry
pro spotřebitele i podnikatele a factoring. Tato asociace začala působit od poloviny roku 1991 (www.clfa.cz).
Materiál a metodika
28
změřit. Zpravidla se používají k odhadům jen některé z možných vysvětlujících proměnných (Hindls, 2007). Narozdíl od regresní analýzy, korelační analýza se zabývá vzájemnými závislostmi s důrazem na intenzitu daného vztahu, než na zkoumání proměnných ve smyslu příčina-následek. Často však dochází k prolínání regresní a korelační analýzy (Hindls, 2007). Korelační analýza se provádí pomocí grafů a různých měr závislosti, které se nazývají korelační koeficienty (Hendl, 2012). 4.2.2
Regresní funkce a její parametry
Základem rozhodování o typu regresní funkce jsou věcně ekonomická kritéria. Regresní funkce by se proto měla opírat o existující ekonomické teorie. V některých případech je tak možné posoudit, jak moc jde o funkci rostoucí nebo klesající, jaký je smysl zakřivení, zda se dá uvažovat o inflexním bodu, jestli je funkce nekonečně rostoucí nebo roste k určité limitě. Lze obdržet i představu o znaménkách parametrů modelu apod. Pokud nejde využít věcně ekonomických kritérií, je nutno přistoupit k empirickému způsobu volby funkce, tj. na základě rozboru empirického průběhu souvislostí. Tím je myšlena grafická metoda, kdy je závislost znázorněna pomocí bodového diagramu. Regresní funkce je poté podrobena matematickostatistickým kritériím pro zjištění kvality vybrané funkce.Vhodný typ regresní funkce lze najít jen vhodnou kombinací matematicko-statistických a věcně ekonomických kritérií (Hindls, 2007). Volba regresní funkce tedy spočívá v rozhodnutí, které vysvětlující proměnné lze zahrnout do regresní funkce a volbě typu funkce, tj. rozhodnout, zda se jedná o přímku, parabolu, hyperbolu, případně o jinou lineární regresní funkci dané vysvětlující proměnné (Hindls, Kaňoková, Novák, 1997). Je nutno rozlišovat mezi teoretickou a empirickou regresní funkcí, kdy teoretická funkce je idealizací průběhu proměnné y při systematických změnách vysvětlující proměnné x. Pro každé konkrétní pozorování pak bude platit rovnice
Materiál a metodika
29
yi = ηi + εi,
(2)
kde yi je i-tá hodnota vysvětlované proměnné y, ηi je i-tá hodnota teoretické regresní funkce a εi je odchylka yi od ηi. K odchylce dochází proto, že na proměnnou y působí i jiné proměnné než jenom vysvětlující proměnná x a také protože forma hypotetické regresní funkce není zcela přesným obrazem měřitelné závislosti. Parametry jsou označeny β, takže ηi = f (xi; β0, β1, ...βp).
(3)
Úkolem je určit odhady parametrů a získat empirickou regresní funkci ve tvaru Yi = f (xi; b0, b1, ...bp),
(4)
kde písmena b představují odhady uvedených parametrů. K určení parametrů se používá metoda nejmenších čtverců. Nejčastěji se používají regresní funkce, které jsou lineární z hlediska parametrů. Z nich jsou nejpoužívanější následující lineární regresní funkce a)
b)
c)
lineární regrese η = β0 + β1 x,
(5)
η = β0 + β1 x + β2 x2,
(6)
parabolická regrese
polynomická regrese p-tého stupně η = β0 + β1 x + β2 x2 + ... + βp xp,
d)
hyperbolická regrese prvního stupně
η = β0 + e)
(7)
hyperbolická regrese p-tého stupně
β1 x
,
(8)
Materiál a metodika
30
η = β0 + f)
β1 x
+
β2 x
2
+ ... +
βp xp
(9)
,
logaritmická regrese η = β0 + β1 log x.
(10)
Nejvíce používanou regresní funkcí, která není lineární v parametrech je funkce exponenciální, která nabývá tvaru η = β0 β1x
(11)
(Hindls, 2007). Při analýzách se v některých případech ekonomické časové řady logaritmicky transformují, protože některé takové řady mají exponenciální trend a logaritmická transformace představuje jeho linearizaci. Tato transformace také stabilizuje časovou řadu z hlediska variability. Často se při sestavování ekonometrických modelů vychází z teoretických ekonomických modelů, které mají exponenciální tvar. Logaritmováním se získá jejich linearizace a do lineárního modelu proto musí vstoupit časové řady logaritmicky transformované (Arlt, Arltová, 2009). 4.2.3
Vícenásobná regrese
Velmi často se nepodaří vysvětlit změny závisle proměnné jen jednou vysvětlující
proměnnou
a musí
se
rozšířit
počet
vysvětlujících
proměnných.
U vícenásobné regrese se ztrácí možnost logického posouzení závislostí nebo grafické zachycení závislostí. Hlavním „pilířem“ pro volbu regresní funkce se stávají matematicko-statistická kritéria (míry těsnosti, směrodatné chyby regresních koeficientů, testy atd.). Mnohdy se nejprve analyzuje závislost mezi závisle proměnnou a jednotlivými vysvětlujícími proměnnými a následně se součtem jednoduchých regresních funkcí získá výsledná regresní funkce. V praktických případech převažuje, že závisle proměnná je lineárně závislá na každé z vysvětlujících proměnných a tyto vysvětlující proměnné jsou vzájemně nezávislé. Regresní funkce η je pak vyjádřena vztahem
Materiál a metodika
31
η = β0 + β1 x1 + β2 x2 + ... + βp xp,
(12)
kde β0, β1, ,.., βp jsou neznámé parametry, x1, x2, ... xp jsou vysvětlující proměnné a odhadnutou regresní funkci lze vyjádřit Y = b0 + b1 x1 + b2 x2 + ... + bp xp,
(13)
kde b0, b1, ,.., bp představují odhady uvedených parametrů (Hindls, 2007). Mezi některými nebo všemi vysvětlujícími proměnnými regresního modelu může existovat lineární vztah. Tato závislost se nazývá (multi)kolinearita a může být způsobena použitou metodou sběru dat, omezeními modelu nebo vzorku populace, případně specifikací modelu (Gujarati, 2003). 4.2.4
Kvalita regresní funkce
Úkolem regresní analýzy je kromě jiného určit kvalitu regresní funkce. Tato kvalita se posuzuje podle celé řady kvantitativních i jiných kritérií a posouzení kvality regresní funkce obecně zahrnuje odpovědi na otázky: 1.
Odpovídá uvažovaná regresní rovnice ekonomické teorii? Jedná se o jedno z nejdůležitějších kritérií adekvátnosti modelu. Odchylky od ekonomické teorie měly být zdůvodněny nebo by měl být model pozměněn.
2.
Do jaké míry regresní model popisuje empirická data? Regresní model by měl vysvětlit patřičný podíl variability v empirických datech vysvětlované proměnné. Párový nebo vícenásobný koeficient korelace mezi empirickými daty a teoretickými hodnotami z lineárního regresního modelu by měl být statisticky průkazný.
3.
Je používaný datový soubor dostatečně velký a reprezentativní? U souborů dat nízkého rozsahu a vysoké proměnlivosti je totiž velmi obtížné stanovit správnou funkční formu na základě pozorovaných dat.
4.
Je odhad OLS nejvhodnější metodou pro danou rovnici? Tato metoda je vhodná pro regresní modely, které jsou lineární v parametrech nebo mohou být na lineární převedeny. V opačném případě je potřeba použít některý z iterativních postupů.
Materiál a metodika
5.
32
Do jaké míry odráží odhadnuté koeficienty regrese očekávání předtím, než byla data získána? Je nutné se ujistit, že regresní odhady mají očekávanou velikost, znaménko, jsou interpretovatelné a statisticky průkazné.
6.
Byly do modelu zahrnuty všechny důležité a zřejmé veličiny a nebyly některé opomenuty? Opomenutí významné vysvětlující proměnné může mít závažné důsledky pro použitelnost modelu, protože se tak vnáší do modelu specifikační chyba.
7.
Z teoretického hlediska byla použita nejvhodnější funkční forma? Zvolená funkční forma by měla umožnit interpretaci regresních odhadů, nezapříčinit některou z vad modelu (heteroskedasticitu, multikolinearitu, atd.) a vystihnout funkční vztah mezi veličinami modelu (Cipra, 2008).
4.2.5
Testy používané při volbě regresní funkce
Obecně řečeno testy významnosti jsou postupy, jejichž výsledky jsou použity pro ověření pravdivosti nebo nepravdivosti nulové hypotézy. Rozhodnutí o přijetí nebo odmítnutí nulové hypotézy H0 se provádí na základě hodnoty testovací statistiky získané z údajů (Gujarati, 2003). • T-test (o nulových hodnotách regresních parametrů)
V t-testu je testována nulová hypotéza H0 : βh = 0, h = 0, 1, 2, ..., m oproti alternativní hypotéze H1 : βh ≠ 0. Testové kritérium je th =
bh , h = 0,1,2,..., m , s (bh )
(14)
kde s představuje odhad střední chyby (Hindls, Kaňoková, Novák, 1997). • Celkový F-test
Zde se testuje nulová hypotéza H0 : β1 = β2 = ... = βm = 0, což lze taky interpretovat jako hypotézu, že střední hodnoty η proměnné y jsou stejné. Oproti tomu alternativní hypotéza říká, že alespoň jeden z těchto parametrů není roven nule
Materiál a metodika
33
a regresní funkce s takovými vysvětlujícími proměnnými je bezvýznamná. Jako testové kritérium je používán vztah F=
ST /( p − 1) , S R / n − p)
(15)
kde ST je teoretický a SR reziduální součet čtverců a toto testové kritérium má při platnosti nulové hypotézy rozdělení F o stupních volnosti p – 1 a n – p. Kritický obor je tedy určen vztahem F > F1-α,
(16)
kde F1-α je kvantil F-rozdělení. Při zamítnutí nulové hypotézy je F-test významný. Pokud je celkový F-test nevýznamný, není vhodné zvolenou regresní funkci používat ani při významnosti některých t-testů. Jestli je však celkový F-test významný a většina nebo všechny t-testy nevýznamné, vzniká tu možnost, že je zvoleno příliš mnoho vysvětlujících proměnných nebo došlo k výskytu multikolinearity (Hindls, Kaňoková, Novák, 1997). • LM test specifikace
Tento test je určen k testování správné funkční formy. Nulová hypotéza zní, že funkční forma je vhodná a vztah mezi proměnnými je lineární. Naopak alternativní hypotéza říká, že funkční forma je chybná a vztah mezi proměnnými není lineární (Gujarati, 2003). • Whiteův test
Whiteův test heteroskedasticity nezávisí na předpokladu normality a je snadno implementovatelný. Nulovou hypotézu představuje tvrzení H0: není heteroskedasticita. Jinak řečeno může být Whiteův test testem heteroskedasticity, chyby specifikace nebo obojího (Gujarati, 2003).
Materiál a metodika
34
• Breusch-Paganův test
Breusch-Paganův test spočívá v odhadu pomocné regrese čtverců reziduí. Tyto čtverce jsou závislé na vysvětlujících proměnných modelu a test vychází z odhadu regresní funkce metodou nejmenších čtverců (Wooldridge, 2008). • Durbin-Watsonův test
Durbin-Watsonův test slouží k testování sériové korelace prvního řádu u regresního modelu časových řad, který splňuje předpoklady klasického regresního modelu (Wooldridge, 2008). • Breusch-Godfreyův test
Test Breusch-Godfreyův je asymptotickým testem pro AR(p) sériovou korelaci a bere v úvahu zpožděné závisle proměnné stejně jako další regresory, které nejsou ryze exogenní (Wooldridge, 2008). • Box-Piercův test
Výstupem Box-Piercova testu autokorelace vyšších řádů je Q-statistika a je často používán pro detekci bílého šumu v časových řadách. U velkých souborů hodnot pracuje s chí-kvadrát rozdělením (Gujarati, 2003). • Ljung-Boxův test
Ljungův-Boxův test je variantou Box-Piercova testu. Také se drží chí-kvadrát rozdělení a je statisticky „silnější“ než Box-Piercův test (Gujarati, 2003). • Chí - kvadrát test (Test dobré shody)
Tento test se zabývá normalitou chybového členu. Chí-kvadrát rozdělení je pravděpodobnostním rozdělením, které se získá přidáním čtverců nezávislých náhodných veličin. Pro testování normálního rozdělení chybového členu lze také použít Jarque-Bera test nebo Shapiro-Wilkův test (Wooldridge, 2008).
