UNIVERZITA KARLOVA V PRAZE. Fakulta sociálních věd. Institut ekonomických studií DIPLOMOVÁ PRÁCE

UNIVERZITA KARLOVA V PRAZE Fakulta sociálních věd Institut ekonomických studií

DIPLOMOVÁ PRÁCE

únor 2002

Ladislav Wintr

UNIVERZITA KARLOVA V PRAZE Fakulta sociálních věd Institut ekonomických studií

KONVERGENCE PRODUKTIVITY ČESKÉ REPUBLIKY A EVROPSKÉ UNIE

Autor: Ladislav Wintr Vedoucí: Ing. Tomáš Cahlík, CSc. Termín státní zkoušky: letní semestr 2002

Na tomto místě bych rád poděkoval ing. Tomáši Cahlíkovi CSc., ing. Vladislavu Flekovi CSc. a doc. RNDr. Janu Á. Víškovi CSc. za cenné připomínky a náměty ke vznikající práci.

Prohlašuji, že jsem diplomovou práci vypracoval samostatně a použil jen uvedených pramenů a literatury.

_1. února 2002_ Datum

________________________ Podpis autora

Obsah Obsah _____________________________________________i Seznam grafů, obrázků a tabulek....................................................... ii

1 Úvod ___________________________________________ 1 2 Hypotézy a definice konvergence _____________________ 3 3 Příčiny konvergence _______________________________ 7 3.1 Inherentní omezení hospodářského růstu ....................................7 3.1.1 Neoklasické modely růstu.........................................9 3.1.2 Konstantní výnosy z vyráběných vstupů ................11 3.1.3 Rostoucí výnosy z vyráběných vstupů ...................12 3.1.4 Závěr .......................................................................12 3.2 Konvergence stálých stavů ........................................................14 3.2.1 Závěr .......................................................................15 3.3 Difuze technologií .....................................................................15 3.3.1 Závěr .......................................................................17 3.4 Přímé zahraniční investice .........................................................19 3.5 Mezinárodní obchod ..................................................................20 3.6 Shrnutí........................................................................................21

4 Vývoj produktivity v 90. letech ______________________ 22 4.1 Produktivita na agregátní úrovni................................................23 4.1.1 Data...........................................................................23 4.1.2 Konvergence na agregátní úrovni .............................24 4.2 Konvergence na mezzoúrovni....................................................26 4.2.1 Specifika podniků pod zahraniční kontrolou.............26 4.2.2 Konvergence domácích a zahraničních podniků .......28 4.2.3 Mezinárodní konvergence .........................................36 4.3 Závěr ..........................................................................................39

5 Testy konvergence ČR a EU ________________________ 41 5.1 Průřezová regrese a β-konvergence ...........................................42

Obsah

ii

5.2 Analýza časových řad produktivity ...........................................45 5.2.1 Testování konvergence pomocí DF testu..................49 5.3 Závěr ..........................................................................................57

6 Závěr __________________________________________ 59 Literatura ________________________________________ 61 Dodatek A________________________________________ 64 Stacionarita .........................................................................64 Trendová stacionarita..........................................................64 Diferenční stacionarita........................................................64 Trendová versus diferenční stacionarita .............................65 Testy jednotkového kořenu Dickeye a Fullera ...................65 Diagnostické testy reziduí...................................................66 KPSS test trendové stacionarity..........................................67

Dodatek B ________________________________________ 69

Seznam grafů, obrázků a tabulek Graf 1 Graf 2 Graf 3 Graf 4 Obrázek 1 Obrázek 2 Obrázek 3 Obrázek 4 Obrázek 5 Obrázek 6 Obrázek 7 Obrázek 8 Obrázek 9 Tabulka 1

Konvergence a přímé zahraniční investice .......................... 19 Konvergence a mezinárodní obchod .................................... 21 Průřezová regrese (metodologie: Baumol, 1986) ................ 43 Výběrový korelogram reziduí, model pro Německo ............. 56 Vztah mezi definicemi konvergence ....................................... 5 Klesající výnosy z kapitálu..................................................... 9 Dynamika kapitálové akumulace pro α+β ≥ 1......................11 Konvergence stálých stavů................................................... 14 Vývoj technologické mezery mezi zeměmi B a C.................. 16 Konvergence ke stejnému stálému stavu .............................. 46 Konvergence k různým stálým stavům ................................. 47 Konvergence ke stálým stavům s různým tempem růstu ...... 49 Trendová versus diferenční stacionarita .............................. 65 Úroveň a míra růstu produktivity......................................... 25

Obsah

iii

Tabulka 2 Podniky zpracovatelského průmyslu.................................... 27 Tabulka 3 Wilcoxonův test pro dva závislé výběry................................ 31 Tabulka 4 Odhad regresního modelu (15) ............................................ 34 Tabulka 5 Konvergence vs. kapitálová náročnost a dynamika odvětví. 35 Tabulka 6 Odhad regresního modelu (18) ............................................ 37 Tabulka 7 Stochastické modely růstu a implikace tvrzení 2 až 4.......... 50 Tabulka 8 Výsledky ADF testu konvergence ......................................... 52 Tabulka 9 Výsledky KPSS testu stacionarity......................................... 57 Tabulka B10 Podíl zaměstnanosti zpracovatelského průmyslu v PZK...... 69 Tabulka B11 Účetní přidaná hodnota na pracovníka ve zpracovatelském průmyslu ČR......................................................................... 70 Tabulka B12 Úroveň a míra růstu SPF podniků pod domácí a zahraniční kontrolou ve zpracovatelském průmyslu ČR ........................ 71 Tabulka B13 Produktivita práce zpracovatelského průmyslu ČR v podílu na německé produktivitě příslušného odvětví v příslušném roce72

1 Úvod Konvergence, původně matematický pojem, se s rozvojem zájmu o teorie růstu zabydlel i v jazyce ekonomů. Intuitivně se konvergencí označuje tendence ke snižování rozdílů mezi ekonomikami nebo regiony v čase. Obecně můžeme rozlišit reálnou a nominální konvergenci. Reálnou konvergencí rozumíme sbližování ekonomické výkonnosti měřené HDP v paritě kupní síly na obyvatele nebo na pracovníka (tj. produktivity práce). Nominální konvergence je dosaženo poté, co se inflace, úrokové sazby a další „cenové“ veličiny přiblíží průměrným hodnotám příslušné skupiny zemí. V České republice se o ekonomické konvergenci hovoří zejména v souvislosti s přípravou na členství v Evropské Unii. Tato práce je věnována jednomu aspektu reálné konvergence ČR a EU, a to konvergenci produktivity práce. Z hlediska vstupu ČR do EU a též ochoty EU přijmout ČR je reálná konvergence důležitější než nominální a je také zakotvena v tzv. kodaňských kritériích. Rychlá reálná konvergence je jak v zájmu kandidátských zemí, které se nechtějí stát druhořadými členy, tak EU, kde nízká relativní ekonomická úroveň adeptů na vstup vyvolává obavy z přílivu levnější pracovní síly, z nutnosti navýšení společného rozpočtu nebo snížení příjmů současných členských zemí ze strukturálních fondů a objevují se také obavy z destabilizace jednotného vnitřního trhu, pokud by se nové členské země nedokázaly vyrovnat se zostřenou konkurencí.

Úvod

2

Cílem této práce je odpovědět na dvě otázky – kde lze hledat příčiny konvergence dvou ekonomik a zda ve skutečnosti dochází ke konvergenci nebo divergenci České republiky a Evropské Unie. Celá práce je rozdělena do čtyř částí. Ve druhé kapitole zformalizujeme naši intuitivní definici konvergence a vložíme ji do kontextu ostatních relevantních konceptů. Třetí kapitola zkoumá teorie hospodářského růstu a modely technologické difuze s cílem nalézt příčiny konvergence. Přestože jsou předpovědi ekonomických teorií ohledně konvergence rozporuplné, identifikují několik mechanismů, které přispívají ke konvergenci nebo divergenci. Svou pozornost zaměříme zejména na vliv přímých zahraničních investic na rychlost konvergence. Následující dvě kapitoly se věnují empirickým testům hypotézy konvergence ČR a EU. Čtvrtá kapitola analyzuje období transformace. Nejprve posoudíme vývoj agregátní produktivity práce ČR v kontextu okolních zemí a EU. Vysvětlení těchto tendencí budeme hledat na nižší úrovni agregace. To nám zároveň umožní vyslovit několik hypotéz o vlivu přímých zahraničních investic na konvergenci českého zpracovatelského průmyslu. Pátá kapitola studuje konvergenci ČR, resp. Československa a EU na základě časové řady agregátní produktivity práce sahající až do roku 1950. Zaměříme se přitom na bilaterální konvergenci, tj. konvergenci ČR a některé země EU, případně jejich průměru. Závěry celé práce jsou shrnuty v šesté kapitole.

2 Hypotézy a definice konvergence Vzhledem k cílům stanoveným v úvodu a podrobnější diskusi v páté kapitole se zaměříme pouze na zkoumání konvergence mezi dvěma ekonomikami, popř. skupinami ekonomik. Naši intuitivní definici konvergence uvedenou v úvodu můžeme přepsat do podoby definice 1. Definice 1: Konvergence jako snižování rozdílů, „sbližování“ či „dohánění“. Ke konvergenci produktivit ekonomik B a C mezi časovými okamžiky t a t+x dochází, pokud je očekávaná absolutní hodnota rozdílu produktivit v čase t+x menší než v čase t. Označme produktivitu, případně logaritmus produktivity i-té ekonomiky v čase t jako y it . Je-li y Bt > y Ct , můžeme psát: Et│y Bt+ x – y Ct+ x │ < y Bt – y Ct .

(1)

Poznámka 1: Et na levé straně nerovnice (1) označuje racionální očekávání na základě informací dostupných v čase t. Očekávání jsou do nerovnice zahrnuta proto, abychom se vyhnuli vlivu náhodných neočekávaných šoků mezi obdobími t a t+x na konvergenci. Tento důvod je dobře patrný z obrázku 5 na straně 45. Pokud bychom nebrali v úvahu očekávání, pak vývoj produktivity zemí B a C mezi obdobími 2 a 5 označíme za divergenci. Z obrázku je však patrné, že ekonomiky vzájemně konvergují a divergence byla způsobena náhodným šokem v čase t = 4.

Hypotézy a definice konvergence

4

Poznámka 2: Důvod, proč je levá strana nerovnice (1) vložena do absolutní hodnoty je patrný z obrázku 1(c). Pokud by došlo k situaci, že chudší ekonomika v čase t bude bohatší ekonomikou v čase t+x, rozdíl na levé straně nerovnice (1) by byl záporný, a tudíž vždy menší než nezáporná hodnota na pravé straně. Situaci zachycenou na obrázku 1(c) bychom tak v rozporu s intuicí označili za konvergenci. V literatuře se však běžně pracuje se dvěma odlišnými koncepty konvergence, a to β-konvergencí a σ-konvergencí.1 Definice 2: β-konvergence. K β-konvergenci mezi časem t a t+x dochází, pokud je koeficient β v následující regresi průřezových dat záporný: γ it, t + x = α + βy it + εi,

(2)

kde γ it, t + x je průměrná roční míra růstu produktivity ekonomiky i mezi časem t a t+x, a {εi} ~ iid(0,σ2). Rovnice (2) se záporným β říká, že chudší ekonomiky (či regiony) „v průměru“ vykazují tendenci růst rychleji než bohatší. Poznámka 3: Absolutní versus podmíněná konvergence.2 Hypotéza absolutní konvergence říká, že chudší země rostou v dlouhém období rychleji bez ohledu na jakékoli další předpoklady. Podmíněná konvergence naproti tomu předpovídá konvergenci pouze těch ekonomik, které vykazují stejný stálý stav (mají stejné strukturální charakteristiky). Stálý stav je nejčastěji aproximován mírou populačního růstu, úspor, dostupnou technologií apod. Podmíněnou konvergenci lze od absolutní rozlišit buď tak, že regresi (2) provedeme pouze pro ekonomiky o nichž víme, že vykazují stejný stálý stav, nebo na pravou stranu rovnice přidáme proměnné, které charakterizují stálý stav. Zápornou hodnotu koeficientu β pak můžeme interpretovat tak, že mezi ekonomikami se stejnými hodnotami proměnných popisujících stálý stav vykazují chudší země rychlejší růst než bohatší.

1

Tuto terminologii zavedl v roce 1990 ve své disertační práci Xavier X. Sala-i-Martín. Definice 2 a 3 jsou převzaty ze Sala-i-Martín (1995), přičemž definice 3 je rozšířena o očekávání. 2 V literatuře existuje celá řada dalších definic – např. „klubová“ konvergence. Většina z nich je však vzhledem k zaměření práce irelevantní (blíže viz pasáž 5.1).


5

Definice 3: σ-konvergence. Skupina ekonomik konverguje ve smyslu σ-konvergence mezi časovými okamžiky t a t+x, pokud Et σt+x < σt,

(3)

kde σt je výběrová směrodatná odchylka produktivit příslušného vzorku zemí v čase t. Tvrzení 1: Vztah mezi definicemi (pro dvě ekonomiky). (i) σ-konvergence je ekvivalentní s naším intiutivním chápáním konvergence, tedy definicí 1. (ii) β-konvergence je nutnou, nikoli postačující podmínkou existence σ-konvergence nebo konvergence ve smyslu definice 1. Důkaz: Ad (i) Výběrovou směrodatnou odchylku pro dvě ekonomiky počítáme jako

(

)

2

(

)

2

1 B 1 B 1 C 1 B C  C   yt − yt + yt  +  yt − yt + yt  , 2 2 2 2  

σt =

(4)

který lze jednoduše upravit do tvaru σt = 0,5│y Bt – y Ct │. Nerovnost (3) pak můžeme přepsat do tvaru ½ Et│y Bt+ x – y Ct+ x │ < ½│y Bt – y Ct │.

(5)

Nerovnice (5) je totožná s nerovnicí (1), neboť obě její strany jsou přenásobeny stejnou nezápornou konstantou a z předpokladů definice 1 víme, že y Bt > y Ct . Obrázek 1 – Vztah mezi definicemi konvergence lnY/L

lnY/L

lnY/L

B B B C

C C 0

t 1

2

3

(a)

4

5

t 0

1

2

3

(b)

4

5

t 0

1

2

3

(c)

4

5


6

Ad (ii) Všechny možnosti vzájemného vývoje produktivit zemí B a C jsou zachyceny na obrázku 1. V části (a) roste na počátku chudá ekonomika C rychleji než ekonomika B (její tempo růstu je dokonce záporné) a země tudíž vykazují β-konvergenci. Zároveň také klesá rozptyl rozdělení produktivity a země konvergují i ve smyslu σ-konvergence. Pro dvě ekonomiky si nelze představit situaci, kdy by docházelo k σ-konvergenci a zároveň by původně chudší ekonomika nerostla rychleji než původně bohatší. β-konvergence je tedy nutnou podmínkou existence σ-konvergence. Obrázek 1(b) zobrazuje situaci, kdy nedochází ani k β-konvergenci, ani k σ-konvergenci. Poslední část obrázku 1 je konstruovaná tak, že na počátku chudá ekonomika roste rychleji než zpočátku bohatá (dochází k β-konvergenci). Po určitém čase však produktivita chudé ekonomiky převýší odpovídající hodnotu původně bohaté země, a to o tolik, že rozptyl produktivit na konci sledovaného období je větší než na počátku (dochází k σ-divergenci). Z toho plyne, že β-konvergence je nutnou, nikoli postačující podmínkou existence σ-konvergence, přičemž z předchozí části tvrzení víme, že σ-konvergence je ekvivalentní s definicí 1. □

3 Příčiny konvergence V této části budeme hledat odpověď na otázku proč by mělo, případně nemělo docházet ke konvergenci mezi různými ekonomikami či regiony. Prozkoumáme závěry teorií hospodářského růstu, modelů technologické difuze a krátce se zastavíme i u teorií mezinárodního obchodu. Uvidíme, že ekonomické teorie neposkytují jednoznačné předpovědi konvergence či divergence produktivit různých zemí. Identifikují však řadu faktorů a mechanismů, které dokáží generovat konvergenci nebo naopak vyvolávají divergenci. Nejprve se zaměříme na teorie hospodářského růstu.

3.1 Inherentní omezení hospodářského růstu V této pasáži nejprve zformulujeme jednoduchý model růstu, který bude zobecněním Solowova (1956) modelu růstu i pro případ neklesajících výnosů z kapitálu. Na jeho základě budeme diskutovat závěry neoklasických a endogenních modelů růstu pro konvergenci, přičemž ukážeme nepostradatelnost klesajících výnosů z kapitálu (přesněji z vyráběných vstupů) pro předpověď konvergence. Klesající výnosy z vyráběných vstupů ve své podstatě představují inherentní omezení hospodářského růstu, neboť přírůstky výstupu plynoucí ze zvýšení kapitálu o jednotku klesají s tím jak se zvětšuje objem používaného kapitálu.

Příčiny konvergence

8

Vyjděme z nejjednodušší produkční funkce, která může vykazovat rostoucí, klesající i konstantní výnosy z kapitálu (viz dále) ve tvaru Y = BKα(AL)1-α,

0 < α < 1.

(6)

Rovnice (6) říká, že kapitál (K) a práce (L) slouží k výrobě homogenního statku (Y), který může být buď spotřebován nebo investován. Objem výstupu závisí na úrovni technologie (A) a na elasticitě výstupu vzhledem k jednotlivým vstupům (α, 1-α). Všechny veličiny kromě parametru α jsou funkcí času. Předpokládejme, že jednotlivé firmy vnímají člen B jako exogenní konstantu, nicméně tyto firmy produkují externality, které způsobují, že po agregaci je B funkcí kapitálu a práce.3 Pro jednoduchost zvolíme tvar B(K,L) = (K/AL)β, β > -α. Po dosazení do (6) a úpravách vyjádříme produktivitu práce jako y = A kˆ α+β,

(7)

kde malá písmena označují příslušnou veličinu připadající na jednoho pracovníka a stříška navíc znamená, že veličina je měřena v tzv. jednotkách efektivní práce – formálně: x ≡ X/L, xˆ ≡ X/(AL). Stupeň výnosů z kapitálu na agregátní úrovni určuje součet α+β.4 Zlogaritmováním rovnice (7) a následným zderivováním podle času získáme vztah pro míru růstu produktivity práce (γx ≡ x& /x, x& ≡ dx/dt): γy = γA + (α+β) γ kˆ

(8)

Růst produktivity je tedy dán technologickým pokrokem a růstem objemu kapitálu na jednotku efektivní práce. Stejně jako v Solowově modelu budeme předpokládat, že čisté investice (změna stavu kapitálu) jsou dány rozdílem mezi objemem úspor a objemem odpisů. Označíme-li s jako míru úspor a δ & = sY – δK. Předpokládáme-li, že jako míru depreciace, můžeme psát K & /A = γA), populace i technologie rostou konstantními měrami ( L& /L = n, A můžeme poslední člen rovnice (8) vyjádřit následovně

3

Autorem této úvahy je Romer (1986), který podobnou produkční funkci používá ke zkoumání vlivu externalit na hospodářský růst. V navazující studii (Romer, 1987) diskutuje situace, za kterých je tento tvar produkční funkce vhodný. Pro nás je však podstatné především to, že rozšiřuje Solowův model o analýzu neklesajících výnosů z kapitálu. 4 Jak výnosy z kapitálu, tak výnosy z kapitálu na jednotku efektivní práce jsou determinovány součtem α+β. Proto je nutná podmínka β > -α.


9

γ kˆ = γK – γA – n = (syL/K – δ) – γA – n = s kˆ α+β-1 – (n + γA + δ)

(9)

Dynamika kapitálové akumulace odpovídající rovnici (9) je pro různé hodnoty součtu α+β zachycena na obrázcích 2 a 3.

3.1.1 Neoklasické modely růstu Na obrázku 2(a) je zachycena dynamika modelu v případě klesajících výnosů z vyráběných faktorů (z kapitálu), které jsou typické pro neoklasické modely růstu. Např. v Solowově modelu je β = 0 a do agregátu K zahrnujeme pouze fyzický kapitál. Pro většinu ekonomik proto platí 0,25 < α < 0,4. Neoklasické modely vykazují stálý stav, který je definován jako situace, kdy se kapitál (a výstup) na jednotku efektivní práce nemění, tj. γ kˆ = 0. Vyjádříme-li kapitál na jednotku efektivní práce, který splňuje tuto podmínku ze vztahu (9), označíme jej kˆ * a dosadíme do rovnice (7), dostaneme vztah pro velikost produktivity ve stálém stavu α +β

( )

y (t) = A(t) kˆ *

* α+β

= A(0) e

γAt

 n + γ A + δ  α +β−1 .   s  

(10)

Z toho vztahu je zřejmé, že stálý stav ekonomiky závisí na šesti parametrech,

Obrázek 2 – Klesající výnosy z kapitálu (0 < α+β < 1)

γ kˆ C γ kˆ B

γ kˆ B

γ kˆ C

n+γA+δ

n+γA+δ sB kˆ

ˆ α+β-1

sk C kˆ

B kˆ

*B *C kˆ = kˆ

(a) stejné stálé stavy zemí B a C β-konvergence

sC kˆ kˆ

C kˆ

*C kˆ

B kˆ

*B kˆ

α+β-1

α+β-1

kˆ

(b) různé stálé stavy B a C β-divergence i β-konvergence v závislosti na kˆ (0)

Poznámka: Dynamika kapitálové akumulace při neklesajících výnosech z kapitálu je zachycena na obrázku 3.


10

které může zapsat jako vektor θ = (A(0), γA, n, δ, s, α, β).5 V modelu s klesajícími výnosy z kapitálu představuje stálý stav stabilní rovnováhu, ke které ekonomika v dlouhém období konverguje bez ohledu na počáteční vybavení kapitálem (pro kˆ (0)< kˆ * je γ kˆ >0, zatímco pro kˆ (0)> kˆ * je γ kˆ <0). Rovnice (10) také říká, že produktivita práce ve stálém stavu roste tempem technologického pokroku ( kˆ * je ve stálém stavu z definice neměnné). Představme si nyní dvě ekonomiky se stejnou produkční funkcí ve tvaru (6) vykazující klesající výnosy z kapitálu. Každá z ekonomik konverguje ke svému stálému stavu určenému rovnicí (10) s tím, že čím více je vzdálena od svého stálého stavu, tím rychleji se k němu přibližuje. Nás však zajímá jiný druh konvergence, a to vzájemná konvergence obou zemí. Na obrázku 2(a) jsou zachyceny dvě ekonomiky se stejným stálým stavem (stejným vektorem θ)6, které se liší pouze svým počátečním vybavením kapitálem. Z obrázku je patrné, že chudší ekonomika roste rychleji než na počátku bohatší země.7 To je důsledkem právě klesajících výnosů z kapitálu, neboť chudší země (země s menším objemem kapitálu) má vyšší mezní produkt kapitálu (jinými slovy výnos z investic), což vyvolává rychlejší kapitálovou akumulaci a následně i rychlejší růst v této zemi než v bohaté ekonomice. Modely s klesajícími výnosy z vyráběných faktorů (kapitálu) tak předpovídají β-konvergenci. Vzájemná β-konvergence však není automatická (absolutní), ale je podmíněna stejnými vektory θ mezi zeměmi. Na obrázku 2(b) jsou zachyceny jiné dvě ekonomiky, které se liší nejen svým počátečním vybavením kapitálem, ale i mírou úspor (sC < sB). Nyní již obě ekonomiky nemusí vzájemně konvergovat a může dojít k situaci, kdy bohatší země roste rychleji (viz obrázek).

5

Jak již bylo zmíněno, v Solowově modelu je β = 0. V Ramsey-Cass-Koopmansově modelu je stalý stav funkcí podobné množiny parametrů, ve které je pouze míra úspor nahrazena parametry popisujícími mezičasovou elasticitu substituce a subjektivní diskontní míru reprezentativní domácnosti. 6 Požadavek na stejný vektor θ je o něco restriktivnější než požadavek na stejný stálý stav. Např. n, γA, δ se mohou mezi ekonomikami lišit, nicméně rozhodující je, zda jejich součet je stejný či nikoli (viz obrázek 2). Pokud však měříme příslušné parametry dostatečně přesně, pravděpodobnost takové shody je zanedbatelná. 7 Pro dvě totožné ekonomiky lišící se pouze počátečním vybavením kapitálu platí, že nižší hodnota kapitálu na jednotku efektivní práce je ekvivalentní nižšímu objemu kapitálu a vyšší míra růstu kapitálu na jednotku efektivní práce odpovídá vyšší míře růstu produktivity i celkového výstupu.