Materiál a metodika
35
• KPSS test
Při užití regresní analýzy na časové řady je třeba zjistit jejich stacionaritu. Nestacionarita časových řad může způsobovat tzv. zdánlivou regresi, která vede k nesprávnému hodnocení skutečné závislosti. Pro zjištění stacionarity lze použít samotného grafu časové řady nebo lépe test na nepřítomnost jednotkového kořene v časové řadě, tedy stacionarity. Nulová hypotéza KPSS testu zní H0: jednotkový kořen není a alternativní hypotéza říká HA: jednotkový kořen. Společný trend ve vývoji časových řad může být odstraněn diferencováním řad nebo zahrnutím trendu do odhadovaného modelu (Studenmund, 2006). • Engle-Grangerův test
Nestacionární časové řady není nutné transformovat pokud tento test identifikuje jejich kointegraci. To znamená, že existuje lineární kombinace těchto časových řad, která je stacionární (Brooks, 2008). 4.2.6
Předpoklady klasického regresního modelu
Klasický lineární regresní model předpokládá, že hodnoty vysvětlujících proměnných se volí a že regresní funkce je lineární. Dále se předpokládá, že matice hodnot regresorů má hodnost p a že rušivé (reziduální) složky mají normální rozdělení s nulovými středními hodnotami a stejnými rozptyly a že tyto složky jsou nekorelované. Jde-li o rozdělení náhodných veličin yi, pomocí kterých jsou pozorovány hodnoty proměnné y, tak se předpokládá, že mají normální rozdělení se středními hodnotami E(yi) = ηi, i = 1, 2, ..., n,
(17)
kde ηi představuje deterministickou složku modelu a je funkcí vysvětlované proměnné. Dále rozptyly D(yi) = σ2, i = 1, 2, ..., n,
(18)
kde σ2 reprezentuje neznámou konstantu a že nejsou korelované (Hindls, Kaňoková, Novák, 1997).
Materiál a metodika
36
Shrneme-li tyto předpoklady do přehlednější podoby dostaneme následující seznam předpokladů klasického regresního modelu: 1.
regresní model je správně specifikován, má aditivně připojený chybový člen a je lineární v parametrech,
2.
žádná z vysvětlujících proměnných není korelovaná s chybovým členem,
3.
pro dané vysvětlující proměnné má chybový člen nulovou střední hodnotu,
4.
neexistuje aukorelace mezi chybovými členy, čili pozorování chybového členu nejsou se sebou samými korelována,
5.
neexistuje perfektní multikolinearita, tzn. žádná z vysvětlujících proměnných není lineární kombinací jiné vysvětlující proměnné,
6.
existuje homoskedasticita chybového členu, tzn. chybový člen má konstantní rozptyl,
7.
chybový člen má normální rozdělení (Gujarati, 2003).
Pokud platí předpoklady klasického regresního lineárního modelu, lze odhady parametrů tohoto modelu považovat za tzv. BLUE - nejlepší („best“) lineární („linear“) nevychýlené („unbiased“) odhady („estimator“) ze všech možných nestranných lineárních odhadů (Brooks, 2008). V případě, že je také splněn předpoklad normality reziduí, je možné odhady označit jako BUE - nejlepší ze všech možných lineárních i nelineárních nestranných odhadů (Studenmund, 2006). Nejčastější specifikační chybou je opomenutí důležité nezávislé proměnné, zahrnutí nadbytečné nezávislé proměnné nebo chybné zvolení funkční formy. Opomenutí proměnné způsobí specifikační vychýlení. Naopak přidání nadbytečné proměnné nezpůsobuje sice vychýlení regresních koeficientů, ale může způsobit statistickou nevýznamnost těchto koeficientů. Nejlepší je takovou proměnou odstranit. Špatná volba funkční formy způsobuje vychýlení regresních koeficientů (Studenmund, 2006).
Materiál a metodika
37
Předpoklad nulové střední hodnoty chybového členu platí vždy v modelech, jejichž součástí je konstanta, protože odráží vlivy na vysvětlovanou proměnnou, které nejsou vysvětleny nezávislými proměnnými (Wooldridge, 2008). Existence
autokorelace
vede
k nespolehlivému
testování
hypotéz
o regresních koeficientech z důvodu podhodnocené reziduální složky. Vylepšit to lze využitím zobecněné metody nejmenších čtverců nebo předefinováním proměnných (Brooks, 2008). Také heteroskedasticita způsobuje nespolehlivost výsledků testů významnosti koeficientů (Brooks, 2008). Tento defekt se dá vyřešit metodou vážených nejmenších čtverců nebo opět předefinováním proměnných (Studenmund, 2006). K detekci kolinearity slouží hodnoty VIF faktorů. Při přesažení VIF hodnoty deset, lze vysvětlující proměnnou označit za (multi)kolinearovanou. Toto se opět odrazí v nespolehlivost testů regresních koeficientů (Gujarati, 2003). V případě, že multikolinearita výrazně nepoškozuje odhadnutý model, doporučuje se neprovádět další nápravu. Také je možné multikolinearovanou proměnnou vynechat z modelu, případně upravit nebo zvýšit rozsah souboru dat (Studenmund, 2006). Splnění klasických předpokladů může být zkomplikováno sezónností časové řady. Sezónnost představuje periodické kolísání v časové řadě. Toto kolísání má systematický charakter, odehrává se během jednoho kalendářního roku a každý rok se opakuje. Kromě sezónnosti může časová řada vykazovat trend. Ten vykresluje dlouhodobé změny v průměrném chování časové řady a v průběhu času se může měnit. Může být hladší než je samotná časová řada nebo variabilnější (Arlt, Arltová, 2009). Sezónnost je typická pro čtvrtletní nebo měsíční časové řady a může být odstraněna sezónním diferencováním, jinou metodou, která očistí časové řady o sezónní výkyvy (např. TRAMO/SEATS analýzou) nebo přidáním sezónních umělých (dummy) proměnných do modelu (Wooldridge, 2003). TRAMO/SEATS metodu vyvinula španělská centrální banka ve spolupráci s ministerstvem pro ekonomiku a finance. Název vychází ze zkratek Time Series
Materiál a metodika
38
Regression with Arima Noise, Missing Observations, and Outliers pro TRAMO a Signal Extraction in Arima Times Series pro SEATS. Tato metoda využívá klouzavých průměrů a vyhodnocuje regresní efekty způsobené kalendářními nepravidelnostmi. Také provádí dekompozici časové řady na složku trendovou, sezónní, cyklickou a složku nepravidelnou (Gómez, Maravall, 1997).
Výsledky a diskuse
39
5 Výsledky a diskuse 5.1
Závislost objemu spotřebitelských úvěrů na vývoji makroekonomických veličin
Banky v dnešní době pojmenovávají své produkty např. Expresní úvěr, Perfektní půjčka, Rychlá půjčka, apod. Tyto produkty by se jednoduše daly označit za bezúčelové nezajištěné úvěry, kterými spotřebitelé financují své výdaje. Výhodou bývá rychlost vyřízení. Splatnost úvěru je převážně do šesti let. Ročně si spotřebitelé vezmou úvěry za miliardy korun. Je proto zajímavé zjistit, zda mají na objem poskytnutých úvěrů vliv makroekonomické ukazatele, případně jakou měrou tyto ukazatelé ovlivňují objem úvěrů. Proměnné vstupující do ekonometrického modelu jsou následující: • SUt
celkový objem poskytnutých spotřebitelských úvěrů bez kontoko-
rentních a debetních zůstatků na běžných účtech a pohledávek z karet v mil. Kč za sledované období; závislá veličina, • INFt
míra inflace (v %) vyjádřená přírůstkem průměrného ročního in-
dexu spotřebitelských cen, která vyjadřuje procentní změnu průměrné cenové hladiny za dvanáct posledních měsíců proti průměru dvanácti předchozích měsíců; stav je vždy ke konci období; nezávislá veličina, • NEZt
podíl nezaměstnaných osob na obyvatelstvu (ve věku 15 - 64 let)
v % (dále již jen „míra registrované nezaměstnanosti“), který je dán podílem dosažitelných uchazečů o zaměstnání evidovaných na Úřadu práce České republiky ve věku 15 - 64 let a počtu obyvatel ve věku 15 - 64 let, přičemž je celý tento podíl vynásoben číslem 100; stav je vždy ke konci období; nezávislá veličina, • URSt
úroková sazba (v %) nových korunových úvěrů poskytnutých
bankami a pobočkami zahraničních bank působících v ČR bez České národní banky domácnostem a neziskovým institucím sloužícím domácnostem v ČR na spotřebu; nezávislá veličina,
Výsledky a diskuse
• PMt
40
průměrná hrubá měsíční mzda, jež je nominální mzdou v Kč
za čtvrtletí přepočtená na průměrný evidenční počet zaměstnanců; nezávislá veličina. Proměnné URSt, PMt a SUt jsou vyjádřeny nominálně, proto jsou nejprve očištěny o inflaci za pomocí indexu spotřebitelských cen CPI. Očištěné i původní hodnoty lze nalézt v příloze A. Ve výpočtech jsou použity čtvrtletní časové řady pro období leden 2005 až červen 2013 očištěné o inflaci. Obr. 3 znázorňuje vývoj objemu spotřebitelských úvěrů u bankovních institucí a průměrné mzdy. U proměnné PMt je patrný rostoucí trend a výrazná sezónnost. Nejnižší průměrné mzdy mají zaměstnanci vždy v 1. čtvrtletích. Naopak nejvyšší mzdy získávají ve 4. čtvrtletích. Může to být způsobeno vánočními prémiemi, kdy se zaměstnavatelé snaží své podřízené odměnit za celoroční dobrou práci. Proměnná SUt do roku 2009 roste, ale pak přichází postupné snižování objemu spotřebitelských úvěrů. Tento pokles se dá spojit s ekonomickou krizí, která propukla ke konci roku 2008, v České republice se však projevila až se zpožděním. Jak je zřejmé, spotřebitelé ztratili zájem o úvěrové financování, jelikož se šířila „špatná nálada“ na finančních trzích. Lidé smýšleli spíše pesimisticky a chovali se opatrněji, přestože české banky byly zdravé a krizi přečkaly bez větších ztrát. Od konce roku 2010 lze vidět, že časová řada stavové veličiny SUt vykazuje už spíše klesající trend.
Výsledky a diskuse
41
Obr. 3 Vývoj časových řad PMt a SUt v období leden 2005 - září 2013 (data neočištěna o sezónnost) (zdroj: ARAD, vlastní zpracování)
Vývoj míry registrované nezaměstnanosti (viz Obr. 4) značně ovlivnila hospodářská krize v roce 2008. Ve sledovaném období před krizí se proměnná NEZt snižovala k 3,8 %. S koncem roku 2008 však došlo k razantnímu zlomu a nárůstu nezaměstnanosti. Firmy, které neměly dostatečný kapitál a pevnou pozici, krachovaly a lidé ztráceli zaměstnání. Po začátku roku 2010 vidíme určité ustálení trendu, kdy se v časové řadě NEZt objevuje sezónnost. Nejvyšších měr nezaměstnanosti je pak dosaženo vždy každé první čtvrtletí. To je způsobeno sezónními vlivy na trhu práce, jelikož určité profese nelze vykonávat v zimních obdobích a zaměstnavatelé dočasně snižují stavy zaměstnanců.