11

3.1.2 Konstantní výnosy z vyráběných vstupů Pokud mezi kapitál v produkční funkci zahrneme i lidský kapitál, zvýší se podíl kapitálových příjmů na národním důchodu na hodnotu 0,5 až 0,7 (tedy 0,5 < α < 0,7). Budeme-li navíc předpokládat, že akumulace kapitálu je spojena s pozitivními externalitami (tj. β > 0) přesně ve výši β = 1-α, pak dostáváme α+β = 1. Po dosazení zpět do rovnice (9) vidíme, že dynamika modelu závisí pouze na vztahu mezi mírou úspor a efektivní depreciací (n+γA+δ). Je-li s > n+γA+δ, pak ekonomika roste konstantním kladným tempem pro libovolnou výchozí úroveň kapitálu.8 Dynamika modelu s konstantními výnosy z kapitálu, zachycená na obrázku 3(a), je prakticky totožná s dynamikou AK modelů, tedy nejjednodušších modelů endogenního růstu. Modely s konstantními výnosy z kapitálu na rozdíl od neoklasických modelů nepředpovídají vzájemnou konvergenci ekonomik. Mějme opět dvě ekonomiky se stejnou produkční funkcí a stejným stálým stavem (vektorem θ). Ekonomiky se liší pouze počátečním vybavením kapitálem kˆ (0). Jelikož obě země rostou stejným konstantním tempem, nemůže docházet k β-konvergenObrázek 3 – Dynamika kapitálové akumulace pro α+β ≥ 1

s γ kˆ B

γ kˆ C

γ kˆ C

n+γA+δ

γ kˆ B

s kˆ α+β-1 C kˆ

kˆ

B kˆ

(a) konstantní výnosy z kapitálu (α+β = 1) Poznámka: Konvexní tvar křivky s kˆ

*B *C kˆ = kˆ

C kˆ

B kˆ

(b) rostoucí výnosy z kapitálu (α+β>1)

α+β-1

v části (b) je speciálním případem pro 1<α+β<2. Pro α+β>2 bude křivka konkávní. Rozhodující je však pouze kladná první derivace (s kˆ α+β-1 je tedy rostoucí).

8

V opačném případě (tj. s < n + γA + δ) bude ekonomika konvergovat k nulovému výstupu. Tato situace je nerealistická a proto ji zanedbáme i v další diskusi.


12

ci. Rozdíl logaritmu produktivity práce mezi oběma zeměmi bude v čase konstantní. Tento závěr je důsledkem neklesajících výnosů z vyráběného vstupu, tedy kapitálu a není inherentním závěrem endogenních modelů růstu. Jones a Manuelli (1990) ukázali, že poměrně snadno lze zkonstruovat model s endogenním růstem, který bude predikovat podmíněnou konvergenci. Důvod spočívá v tom, že klíčovou podmínkou endogenního růstu je porušení Inadovy podmínky (pro K→∞), zatímco pro predikci konvergence je rozhodující existence klesajících výnosů z kapitálu.

3.1.3 Rostoucí výnosy z vyráběných vstupů Abychom mohli uvažovat o rostoucích výnosech z kapitálu musíme rozšířit chápání kapitálu z rivalitního výrobního faktoru i na nerivalitní vstupy.9 Příkladem nerivalitních vstupů jsou nové ideje a myšlenky. Předpokládejme opět dvě ekonomiky se stejnou produkční funkcí a stejnými vektory θ. Z obrázku 2(b) je patrné, že obě země vykazují stálý stav, který je ovšem nestabilní. V modelu neexistují vnitřní mechanismy, které by ekonomiku nacházející se mimo stálý stav vracely zpět do rovnováhy. Pokud pro obě země platí kˆ (0) > kˆ *, každá z nich bude vykazovat explozivní růst. Původně bohatší země tak bude růst rychleji než chudší ekonomika. Rozdíl v produktivitě práce obou zemí tak bude v čase narůstat. Model tudíž předpovídá jak β-divergenci, tak σ-divergenci, a to i pro země se stejným stálým stavem.

3.1.4 Závěr Ke konvergenci dvou ekonomik bude vždy docházet, pokud obě vykazují stejný stálý stav (mají stejný vektor θ) a navíc jsou svázány klesajícími výnosy z vyráběných faktorů (kapitálu). Pokud chceme zkoumat konvergenci mezi Českou republikou a Evropskou unií, musíme si tedy položit dvě otázky: (i) Vykazují obě ekonomiky klesající výnosy z vyráběných faktorů? Hypotézu rostoucích výnosů z kapitálu můžeme jednoznačně odmítnout na základě

9

Vstupy označujeme za nerivalitní, pokud jejich využití jedním subjektem nijak nebrání jejich současnému využití jiným subjektem. Obvyklé vstupy jako práce, půda a kapitál jsou zjevně rivalitní.


13

empirických pozorování. Žádná ekonomika totiž nevykazuje dlouhodobě akcelerující míru růstu produktivity práce, kterou modely s rostoucími výnosy předpovídají. Rozlišení klesajících a konstantních výnosů z kapitálu již není tak snadné, neboť oba modely říkají, že ve stálém stavu rostou ekonomiky konstantní měrou, což zhruba odpovídá empirickým pozorováním. Proto zvolíme jinou strategii. Barro a Sala-i-Martín (1999) ve svém přehledu průřezových empirických studií konvergence uvádějí, že rychlost konvergence pro většinu vzorků činí 1,5 až 3 %. Rychlost konvergence je v Solowově modelu (a tedy i v našem modelu pro β = 0) určena vztahem ν = (1-α)(n+γA+δ).10 Kalibrací pro běžné hodnoty (n+γA+δ = 0,6) a ν = 0,015 dostaneme α = 0,75 a pro ν = 0,03 máme α = 0,5. Tyto hodnoty jsou sice vyšší než předpokládá Solowův model, nicméně stále spadají do oblasti klesajících výnosů z kapitálu. Můžeme se tedy domnívat, že předpoklad klesajících výnosů z vyráběných faktorů je pro Českou republiku i Evropskou unii opodstatněný. Musíme si také uvědomit, že mezi oběma situacemi neexistuje ostrá dělící čára, neboť s tím jak roste podíl kapitálu na národním důchodu (α), klesá rychlost konvergence ekonomik k vlastním stavům v neoklasickém modelu a situace, kdy α = 1 je pouze limitním případem nulové rychlosti konvergence. Empirické odlišení situace, kdy α = 1 a α = 0,75 je často obtížné, vzhledem k délce časových řad, které máme k dispozici.11 (ii) Mají ČR a EU stejný stálý stav? Přímočarou odpovědí na tuto otázku by bylo srovnání jednotlivých složek vektorů θCZ a θEU. Mohli bychom se pokusit o nalezení konfidenčních intervalů, na nichž bychom nezamítali hypotézu H0: θ iEU = θ iCZ , i (tj. že jednotlivé složky vektoru θ jsou v obou zemích stejné). Různé modely však vedou k různým složkám vektoru θ, které lze navíc chápat pouze jako hrubou aproximaci skutečného stálého stavu, který vedle měřitelných veličin bezpochyby závisí také na celé řadě institucionálních faktorů. Elegantní a originální možnost, jak se tomuto problému vyhnout nabízí pátá kapitola věnována empirickým testům konvergence.

10

Odvození uvádí např. Romer (1996) na str. 21 nebo Barro a Sala-i-Martín (1999), str. 36. Rychlostí konvergence máme na mysli procento mezery vůči stálému stavu, které ekonomika uzavře každý rok. 11 Pro α = 0,75 vychází, že teprve po 46 letech sníží ekonomika počáteční mezeru vůči stálému stavu na polovinu a uzavření tří čtvrtin mezery je dosaženo až po 92 letech.


14

3.2 Konvergence stálých stavů Modely hospodářského růstu se stálým stavem implicitně umožňují ještě další vysvětlení konvergence. Doposud jsme předpokládali, že determinanty stálého stavu (tedy vektory θ pro jednotlivé země) jsou v čase neměnné. Tento předpoklad však může být příliš restriktivní, zejména pokud se zabýváme vývojem tranzitivních či rozvojových ekonomik. Pokud se vektory θ zemí B a C vyvíjejí v čase, pak vzájemná konvergence zemí v dlouhém období může být důsledkem snižování rozdílů mezi vektory θ Ct a θ Bt v čase. Předpokládejme, že uvnitř země C dojde k fundamentální změně, která sníží rozdíl mezi stálými stavy B a C. Tato situace je zachycena na obrázku 4, což odpovídá snížení rozdílu mezi kˆ *B a kˆ *C na obrázku 2(b). V dlouhém období pak dojde ke konvergenci ekonomik ke svým (novým) stálým stavům, čímž se zároveň sníží rozdíly v produktivitě mezi ekonomikami a pozorujeme vzájemnou konvergenci. Tento druh konvergence označíme za konvergenci stálých stavů. Dodejme však ještě drobnou výhradu. Ke konvergenci stálých stavů, tak jak je zachycena na obrázku 4, nemusí dojít pokud relativní vzrůst (zlepšení) zaznamenáme pouze u některých složek vektoru θC. Lze si představit situaci, kdy např. vyšší míra úspor narazí na nízkou důvěru obyvatelstva ve finanční zprostředkování (další složka vektoru θC) a pozitivní vliv vyšší míry úspor na stálý stav tak může být značně redukován či dokonce eliminován. Teprve pokud vzrostou všechny složky vektoru θC, můžeme s určitostí říci, že dojde ke konvergenci stálých stavů. Obrázek 4 – Konvergence stálých stavů ln Y/L

t 0

1

2

3

4

5

6

stálý stav země B stálý stav země C

7

8

9

10

11 12

13 14

15

produktiv ita země C

Důvodů pro konvergenci stálých stavů může být celá řada. V chudší (agrární) ekonomice může dojít k realokaci zdrojů do sektorů s vyšší produktivitou (průmyslu), což ceteris paribus zvýší celkovou produktivitu. Výrazné prorůstové efekty má privatizace a důsledná ochrana vlastnických práv. Ekonomika se tak může vyhnout negativním efektům plynoucím


15

z tzv. X-neefektivnosti. Dosažení vyšší úrovně výkonnosti často brzdí nezdravé veřejné finance. Odbourání výrazných deficitů a přesun veřejných výdajů ze subvencování firem a produktů do oblastí vzdělání, výzkumu a infrastruktury bude mít (opět ceteris paribus) pozitivní vliv na vývoj stálého stavu chudší ekonomiky. Všechny výše popsané efekty vedou k tomu, že chudší země může v dlouhém období dosáhnout vyššího výstupu při daném objemu zdrojů. V krátkém období však můžeme u řady těchto kroků očekávat pokles výstupu a produktivity v důsledku toho, že přizpůsobení na reálných trzích neprobíhá okamžitě. Výše uvedený výčet potenciálních příčin částečného uzavření mezery stálých stavů samozřejmě není zdaleka kompletní. Je proto s podivem, že tento mechanismus je v literatuře opomíjen, přestože jeho praktický význam pro vysvětlení konvergence je bezpochyby značný.

3.2.1 Závěr Od počátku transformace učinila Česká republika značný pokrok v řadě oblastí a jistě došlo ke zlepšení všech složek vektoru θCZ. Nicméně lze se domnívat, že dynamika změn některých složek je příliš nízká a může tak brzdit pozitivní vývoj v ostatních sférách ekonomiky. Mám na mysli zejména oblast institucionální a strukturální transformace. Tyto oblasti byly jednak dlouhou dobu opomíjeny a navíc chování ekonomických subjektů nelze změnit ze dne na den.

3.3 Difuze technologií Další skupinou modelů, které dokáží vysvětlit konvergenci mezi ekonomikami jsou modely popisující technologickou difuzi mezi různými státy. Tyto modely předpokládají, že charakteristickým rysem technologií je alespoň do určité míry nevylučitelnost, tzn. že je obtížné zabránit ostatním subjektům v jejich použití, poté co byly zveřejněny. Výhoda zaostalé země pak spočívá v tom, že dokáže s nižšími náklady imitovat výrobky vyvinuté v jiné zemi. Vraťme se nyní zpět k modelu definovanému rovnicemi (6) – (9), který doplníme o determinanty technologické změny. Předpokládejme, že γA je nyní


16

rostoucí funkcí zdrojů věnovaných na vědu a výzkum (R) v podílu na HDP a (logaritmu) technologické mezery, kterou definujeme jako GBC ≡ AB/AC: γA = µR + λ(ln AL – ln A),

(11)

kde AL označuje úroveň technologie v nejvyspělejší ekonomice (technologický vůdce), µ měří produktivitu vědy a výzkumu a λ odráží rychlost difuze technologií z nejvyspělejší země.12 Vývoj technologické mezery (γG) dvou zemí B a C pak můžeme zapsat γGBC = γ BA – γ CA = µRB + λ(ln AL - ln AB) – [µRC + λ(ln AL - ln AC)] = = µ(RB - RC) – λ(ln AB - ln AC) = µ(RB - RC) – λ(ln GBC).

(12)

(Předpokládáme, že parametry µ a λ jsou pro obě země stejné a že platí RB > RC.) Dynamika modelu pro různé hodnoty parametru λ je zachycena na obrázku 4.

Obrázek 4 – Vývoj technologické mezery mezi zeměmi B a C

λ(ln GBC) γGBC < 0

µ(RB - RC)

µ(RB - RC)

γGBC > 0 γGBC

ln GBC

(a) absence technologické difuze (λ=0)

12

(ln GBC)*

ln GBC

(b) technologická difuze (λ>0)

Tvar γA = λ(ln AL – ln A) lze odvodit z předpokladu, že některé výrobky lze imitovat snadno, zatímco jiné nikoli. Pokud si země může vybírat z velkého množství výrobků (technologická mezera je velká), zvolí nejprve ty produkty, které je snadné a levné imitovat. S tím jak se technologická mezera zmenšuje, musí volit výrobky, které je obtížnější imitovat. Z tohoto důvodu klesá míra růstu technologie (a tedy i produktivity) se zmenšujícím se rozdílem technologií (produktivit) obou zemí. Autory tohoto tvaru technologické konvergence jsou Nelson a Phleps (1966), citováno podle Barro a Sala-i-Martín (1999).


17

Pokud se technologie volně šíří pouze na území národních států (λ = 0), pak bohatší ekonomika (která z definice investuje více do vědy a výzkumu v podílu na HDP) bude trvale vykazovat vyšší míru růstu produktivity (γGBC > 0 pro všechny přípustné hodnoty ln GBC a technologická mezera tak roste nade všechny meze, viz obrázek 4a). Pokud je naopak λ > 0 a dochází k přelévání technologií přes hranice, model vykazuje stabilní stálý stav. Velikost technologické mezery potom bude bez ohledu na počáteční velikost konvergovat k hodnotě (ln GBC)*, definované podmínkou γGBC = 0. Dosazením do rovnice (12), dostaneme (ln GBC)* = µ(RB - RC)/λ. V dlouhém období je tedy (logaritmus) podílu technologických indexů dvou zemí klesající funkcí rychlosti technologické difuze a rostoucí funkcí rozdílu zdrojů věnovaných na vědu a výzkum. Mají-li ekonomiky B a C stejný stálý stav (odvozený v rovnici (10)), pak rozdíl produktivit práce obou zemí je přímo úměrný technologické mezeře (viz rovnice (7)). V našem modelu dochází ke snižování technologické mezery po vychýlení ze stálého stavu automaticky. Ve složitější modelech technologické difuze (viz Barro a Sala-i-Martín, 1999) je však tento proces podmíněn schopností ekonomik imitovat sofistikované výrobky nejvyspělejší ekonomiky. Schopnost napodobovat je úzce spjata s úrovní lidských zdrojů, objemem znalostí, motivací ekonomických subjektů k inovacím apod.

3.3.1 Závěr Do roku 1989 bylo Československo uzavřeno vůči difuzi technologií ze západních zemí. Například ještě v roce 1990 spadal dovoz běžných kopírek do režimu srovnatelného s dovozem zbraňových systémů. Dnes již dovoz nejmodernějších technologií podléhá pouze minimálním restrikcím, a to především na straně vývozce. Rychlost technologické difuze λ se tedy od roku 1989 výrazně zvýšila. Druhým faktorem determinujícím vývoj technologické mezery (a tedy i mezery produktivity) je podíl výdajů na vědu a výzkum na HDP. Jejich souhrnná výše dosáhla v ČR 1,29 % HDP (rok 1999), což je o něco více než odpovídá


18

zemím na srovnatelném stupni vývoje.13 Země EU však v průměru vydávají na vědu a výzkum zhruba 1,8 % HDP. Pokud tedy máme konvergovat k evropskému průměru a vezmeme-li v úvahu strukturu našeho průmyslu, je další zvyšování výdajů v této oblasti žádoucí. Vlastní objem výdajů je jen hrubým měřítkem schopnosti ekonomiky přejímat zahraniční inovace. Detailnější studie odhalují znepokojující vývoj výdajů na mikroúrovni, což signalizuje problémy v oblasti aplikovaného výzkumu (zejména mezi malými a středními podniky).14 Poslední determinantou technologické mezery je schopnost ekonomiky absorbovat nejnovější technologické inovace. Například ve vývoji počítačových systémů bylo zaostávání Československa ještě v 60. letech minimální.15 Situace se však zásadně změnila s příchodem křemíkových čipů, které východní blok nedokázal v masovém měřítku produkovat. Kreativita techniků však byla stavěna před jiné výzvy, a to zejména nutnost substituovat nedostatkové vstupy a kapitál vlastní produkcí či momentálně přebytečnou produkcí. Jelikož nedošlo k destrukci lidského kapitálu a vzhledem k relativně vysoké úrovni našeho vzdělávacího systému a volnému obchodu s technologickými vstupy, nelze pochybovat o schopnosti ČR přejímat nejmodernější světové technologie (s výjimkou oblastí v nichž nemáme tradici, jako např. biotechnologie). Schopnost české ekonomiky absorbovat nejvyspělejší technologie potvrzuje i DeLong (2000). Ve své studii jmenovitě zařazuje ČR do tzv. „konvergenčního klubu“ od roku 1850 až po současnost.

13

Viz OECD Main Science and Technology Indicators, 2001. Z těchto údajů plyne, že v roce 1999 činil podíl výdajů na HDP 0,89 ve Španělsku; 0,77 v Portugalsku; 0,51 v Řecku; 1,39 v Irsku; 0,68 v Maďarsku a 0,75 v Polsku. 14 Velké a střední podniky v ČR vynakládají na výzkum v průměru 1 až 2 % svého ročního obratu, zatímco v zemích EU je takto investováno 4 až 10 % obratu. Viz Analýza (1999). 15 V době sálových počítačů pracujících s tisíci relé bylo možné počítač rozebrat a za relativně krátkou dobu vyrábět více méně totožné kopie.


19

3.4 Přímé zahraniční investice K difuzi technologií dochází v praxi zejména dvěma cestami – prostřednictvím mezinárodního obchodu a prostřednictvím přímých zahraničních investic (dále jen PZI), resp. působením nadnárodních společností.16 Z grafu 1 je patrný výrazný vliv PZI na schopnost ekonomik uzavírat, resp. nezvětšovat Graf 1 – Konvergence a přímé zahraniční investice

Změna mezry produktivity (v PPP) vůči USA za období 1995 až 1999, [tisíce USD]

5

4

SWZ

CZE

YEM

FJI

LCA

DMA

MYS

3

VUT

VCT CHE NZL

ATG FRA

HUN

2

PRT ESP CAN AUS

SVN

1

SWE

GBR

DNK

KNA NOR

0

NLD

FIN ISL

-1

0

10

20

30

40

50

Kumulativní příliv přímých zahraničních investic (kumul. % HDP), 1990 až 1995

Model 1†: R2 = 0,19 DMPi,95-99 = 3255,8 – 35,77 KPZIi,90-95 ** N=131 DW = 1,924 (6,45) Model 2†: R2 = 0,43 DMPi,95-99 = 3649,5 – 36,2 KPZIi,90-95 – 28,0 VZDi,90 ** ** (5,27) N=102 DW = 1,837 (7,18) Model 3†: R2 = 0,025 MRi,95-99 = 3,1 + 0,0425 KPZIi,90-95 (0,0227) N=140 DW = 1,923 Legenda: DMP změna mezery produktivity (v PPP) vůči USA v USD KPZI kumulativní příliv PZI (kumulativní procenta HDP) VZD terciérní školní docházka v procentech příslušné věkové skupiny MR průměrná roční míra růstu HDP † Hodnoty v závorkách pod příslušným regresním koeficientem udávají jeho směrodatnou odchylku. ** * / Koeficient je signifikantní (statisticky odlišný od nuly) na hladině významnosti 1 %, resp. 5 % (oboustr. test). Zdroj dat: World Development Indicators; World Bank, 2000.

16

Obě zmíněné cesty jsou do značné míry komplementární, neboť prostřednictvím mezinárodního obchodu se převádějí zejména znalosti vtělené do produktů, ale i kodifikované znalosti (licence apod.). Z důvodu vysokých transakčních nákladů spojených s mezinárodním převodem specifických znalostí


20

mezeru produktivity ve střednědobém horizontu. Čím větší byl kumulativní příliv PZI v letech 1990-1995, tím méně vzrostla v průměru mezera produktivity dané země vůči USA v následujících čtyřech letech. Regresní koeficient je navíc statisticky významný i na hladině významnosti hluboko pod jedním procentem a společně se zástupnou proměnnou lidského kapitálu dokáží PZI vysvětlit zhruba 50 % variability závisle proměnné, tj. změny mezery produktivity.17 Zajímavé také je, že pouze tři země dokázaly v daném období snížit svou mezeru produktivity vůči USA – Finsko, Island a Irsko, které bylo z grafu vyřazeno jako odlehlé pozorování (snížilo mezeru produktivity o 4375 USD). Vzhledem k těmto slibným výsledkům se k analýze vlivu PZI na konvergenci ČR a EU vrátíme v následující kapitole.

3.5 Mezinárodní obchod Vztah mezi konvergencí a mezinárodním obchodem, resp. jeho liberalizací je mnohem komplikovanější. Lze rozlišit hned několik efektů, které působí protichůdně: (i) Liberalizace obchodu může zvýšit zahraniční poptávku po domácím zboží. Ve střednědobém horizontu tak ekonomika může přejít na rychlejší růstovou trajektorii. (ii) Na druhé straně ovšem dovoz může vytlačit domácí producenty a liberalizace mezinárodního obchodu vyvolá divergenci ekonomik. (iii) Mezinárodní obchod s finální spotřebou navíc zvyšuje konkurenci na domácím trhu a nutí domácí firmy imitovat zahraniční inovace. Tím se mj. zvyšuje rychlost difuze technologií a snižuje mezera produktivity (podle diskuze v předchozí subkapitole 3.3). (iv) Liberalizace obchodu mezi ekonomikami na různém stupni vývoje rozšiřuje v zaostalejší ekonomice množinu dostupných technologií a tím může přispět ke konvergenci. (organizačních, marketingových) prostřednictvím trhu (zejm. vynucování vlastnických práv) firmy často vstupují na zahraniční trhy prostřednictvím svých poboček (podrobněji viz Dunning, 1981). 17 Bylo by možné namítnout, že konvergence (uzavírání mezery HDP) a příliv zahraničních investic jsou společně důsledkem třetího faktoru. Takovým společným činitelem by mohla být například makroekonomická stabilita, která je významným determinantem PZI a zároveň za splnění dalších podmínek může stimulovat hospodářský růst. Výsledky modelu 3 (uvedeného v grafu 1) tuto domněnku vyvracejí, neboť příliv PZI nemá statisticky významný vliv na následnou míru růstu HDP.


21

Z grafu 2 je patrné, že žádný z výše uvedených efektů není dominantní. Otevřenost ekonomiky mezinárodnímu obchodu (aproximující stupeň dosažené liberalizace) není korelována s velikostí mezery produktivity vůči USA v paritě kupní síly.

3.6 Shrnutí Ekonomické modely neposkytují jednoznačnou odpověď na otázku, zda by mělo docházet ke konvergenci mezi ekonomikami. Kalibrace modelů na data České republiky a Evropské unie dává tušit, že v průběhu transformace došlo ke snížení mezery stálých stavů, bezesporu se zvýšila otevřenost české ekonomiky a rychlost difuze technologií. V souladu s teoriemi růstu a technologické difuze tak můžeme v dlouhém období očekávat snížení rozdílů v produktivitě. Empirické studie zároveň naznačují, že úplná eliminace rozdílů je v dohledné budoucnosti nereálná, neboť čas potřebný na snížení mezery na polovinu je nutné počítat v dekádách.