Výsledky a diskuse
42
Obr. 4 Vývoj časové řady NEZt v období leden 2005 - září 2013 (data neočištěna o sezónnost) (zdroj: ARAD, vlastní zpracování)
Na vývoj objemu spotřebitelských úvěrů působí mnoho faktorů. V rámci této diplomové práce bude pro zkoumání vlivů na proměnnou SUt použita vícerozměrná regresní analýza. Předpokládaný vztah vysvětlované proměnné SUt a vysvětlujících proměnných v tomto modelu je znázorněn v následujícím funkčním vztahem: +
−
−
+
SU t = f ( INFt , NEZ t ,URSt , PM t )
Vliv inflace na objem spotřebitelských úvěrů je spíše kladný. Míra inflace má zajisté vliv na nominální hodnotu dluhu, kdy je se zvyšující se mírou inflace znevýhodňován věřitel, jelikož dostane totožné množství peněz, ale nezíská za ně stejně velký spotřební koš zboží. Naopak dlužník je zvýhodněn, protože reálná hodnota jeho dluhu poklesla. Diskutabilní však je, jestli spotřebitelé sledují vývoj míry inflace a začleňují tyto informace do svého chování a přizpůsobují objem svého dluhu. Vysvětlující proměnná NEZt může proměnnou SUt ovlivňovat záporně. Se zvyšující se mírou registrované nezaměstnaností spotřebitelé hůře dosáhnou na úvěry. Pro banky se pak tito klienti stávají rizikovějšími a obtížněji splňují podmínky pro poskytnutí spotřebitelského úvěru. Z psychologického hlediska ztráta zaměstnání také způsobuje depresivní nálady, kdy se spotřebitelé
Výsledky a diskuse
43
bojí zadlužovat. Úroková sazba úvěrů by měla jako cena zapůjčených peněz objem spotřebitelských úvěrů snižovat. Čím vyšší je úroková sazba z úvěru, tím více spotřebitel banku tzv. přeplatí a tím více ztrácí zájem o takovýto cizí kapitál. Proto jsou také úrokové sazby jednou z vhodných atributů spotřebního úvěru, kterým k sobě může banka nalákat klienty v rámci konkurenčního boje. Průměrná mzda může proměnnou SUt ovlivnit pozitivně. Spotřebitelé s nižšími mzdami hůře dosáhnou na úvěr, čili klesající mzdy mohou objem poskytnutých spotřebitelských úvěrů snižovat. Spotřebitelé se obávají, že by nebyli schopni dostát svým závazkům vyplývajícím z úvěru. Takže pokud se průměrná mzda zvyšuje, lidé mají pocit, že budou schopni v budoucnosti splácet úvěrové pohledávky a konečnou spotřebu budou více financovat výpůjčkami. Je ověřována stacionarita jednotlivých časových řad. K tomuto účelu je použito Engle-Grangerova testu. P-hodnoty pro všechny časové řady jsou větší než číslo 0,05, čili nezamítáme nulovou hypotézu o nestacionaritě a časové řady nejsou kointegrované. Časové řady je proto nutné upravit. Při vícerozměrné regresní analýze je použito prvních diferencí zmíněných časových řad. Sezónnost je vyřešena pomocí TRAMO analýzy, která sezónnost z dat odstraní. Tuto analýzu má software Gretl ve své nabídce. Odhadnutý vícerozměrný regresní model je znázorněn v Tab. 2. Tab. 2
Odhadnutý model pro časovou řadu dSUt
Vysvětlující proměnná modelu
Koeficient
T-statistika
P-hodnota
dNEZt
-1403,26
-3,591
0,002
dPMt
0,463
0,936
0,357
dSU(t-1)
0,948
22,53
< 0,001
Koeficient determinace
0,965
Adjustovaný koeficient determinace
0,962
Zdroj: vlastní práce
Výsledky a diskuse
44
Rovnice modelu tedy nabývá tvaru: dSUt = 0,463 dPMt - 1403,26 dNEZt + 0,948 dSU(t-1) Koeficient proměnné dNEZt je statisticky průkazný, narozdíl od koeficientu dPMt. P-hodnota činí tento koeficient statisticky nevýznamným. Pro účely této diplomové práce je však přínosné sledovat vliv průměrné mzdy na vysvětlovanou proměnnou i přesto, že je tento vliv zanedbatelný. Je také zjištěn významný vliv vysvětlované proměnné o jedno čtvrtletí zpožděné na vysvětlovanou proměnnou. Tento regresor je označen dSU(t-1). Jedná se tedy o dynamický lineární model. Koeficient této proměnné není podle t-testu menší než 1. Bylo by proto vhodné použít při regresní analýze logaritmy, ale vysvětlovaná proměnná nabývá záporných hodnot. Proto nelze logaritmizaci provést a je lepší model ponechat ve stávajícím tvaru. Adjustovaný koeficient determinace dosahuje 0,962. Jde o dostatečně vysokou hodnotu vyjadřující to, že model popisuje přibližně 96,2 % proměnlivosti pozorování proměnné dSUt. Tab. 3 ukazuje výsledky vybraných testů splnění předpokladů klasického lineárního regresního modelu. Tab. 3
Testy klasických předpokladů modelu dSUt
Testy
Testovací statistika
P-hodnota
F-test
273,78
< 0,001
4,144
0,246
1,633
0,213
2,1
0,571
Ljung-Boxův test
2,942
0,568
Whiteův test
8,609
0,474
χ2 test
6,472
0,039
LM test nelinearity (čtverce) RESET test specifikace (2. a 3. mocniny) Durbin-Watsonův test
Zdroj: vlastní práce
Výsledky a diskuse
45
Odhadnutý model splňuje předpoklady klasického lineárního modelu a podle VIF faktorů menších než 10 se v modelu nevyskytuje ani kolinearita. Pouze chybový člen nemá normální rozdělení, avšak tento předpoklad je volitelný a tak postačí označit chybový člen jako „klasický chybový člen“. Model je celkově statisticky významný, splňuje podmínky ekonometrické a ekonomické verifikace. Je tedy možné ho dále interpretovat. Vývoj skutečných a vyrovnaných hodnot vysvětlované proměnné dSUt je zachycen na Obr. 5.
Obr. 5 Vývoj skutečných a vyrovnaných hodnot časové řady dSUt v období leden 2005 - září 2013 (zdroj: vlastní práce)
Po roce 2008 je patrný pokles diferencí vysvětlované proměnné. Toto snížení zájmu o úvěrové financování konečné spotřeby je v souladu s teoriemi zmiňovanými na začátku této kapitoly. Období krize jde ruku v ruce se zvýšenou nezaměstnaností, menší průměrnou mzdou, což jsou proměnné, které zachycuje odhadnutý model. Ze všech uvažovaných proměnných do výsledného modelu vstupují pouze proměnné dPMt a dNEZt. Na změnu objemu spotřebitelských úvěrů mají tedy vliv sezónně očištěné diference průměrné mzdy, míry registrované nezaměstnanosti a o jedno čtvrtletí zpožděného objemu spotřebitelských úvěrů. Úrokové sazby úvěrů překvapivě nemají na objem těchto úvěrů žádný vliv. Existují tedy jiné a silnější vlivy na rozhodování spotřebitelů. Do modelu jsou také zařazeny dummy proměnné pro vývoj HDP, avšak ani tento vliv se ne-
Výsledky a diskuse
46
prokázal jako statisticky významný. Spotřebitelé tedy až tak nehledí na úroky, které budou muset za vypůjčené peníze zaplatit, ale je možné, že sledují spíše celkové RPSN. To znamená, že se zajímají i o další poplatky a celkové náklady úvěru. Vztah mezi proměnnými dSUt a dPMt je pozitivní. Když se diference průměrné mzdy zvýší o 1 Kč, způsobí to nárůst diference objemu spotřebitelských úvěrů o 0,463Kč. Jedná se pouze o málo významný vliv na vysvětlovanou proměnnou. Je však důležité zmínit pozitivní vliv této proměnné. Průměrná mzda tedy motivuje spotřebitele k vyšší úvěrové aktivitě. Vliv míry registrované nezaměstnanosti na objem přírůstků spotřebitelských úvěrů je negativní. Nárůst této
míry
nezaměstnanosti
o 1 p. b.
zapříčiní
pokles
proměnné
dSUt
o 1403,26 mil. Kč. Což potvrzuje teorii, že se zvyšující se nezaměstnaností klesá objem poskytovaných spotřebitelských úvěrů, jelikož spotřebitelé obtížněji splní podmínky pro udělení úvěru i pro splácení úvěru. Do modelu je také zařazena diference objemu spotřebitelských úvěrů v předchozím čtvrtletí. Je to způsobeno nestacionaritou původní časové řady, do níž se promítá jak objem nově uzavřených úvěrů, tak dobíhající staré úvěry. Takže je objem úvěrů v současném čtvrtletí
závislý
na
celkové
úvěrové
částce
poskytnuté
spotřebitelům
v předchozím čtvrtletí. Zajímavé může být také sledovat, jaký vliv by mohla mít očekávání spotřebitelů na objem spotřebitelských úvěrů. Pro tyto účely je očekávání reprezentováno bazickými indexy indikátorů spotřebitelské důvěry. Tento indikátor důvěry je složen z očekávané finanční situace spotřebitele, očekávané celkové ekonomické situace, očekávané celkové nezaměstnanosti a očekávané úspory spotřebitele v následujících dvanácti měsících. Je zvolena časová řada, která má bazický index k průměru z roku 2005. Toto saldo představuje rozdíl mezi odpověďmi zlepšení a zhoršení vyjádřený v procentech. Takže čím vyšší je kladné saldo odpovědí, tím optimističtěji je možné hodnotit získanou odpověď. V Tab. 4 jsou zaznamenány korelační koeficienty časové řady diferencí objemu spotřebitelských úvěrů (označeno „dSUt“) a bazických indexů indikátorů důvěry (označeno „IDt“, příp. zpožděné proměnné „ID(t-1)“ atd.). Na změny v objemu úvěrů na konečnou spotřebu v současném období má tedy patrně největší vliv očeká-
Výsledky a diskuse
47
vání spotřebitele v minulém čtvrtletí a před třemi čtvrtletími. Znak „*“ znamená, že koeficient je statisticky průkazný na hladině 5 %. Z níže zaznamenaných korelačních koeficientů jsou všechny statisticky průkazné na 5% hladině významnosti. Tab. 4 Korelační koeficienty časových řad objem spotřebitelských úvěrů a bazické indexy indikátorů spotřebitelské důvěry
Proměnná testu vůči dSUt
Korelační koeficient
Statistická významnost korel. koeficientu
IDt
0,579
*
ID(t-1)
0,711
*
ID(t-2)
0,643
*
ID(t-3)
0,738
*
ID(t-4)
0,659
*
Zdroj: vlastní práce
5.2 Závislost spotřeby domácností na objemu poskytnutých spotřebitelských úvěrů Výdaje na konečnou spotřebu jsou spotřebitelovou základní nutností. Tyto výdaje zahrnují výdaje vynaložené na služby a výrobky, které mají sloužit k přímému uspokojení individuálních potřeb a přání jedinců. Pro účely statistických analýz je nutné rozlišovat mezi tuzemskými a zahraničními spotřebiteli a spotřebou na domácím nebo cizím území, protože by to následné propočty a výsledky zkreslovalo. Základními zdroji výdajů na konečnou spotřebu je disponibilní příjem, kterým domácnostem zůstává po zaplacení daní a přijetí sociálních dávek a dalším hlavním zdrojem výdajů domácností jsou přijaté spotřebitelské úvěry od bankovních, případně nebankovních institucí. Je proto zajímavé sledovat, jaký vliv budou mít tyto zdroje na objem výdajů na konečnou spotřebu domácností.
Výsledky a diskuse
48
Proměnné vstupující do ekonometrického modelu: • VYDt
výdaje na konečnou spotřebu domácností v Kč v běžných cenách
a národním pojetí, tzn. výdaje rezidentů v tuzemsku i v zahraničí přepočtené na jednoho obyvatele za celé čtvrtletí; závislá veličina, • SUVt
objem přírůstků poskytnutých spotřebitelských úvěrů bez konto-
korentních a debetních zůstatků na běžných účtech a pohledávek z karet v mil. Kč přepočtený na jednoho obyvatele; nezávislá veličina, • DPt
hrubý disponibilní příjem přepočtený na jednoho obyvatele v Kč
za celé čtvrtletí; nezávislá veličina. Je žádoucí očistit nominálně vyjádřené proměnné použitím CPI a předejít tak zkreslení vlivem inflace. Původní i očištěné hodnoty jsou zaznamenány v příloze A. Ve veškerých výpočtech a analýzách jsou použity čtvrtletní časové řady již očištěné o inflaci. Jedná se o období leden 2000 až září 2013. Vývoj proměnných DPt a VYDt je znázorněn na Obr. 6. Obě časové řady vykazují rostoucí trend s výraznou sezónností, a to až do roku 2008, kdy vypukla velká hospodářská krize. Od tohoto roku se rostoucí trend ztrácí. Disponibilní příjmy tedy oscilují kolem hodnoty přibližně 82 000 Kč za čtvrtletí. Taktéž výdaje na konečnou spotřebu se po roce 2008 pohybují kolem hodnoty cca 44 000 Kč za čtvrtletí. Sezónně obě řady dosahují nejvyšších hodnot vždy ve 4. čtvrtletí, naopak nejnižších v 1. čtvrtletích. Je to způsobeno sezónními vlivy na trhu práce, kdy se v zimních obdobích zvyšuje nezaměstnanosti. To ovlivňuje disponibilní příjmy domácností. Podle velmi podobného průběhu proměnných se dá usuzovat na silnou vzájemnou závislost.
Výsledky a diskuse
49
Obr. 6 Vývoj časových řad DPt a VYDt v období leden 2000 - září 2013 (data neočištěna o sezónnost) (zdroj: ARAD, ČSÚ, vlastní zpracování)
Následující funkční vztah zobrazuje možné vlivy vysvětlujících proměnných DPt a SUVt na objem spotřebních výdajů: + /−
+
VYDt = f ( DPt , SUVt )
Jak již bylo řečeno výše, hlavními zdroji spotřebních výdajů je disponibilní příjem a spotřebitelské neúčelové úvěry. S růstem disponibilního příjmu lze očekávat nárůst výdajů domácností na konečnou spotřebu, jelikož si mohou více dovolit a zvýšit tím svoji životní úroveň. Podle jiné teorie však může nárůst disponibilního příjmu proměnnou VYDt udržovat na stejné úrovni, případně ji dokonce snižovat. Důvodem je očekávání spotřebitelů, že momentální nárůst jejich finančních prostředků bude kompenzován pozdějším poklesem jejich příjmů a budou si tedy více peněz ukládat jako úspory. Záleží tedy, zda je změna disponibilního důchodu vnímána jako krátkodobá nebo trvalá, což zmiňuje i Gábová (2008). Přijmutí úvěru dočasně zvyšuje finanční vybavenost domácností, proto se předpokládá pozitivní závislost mezi proměnnými VYDt a SUVt. Pokud si však lidé splátky neodloží, většinou začnou splácet úvěr již následující měsíc. Přijatý úvěr tedy může výdaje na spotřebu snižovat, a to především pokud nejsou sledovány měsíční časové řady, ale čtvrtletní. Spotřební výdaje mohou záležet
Výsledky a diskuse
50
i na vývoji objemu spotřebitelských úvěrů v předešlých čtvrtletích. Tudíž ani vliv SUVt není jasný. Při hledání vhodného modelu byl indikován statisticky významný regresor VYDt o jedno čtvrtletí zpožděný. Tato proměnná je značena jako VYD(t-1). Pomocí QLR testu je také zjištěn zlom v 1. čtvrtletí roku 2009. Výsledek tohoto testu je graficky zakreslen na Obr. 7.