Graf 2 – Konvergence a mezinárodní obchod 30

Mezera produktivity (v PPP) vůči USA rok 1995, [tisíce USD]

LSO

GNQ GUY

SWZ

24 EST

BRA

MYS ATG

HUN ARG

18

CZE

GRC

PRT

BHR

MLT

ESP

12

ISR

NZL PYF

6

AUS

ITA

GBR

SWE DNK

JPN

CYP

IRL

FIN

MAC NLD

AUT

BEL

CHE

0

0

40

80

120

160

200

Podíl exportů a importů na HDP v roce 1995, [%]

MPi,99 = 21837,04 – 3,893 MOi,95 (14,997)

R2 = 0,0004 N=160 DW = 1,659

Legenda: MP mezera produktivity (v PPP) vůči USA v USD MO otevřenost mezinárodnímu obchodu, měřeno jako podíl exportů a importů na HDP ** * / Koeficient je signifikantní (statisticky odlišný od nuly) na hladině významnosti 1 %, resp. 5 % (oboustr. test). Zdroj dat: World Development Indicators; World Bank, 2000.

4 Vývoj produktivity v 90. letech Tato kapitola se pokouší nalézt parciální odpověď na otázku, zda dochází ke konvergenci nebo divergenci České republiky a Evropské Unie. Omezíme se přitom výlučně na období transformace. Nejprve posoudíme vývoj agregátní produktivity práce ČR ve srovnání s okolními zeměmi a EU. Pro vysvětlení agregátních tendencí sestoupíme na úroveň zpracovatelského průmyslu. To nám zároveň umožní rozlišit podniky pod zahraniční a domácí kontrolou a vyslovit několik hypotéz o vlivu přímých zahraničních investic na konvergenci. Můžeme očekávat, že podniky pod zahraniční kontrolou (jako výsledek přílivu přímých zahraničních investic) jsou technologicky vyspělejší a vykazují vyšší produktivitu. Potom nás bude zajímat, zda dochází k tzv. efektům přelití, tzn. zda domácí firmy profitují z přítomnosti podniků pod zahraniční kontrolou v odvětví a samozřejmě se budeme také ptát, zda domácí podniky dohánějí podniky pod zahraniční kontrolou. Na to navážeme hypotézou testující konvergenci celé ekonomiky (případně jen podniků pod zahraniční kontrolou) k produktivitě Německa. Hypotézu konvergence tak rozčleníme na dva stupně – konvergenci domácích a zahraničních podniků uvnitř české ekonomiky a konvergenci zahraničních podniků (případně celé ekonomiky) k německé produktivitě.

Vývoj produktivity v 90. letech

23

4.1 Produktivita na agregátní úrovni Dříve než se pustíme do vlastní analýzy empirických údajů produktivity práce, musíme se zmínit o zdrojích dat, z nichž budeme vycházet.

4.1.1 Data Oficiální údaje o zaměstnanosti a především HDP publikované národními statistickými úřady jsou poznamenány řadou metodologických problémů, s nimiž se různé státy snaží vypořádat různým způsobem. Navíc na začátku 90. let přecházely tranzitivní ekonomiky ze systému materiálových bilancí národního hospodářství na systém národních účtů. Proto jsou často obtížně srovnatelné i údaje publikované jednou institucí za různé roky. Tyto nedostatky se snaží řešit WIIW, který každoročně publikuje časové řady tranzitivních ekonomik od roku 1990 (Handbook of Statistics – Countries in Transition). Nicméně pro srovnání tranzitivních a vyspělých ekonomik je vhodnější pracovat s údaji z jednoho zdroje, který publikuje data podle konzistentních standardů. Nejznámějšími databázemi zahrnujícími tranzitivní i vyspělé země jsou International Financial Statistics (MMF), World Developmnet Indicators (Světová banka) a OECD Statistical Compendium.18 Jejich nevýhodou je skutečnost, že data za Českou republiku publikují od roku 1993 a nepokoušejí se o zpětnou extrapolaci alespoň do počátku transformace. Tuto extrapolaci do roku 1990 nalezneme v databázi publikované Univerzitou v Groningenu (Nizozemí), resp. jednou z jejich institucí – Groningen Growth and Development Centre (dále jen GGDC). Dalším důvodem, proč budeme pracovat právě s těmito údaji je skutečnost, že tento projekt zahrnuje časové řady od roku 1950 (případně 1973), které využijeme v následující kapitole a zajistíme tak konzistenci celé práce. Z webových stránek GGDC19 lze stáhnout kompletní databázi v nejaktuálnější podobě a řadu studií popisujících řešení metodologických problémů. Mezinárodní srovnatelnost hrubého domácího produktu je zajištěna jeho přeceněním na USD ve stalých cenách roku 1990 podle parity

18

Na začátku 90. let byla velmi populární databáze Penn World Table (autoři R. Summers a A. Heston). Její poslední verze (mark 5.6a) však obsahuje data pouze do roku 1992. 19 http://www.eco.rug.nl/ggdc


24

kupní síly (agregace je provedena metodou GK, podle statistiků Geariho a Khamise).

4.1.2 Konvergence na agregátní úrovni Proces konvergence dvou ekonomik (pokud ke konvergenci dochází) je determinován dvěma faktory: relativními měrami růstu a relativní výchozí úrovní obou zemí. Tabulka 1 umožňuje základní srovnání úrovně a měr růstu produktivit práce měřených jako reálný HDP na zaměstnanou osobu, resp. na pracovníka civilního sektoru národního hospodářství. Výchozí pozice ČR v oblasti produktivity práce byla velmi příznivá,20 neboť v roce 1990 jsme spolu se Slovinskem vykazovali nejvyšší úroveň produktivity mezi zeměmi střední a východní Evropy. Z levé části tabulky 1 je dále patrno několik zajímavých tendencí. Česká republika, resp. Československo dlouhodobě ztrácí svou pozici v úrovni produktivity vůči průměru současných členských zemí Evropské Unie (EU-15). Tento trend se v průběhu 90. let zastavil, nicméně doposud se stále pohybujeme na úrovni roku 1990 (změny struktury a kvality produkce od roku 1989 neumožňují precizní srovnání). Stejně tak stagnovala velikost mezery produktivity ČR vůči nejchudším zemím EU – Řecku, Portugalsku a Španělsku. Z tabulky 1 je také patrný nepříznivý trend vývoje české produktivity ve srovnání s okolními tranzitivními zeměmi v podobě výrazné eroze počátečního náskoku produktivity. Ještě v roce 1990 byla úroveň naší produktivity zhruba o 25 % vyšší než v Maďarsku a o 55 % vyšší než v Polsku. Maďarsko nás však předstihlo v roce 1998 a Polsko o dva roky později. To znamená, že Maďarsko uzavíralo ročně v průměru 3,4 % a Polsko 5,5 % mezery vůči ČR. Zejména v případě Polska je zřejmé postupné snižování dynamiky uzavírání

20

Hodnoceno pouze na základě tohoto ukazatele. Na druhou stranu Landesmann a Székely (1995) ukazují, že Československo se v porovnání s Polskem a Maďarskem vyznačovalo za období 19601989 dlouhodobou stagnací struktury ekonomiky a zároveň její nejvyšší odlišností od západoevropských zemí. Československo bylo navíc nejvýrazněji orientováno na trhy RVHP. Relativně vysoká úroveň produktivity na konci 80. let nebyla ani tak důsledkem vysoké technologické úrovně ČR, ale spíše důsledkem hypertrofie těžkého průmyslu. Taková strukturální orientace ekonomiky sice může krátkodobě znamenat vysoké HDP, nicméně z pohledu dohánění vyspělých ekonomik se jedná o překážku, neboť tato odvětví vykazují nízkou dynamiku produkce a zahraniční trhy jsou do značné míry obsazeny. Celkově tedy byla výchozí pozice Československa na počátku transformace ve srovnání s Polskem a Maďarskem spíše nepříznivá.


25

mezery produktivity, nicméně nic nenasvědčuje tomu, že by Polsko či Maďarsko mělo konvergovat k České republice. Mají-li Polsko, Maďarsko a ČR stejný stálý stav (např. průměr EU) a nacházejí-li se pod úrovní tohoto stálého stavu, pak podle neoklasických modelů růstu a modelů difuze technologií můžeme očekávat, že země s nejvyšší výchozí úrovní produktivity (ČR) bude vykazovat za sledované období nejnižší míru růstu produktivity a naopak. Pravá část tabulky 1 tento závěr potvrzuje. Nicméně, pokud má Česká republika konvergovat k průměru EU, musí vykazovat dlouhodobě vyšší tempa růstu produktivity než průměr zemí EU-15. V předchozí části jsme viděli, že relativní úroveň produktivity ČR vůči průměru EU stagnovala, a proto i míra růstu produktivity v průběhu let 1992-2000 byla téměř stejná (1,6 % pro ČR a 1,7 % pro průměr EU). Podobně do výše zmíněného rámce nezapadá Slovinsko, které vycházelo ze zhruba

ČR/ Maďarsko

ČR/ Polsko

ČR/ EU – 15

ČR/ Irsko

ČR/ Portugalsko

ČR/ Španělsko

ČR/ Řecko

Míra růstu produktivity

ČR

Maďarsko

Polsko

Slovinsko

EU – 15

1950

145,6

157,5

71,3

90,8

151,4

135,8

135,3

1975

127,5

137,9

54,9

73,5

92,3

60,0

70,4

1989

118,6

143,6

46,5

53,6

76,0

47,3

62,8

92-00

1,6

4,2

5,8 4,3†

1,7

1990

126,9

154,9

96,4

46,9

53,0

78,9

47,6

65,4

1990

1991

123,9

143,9

89,6

44,1

47,3

69,4

42,8

56,9

1991

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

1992

115,4

133,7

88,2

43,0

45,2

64,9

41,5

57,1

1992

-0,4

7,0

7,2

1,2

2,1

1993

106,4

123,8

82,1

41,6

43,4

64,2

39,3

57,4

1993

-2,1

6,2

5,8

5,2

1,4

1994

103,2

118,1

78,1

41,1

42,3

64,5

39,0

58,4

1994

2,0

5,1

6,9

7,3

3,1

1995

105,1

117,3

78,8

42,6

41,8

65,8

41,0

60,8

1995

5,4

3,5

6,1

4,3

1,7

1996

105,7

116,1

78,7

43,7

41,6

67,2

42,7

62,4

1996

3,8

3,2

4,8

4,0

1,2

1997

103,0

112,0

76,7

43,6

39,7

67,4

43,2

56,9

1997

1,6

4,3

5,3

4,3

2,0

1998

99,1

106,8

73,2

42,7

39,1

66,2

42,5

60,2

1998

-1,0

3,0

3,9

3,7

1,1

1999

99,8

102,1

43,2

38,7

67,4

43,7

59,6

1999

2,1 1,4

2000

98,7

99,7

44,0

37,8

68,4

45,4

59,8

2000

3,2

ČR/ Slovinsko

Úroveň produktivity

Tabulka 1 – Úroveň a míra růstu produktivity

-4,9 -5,7

4,3

6,8 5,6

0,9

0,8 1,5

Zdroj dat: GGDC Total Economy Database (2001). Poznámka: Průměr za EU-15 je propočten zpětně pro současné členy EU bez Lucemburska. Od roku 1991 jsou do průměru zahrnuty nové německé spolkové země. Údaje za rok 1950 a 1975 jsou za celé Československo. Legenda: † průměr pouze za roky 92-98


26

stejné úrovně produktivity jako ČR, a přitom dokázalo růst vyšší měrou než průměr EU-15 a uzavřelo do roku 1998 19 % mezery vůči EU. Pro lepší porozumění pozorovaného agregátního trendu nyní opustíme agregátní úroveň a pokusíme se hledat příčiny nepříznivého vývoje. Přitom budeme věnovat zvláštní pozornost úloze přímých zahraničních investic.

4.2 Konvergence na mezzoúrovni V předcházející kapitole jsme viděli, že přímé zahraniční investice mají v průřezové regresi výrazný pozitivní vliv na rychlost konvergence (graf 1). Přímou zahraniční investicí se podle definice OECD (akceptované ČNB) rozumí desetinný a vyšší podíl zahraničního investora na základním jmění společnosti, přičemž podmínkou je trvalý zájem investora na společnosti a jeho podíl na řízení. Praktická identifikace PZI je poměrně obtížná a spadá do působnosti ČNB. Pravděpodobně z tohoto důvodu nejsou o těchto podnicích publikovány žádné souhrnné ekonomické ukazatele. Proto budeme pracovat s podmnožinou těchto podniků – podniky pod zahraniční kontrolou (dále jen PZK), o nichž ČSÚ pravidelně publikuje celou řadu finančních a ekonomických ukazatelů.21 Význam PZK spočívá zejména v jejich napojení na světovou ekonomiku, zejména nadnárodní marketingové, odběratelské a servisní sítě. V současném globalizovaném světě jsou nadnárodní společnosti významným subjektem v procesu technologické změny. Tyto firmy produkují a kontrolují významnou část nejmodernějších technologií a zároveň hrají důležitou roli v procesu mezinárodní difuze nových technologií.