Obr. 7
Grafické znázornění výsledku QLR testu pro model VYDt (zdroj: vlastní práce)
Všechny uvažované časové řady jsou sezónně očištěny pomocí analýzy TRAMO/SEATS, kterou nabízí software Gretl. Pomocí p-hodnoty Chowova testu, která má hodnotu 0,0112, lze označit tento strukturální zlom jako statisticky významný. Do modelu je proto přidána proměnná dummy, jež do 1. čtvrtletí roku 2009 nabývá hodnoty nula, poté hodnoty jedna. Dále jsou do modelu zapojeny interakční členy sezónnosti s trendem, které charakterizují změny koeficientů vysvětlujících proměnných v etapě po zlomu oproti etapě před zlomem. Tyto členy jsou označeny malým písmenem „i“ u samotného označení proměnné,
např.
iDPt
a jsou
dány
součinem
s dummy
proměnnou,
např.
iDPt = dummy * DPt. Regresní koeficienty výsledného modelu jsou zachyceny v Tab. 5.
Výsledky a diskuse
Tab. 5
51
Odhadnutý model pro časovou řadu VYDt
Vysvětlující proměnná modelu
Koeficient
T-statistika
P-hodnota
const
1320
3,741
< 0,001
DPt
0,139
5,076
< 0,001
VYD(t-1)
0,703
12,25
< 0,001
dummy
7423,77
2,411
0,02
-0,083
-2,271
0,028
iDPt Koeficient determinace
0,998
Adjustovaný koeficient determinace
0,998
Zdroj: vlastní práce
Všechny koeficienty v Tab. 5 jsou statisticky významné. Neprůkazné proměnné byly vyřazeny. Na proměnnou VYDt mají tedy vliv disponibilní příjmy a výdaje předchozího čtvrtletí. Jedná se o dynamický lineární model, který vysvětlovanou proměnnou vysvětluje mimo jiné také samotnou zpožděnou vysvětlovanou proměnnou. Koeficient této zpožděné proměnné není podle výsledku t-testu menší než 1. Tuto situaci by bylo vhodné řešit použitím logaritmů, avšak některé proměnné nabývají záporných hodnot. Není tedy možné k logaritmizaci přistoupit a je vhodné ponechat stávající model. Adjustovaný koeficient determinace dosahuje hodnoty 0,998, což ukazuje na velice dobrou vypovídací schopnost modelu, který popisuje bezmála 100 % pozorování vysvětlované proměnné VYDt a nedošlo k opomenutí žádné důležité vysvětlující proměnné. Díky strukturálnímu zlomu je možné sestavit rovnici modelu samostatně pro jednotlivé segmenty. Proměnná SUVt vůbec nebyla do výsledného modelu zahrnuta, protože její koeficient byl statisticky nevýznamný. Objem poskytnutých spotřebitelských úvěrů tedy nemá žádný vliv na velikost výdajů na konečnou spotřebu v čase t.
Výsledky a diskuse
52
Rovnice pro první segment (2000:1 - 2008:4): VYDt = 1320 + 0,1388 DPt + 0,7026 VYD(t-1) Rovnice pro druhý segment (2009:1 - 2013:3): VYDt = 8743,78 + 0,0555 DPt + 0,7026 VYD(t-1) Výsledky zvolených testů plnění předpokladů klasického regresního modelu jsou uvedeny v Tab. 6. Tab. 6
Testy klasických předpokladů modelu VYDt
Testy
Testovací statistika
P-hodnota
F-test
6285,807
< 0,001
5,1084
0,164
2,046
0,141
Durbin-Watsonův test
1,756
0,114
Ljung-Boxův
0,806
0,938
Whiteův test
12,09
0,279
χ2 test
1,228
0,541
LM test nelinearity (čtverce) RESET test specifikace (2. a 3. mocniny)
Zdroj: vlastní práce
Výsledný model splňuje předpoklady klasického lineárního modelu. Pouze chybový člen nemá normální rozdělení, tento předpoklad je však volitelný a tak postačí označit chybový člen jako klasický chybový člen. U všech proměnných jsou zjištěny velice vysoké VIF faktory kolinearity. Hodnoty dosahují např. u dummy 1604,144. Tuto kolinearitu je však možné přijmout jako nutný fakt, jelikož nikterak neohrožuje vypovídací schopnost modelu. Vývoj skutečných a vyrovnaných hodnot VYDt je znázorněn na Obr. 8. Výkyvy v letech 2004 a 2008 lze pravděpodobně spojit s daňovými změnami.
Výsledky a diskuse
53
K 1. květnu 2004 byla snížena základní sazba daně z přidané hodnoty z 22 % na 19 % a 1. ledna 2008 byla zvýšena snížená sazba daně z přidané hodnoty z 5 % na 9 %. 1. ledna 2010 se dokonce změnily obě sazby a to na 20 % a 10 % (www.berne.cz). Zvýšení daně z přidané hodnoty zvyšuje ceny, snižuje poptávku a tedy i spotřebu. Snížení působí opačným směrem. Tyto změny mohou způsobovat kolísání spotřebních výdajů.
Obr. 8 Vývoj skutečných a vyrovnaných hodnot časové řady VYDt v období leden 2000 - září 2013 (zdroj: vlastní práce)
Odhadnutý model zahrnuje zlom v 1. čtvrtletí roku 2009. Proto je i jeho prezentace rozdělena na etapu před zlomem a po něm. V rovnici 1. segmentu se nachází konstanta, sezónně očištěné disponibilní příjmy a sezónně očištěné spotřební výdaje zpožděné o jedno čtvrtletí. Výdaje na konečnou spotřebu se tedy při nárůstu disponibilního příjmu o 1 korunu zvýší o 0,1388 Kč, jelikož vztah mezi VYDt a DPt je pozitivní. Jak již bylo řečeno, disponibilní příjem je jedním z hlavních zdrojů spotřebních výdajů a tento model kladný vliv DPt na VYDt potvrzuje. Výdaje současného čtvrtletí jsou v 1. segmentu rovněž závislé na spotřebních výdajích ze čtvrtletí minulého. Pokud se tedy výdaje ve čtvrtletí t zvýší o 1 korunu, zvýší se výdaje ve čtvrtletí t+1 o 0,7026 Kč. Vztah mezi VYDt a VYDt (t-1) je taktéž pozitivní.
Výsledky a diskuse
54
Oproti 1. segmentu se konstanta zvýšila na 8743,78 Kč, snížil se však vliv disponibilního příjmu. V období po zlomu v 1. čtvrtletí 2009 disponibilní příjmy ovlivňují výdaje méně než v 1. segmentu. Pokud se po zlomu zvýšily disponibilní příjmy o 1 Kč, zvýšily se spotřební výdaje o 0,0555 Kč. Výdaje předcházejícího čtvrtletí ovlivňují výdaje v současném čtvrtletí stejným směrem i stejnou silou jako v segmentu před zlomem. Stejně jako vliv očekávání spotřebitele na objem spotřebitelských úvěrů, může být zajímavý i vliv těchto očekávání na spotřební výdaje. Je opět použito bazických indexů indikátorů důvěry spotřebitelů. Následující tabulka (Tab. 7) znázorňuje korelační koeficienty. Podle korelačních koeficientů jsou výdaje spotřebitelů zřejmě ovlivňovány nejvíce očekáváními v současném období, dále pak již méně očekáváními v předchozím čtvrtletí. Žádný z těchto korelačních koeficientů však není statisticky průkazný na 5% hladině významnosti. Tab. 7 Korelační koeficienty časových řad objem spotřebních výdajů a bazické indexy indikátorů spotřebitelské důvěry
Proměnná testu vůči VYDt
Korelační koeficient
IDt
-0,2579
ID(t-1)
-0,2393
ID(t-2)
-0,2186
ID(t-3)
-0,1799
ID(t-4)
-0,1292
Zdroj: vlastní práce
Výsledky a diskuse
55
5.3 Vlivy působící na objem spotřebitelských úvěrů u nebankovních institucí Při ztrátě zaměstnání lidé hůře dosáhnou na spotřebitelské úvěry, protože banky požadují doložení příjmů a nezaměstnaní mají buď nedostatečný příjem, žádný prokazatelný příjem nebo mají záznam v registru dlužníků. Nebankovní instituce preferují úvěry bez doložení příjmů, kdy se ale spotřebitel často musí zaručit, převážně nějakou nemovitostí. Při nesplacení pak hrozí ztráta nemovitosti ve prospěch věřitele (expertnapujcky.cz). Je proto přínosné sledovat, jaký vliv na objem poskytnutých spotřebitelských úvěrů u nebankovních institucí má míra registrované nezaměstnanosti a průměrná hrubá měsíční mzda. Proměnné, které vstupují do ekonometrického modelu jsou: • SUNt
objem nově poskytnutých spotřebitelských úvěrů domácnostem
nebankovními institucemi, které jsou členy České leasingové a finanční asociace v mil. Kč; závislá veličina, • NEZt
podíl nezaměstnaných osob na obyvatelstvu (ve věku 15 - 64 let)
v % (dále již jen „míra registrované nezaměstnanosti“), bližší charakteristika viz podkapitola 5.1; nezávislá veličina, • PMt
průměrná hrubá měsíční mzda, jež je nominální mzdou v Kč
za čtvrtletí přepočtená na průměrný evidenční počet zaměstnanců; nezávislá veličina. Proměnné SUNt a PMt jsou vyjádřeny nominálně, takže je potřeba je očistit o vliv inflace. Původní i očištěné časové řady je možné nalézt v příloze A. Ve výpočtech a analýzách jsou použity již o inflaci očištěné čtvrtletní časové řady za období leden 2005 až září 2013. Podle zpráv České leasingové a finanční asociace o stavu a vývoji nebankovního leasingového, úvěrového a factoringového trhu v České republice se objem spotřebitelských úvěrů u členů ČLFA zvyšoval z důvodu probíhající konjunktury v období let 2007 a 2008. Vývoj objemu nových spotřebitelských úvěrů je znázorněn na Obr. 9. Lze spatřit výrazný rostoucí trend, který v 1. čtvrtletí
Výsledky a diskuse
roku
2008
56
vystřídal
pokles
z důvodu
sezónních
výkyvů.
Spotřebitelé
v povánočním období tolik nevyužívají úvěrového financování svých výdajů, jelikož je jim vyšší objem úvěrů poskytován každý rok v předvánočních obdobích. Roku 2008 však došlo k propadu SUNt již ve 4. čtvrtletí. Důvodem je počínající hospodářská krize. Ta nastolila období recese a snížil se tak zájem o nebankovní produkty určené k financování potřeb domácností. Časová řada průměrné mzdy má rostoucí trend. Roku 2008 došlo ke zpomalení nárůstu PMt, opět lze důvod nalézt v probíhající hospodářské krizi. U SUNt i PMt je patrná sezónnost, kterou je nutné v rámci vícerozměrné regresní analýzy ošetřit. Sezónní změny PMt jsou blíže popsány v podkapitole 5.1. Vývoj proměnné NEZt, která je také součástí regresní analýzy, je zachycen na Obr. 4 a popsán taktéž v podkapitole 5.1.
Obr. 9 Vývoj časových řad SUNt a PMt v období leden 2005 - září 2013 (data neočištěna o sezónnost) (zdroj: ARAD, ČLFA, vlastní zpracování)
V rámci této diplomové práce bude sledována závislost objemu nově uzavřených spotřebitelských
úvěrů
u nebankovních
institucí
na
nezaměstnanosti
a průměrné mzdě. Předpokládané vlivy vysvětlujících proměnných na vysvětlovanou proměnnou jsou zachyceny vztahem:
Výsledky a diskuse
57
+ /−
+ /−
SUN t = f ( NEZ t , PM t )
V případě spotřebitelských úvěrů u nebankovních institucí je důležitým rok 2008, kdy došlo k hospodářské krizi, po které česká vláda investovala do finanční osvícenosti spotřebitelů. Tyto kampaně měly upozornit, aby si spotřebitelé tolik nepůjčovali u nebankovních poskytovatelů za vysoké úroky, při vysokých sankcích za opoždění platby a nesplácení, ale aby se uchylovali k bankám, které jsou stabilní, požadují od spotřebitelů nižší úroky a jsou méně „agresivní“. Proto je patrně vliv obou vysvětlujících proměnných jiný v období před a po krizi. Před krizí by měla mít míra registrované nezaměstnanosti kladný vliv na proměnnou SUNt. Jak bylo řečeno výše, s rostoucí nezaměstnaností lidé hůře docílí splnění podmínek pro poskytnutí bankovního spotřebitelského úvěru. Měl by se proto zvyšovat zájem o nebankovní produkty, jejichž dosažení není v okamžiku žádosti o úvěr tak obtížné. Otázkou je, zda se neprojeví možný psychologický faktor, který ovlivňuje spotřebitele při rozhodování, zda si podají žádost o úvěr. Při ztrátě zaměstnání ztrácí také jistotu, že budou schopni splácet své závazky a o spotřební úvěr z toho důvodu nepožádají. Naopak vliv průměrné mzdy by měl být záporný. Při poklesu mzdy spotřebitelé často nemají dostatečné příjmy, které by u bankovních institucí museli dokládat. Proto pokud považují pokles své mzdy za dočasný a jsou si jisti, že budou schopni dostát svým úvěrovým závazkům, objem nebankovních úvěrů se zvýší. Po krizi byli spotřebitelé finančně vzdělanější a informovanější, takže i při zvyšující se míře nezaměstnanosti a klesající průměrné mzdě se dá usuzovat na pokles zájmu o úvěry u nebankovních institucí. Jelikož všechny časové řady vykazují sezónní průběh, jsou do modelu zařazeny umělé sezónní proměnné D1, D2 a D3 pro 1., 2. a 3. čtvrtletí. Účelem je odhalení potenciálních sezónních výkyvů. Za základní období je považováno 4. čtvrtletí. Použitím QLR testu je objeven zlom ve 4. čtvrtletí roku 2009. Výsledek tohoto testu je znázorněn na Obr. 10. Strukturální zlom v posledním čtvrtletí roku 2009 lze označit za statisticky průkazný, protože p-hodnota Chowova testu je 0,0111.
Výsledky a diskuse
Obr. 10
58
Grafické znázornění výsledku QLR testu pro model SUNt (zdroj: vlastní práce)
Pro správné modelování zlomu je vytvořena proměnná dummy, která do 4. čtvrtletí nabývá hodnoty nula a po tomto období hodnoty jedna. Do modelu jsou zařazeny také interakční členy sezónnosti s trendem, díky kterým jsou určeny koeficienty vysvětlujících proměnných před i po zlomu. Tyto členy jsou opět označeny malým písmenem „i“ před samotnou značkou proměnné, např. iNEZt. Výsledný model je zachycen v Tab. 8.
Výsledky a diskuse
Tab. 8
59
Odhadnutý model pro časovou řadu SUNt
Vysvětlující proměnná modelu
Koeficient
T-statistika
P-hodnota
const
10876,9
3,341
0,002
NEZt
-1469,53
-6,641
< 0,001
PMt
0,389
3,085
0,004
-1275,74
-3,047
0,005
iNEZt
1691
3,39
0,002
iPMt
-0,53
-3,765
0,001
D1
Koeficient determinace
0,829
Adjustovaný koeficient determinace
0,799
Zdroj: vlastní práce
Jsou odstraněny proměnné, jež mají statisticky nevýznamné koeficienty. Ve výsledném modelu zůstalo pouze šest proměnných. Adjustovaný koeficient dosahuje hodnoty 0,7994. To znamená, že model popisuje přibližně 79,94 % proměnlivosti pozorování proměnné SUNt. Z důvodu prokazatelného zlomu v modelu je však nutné definovat samostatně rovnici pro časový úsek před zlomem a po zlomu. Rovnice pro první segment (2005:1 - 2009:3): SUNt = 10876,9 - 1469,53 NEZt + 0,3893 PMt - 1275,74 D1 Rovnice pro druhý segment (2009:4 - 2013:3): SUNt = 10876,9 + 221,466 NEZt - 0,1412 PMt - 1275,74 D1 V Tab. 9 jsou přehledně zachyceny výsledky vybraných specifikačních testů pro výsledný model.
Výsledky a diskuse
Tab. 9
60
Testy klasických předpokladů modelu SUNt
Testy
Testovací statistika
P-hodnota
F-test
28,098
< 0,001
6,373
0,173
0,995
0,383
Durbin-Watsonův test
2,285
0,644
Ljung-Boxův test
2,688
0,611
Whiteův test
9,948
0,823
χ2 test
7,148
0,028
LM test nelinearity (čtverce) RESET test specifikace (2. a 3. mocniny)
Zdroj: vlastní práce
Odhadnutý
model
splňuje
předpoklady
klasického
lineárního
modelu,
až na normalitu reziduí. Tento předpoklad je volitelný, proto postačí, že je možné chybový člen označit jako „klasický chybový člen“. VIF faktory odhalují multikolinearitu, protože pro všechny vysvětlující proměnné nabyly hodnot vyšších než číslo 10. Stejně jako v podkapitole 5.2 ale neohrožují vypovídací schopnost modelu. Model je tedy blíže interpretován a vývoj skutečných a vyrovnaných hodnot proměnné SUNt je zachycen na Obr. 11.
Výsledky a diskuse
61
Obr. 11 Vývoj skutečných a vyrovnaných hodnot časové řady SUNt v období leden 2005 - září 2013 (zdroj: vlastní práce)
Výsledný model obsahuje strukturální zlom, který nastal ve 4. čtvrtletí roku 2009. Pro správnou interpretaci modelu je tedy reprezentován každý segment zvlášť
samostatnou
rovnicí.
První
segment
charakterizuje
konstanta
10876,9 mil. Kč. Dále objem nově poskytnutých spotřebitelských úvěrů od nebankovních institucí ovlivňuje míra registrované nezaměstnanosti. Nárůst NEZt o 1 p. b způsobí snížení SUNt o 1469,53 mil. Kč. To znamená potvrzení teorie o negativním vztahu nezaměstnanosti, kdy při ztrátě zaměstnání lidé nejsou schopni splácet svoje závazky, a proto se od začátku roku 2005 do konce roku 2009 méně uchylovali k úvěrovému financování svých výdajů na spotřebu. Dále je prokázán kladný vliv průměrné mzdy, přičemž nárůst průměrné mzdy o 1 Kč způsobí zvýšení SUNt o 0,3893 mil. Kč. Pro tuto etapu tedy platí, že nárůst průměrné mzdy podněcuje spotřebitele k vyšší úvěrové aktivitě. Sezónnost byla ošetřena umělými proměnnými, z nichž v modelu je ponechána pouze D1. Průkaznost této proměnné poukazuje na pokles SUNt v 1. čtvrtletí o 1275,74 mil. Kč oproti základnímu 4. čtvrtletí. Jde o sezónní výkyvy spojené s nižší úvěrovou aktivitou v povánočním období. Konstanta v druhém segmentu zůstává nezměněna narozdíl od koeficientu NEZt, kde dochází ke změně vlivu na kladný. Zvýšení míry registrované neza-
Výsledky a diskuse
62
městnanosti o 1 p. b. zapříčiní nárůst proměnné SUNt o 221,466 mil. Kč. Po zlomu tedy spíše platí, že rostoucí míra nezaměstnanosti nutí spotřebitele, aby se obracel s žádostí o spotřebitelské úvěry na nebankovní instituce, které nemají tak přísné podmínky pro poskytnutí úvěrového produktu. Změnila se i závislost SUNt na PMt. Pokud průměrná mzda vzroste o 1 Kč, způsobí to snížení objemu nových úvěrů od nebankovních institucí o 0,1412 mil. Kč. Vliv umělé proměnné D1 se nemění.
5.4 Srovnání vývoje objemu spotřebitelských úvěrů u bankovních a nebankovních institucí Obsahem této podkapitoly je srovnání vývoje objemu poskytnutých spotřebitelských úvěrů u bankovních (časová řada označena „BAN“) a nebankovních institucí (časová řada označena „NEB“). Česká leasingová a finanční asociace zveřejňuje tyto údaje pouze od roku 2008. Časové řady použité při výpočtech jsou uvedeny v příloze A. Podíl těchto úvěrů u nebankovních institucí na celkovém objemu poskytnutých spotřebitelských úvěrů se snižuje z 34,73 % v 1. čtvrtletí roku 2008 až na hodnotu 26,98 % na konci roku 2013 (viz Obr. 12). Je tedy zřejmé, že se spotřebitelé ve sledovaném období stále více obrací se žádostí o spotřební úvěr spíše na bankovní domy.
Výsledky a diskuse
63
Obr. 12 Vývoj podílu NEB na celkových poskytnutých spotřebitelských výdajích v období leden 2008 - prosinec 2013 (zdroj: vlastní práce)
Pro srovnání vývoje časových řad NEB a BAN je použito basických indexů. Za základní (basické) období je považován průměr roku 2008, kdy průměr čtvrtletních dat v tomto roce pro NEB je 69,875 mld. Kč a pro BAN 134,312 mld. Kč. Od těchto čísel se odvíjí basické indexy obou řad. Na Obr. 13 je patrný rozdílný vývoj těchto basických indexů. U objemu celkově poskytnutých spotřebitelských úvěrů u bankovních institucí se basické indexy pohybují v rozmezí přibližně 1,1 až 1,25, kdežto basické indexy pro nebankovní poskytovatele úvěrů mají klesající trend. V 1. čtvrtletí roku 2011 lze vidět zlom. Je to patrně způsobeno přibližně stejným objemem nově poskytnutých úvěrů spotřebitelům v roce 2011 jako v předešlém roce, což ve spojení s průběžným dobíháním a splácením stávajících úvěrů zapříčinilo silnější pokles basického indexu. Celkově vede vývoj těchto indexů ke stejnému závěru jako v předešlém odstavci. Spotřebitelé ve sledovaném období stále méně využívají úvěrových produktů od nebankovních společností.
Výsledky a diskuse
64
Obr. 13 Vývoj basických indexů NEB a BAN v období leden 2009 - prosinec 2013 (zdroj: vlastní práce)
Využívání jednotlivých typů spotřebitelských úvěrů nelze takto porovnat, jelikož systém ARAD nedisponuje daty o jednotlivých typech spotřebitelských úvěrů, které poskytuje domácnostem. Česká leasingová a finanční asociace také nerozlišuje jednotlivé typy. Takové statistické porovnání proto není možné z důvodu neexistence dat.