4.2.1 Specifika podniků pod zahraniční kontrolou Ještě než se pustíme do testování konvergence, bude užitečné, když prozkoumáme odlišnosti mezi podniky pod domácí a zahraniční kontrolou na úrovni

21

Podnik pod zahraniční kontrolou je alespoň z 50 % vlastněn zahraničním kapitálem. Z definice PZI je zřejmé, že přímý investor nemusí vlastnit kontrolní podíl, nicméně pokud jej vlastní, jsou ostatní podmínky splněny a jedná se o PZI. Všechny PZK jsou tedy zároveň PZI, nikoli však naopak. Údaje o PZK čerpám z periodických publikací ČSÚ „Revidované ekonomické výsledky nefinančních podniků“ a „Průmysl České republiky“.


27

celého zpracovatelského průmyslu. Základní charakteristiky podniků se 100 a více zaměstnanci jsou uvedeny v tabulce 2 členěné podle vlastnické struktury. Podniky pod zahraniční kontrolou zaměstnávaly v roce 1999 17 % zaměstnanců zpracovatelského průmyslu, a přitom vytvářely 28 % hrubé produkce a 25 % účetní přidané hodnoty. To naznačuje, že PZK se koncentrují převážně mimo odvětví náročná na práci. Z tabulky B10 je patrné, že vyspělé ekonomiky západní Evropy vykazují podobné podíly zaměstnanosti v PZK. Naproti tomu dynamicky se rozvíjející země na podobném stupni vývoje jako Česká republika svěřují zahraničnímu kapitálu podstatně větší část zpracovatelského průmyslu (například Španělsko 31 %, Irsko 47 %). Vzhledem k pokračující privatizaci a přílivu PZI lze očekávat, že penetrace zpracovatelského průmyslu zahraničním kapitálem dále poroste. V souvislosti s blížícím se vstupem do EU můžeme očekávat další zvyšování přílivu PZI. MMF (2000) ukazuje, že rozšíření EU bylo vždy spojeno se zvýšením přílivu PZI, a to jak v období před vstupem, tak i po vstupu. Podíl PZK na účetní přidané hodnotě je nižší než podíl na hrubé produkci. To znamená, že PZK se zaměřují na výroby s větším podílem materiálových vstupů na celkové produkci. K této skutečnosti se ještě vrátíme později. Tabulka 2 – Podniky zpracovatelského průmyslu počet firem [%] 1999

počet zaměstnanců [%]

HP [%]

ÚPH [%]

zisk/ K [Kč]

kapitál na pracovníka [% Ø]

1995

1999

1999

1999

1999

5,51

29,26

10,94

13,66

33,40

-10,29

soukromé podniky

78,58

62,86

72,21

58,11

55,00

3,17

85,9

84,2

PZK

15,92

7,88

16,85

28,23

11,60

13,66

128,4

133,7

100,00

100,00

100,00

100,00

100,00

3,28

100,0

100,0

veřejné podniky

Celkem

produktivita práce (ÚPH/ L) [tisíce Kč], [% Ø]

efektivita kapitálu (ÚPH/ K) [Kč], [% Ø] 1999

1995

1999

122,7

152,6

I [% Ø]

Mzdy [% Ø]

1999

1999

1995

1999

1999

1995

1999

veřejné podniky

291,8

390,1

101,5

29,47

39,92

66,5

3,66

114,31

soukromé podniky

223,7

337,9

87,9

32,27

62,71

104,5

-33,53

93,94

PZK

376,1

579,8

150,8

36,28

67,73

112,8

129,87

116,66

Celkem

255,6

384,4

100,0

31,67

60,03

100,0

100,00

100,00

Legenda: HP – hrubá produkce, ÚPH – účetní přidaná hodnota, K – kapitál, L – počet pracovníků, I – investice, Ø – průměr zpracovatelského průmyslu (všechny podniky).

Poznámka: Podniky se 100 a více zaměstnanci. Zdroj dat: Revidované ekonomické výsledky nefinančních podniků; ČSÚ


28

PZK dosahují více než čtyřnásobnou ziskovost (měřeno ziskem na kapitál), než kolik činí průměr celého zpracovatelského průmyslu. Současně s tím jsou tahouny investiční aktivity. To podporuje hypotézu o rychlejší restrukturalizaci a modernizaci PZK vyslovenou již na začátku transformace Blanchardem a kol. (1991). Vybavenost kapitálem (měřeno kapitálem na pracovníka) je nyní nejvyšší ve státem vlastněných podnicích, kde přesahuje průměr zpracovatelského průmyslu o 53 %. Je otázkou do jaké míry se jedná pouze o účetní pozůstatek centrálního plánování. Nelze ani zapomínat na obecné problémy spojené s oceňováním kapitálu v inflačním prostředí prvních let transformace. Nadprůměrnou kapitálovou vybavenost vykazují také PZK. Jak produktivita práce, tak efektivita kapitálu (měřené z účetní přidané hodnoty) jsou v PZK nadprůměrné. Produktivita práce PZK je oproti průměru zpracovatelského průmyslu vyšší o 50 % a efektivita kapitálu o 13 %. To je důsledkem jednak vyšší kapitálové vybavenosti PZK a jednak razantnějšího řešení přezaměstnanosti na straně PZK a obecně rychlejší restrukturalizace. Není bez zajímavosti, že PZK dosahují nadprůměrné efektivity kapitálu i navzdory nadprůměrné vybavenosti kapitálem. Mírně nadprůměrnou efektivitu kapitálu dosahují i domácí soukromé firmy. To je však spíše důsledkem nízké vybavenosti kapitálem. Analogicky se můžeme domnívat, že převybavenost kapitálem ve veřejných podnicích způsobuje nízkou efektivitu kapitálu v tomto sektoru. Současně s vyšší produktivitou práce vykazují PZK nejvyšší úroveň mzdových výdajů na pracovníka ve zpracovatelském průmyslu, což působí jako stimul pro příliv kvalifikované pracovní síly. Nadprůměrné jsou také mzdy v podnicích pod kontrolou státu. Ty však nemají opodstatnění ve vysoké produktivitě práce.

4.2.2 Konvergence domácích a zahraničních podniků Vliv PZK na produktivitu domácí ekonomiky můžeme rozdělit na přímý a nepřímý. Přímý vliv je dán specifickými charakteristikami PZK ve srovnání s podniky pod domácí kontrolou (dále jen PDK). Pokud tedy PZK vykazují vyšší produktivitu, zvyšují zároveň produktivitu celé ekonomiky. PZK také


29

velmi výrazně ovlivňují (nepřímo) chování a produktivitu ostatních firem. V literatuře se obvykle diskutuje několik kanálů (Kokko, 1992): (i) Konkurenční efekt – PZK zpravidla zvyšují konkurenci na trhu hostitelské země a nutí tak neefektivní domácí firmy k restrukturalizaci a investicím do fyzického a lidského kapitálu nebo k přechodu na nové technologie. Dalším důsledkem zvýšené konkurence může být zvyšování inovační aktivity domácích firem. Zvýšená konkurence však může mít také negativní dopady, pokud domácí výrobci nejsou schopni zahraniční firmě či firmám konkurovat a opouštějí trh. (ii) Imitační efekt – využívají-li PZK efektivnější metody organizace a řízení, mohou domácí firmy sledovat a napodobovat způsob, jakým zahraniční firmy fungují a posléze se mohou samy stát produktivnějšími. (iii) Efekt mobility práce – PZK zpravidla investují nemalé částky do vzdělávání svých zaměstnanců. Přímý efekt zvyšující kvalifikační úroveň hostitelské země může být doplněn o nepřímý efekt, pokud dochází k fluktuaci zaměstnanců mezi PZK a PDK. Bývalí zaměstnanci PZK tak mohou uplatnit získané zkušenosti a vědomosti jako zaměstnanci domácích firem a posléze zvýší jejich produktivitu. (iv) Efekt učení – zahraniční firmy často vytvářejí ekonomické vazby s domácími dodavateli, kterým poskytují technickou pomoc, angažují se ve vzdělávání jejich zaměstnanců, vyžadují plnění kvalitativních standardů apod. Nyní se pokusíme zjistit, zda přítomnost PZK v odvětví posiluje či brzdí růst produktivity podniků pod domácí kontrolou. Na základě předchozí kapitoly a této pasáže můžeme formulovat několik hypotéz, které se pokusíme ověřit na úrovni odvětví zpracovatelského průmyslu podle dvoumístné klasifikace OKEČ. Produktivitu budeme měřit jako účetní přidanou hodnotu na pracovníka (dále PHP, viz tabulka B11 na straně 70), hrubou produkci na pracovníka (HPP) a souhrnnou produktivitu faktorů (SPF, tabulka B12). Hrubá produkce je poměrně běžným ukazatelem výstupu průmyslu, ovšem její použití v mezičasových srovnáních není bezproblémové. Ve skutečnosti se totiž jedná o tržby včetně obchodní marže, které zahrnují i hodnotu meziproduktů. Na rozdíl od „čistých“ konceptů jako přidaná hodnota či HDP tak můžeme pozorovat ceteris paribus nárůst hrubé produkce pouhým účetním rozdělením průmyslových podniků.


30

Časové řady ČSÚ (publikace „Revidované ekonomické výsledky nefinančních podniků“) začínají v roce 1995, a proto se musíme spokojit s pouhým pětiletým rozpětím analýzy. Konvergence je samozřejmě dlouhodobým procesem, nicméně v roce 1995 již Česká republika z větší části překonala transformační recesi a vzhledem k potenciálu, který je naší ekonomice často připisován můžeme očekávat, že základní tendence již měly prostor se prosadit. Hypotéza 1: Přímý vliv PZK na produktivitu. Snažíme se odpovědět na otázku, zda PZK vykazují systematicky vyšší (nižší či stejnou) produktivitu ve srovnání s ostatními (domácími) firmami. Z tabulky 2 již víme, že PZK ve zpracovatelském průmyslu dosahovaly v roce v roce 1999 o 51 % vyšší PHP než stejný ukazatel zpracovatelského průmyslu celé ekonomiky a o 68 % vyšší PHP než domácí podniky. V případě HPP je náskok PZK ještě vyšší. Deskriptivní statistika nám říká, že v 74 % odvětví zpracovatelského průmyslu (bez odvětvových součtů DB, DE, DJ, DL a DM) byla v roce 1995 PHP zahraničních podniků vyšší než v domácích podnicích (tabulka B11 na straně 70). V roce 1999 již domácí podniky dosáhly vyšší produktivity z přidané hodnoty pouze v jednom odvětví – výroba kancelářských strojů a počítačů (OKEČ 30).22 To pravděpodobně souvisí s tím, že zahraniční partneři vstupují do efektivnějších podniků (Djankov a Hoekman, 2000) nebo rychleji a lépe restrukturalizují výrobu (Barrell a Holland, 2000), nebo obojí. Popisná statistika nám však nic neříká o statistické významnosti (velikosti) rozdílů produktivity. Formálně můžeme testovat hypotézu, že střední hodnota či medián vektoru produktivity jednotlivých odvětví podniků pod domácí kontrolou je větší než střední hodnota (medián) stejného vektoru PZK. Nejběžnějším párovým testem je t-test pro dva závislé výběry. Malý počet pozorování (21) nám však neumožňuje využít asymptotické vlastnosti tohoto testu. Velmi restriktivní je dále předpoklad, že pozorované hodnoty (tj. produktivita) pochází z normálního rozdělení. Proto použijeme neparametrický Wilcoxonův test pro dva závislé výběry. Výsledky tohoto testu s nulovou

22

Výjimečnost tohoto odvětví spočívá v tom, že domácím podniky snížili svou penetraci odvětví ze zhruba 2000 zaměstnanců v roce 1995 na 244 zaměstnanců v roce 1999. Jeho podíl na celkových výnosech zpracovatelského průmyslu činil pouze 0,02 % (rok 2000).