Závěr
65
6 Závěr V této diplomové práci byl popsán trh spotřebitelských úvěrů v České republice. Objem poskytnutých spotřebních úvěrů v období let 2000 až 2009 stoupal, poté se rostoucí trend zastavil a celkový objem poskytnutých úvěrů se pohyboval přibližně na stejné úrovni, konkrétně kolem 160 mld. Kč. Tuto změnu lze přisoudit k hospodářské krizi v roce 2008, která později zasáhla také Českou republiku. Nálada na finančních trzích byla spíše pesimistická, lidé méně důvěřovali úvěrovému financování a krize především připravila spoustu lidí o zaměstnání, takže se zhoršila schopnost spotřebitelů splácet svoje případné dluhové financování spotřeby. Cílem této diplomové práce bylo zhodnotit vliv makroekonomických ukazatelů na objem poskytnutých spotřebitelských úvěrů. Byl odhadnut model, který tyto vlivy popisuje. Rovnice výsledného modelu je následující: dSUt = 0,463 dPMt - 1403,26 dNEZt + 0,948 dSU(t-1) kde dSUt představuje diferenci objemu spotřebitelských úvěrů, dPMt diference časové řady průměrné hrubé mzdy a dNEZt diference časové řady míry registrované nezaměstnanosti. Jak lze vidět z rovnice, vliv průměrné mzdy na objem spotřebitelských úvěrů je kladný. Silnější vliv má míra registrované nezaměstnanosti. Je patrné, že ztráta místa negativně ovlivňuje objem spotřebitelských úvěrů. Nezaměstnaní často nejsou schopni splnit podmínky, které požadují bankovní instituce pro poskytnutí úvěru, protože bez postačujících příjmů nejsou pro banky spotřebitelé věrohodní a dostatečně bonitní. Překvapivým faktem je, že úroková sazba nemá žádný vliv na rozhodování spotřebitelů o přijetí úvěru. Je to nejspíše způsobeno tím, že úrokové sazby jednotlivých bankovních domů se pohybují na přibližně stejných hodnotách. Spotřebitelé tedy více hledí na další faktory, jako např. možnost předčasného splacení, poplatky a celkové RPSN, případně přístup zaměstnanců konkrétní instituce ke klientům. Také nebyla prokázána závislost objemu spotřebitelských úvěrů na HDP. HDP je sice významným ekonomickým ukazatelem, ale pro konečné spotřebitele není nijak
Závěr
66
důležitý. Stěžejní je především průměrná hrubá mzda a to, zda jsou žadatelé o úvěr zaměstnaní a tedy přijatelně bonitní. Bankovní instituce jsou totiž povinny hlídat si míru rizika, které poskytováním úvěrů podstupují, jelikož i ony musí splňovat podmínky likvidity apod. dané Českou národní bankou a také se jedná o subjekty, pro které je prioritou a existenční nutností dosahování zisku. Objem spotřebitelských úvěrů poskytnutých v současném čtvrtletí je také závislý na objemu ve čtvrtletí předchozím, což je způsobeno charakterem této časové řady. Ve výsledném modelu závislosti spotřebních výdajů domácností na objemu spotřebitelských úvěrů a disponibilním příjmu se objevuje zlom v 1. čtvrtletí roku 2009. Model je specifikován dvěma rovnicemi: Rovnice pro první segment (2000:1 - 2008:4): VYDt = 1320 + 0,1388 DPt + 0,7026 VYD(t-1), rovnice pro druhý segment (2009:1 - 2013:3): VYDt = 8743,78 + 0,0555 DPt + 0,7026 VYD(t-1), kde VYDt vyjadřuje spotřební výdaje domácností za celé čtvrtletí na jednoho obyvatele, DPt disponibilní příjem na jednoho obyvatele za celé čtvrtletí a VYD(t-1) představuje výdaje na konečnou spotřebu na jednoho obyvatele o jedno čtvrtletí zpožděné. Na objem spotřebních výdajů jednoho obyvatele ČR má vliv jednak jeho disponibilní příjem a také výdaje, které uskutečnil v předchozím čtvrtletí. Pozitivní vliv minulých výdajů na současnou spotřebu se v období po začátku roku 2009 nemění. Koeficient této proměnné nabývá hodnoty menší než číslo 1, proto spotřebitelé vynakládají v následujícím čtvrtletí nižší výdaje než ve čtvrtletí předchozím. U disponibilního příjmu však dochází ke změně velikosti vlivu, kdy po roce 2009 dochází k nepatrnému oslabení vlivu této veličiny na spotřebu jednotlivých obyvatel. Pozitivní ovlivnění spotřebních výdajů disponibilním důchodem je v souladu s teoriemi zmíněnými v kapitole 3 této práce. Otázkou je, jakou část z navýšení příjmu obyvatelé uspoří a jakou část vynaloží na výdaje. Tato problematika však nebyla předmětem této diplo-
Závěr
67
mové práce. V časové řadě výdajů na spotřebu se vyskytují výkyvy, které jsou pravděpodobně spojeny se změnami sazeb daní z přidané hodnoty (dále jen „DPH“). Vývoj těchto změn totiž kopíruje právě výkyvy ve výdajích obyvatel. Navýšení DPH způsobuje zdražení zboží, které se promítá do výdajů spotřebitelů. Spojitost mezi daněmi spotřebními, příjmovými apod. se spotřebními výdaji může být zajímavým podnětem pro další výzkum. Existují rozdíly v podmínkách, které je potřeba splnit k dosažení na spotřební úvěr u bankovních a nebankovních poskytovatelů. Posledně zmínění nejsou tolik svázáni podmínkami České národní banky a mohou přijímat vyšší riziko. Proto často nepožadují po zájemcích o úvěr doložení příjmů, ale zato mohou vyžadovat zajištění nemovitostí jako některé banky, ručitele a především požadují vyšší úrok. Bylo dosaženo modelu, ve kterém byl zjištěn zlom ve 4. čtvrtletí roku 2009. Model lze vyjádřit: Rovnice pro první segment (2005:1 - 2009:3): SUNt = 10876,9 - 1469,53 NEZt + 0,3893 PMt - 1275,74 D1, rovnice pro druhý segment (2009:4 - 2013:3): SUNt = 10876,9 + 221,466 NEZt - 0,1412 PMt - 1275,74 D1, kde SUNt vyjadřuje objem nových spotřebitelských úvěrů u nebankovních institucí, NEZt míru registrované nezaměstnanosti, PMt průměrnou mzdu a D1 je umělou proměnnou pro první čtvrtletí. Sezónní povánoční snížení objemu nových spotřebitelských úvěrů u nebankovních poskytovatelů je totožné v etapě před zlomem i po něm. Změnila se ale závislost na míře nezaměstnanosti. V období do konce roku 2009 tato míra měla negativní vliv, takže nárůst nezaměstnanosti a ztráta zaměstnání spotřebitelů způsobovala pokles nových úvěrů. Od roku 2010 však rostoucí míra nezaměstnanosti způsobovala nárůst objemu těchto nově poskytnutých úvěrů. Změnu vlivu zaznamenala i průměrná mzda, kdy před zlomem měl její nárůst kladný vliv na objem nových úvěrů, ale po roce 2010 se stal vliv na vysvětlovanou proměnnou záporným. Zvýšení průměrné
Závěr
68
mzdy vedlo k poskytnutí menšího objemu úvěrů. Možné vysvětlení lze nalézt v psychologickém aspektu, kdy spotřebitelé nárůst své mzdy spíše uspořili na „ještě horší časy“ nebo je použili na výdaje. Úvěrové financování při rostoucí mzdě tedy tolik nepotřebovali. Vývoj objemu úvěrů u bankovních subjektů má poměrně vyvážený trend. U nebankovních subjektů vývoj úvěrů ve sledovaném období ale klesá, především došlo k velkému propadu roku 2010. To je spojeno s přibližně stejným objemem nových úvěrů jako v roce předešlém, což v kontextu s dobíháním stávajících smluv zapříčinilo větší propad basického indexu. Celkově se tedy lépe vyvíjí objem spotřebních úvěrů u bankovních domů. V práci byl také naznačen možný vliv očekávání na objem spotřebitelských úvěrů a výdajů. Závislost různých ekonomických proměnných na očekáváních spotřebitelů je však spíše podnětem pro další výzkumnou práci. Závěry získané v průběhu vlastní práce je možné použít pro vyhodnocení pracovních hypotéz. 1.
Zvyšující se průměrná mzda zvyšuje objem poskytnutých spotřebitelských úvěrů. Ano, potvrzeno v podkapitole 5.1. Vyšší průměrná mzda a tedy vyšší příjmy jsou spojeny s lepšími předpoklady pro splnění podmínek bank pro získání úvěru. Spotřebitelé jsou ochotni se více zadlužovat, protože s dostatečnou mzdou mají jistotu, že budou schopni úvěrové splátky hradit, aniž by se museli třeba dále zadlužovat a financovat jeden úvěr druhým.
2.
Spotřební výdaje domácností rostou se zvyšujícím se objemem poskytnutých spotřebitelských úvěrů. U čtvrtletních časových řad nikoliv, vysvětleno v podkapitole 5,2. Problematickou se ukazuje periodicita měření proměnných. Nejvhodnější by byla měsíční pozorování. Takovými daty však ARAD, ani jiné statistické databáze a zdroje nedisponují, čili v práci bylo možno použít pouze čtvrtletní časové řady. U těch splývá několik faktorů dohromady. Především se jedná o harmonogram splácení. Častou praxí je, že se začíná se splácením hned následující měsíc po přijetí úvěru. Takže při získání úvěru se sice výdaje na spotřebu zvýší, ale následuje období splácení,
Závěr
69
které je spojeno se sníženými výdaji právě o objem splátek. Pro vyhodnocení této hypotézy by tedy byla vhodnější měsíční data. U čtvrtletních se totiž ukázal vliv objemu spotřebních úvěrů jako nevýznamný. 3.
Růst
nezaměstnanosti
zvyšuje zájem
o spotřebitelské
úvěry
u nebankovních institucí. Od roku 2010 ano, vysvětleno v podkapitole 5.3. Důležitou roli zde hraje hospodářská krize roku 2008, která způsobila různé změny chování spotřebitelů. Co se týče nebankovních poskytovatelů úvěrů,
prokazuje
se
platnost
teorie
o možnostech
nezaměstnaných
a spotřebitelů s nižšími příjmy získat spotřebitelský úvěr u nebankovního subjektu i bez dostatečných příjmů, což s rostoucí nezaměstnaností v pokrizovém období bylo větším problémem než v období před zlomem.
Použitá literatura
70
7 Použitá literatura Monografie ARLT, J., ARLTOVÁ, M., Ekonomické časové řady. 1. vyd. Praha: Professional Publishing, 2009. 290 s. ISBN 978-80-86946-85-6. BHATTACHARYA, S. , BOOT, A. W. A., Credit, intermediation, and the macroeconomy : readings and perspectives in modern financial theory. Oxford: Oxford University Press, 2004. 916 s. ISBN 0-19-924294-1. BREINEK, P., Hospodářská politika II: středně pokročilý kurz. Vyd. 1. Brno: Mendelova univerzita v Brně, 2011, 153 s. ISBN 978-80-7375-554-6. BROOKS, C. Introductory econometrics for finance. Vyd. 2 Cambridge: Cambridge University Press, 2008. 648 s. ISBN 978-0-521-69468-1. CIPRA, T., Finanční ekonometrie. 1. vyd. Praha: Ekopress, 2008, 538 s. ISBN 978-80-86929-43-9. DUPAL, L., NOVÁK, K., OTAKAR, S., Rádce spotřebitele. Vyd. 1. Brno: CP Books, 2005, 93 s. ISBN 80-251-0497-4. FOSTER, J. B., MAGDOFF, F., Velká finanční krize : příčiny a následky. 1. vyd. Všeň: Grimmus, 2009. 156 s. ISBN 978-80-902831-1-4. GÁBOVÁ, K., Zadluženost domácností v České republice. Diplomová práce. Brno: MZLU v Brně, 2008. GOLIN, J., The Bank Credit Analysis handbook: A Guide for Analysts, Bankers and Investors. New York: John Wiley & Sons, 2001, 20740 s. ISBN 0-47184217-6. GUJARATI, D. N., Basic econometrics. 4. vyd. Boston: McGraw Hill, 2003. 1002 s. ISBN 0-07-112342-3. HENDL, J., Přehled statistických metod: analýza a metaanalýza dat. 4. rozš. a přeprac. vyd. Praha: Portál, 2012, 734 s. ISBN 978-80-262-0200-4. HINDLS, R., Statistika pro ekonomy. 8. vyd. Praha: Professional Publishing, 2007, 415 s. ISBN 978-80-86946-43-6.
Použitá literatura
71
HINDLS, R., KAŇOKOVÁ, J., NOVÁK, I., Metody statistické analýzy pro ekonomy. 1.vyd. Praha: Management Press, 1997, 249 s. ISBN 80-85943-44-1. HOLMAN, R., Ekonomie. 4., aktualizované vyd. Praha: C.H. Beck, 2005, 709 s. ISBN 80-7179-891-6. HUŠEK, R., PELIKÁN, J., Aplikovaná ekonometrie: teorie a praxe. 1. vyd. Praha: Professional Publishing, 2003. 263 s. ISBN 80-86419-29-0. KAŠPAROVSKÁ, V., Banky a komerční obchody. Vyd. 1. Kravaře: Marreal servis, 2010, 172 s. ISBN 978-80-254-6779-4. KLÍMA, J., Makroekonomie. 1. vyd. Praha: Alfa Publishing, 2006, 141 s. ISBN 80-86851-27-3. KOSTEČKOVÁ, T., Analýza úvěrů domácností v ČR. Diplomová práce. Brno: MZLU v Brně, 2009. KŘEPELKA, K., Dopad vývoje spotřeby domácností na trh spotřebitelských úvěrů v ČR. Diplomová práce. Brno: MZLU v Brně, 2008. PAVELKA, T., Makroekonomie – základní kurz. 2. vydání. Melandrium, 2007, 277 s. ISBN 978-80-86175-52-2. PŮLPÁNOVÁ, S., Komerční bankovnictví v České republice. 1. vyd. Praha: Oeconomica, 2007. 338 s. ISBN 978-80-245-1180-1. STUDENMUND, A. Using econometrics: a practicular guide. 5. vyd. Boston: Addison Wesley Pearson, 2006. 639 s. ISBN 0-321-31649-5. ŠPONEROVÁ, J., Zhodnocení vývoje trhu spotřebitelských úvěrů v ČR. Diplomová práce. Brno: MZLU v Brně, 2008. VODOVÁ, P., Modelování trhu úvěrů v České republice. Karviná: Slezská univerzita v Opavě, Obchodně podnikatelská fakulta, 2009. 104 s. ISBN 978-807248-539-0. WOOLDRIDGE, J. M., Introductory econometrics: a modern approach. 4. vyd. Mason, Ohio: South-Western, 2008. 865 s. ISBN 978-0-324-66054-8.
Použitá literatura
72
Internetové zdroje a články ARAD. Index spotřebitelských cen (CPI) [online]. 2014. [cit 2014-04-08]. Dostupné
z:<
http://www.cnb.cz/cnb/STAT.ARADY_PKG.VYSTUP?p_period=1&p_sort =2&p_des=50&p_sestuid=6546&p_uka=1%2C2%2C3%2C4&p_strid=CL& p_od=200001&p_do=201402&p_lang=CS&p_format=0&p_decsep=%2C >. ARAD. Klientské úvěry podle druhového hlediska (celkem) [online]. 2014. [cit cit
2014-04-08].
Dostupné
z:<
http://www.cnb.cz/cnb/STAT.ARADY_PKG.VYSTUP?p_period=3&p_sort =1&p_des=50&p_sestuid=13300&p_uka=1%2C2%2C3%2C4%2C5%2C6% 2C7%2C8%2C9%2C10%2C11%2C12%2C13%2C14%2C15%2C16%2C17%2C1 8&p_strid=ABBAD&p_od=200001&p_do=201402&p_lang=CS&p_format =0&p_decsep=%2C>. ARAD. Nominální mzda v Kč, čtvrtletní data [online]. 2014. [cit 2014-04-08]. Dostupné
z:<
http://www.cnb.cz/cnb/STAT.ARADY_PKG.VYSTUP?p_period=3&p_sort =1&p_des=50&p_sestuid=21737&p_uka=1%2C2%2C3&p_strid=CFA&p_o d=200503&p_do=201312&p_lang=CS&p_format=0&p_decsep=%2C>. ARAD. Podíl nezaměstnaných osob na obyvatelstvu (data MPSV) [online]. 2014.
[cit
2014-04-08].
Dostupné
z:<
http://www.cnb.cz/cnb/STAT.ARADY_PKG.VYSTUP?p_period=3&p_sort =1&p_des=50&p_sestuid=21748&p_uka=1&p_strid=CHAA&p_od=20050 1&p_do=201402&p_lang=CS&p_format=0&p_decsep=%2C>. ARAD. Úrokové sazby korunových úvěrů poskytnutých bankami domácnostem v ČR - nové obchody [online]. 2014. [cit 2014-04-08]. Dostupné z:
Použitá literatura
73
2C18%2C19%2C20%2C21%2C22&p_strid=AABAA&p_od=200501&p_do= 201310&p_lang=CS&p_format=0&p_decsep=%2C>. ARAD. Výdaje na HDP [online]. 2014. [cit 2014-04-08]. Dostupné z:< http://www.cnb.cz/cnb/STAT.ARADY_PKG.VYSTUP?p_period=3&p_sort =1&p_des=50&p_sestuid=21350&p_uka=1%2C2%2C3%2C4%2C5%2C6% 2C7%2C8%2C9%2C10%2C11&p_strid=CCAAA&p_od=200003&p_do=201 312&p_lang=CS&p_format=0&p_decsep=%2C>. ČESKÁ LEASINGOVÁ A FINANČNÍ ASOCIACE. ČLFA se představuje [online]. 2012. [cit cit 2014-04-05]. Dostupné z:< http://clfa.cz/index.php?textID=93>. ČESKÁ LEASINGOVÁ A FINANČNÍ ASOCIACE. Statistiky ČLFA (2000 - 2006) [online]. 2014.
cit
2014-04-07].
Dostupné
z:<
http://www.clfa.cz/index.php?textID=66>. ČESKÁ LEASINGOVÁ A FINANČNÍ ASOCIACE. Statistiky ČLFA (2007 - 2013) [online]. 2014.
[cit
2014-04-07].
Dostupné
z:<
http://www.clfa.cz/index.php?textID=65>. ČESKÝ STATISTICKÝ ÚŘAD. Hrubý domácí produkt - Časové řady ukazatelů čtvrtletních účtů - Tab. S_1 [online]. 2014 [cit 2014-01-20] Dostupné na:< http://www.czso.cz/csu/redakce.nsf/i/hdp_cr >. ČESKÝ STATISTICKÝ ÚŘAD. Konjunkturální průzkum - časové řady Tab.1 [online]. 2014
[cit
2014-04-23]
Dostupné
na:<
http://www.czso.cz/csu/redakce.nsf/i/kpr_cr>. ČESKÝ
STATISTICKÝ ÚŘAD.
2014.
Pohyb obyvatelstva - měsíční časové řady [online].
[cit
2014-01-20].
Dostupné
z:<
http://www.czso.cz/csu/redakce.nsf/i/oby_cr_m>. DAŇOVÝ
PORTÁL PRO VŠECHNY.
Vývoj sazeb daně z přidané hodnoty v ČR [onli-
ne]. 2010. [cit 2014-04-01]. Dostupné z:< http://www.berne.cz/danovateorie/vyvoj-sazeb-dph-v-cr/>. EXPERTNAPUJCKY.CZ. Úvěr bez doložení příjmů [online]. 2013. [cit 2014-04-03]. Dostupné z:< http://expertnapujcky.cz/uver-bez-dolozeni-prijmu/>.
Použitá literatura
74
GÓMEZ, V., MARAVALL, A. Programs TRAMO and SEATS, instructions for the user
[online].
1996.
[cit
2014-04-18].
Dostupné
z:<
http://www.bde.es/f/webbde/SES/Secciones/Publicaciones/Publicaciones Seriadas/DocumentosTrabajo/96/Fich/dt9628e.pdf>. POLOLÁNÍK, L., Finance.CZ – RPSN jako hlavní ukazatel úvěru [online]. 31. 10. 2008
[cit
2013-20-09].
Dostupné
z:
.
Zákony Zákon č. 145/2010 Sb. ze dne 21. dubna 2010 o spotřebitelském úvěru a o změně některých zákonů. Zákon č. 43/2013 Sb. - Novela zákona o spotřebitelském úvěru (zákona č. 145/2010 Sb.).
Seznam obrázků a tabulek
75
8 Seznam obrázků a tabulek Seznam obrázků Obr. 1
Poskytovatelé spotřebitelských úvěrů (zdroj: Kostečková
2009) Obr. 2
Struktura obyvatelstva ČR (zdroj: Pavelka 2007)
Obr. 3
Vývoj časových řad PMt a SUt v období leden 2005 - září
16 26
2013 (data neočištěna o sezónnost) (zdroj: ARAD, vlastní zpracování) Obr. 4
41
Vývoj časové řady NEZt v období leden 2005 - září 2013
(data neočištěna o sezónnost) (zdroj: ARAD, vlastní zpracování)42 Obr. 5
Vývoj skutečných a vyrovnaných hodnot časové řady dSUt
v období leden 2005 - září 2013 (zdroj: vlastní práce) Obr. 6
45
Vývoj časových řad DPt a VYDt v období leden 2000 - září
2013 (data neočištěna o sezónnost) (zdroj: ARAD, ČSÚ, vlastní zpracování) Obr. 7
Grafické znázornění výsledku QLR testu pro model VYDt
(zdroj: vlastní práce) Obr. 8
50
Vývoj skutečných a vyrovnaných hodnot časové řady VYDt
v období leden 2000 - září 2013 (zdroj: vlastní práce) Obr. 9
49
53
Vývoj časových řad SUNt a PMt v období leden 2005 - září
2013 (data neočištěna o sezónnost) (zdroj: ARAD, ČLFA, vlastní zpracování) Obr. 10
56
Grafické znázornění výsledku QLR testu pro model SUNt
(zdroj: vlastní práce)
58
Seznam obrázků a tabulek
Obr. 11
76
Vývoj skutečných a vyrovnaných hodnot časové řady SUNt
v období leden 2005 - září 2013 (zdroj: vlastní práce) Obr. 12
61
Vývoj podílu NEB na celkových poskytnutých
spotřebitelských výdajích v období leden 2008 - prosinec 2013 (zdroj: vlastní práce) Obr. 13
63
Vývoj basických indexů NEB a BAN v období leden 2009 -
prosinec 2013 (zdroj: vlastní práce)
64
Seznam tabulek Tab. 1
Charakteristiky spotřebitelských a firemních úvěrů
14
Tab. 2
Odhadnutý model pro časovou řadu dSUt
43
Tab. 3
Testy klasických předpokladů modelu dSUt
44
Tab. 4
Korelační koeficienty časových řad objem spotřebitelských
úvěrů a bazické indexy indikátorů spotřebitelské důvěry
47
Tab. 5
Odhadnutý model pro časovou řadu VYDt
51
Tab. 6
Testy klasických předpokladů modelu VYDt
52
Tab. 7
Korelační koeficienty časových řad objem spotřebních
výdajů a bazické indexy indikátorů spotřebitelské důvěry
54
Tab. 8
Odhadnutý model pro časovou řadu SUNt
59
Tab. 9
Testy klasických předpokladů modelu SUNt
60
Tab. 10
Data použitá při zjišťování závislostí objemu
spotřebitelských úvěrů
79
Seznam obrázků a tabulek
Tab. 11
Data použitá při zjišťování závislostí výdajů na konečnou
spotřebu - neočištěná Tab. 12
84
Data použitá při porovnávání spotřebitelských úvěrů
u bankovních a nebankovních institucí Tab. 15
82
Data použitá při zjišťování závislostí objemu
spotřebitelských úvěrů u nebankovních institucí Tab. 14
80
Data použitá při zjišťování závislostí výdajů na konečnou
spotřebu - očištěná Tab. 13
77
Data použitá při korelačních analýzách
85 86
Přílohy
78
Přílohy
Přílohy
79
A Zdrojová data Tab. 10
Data použitá při zjišťování závislostí objemu spotřebitelských úvěrů
Neočištěná data
1Q.2005 2Q.2005 3Q.2005 4Q.2005 1Q.2006 2Q.2006 3Q.2006 4Q.2006 1Q.2007 2Q.2007 3Q.2007 4Q.2007 1Q.2008 2Q.2008 3Q.2008 4Q.2008 1Q.2009 2Q.2009 3Q.2009 4Q.2009 1Q.2010 2Q.2010 3Q.2010 4Q.2010 1Q.2011 2Q.2011 3Q.2011 4Q.2011 1Q.2012 2Q.2012 3Q.2012 4Q.2012 1Q.2013 2Q.2013
INFt (%)
URSt (%)
PMt (Kč)
2,6 2,4 2 1,9 2,2 2,5 2,8 2,5 2,2 2,1 2 2,8 4,3 5,4 6,4 6,3 5 3,7 2,1 1 0,7 0,6 1,1 1,5 1,7 1,9 1,8 1,9 2,4 2,8 3,2 3,3 2,8 2,3
13,07 13,58 13,43 12,52 12,56 12,59 12,4 12,86 11,95 12 12,45 12,94 13,42 13,18 13,53 13,36 13,89 13,59 14,08 14,29 14,73 14,44 14,66 14,05 14,24 13,77 13,79 13,58 14 14,09 14,14 14,59 14,89 14
17067 18112 18203 19963 18270 19300 19305 21269 19687 20740 20721 22641 21632 22246 22181 24309 22108 22796 23091 25418 22738 23504 23600 25591 23372 24116 24107 26211 24146 24656 24514 27121 24051 24953
Zdroj: ARAD
NEZt (%) 7 6,3 6,5 6,6 6,6 5,8 5,8 5,7 5,4 4,7 4,6 4,5 4,2 3,8 4 4,5 5,9 6,1 6,6 7,1 7,5 6,6 6,6 7,4 7,2 6,3 6,3 6,8 7 6,4 6,6 7,4 8 7,3
Očištěná data SUVt (mil. Kč) 1237,4 6222,2 3828,5 8098,7 2711,5 5501,6 3555,2 6496,2 3925,3 7878,9 5331 7083,5 5645,4 8836,4 7158,9 7685,9 4437,6 5091,9 3136,4 942,4 278,3 1667,3 3782,9 -1818,6 -745,8 -445,3 -883,1 -1947,7 -678,9 -73,9 -554,4 -714,9 -1399,7 1060,7
URSt (%)
PMt (Kč)
12,74 13,26 13,17 12,29 12,29 12,28 12,06 12,55 11,69 11,75 12,21 12,59 12,87 12,50 12,72 12,57 13,23 13,11 13,79 14,15 14,63 14,35 14,50 13,84 14,00 13,51 13,55 13,33 13,67 13,71 13,70 14,12 14,48 13,69
16634,50 17687,50 17846,08 19590,78 17876,71 18829,27 18779,18 20750,24 19263,21 20313,42 20314,71 22024,32 20740,17 21106,26 20846,80 22868,30 21055,24 21982,64 22616,06 25166,34 22579,94 23363,82 23343,22 25212,81 22981,32 23666,34 23680,75 25722,28 23580,08 23984,44 23753,88 26254,60 23395,91 24391,98
SUVt (mil. Kč) 1206,04 6076,37 3753,43 7947,69 2653,13 5367,41 3458,37 6337,76 3840,80 7716,85 5226,47 6890,56 5412,66 8383,68 6728,29 7230,39 4226,29 4910,22 3071,89 933,07 276,37 1657,36 3741,74 -1791,72 -733,33 -437,00 -867,49 -1911,38 -662,99 -71,89 -537,21 -692,06 -1361,58 1036,85
Přílohy
Tab. 11