31

hypotézou o rovnosti mediánů jsou zachyceny v tabulce 3 (řádky 1 – 4). Na hladině významnosti 5 % zamítáme ve všech případech nulovou hypotézu a můžeme tedy tvrdit, že PZK vykazují systematicky vyšší úroveň produktivity měřené přidanou hodnotou i hrubou produkcí na pracovníka v obou letech. Rozdílné produktivity práce mohou být důsledkem rozdílné kapitálové náročnosti produkce PZK a PDK. Že tomu tak do značné míry je, již víme z tabulky 2. Z tabulky 3 (řádky 5 a 6) plyne, že zatímco v roce 1995 nebylo možné zamítnout hypotézu o stejné úrovni kapitálové náročnosti PDK a PZK, v roce 1999 již byly rozdíly statisticky významné. Možné vysvětlení pravděpodobně opět souvisí s procesem restrukturalizace a může naznačovat, že zahraniční investoři zavádějí moderní, práci šetřící technologie (Hunya, 1997). Nelze ovšem vyloučit možnost, že zahraniční kapitál vstupuje převážně do kapitálově náročných výrob a odvětví. Výpočet souhrnné produktivity faktorů je proveden v tabulce B12. Vidíme, že PZK dosahují vyšší produktivity i v tomto ukazateli. Jejich náskok před PDK však vzhledem k větší kapitálové náročnosti již není tak výrazný a činí zhruba 43 % (v roce 1999 na úrovni celého zpracovatelského průmyslu). Průměr zpracovatelského průmyslu pak PZK zvyšují o 32 %. Stejně jako v případě PHP vykazují PDK vyšší produktivitu v odvětví OKEČ 30 a navíc i v potravinářském průmyslu a při výrobě radiových a televizních zařízení. Z tabulky 3 (řádky 7 a 8) plyne, že stejně jako v případě PHP je souhrnná produktivita faktorů PZK systematicky vyšší než SPF domácích podniků. Tabulka 3 – Wilcoxonův test pro dva závislé výběry

Ř. (1) (2) (3) (4) (5) (6) (7) (8)

PHP PDK 95 & PHP PZK 95 PHP PDK 99 & PHP PZK 99 HPP PZK 95 & HPP PDK 95 HPP PZK 99 & HPP PDK 99 KP PZK 95 & KP PDK 95 KP PZK 99 & KP PDK 99 SPF PDK 95 & SPF PZK 95 SPF PDK 99 & SPF PZK 99

Počet pozorování

Testová statistika T

Asymptotická testová stat. U

p-level

21 21 21 21 21 21 21 21

26 3 21 7 103 34 18 11

3,111 3,910 3,285 3,771 0,434 2,833 3,389 3,632

0,001867 0,000092 0,001022 0,000163 0,663950 0,004618 0,000703 0,000281

Poznámka: Nulová hypotéza o shodě mediánů ve dvou závislých souborech. Kritická hodnota Tkrit pro jednostrannou alternativu, hladinu významnosti 5 % a 21 pozorování činí 67. Pro T< Tkrit zamítáme nulovou hypotézu. Hodnoty p-level odpovídají asymptotickému testu oboustranné alternativy. Legenda: p-level nejnižší hladina významnosti, na které ještě zamítáme nulovou hypotézu. KP je kapitál na pracovníka. Ostatní zkratky jsou definovány v textu.


32

Hypotéza 2: Nepřímý vliv PZK na produktivitu PDK stejného odvětví. Díky hypotéze 1 již víme, že zahraniční firmy jsou technologicky vyspělejší a vykazují vyšší produktivitu. Existuje tedy prostor pro konkurenční a imitační efekt (viz výše), díky kterým mohou PDK dosahovat vyšší produktivity v důsledku přítomnosti PZK v odvětví (tzv. efekt „přelití“). Budeme tedy testovat vliv penetrace odvětví podniky pod zahraniční kontrolou (měřené počtem jejich zaměstnanců) na produktivitu PDK ve stejném odvětví. Tuto hypotézu otestujeme pomocí regresní rovnice (MR PHP PDK)i,95-99 = 0,064 + 0,0023 (PZK PODIL)i,95-99 (13) (0,0009)* 2 DW = 2,002 N = 23 R = 0,221 kde (MR PHP PDK)i,95-99 je průměrná míra růstu PHP domácích podniků v i-tém odvětví za období 1995 až 1999 a (PZK PODIL) je podíl počtu zaměstnanců PZK v odvětví na celkovém počtu zaměstnanců odvětví, opět zprůměrováno za příslušné období.23 Regresní koeficient modelu (13) je statisticky signifikantní na hladině významnosti 5 %, a proto můžeme tvrdit, že čím vyšší je penetrace odvětví zahraničními firmami, tím vyšší průměrnou míru růstu dosahují domácí podniky stejného odvětví. Pozorovaný vztah neplatí pro produktivitu měřenou HPP, což potvrzuje naše výhrady vůči tomuto ukazateli. Analogicky můžeme také formulovat model pro míru růstu souhrnné produktivity faktorů ve tvaru (MR SPF PDK)i,95-99 = 0,280 + 0,0066 (PZK PODIL)i,95-99 (0,0035) 2 R = 0,15 DW = 1,908 N = 22 V tomto případě je koeficient proměnné (PZK PODIL) nesignifikantní, což znamená, že penetrace odvětví PZK neovlivňuje míru růstu SPF domácích podniků. Tento závěr odpovídá zjištěním, která učinili Djankov a Hoekman

23

Stejně jako dříve označují hodnoty v závorce pod příslušným regresním koeficientem jeho směrodatnou odchylku a počet hvězdiček označuje statistickou významnost koeficientu (dvě hvězdičky znamenají, že koeficient je statisticky odlišný od nuly na hladině významnosti 1 %, zatímco jedna hvězdička znamená totéž na hladině významnosti 5 %). R2 je koeficient determinace, DW označuje Durbinovu-Watsonovu statistika a N je počet pozorování v modelu.

(14)


33

(2000) a Kinoshita (2000). Obě studie pracují se SPF jednotlivých firem českého zpracovatelského průmyslu a nacházejí negativní nebo nesignifikantní (podle specifikace modelu) vliv penetrace odvětví PZK na produktivitu domácích firem. Hypotéza 3: Konvergence produktivity domácích a zahraničních podniků. V pasáži věnované difuzi technologií jsme v poznámce pod čarou 12 diskutovali vztah mezi velikostí mezery produktivity a rychlostí konvergence. Můžeme tedy vyslovit hypotézu, že odvětví s větší mezerou produktivity domácích podniků vůči PZK v roce 1995 uzavřou za jinak stejných podmínek větší část mezery v následujících letech. Jinak stejnými podmínkami budeme mít na mysli zejména penetraci odvětví PZK, které jak jsme viděli zvyšují míru růstu produktivity měřené PHP. Odhadneme tedy model (KONV PHP)i,95-99 = α + β1 (PZK PODIL)i,95-99 + β2 (MP PHP)i,95

(15)

kde (MP PHP) je mezera produktivity PDK vůči PZK měřená jako jedna mínus podíl PHP domácích a zahraničních podniků a (KONV PHP) je procentní část mezery PHP v roce 1995, kterou domácí podniky uzavřely do roku 1999. Formálně je (KONV PHP) definováno jako (KONV)i,95-99 = [ABS (MP)i,95 – ABS (MP)i,99] / ABS (MP)i,95

(16)

Velikost mezery produktivity může nabývat záporných hodnot (pokud je produktivita PDK vyšší než PZK), a proto do vzorce vstupuje v absolutní hodnotě (viz poznámka 2 a obrázek 1). Podobně (KONV PHP) může nabývat kladných i záporných hodnot, přičemž pouze kladné hodnoty znamenají konvergenci ve smyslu definice 1. Odhad modelu (15) je uvedený v tabulce 4. Zahrneme-li do modelu všechna odvětví (ovšem stále bez odvětvových součtů), koeficient β2 bude na hladině významnosti 5 % statisticky nesignifikantní (levá část tabulky, sloupec „p-value“). Důvod je patrný z grafu pod tabulkou. PDK si totiž nedokázaly do roku 1999 udržet vedoucí pozici v odvětvích, ve kterých ještě v roce 1995 dosahovaly vyšší produktivity (tj. (MP PHP)i,95 < 0) – došlo tedy ke konver-


34

genci produktivit PDK a PZK (tj. (KONV PHP)i,95-99 > 0).24 Vyloučíme-li z modelu (15) odvětví, v nichž produktivita PDK v roce 1995 převyšovala produktivitu PZK (tj. (MP PHP)i,95 < 0), dostaneme statisticky signifikantní koeficient β2 (pravá část tabulky 4), a to i na hladině významnosti menší než jedno procento. Kladná hodnota koeficientu pak říká, že čím větší byla výchozí mezera produktivity PDK měřená PHP, tím větší procento mezery uzavřelo dané odvětví do roku 1999, resp. tím méně se zvětšila mezera produktivity vůči PZK. Vztah opět neplatí pro hrubou produkci na pracovníka, ani pro míru růstu produktivity jako závisle proměnnou v modelu (15). Hypotéza je naopak prokazatelná pro SPF a stejné omezení na velikost mezery produktivity.

Tabulka 4 – Odhad regresního modelu (15) Model (15) se závisle proměnnou (KONV PHP)i,95-99

Model (15) se závisle proměnnou (KONV PHP)i,95-99

Restrikce: NENÍ

Počet pozorování: 21

Restrikce: (MP PHP)>0


R2 = 0,270

DW = 0,796

R2 = 0,531

DW = 1,619

Proměnná

Koeficient

Směr. odch.

P-value

Proměnná

konstanta PZK PODIL MP PHP

Koeficient

Směr. odch.

P-value

-0,2401

0,3234

0,4675

konstanta

0,0003

0,0153

0,9867

PZK PODIL

-1,3462

0,3860

0,0045

-0,0071

0,0127

0,4138

0,5884

0,4909

MP PHP

3,4407

0,5888

0,9333

0,0031

1,2 21 18

(KONV PHP) i,95-99

0,6

0,0

30

35

-0,6

-1,2 33

-1,8 -0,6

-0,4

-0,2

31

0,0

0,2

0,4

0,6

0,8

(MP PHP) i,95

24

Výjimku tvoří odvětví 31 a 33. V těchto odvětvích došlo k divergenci PDK a PZK, neboť absolutní hodnota mezery produktivity v roce 1999 byla větší než v roce 1995. PDK v těchto odvětvích ztratily své vedoucí postavení a zároveň byla jejich produktivita v roce 1999 výrazně převýšena PZK.


35

Hypotéza 4: Rychlost konvergence vs. kapitálová náročnost a dynamika odvětví. Intuitivně můžeme očekávat, že rychlost konvergence dále souvisí např. s kapitálovou náročností či dynamikou výstupu příslušného odvětví. Vliv těchto faktorů na rychlost konvergence lze nahlédnout z tabulky 5, která shrnuje výsledky následujícího modelu (KONV PHP)i,95-99 = α + β1 (PZK PODIL)i,95-99 + β2 (MP PHP)i,95 + + β3 (MR HP)i,95-99 + β4 (KP)i,95

(17)

kde (MR HP) je míra růstu hrubé produkce. Pokud k odhadu modelu (17) použijeme všechna pozorování, nebude na hladině významnosti 5 % signifikantní ani kapitálová náročnost, ani dynamika produkce odvětví (levá část tabulky 5). Nic se nezmění, ani pokud vyloučíme odlehlá pozorování, která jsme identifikovali v modelu (15) se stejnou závislou proměnnou. V pravé části tabulky 5 však můžeme vidět, že koeficient β3 je nyní jen mírně nesignifikantní (sloupec „p-value“) a na hladině významnosti 6 % bychom již nulovou hypotézu o nulovosti koeficientu nezamítli. Pokud přijmeme koeficient β3 jako statisticky signifikantní, narazíme na problém s jeho interpretací. Intuitivně bychom v souladu s konkurenčním efektem očekávali rychlejší konvergenci ve stagnujících odvětvích. V rychle rostoucích sektorech mohou neefektivní domácí firmy přežívat bez zvyšování produktivity, zatímco v pomalu rostoucím odvětví mohou být vytlačeny PZK. To odpovídá záporné hodnotě koeficientu β3, což je v rozporu s odhadem modelu (pravá část tabulky 5).

Tabulka 5 – Konvergence vs. kapitálová náročnost a dynamika odvětví Model (17) se závisle proměnnou (KONV PHP)i,95-99

Model (17) se závisle proměnnou (KONV PHP)i,95-99

Restrikce: NENÍ


Restrikce: (MP PHP)>-0,2


R2 = 0,750

DW = 0,7898

R2 = 0,770

DW = 1,6537

Proměnná

Koeficient

Směr. odch.