1Q.2000 2Q.2000 3Q.2000 4Q.2000 1Q.2001 2Q.2001 3Q.2001 4Q.2001 1Q.2002 2Q.2002 3Q.2002 4Q.2002 1Q.2003 2Q.2003 3Q.2003 4Q.2003 1Q.2004 2Q.2004 3Q.2004 4Q.2004 1Q.2005 2Q.2005 3Q.2005 4Q.2005 1Q.2006 2Q.2006 3Q.2006 4Q.2006 1Q.2007 2Q.2007 3Q.2007 4Q.2007 1Q.2008 2Q.2008 3Q.2008 4Q.2008 1Q.2009
80
Data použitá při zjišťování závislostí výdajů na konečnou spotřebu - neočištěná
výdaje na konečnou spotřebu domácností (mil. Kč) 267826 287991 300852 306152 284474 308595 322347 330724 303908 324028 332683 340596 318023 339954 351882 357434 337926 360976 376819 384950 349767 374641 389508 401764 370611 396996 414190 422656 397971 424913 440905 455883 429129 463742 479916 483881 448223
VYDt (Kč)
hrubý disp. přijem domácností (mil. Kč)
26068,6 28035,52 29288,08 29812,36 27806,34 30173,97 31537,52 32383,44 29786,92 31763,95 32611,69 33382,2 31183,84 33332,56 34478,81 35005,4 33108,24 35367,36 36907,43 37675,71 34217,27 36630,49 38040,1 39198,23 36143,11 38685,45 40322,42 41098,19 38658,42 41214,36 42669,14 44016,91 41288,7 44509,61 45963,12 46253,59 42793,03
502794 562473 566747 596591 542804 596079 592242 645988 569117 625588 624024 650694 602621 655307 649054 675492 650464 690278 677149 765538 689359 726093 749928 803627 739663 773231 806831 844082 812324 812742 845201 907258 868586 870465 949518 955319 840821
DPt (Kč)
SUVt (mil. Kč)
počet obyvatel ČR
48938,99 -6940,1 10273894 54755,96 1584,9 10272361 55173,08 1148 10272165 58094,63 10643,3 10269297 53057,2 -14654,6 10230543 58283,75 4291,4 10227191 57943,28 -8037,4 10221065 63253,09 10884,8 10212750 55780,84 -3102 10202733 61325,41 1988,1 10201123 61170,78 1507 10201341 63775,26 6337,5 10202922 59090,18 2827,8 10198327 64252,99 2060 10198856 63596,91 478,6 10205747 66154,49 4043,6 10210826 63729,09 425 10206705 67631,39 2175,8 10206474 66323,17 2057,6 10209841 74924,51 5701 10217458 67439,14 1237,4 10221943 70993,67 6222,2 10227574 73239,4 3828,5 10239406 78406,12 8098,7 10249544 72134,19 2711,5 10253987 75347,83 5501,6 10262154 78546,99 3555,2 10271953 82076,78 6496,2 10284053 78908,16 3925,3 10294550 78831,76 7878,9 10309830 81795,39 5331 10333113 87598,55 7083,5 10356998 83571,1 5645,4 10393377 83546,58 8836,4 10418918 90938,43 7158,9 10441328 91317,78 7685,9 10461479 80275,4 4437,6 10474205
Přílohy
2Q.2009 3Q.2009 4Q.2009 1Q.2010 2Q.2010 3Q.2010 4Q.2010 1Q.2011 2Q.2011 3Q.2011 4Q.2011 1Q.2012 2Q.2012 3Q.2012 4Q.2012 1Q.2013 2Q.2013 3Q.2013
81
471297 473755 481149 446744 472976 476729 492765 450663 475857 482702 498431 458227 477774 484971 495187 457042 482555 492681
Zdroj: ARAD, ČSÚ
44946,02 45130,88 45798,19 42514,78 44988,1 45308,76 46793,59 42966,78 45349,45 45970,03 47443,77 43615,18 45466,47 46128,31 47082,78 43468,02 45906,81 46863,68
833356 872539 937875 833248 868829 836392 936688 854149 813271 906394 957319 840523 890011 864757 934727 867752 870530 893854
79474,38 83119,86 89271,67 79296,78 82640,48 79491,46 88949,09 81435,64 77505,21 86320,25 91123,6 80003,06 84696,24 82251,88 88874,6 82529,53 82815,95 85023,14
5091,9 3136,4 942,4 278,3 1667,3 3782,9 -1818,6 -745,8 -445,3 -883,1 -1947,7 -678,9 -73,9 -554,4 -714,9 -1399,7 1060,7 1771,1
10485845 10497359 10505853 10507968 10513359 10521785 10530608 10488639 10493114 10500364 10505720 10506136 10508271 10513523 10517369 10514443 10511622 10513067
Přílohy
Tab. 12
82
Data použitá při zjišťování závislostí výdajů na konečnou spotřebu - očištěná
1Q.2000 2Q.2000 3Q.2000 4Q.2000 1Q.2001 2Q.2001 3Q.2001 4Q.2001 1Q.2002 2Q.2002 3Q.2002 4Q.2002 1Q.2003 2Q.2003 3Q.2003 4Q.2003 1Q.2004 2Q.2004 3Q.2004 4Q.2004 1Q.2005 2Q.2005 3Q.2005 4Q.2005 1Q.2006 2Q.2006 3Q.2006 4Q.2006 1Q.2007 2Q.2007 3Q.2007 4Q.2007 1Q.2008 2Q.2008 3Q.2008 4Q.2008 1Q.2009 2Q.2009 3Q.2009 4Q.2009 1Q.2010
SUVt -660,32 150,38 108,19 997,52 -1 377,34 402,31 -751,06 1 017,96 -290,67 187,57 143,84 610,16 275,08 201,58 46,90 395,62 41,31 210,24 197,19 542,77 117,99 594,12 366,57 775,42 258,74 523,03 336,68 616,27 373,09 748,49 505,80 665,31 520,78 804,66 644,39 691,14 403,49 468,27 292,63 88,81 26,30
47 53 53 55 51 55 55 60 53 59 59 62 58 64 63 66 63 66 64 72 65 69 71 76 70 73 76 80 77 77 80 85 80 79 85 85 76 76 81 88 78
DPt 838,70 368,38 410,53 913,98 016,54 880,87 342,19 413,65 327,76 023,49 562,59 647,60 621,21 124,74 596,91 088,40 223,30 697,62 895,47 883,76 730,15 329,75 803,34 944,18 581,39 510,07 407,58 074,91 209,55 210,34 191,56 212,60 125,70 266,21 468,45 905,72 452,76 638,74 410,24 387,79 745,56
VYDt 25482,5 27325,07 28352,45 28693,32 26736,87 28929,99 30121,79 30929,74 28476,98 30571,66 31754,33 32791,95 30936,35 33266,03 34478,81 34970,42 32845,47 34879,05 36112,95 36649,52 33350,17 35771,96 37294,21 38467,35 35365,08 37741,9 39224,14 40095,8 37826,24 40366,66 41832,49 42818 39586,48 42229,23 43198,42 43512,32 40755,27 43342,35 44202,62 45344,74 42219,25
Přílohy
83
2Q.2010 3Q.2010 4Q.2010 1Q.2011 2Q.2011 3Q.2011 4Q.2011 1Q.2012 2Q.2012 3Q.2012 4Q.2012 1Q.2013 2Q.2013 3Q.2013 Zdroj: vlastní zpracování
157,64 355,62 -170,14 -69,92 -41,65 -82,61 -181,94 -63,10 -6,84 -51,10 -65,80 -129,50 98,64 165,49
82 78 87 80 76 84 89 78 82 79 86 80 80 83
147,59 626,56 634,57 074,37 060,07 793,95 424,53 127,99 389,33 701,43 035,43 281,64 954,01 519,79
44719,78 44815,78 46102,06 42248,55 44503,88 45157,2 46559,15 42592,95 44228,08 44697,97 45578,69 42284,06 44874,69 46035,05
Přílohy
Tab. 13 institucí
84
Data použitá při zjišťování závislostí objemu spotřebitelských úvěrů u nebankovních
1Q.2005 2Q.2005 3Q.2005 4Q.2005 1Q.2006 2Q.2006 3Q.2006 4Q.2006 1Q.2007 2Q.2007 3Q.2007 4Q.2007 1Q.2008 2Q.2008 3Q.2008 4Q.2008 1Q.2009 2Q.2009 3Q.2009 4Q.2009 1Q.2010 2Q.2010 3Q.2010 4Q.2010 1Q.2011 2Q.2011 3Q.2011 4Q.2011 1Q.2012 2Q.2012 3Q.2012 4Q.2012 1Q.2013 2Q.2013 3Q.2013
Neočištěná data SUNt NEZt PMt (mil. Kč) (%) (Kč) 6 464 7 17 067 9 054 6,3 18 112 7 371 6,5 18 203 9 539 6,6 19 963 7 732 6,6 18 270 9 212 5,8 19 300 9 519 5,8 19 305 10 032 5,7 21 269 9 511 5,4 19 687 10 428 4,7 20 740 15 033 4,6 20 721 12 875 4,5 22 641 11 115 4,2 21 632 15 149 3,8 22 246 14 567 4 22 181 13 434 4,5 24 309 9 293 5,9 22 108 11 146 6,1 22 796 10 177 6,6 23 091 10 346 7,1 25 418 8 747 7,5 22 738 9 761 6,6 23 504 9 843 6,6 23 600 9 579 7,4 25 591 7 966 7,2 23 372 8 664 6,3 24 116 8 360 6,3 24 107 9 233 6,8 26 211 7 803 7 24 146 8 508 6,4 24 656 8 326 6,6 24 514 9 526 7,4 27 121 7 756 8 24 066 8 579 7,3 24 960 8 858 7,6 24 836
Zdroj: ARAD, ČLFA, vlastní zpracování
Očištěná data SUNt PMt (mil. Kč) (Kč) 6300 16635 8842 17688 7226 17846 9361 19591 7566 17877 8987 18829 9260 18779 9787 20750 9306 19263 10214 20313 14738 20315 12524 22024 10656 20740 14373 21106 13690 20847 12638 22868 8851 21055 10748 21983 9967 22616 10243 25166 8686 22580 9703 23364 9736 23343 9438 25213 7832 22981 8502 23666 8212 23681 9061 25722 7620 23580 8276 23984 8068 23754 9222 26255 7545 23411 8386 24399 8701 24397
Přílohy
Tab. 14 institucí
85
Data použitá při porovnávání spotřebitelských úvěrů u bankovních a nebankovních
1Q.2008 2Q.2008 3Q.2008 4Q.2008 1Q.2009 2Q.2009 3Q.2009 4Q.2009 1Q.2010 2Q.2010 3Q.2010 4Q.2010 1Q.2011 2Q.2011 3Q.2011 4Q.2011 1Q.2012 2Q.2012 3Q.2012 4Q.2012 1Q.2013 2Q.2013 3Q.2013 4Q.2013 Zdroj: ARAD, ČLFA
NEB (mld. Kč) 65,00 67,70 71,80 75,00 74,00 73,49 74,70 74,90 76,00 75,50 73,10 74,50 65,30 65,87 65,00 64,70 61,28 62,16 61,07 62,10 58,38 58,44 58,77 59,20
BAN (mld. Kč) 122,18 131,02 138,18 145,86 150,30 155,39 158,53 159,47 159,75 161,42 165,20 163,38 162,64 162,19 161,31 159,36 158,68 158,61 158,05 157,34 155,94 157,00 158,77 160,26
Přílohy
Tab. 15
86
Data použitá při korelačních analýzách
1Q.2000 2Q.2000 3Q.2000 4Q.2000 1Q.2001 2Q.2001 3Q.2001 4Q.2001 1Q.2002 2Q.2002 3Q.2002 4Q.2002 1Q.2003 2Q.2003 3Q.2003 4Q.2003 1Q.2004 2Q.2004 3Q.2004 4Q.2004 1Q.2005 2Q.2005 3Q.2005 4Q.2005 1Q.2006 2Q.2006 3Q.2006 4Q.2006 Zdroj: ČSÚ
IDt (%) 78,0 80,3 85,4 88,7 100,5 95,1 96,9 97,7 96,4 96,9 91,8 93,6 87,4 88,7 86,9 82,1 78,2 90,0 90,0 96,4 100,2 100,0 102,0 101,5 106,1 101,3 103,3 104,8
1Q.2007 2Q.2007 3Q.2007 4Q.2007 1Q.2008 2Q.2008 3Q.2008 4Q.2008 1Q.2009 2Q.2009 3Q.2009 4Q.2009 1Q.2010 2Q.2010 3Q.2010 4Q.2010 1Q.2011 2Q.2011 3Q.2011 4Q.2011 1Q.2012 2Q.2012 3Q.2012 4Q.2012 1Q.2013 2Q.2013 3Q.2013
IDt (%) 106,9 98,4 102,0 89,5 101,0 93,1 96,9 80,8 77,9 84,9 89,0 95,3 91,0 94,6 89,2 92,8 82,8 80,0 77,7 71,8 72,1 72,3 71,8 75,7 81,0 82,8 87,7