P-value

Proměnná

konstanta PZK PODIL

-0,6144

0,5600

0,2888

konstanta

0,0010

0,0158

0,9516

PZK PODIL

MP PHP

0,6504

0,6851

0,3566

MP PHP

MR HP

-2,6386

3,1675

0,4171

MR HP

0,0004

0,0005

0,4445

KP95

KP95

Koeficient

Směr. odch.

P-value

-0,6228

0,4182

0,1623

-0,0211

0,0127

0,1232

2,7655

0,5080

0,0001

5,7858

2,7243

0,0552

-0,0005

0,0004

0,2192


36

4.2.3 Mezinárodní konvergence Srovnání produktivity měřené přidanou hodnotou na pracovníka ve zpracovatelském průmyslu ČR a Německa nalezneme v tabulce B13. Německo bylo zvoleno jako náš největší obchodní partner, významný zdroj přímých zahraničních investic a dominantní ekonomika středoevropského regionu. Z tabulky můžeme vyčíst, že produktivita českých PZK ve zpracovatelském průmyslu dosahovala v roce 1999 pouhých 49,6 procent německé produktivity (v přepočtu parity kupní síly). Domácí podniky se ve sledovaném období přiblížily hranici 30 % německé produktivity. Propastný rozdíl české a německé produktivity souvisí se dvěma zásadními faktory: (i) technologická vyspělost – cena výrobků je na náročných evropských trzích velmi výrazně ovlivněna stupněm materializace nejnovějších poznatků vědy a výzkumu. To je patrné zejména u výrobků určených k finální spotřebě, u nichž nižší technické parametry znamenají prudký pokles ceny, případně až jejich neprodejnost. (ii) přístup na zahraniční trh – konečná cena produkce také výrazně závisí na podmínkách prodeje. V současnosti jsou vyspělé trhy do značné míry obsazeny a ovládány nadnárodními korporacemi. Vstup na tyto trhy předpokládá buď značné výdaje na reklamu nebo podstatné cenové ústupky. Na poptávkové straně navíc působí nedůvěra zákazníků vůči výrobkům „z východu“. To pak v souhrnu vede k nízké realizační ceně, a tedy z národohospodářského hlediska k nižšímu HDP a produktivitě. Analogicky k hypotéze 3 můžeme formulovat hypotézu o vlivu velikosti mezery produktivity vůči Německu na následnou rychlost konvergence. Hypotéza 5: Konvergence produktivity České republiky a Německa. Zkoumáme, zda odvětví s větší mezerou produktivity vůči Německu uzavřou v následujícím období za jinak stejných podmínek větší část mezery produktivity. Vyjdeme z modelu (KONV GER)i,95-99 = α + β1 (PZK PODIL)i,95-99 + β2 (MP GER)i,95

(18)

Odhad modelu (18) je uveden v tabulce 6. Výsledky pro všechna odvětví zpracovatelského průmyslu v levé části tabulky hovoří ve prospěch přijetí hypotézy o konvergenci (koeficient β2 je kladný a statisticky odlišný od


37

nuly). Diagnostické testy modelu však snadno odhalí dvě odlehlá pozorování – odvětví DF a 21, viz graf pod tabulkou. Po jejich vyloučení z modelu je koeficient β2 vysoce nesignifikantní a hypotézu konvergence tudíž musíme zamítnout (pravá část tabulky 6).25 To pro nás není až tak překvapivé, neboť se jedná o mikrofundaci agregátního trendu, který jsme pozorovali na začátku kapitoly. Skutečnost, že nedochází ke konvergenci je důsledkem dvou jevů – odvětví s velkou mezerou produktivity uzavřela menší část mezery než bychom teoreticky očekávali a odvětví s malou mezerou produktivity naopak uzavřela větší část mezery. Regresní přímka pak nemá rostoucí sklon, ale je zhruba horizontální a mezi oběma proměnnými (rychlost konvergence a mezera produktivity) neexistuje statisticky signifikantní vztah. Tabulka 6 – Odhad regresního modelu (18) Model (18) se závisle proměnnou (KONV GER)i,95-99

Model (18) se závisle proměnnou (KONV GER)i,95-99

Restrikce: NENÍ

Restrikce: (MP GER)>0,3


2

R = 0,644


2

DW = 2,142

R = 0,230

DW = 1,649

Proměnná

Koeficient

Směr. odch.

P-value

Proměnná

Koeficient

Směr. odch.

P-value

konstanta

-1,6560

0,2870

0,0000

konstanta

-0,0318

0,3065

0,9188

0,0080

0,0039

0,0566

-0,1069

0,5275

0,8421

PZK PODIL

0,0052

0,0068

0,4557

PZK PODIL

MP GER95

2,5941

0,5255

0,0001

MP GER95

0,8 34

0,4

DH DA DG

31

0,0 27

(KONV GER) i,95-99

DI

-0,4

DD

22 36 28

DC DK33 32 37

30

35

-0,8 21

-1,2 -1,6 -2,0

DF

-2,4 0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

(MP GER)i,95

25

Hypotézu konvergence zamítneme i kdybychom za závisle proměnnou modelu (18) zvolili míru růstu produktivity nebo pokud se omezíme pouze na PZK. Podobně jako v hypotéze 4 můžeme do regrese přidat kapitál na pracovníka a míru růstu výstupu. Výsledky jsou obdobné jako v modelu (17)


38

Mezi odvětvími s velkou mezerou produktivity převažují odvětví se sofistikovanou produkcí – OKEČ 30, 32, 33, 37, DK (viz tabulka B13 a graf pod tabulkou 6).26 To je z větší části důsledkem nízké technologické vyspělosti produkce a „subjektivního“ oceňování na vyspělých trzích popsaného výše. Překonání těchto nepříznivých faktorů je bezesporu náročný a dlouhodobý úkol a nemůžeme tudíž očekávat, že tato odvětví během pěti let uzavřou teoreticky predikovanou část mezery produktivity. Na druhé straně odvětví s malou mezerou produktivity jsou převážně odvětví s nízkou sofistikovaností produkce a nízkou přidanou hodnotou – OKEČ 21, DH, 27, DA, DG. Podniky v těchto odvětvích mohly uzavřít větší část mezery produktivity, než bychom očekávali, protože vyrábějí téměř homogenní produkty, mají oproti Německu výhodu nižších pracovních nákladů a mohou tak využít větší prostor pro restrukturalizaci a modernizaci výroby.27 Podniky v těchto odvětvích se však na trhu střetávají primárně s výrobci z ostatních rozvíjejících se ekonomik, které mají často ještě větší mzdovou výhodu (zejména výrobci z jihovýchodní Asie). Česká republika tak nemá konkurenční výhodu ani v oblasti složitých výrob, kde zaostává za vyspělým světem nízkou úrovní produktivity, ani v jednoduchých výrobách, kde převyšuje svou úrovní mezd méně vyspělé země. Největší výhodu (nejvyšší relativní rentabilitu a nejnižší jednotkové pracovní náklady) pak Česká republika vykazuje v těžkých, surovinově, energeticky a ekologicky náročných, ale jen středně složitých výrobách (např. v ocelářském, cementářském a chemickém průmyslu).28 Důsledkem této situace je strukturální sestup českého průmyslu k jednodušším výrobám. Podniky se zahraniční účastí v České republice působí protichůdným směrem. Svým napojením na globální podnikatelské sítě překonávají výše zmiňo-

(hypotéza 4) – kapitál na pracovníka je nesignifikantní a dynamika odvětví má pozitivní vliv na rychlost konvergence, což je opět obtížně interpretovatelné. 26 Výjimku tvoří dřevozpracující průmysl. 27 Reálné náklady práce České republiky dosahovaly v roce 1999 42 % úrovně Německa, zatímco produktivita činila 45 % (vše v paritě kupní síly, zdroj: Fassmann a kol., 2001). 28 Fassmann a kol. (2001) ekonometricky prokázali popsanou závislost mezi sofistikovaností produkce (měřené podílem duševních pracovníků) a jednotkovými pracovními náklady. Flek a kol. (2001) ukazují, že od roku 1995 se začínají pozvolna prosazovat odvětví DM – výroba dopravních prostředků a DL – výroba elektrických a optických přístrojů.


39

vané faktory „subjektivního“ oceňování. Oborově (horizontálně) se PZK specializují na složitější výroby. Dvě odvětví s největší penetrací PZK – výroba dopravních prostředků (DM) a elektrických a optických přístrojů (DL) – zaměstnávají téměř 50 % všech zaměstnanců PZK zpracovatelského průmyslu. Svou vertikální specializací se však tyto podniky zaměřují ve značné míře na jednodušší fáze výrobního procesu, a to ještě výrazněji než domácí podniky (Fassmann a kol., 2001). To mimo jiné potvrzuje i vysoká materiálová náročnost PZK, kterou jsme pozorovali na začátku kapitoly. Velká část meziproduktů, které PZK nakupují pochází z dovozu a znehodnocuje tak jejich vysokou exportní výkonnost. Dále vzniká riziko, že s růstem mzdové hladiny ČR ztratí zahraniční kapitál zájem o své tuzemské pobočky a přesune jednoduché výroby do „levnějších“ zemí. Sestup k jednodušším výrobám je doprovázen vysokým podílem tzv. zušlechťovacího styku na exportu ČR (až 30 %). To znamená, že zahraniční partner dodává české firmě materiál a odebírá hotový výrobek. Zahraniční firmy tak využívají nízké pracovní náklady ČR a domácí podniky tímto způsobem pasivně reagovaly na ztrátu východních trhů a nutnost reorientace na náročné trhy vyspělých zemí.

4.3 Závěr V této kapitole jsme viděli, že podniky pod zahraniční kontrolou pozitivně působí na český zpracovatelský průmysl svým přímým vlivem. Vyšší investiční aktivita a budování lidského kapitálu svědčí o delším horizontu rozhodování. Vyšší produktivita práce a efektivita kapitálu pak znamená lepší konkurenceschopnost PZK v globálním měřítku. Podařilo se nám prokázat pozitivní vliv podniků pod zahraniční kontrolou na produktivitu stejného odvětví (měřeno PHP) a konvergenci PDK a PZK. Naopak na úrovni odvětví se nepodařilo prokázat hypotézu o konvergenci české a německé produktivity (ani s omezením na PZK), což koresponduje s pozorovaným agregátním trendem. Při vysvětlení jsme se opírali o tendenci ke strukturálnímu sestupu českého průmyslu k jednodušším výrobám a vysoký podíl zušlechťovacího styku na exportech ČR. Tato situace vede často k odčerpávání zisku z českých podniků, které posléze rezignují na vlastní


40

výzkum a inovační aktivitu. Dosažení konvergence produktivity při této struktuře průmyslu je obtížný, ne-li nemožný úkol, protože jednodušší fáze výroby jsou špatně placeny a poptávka po těchto produktech a odvětvích vykazuje nízkou dynamiku. Jednou z hlavních podmínek nastartování procesu konvergence je proto zastavení strukturálního sestupu výroby.

5 Testy konvergence ČR a EU Doposud jsme se zabývali vývojem produktivity pouze v období transformace. V krátkém období však může být analýza produktivity značně poznamenána fází hospodářského cyklu a dalšími přechodnými faktory. Konvergence naproti tomu představuje dlouhodobý proces, neboť teprve v dlouhém období se růst produktivity může promítnout do růstu reálných mezd a zlepšení životních standardů.29 Proto se v této kapitole ponoříme hlouběji do minulosti s cílem odpovědět na otázku, zda ve skutečnosti dochází ke konvergenci produktivit České republiky, resp. Československa a Evropské unie.30 Odpověď budeme hledat na základě ekonometrické analýzy agregátních dat. Stejně jako v předchozí kapitole budeme pracovat s daty GGDC. Hodnoty za období centrálně plánované ekonomiky byly přepočteny pomocí metody „upravených faktorových nákladů“, kterou v 60. letech navrhl A. Bergson za použití mezinárodních srovnávacích studií na úrovni podniků (blíže viz van

29

Bylo by navíc naivní předstírat, že jakkoli zásadní změny v průběhu 90. let mohly zcela eliminovat vliv čtyř desetiletí centrálního plánování na motivaci ekonomických subjektů a strukturu ekonomiky. 30 Česká republika ani Evropská unie samozřejmě neexistovala před rokem 1993. Proto budeme pracovat s údaji za Československo extrapolovanými až do roku 2000 (jako součet HDP a zaměstnanosti České a Slovenské republiky). Podobně zkratkou EU-15 („evropská patnáctka“) budeme označovat současné členské země Evropské unie, a příslušný průměr zpětně přepočteme až do roku 1950.

Testy konvergence ČR a EU

42

Ark, 1996 a 1999 a webové stránky GGDC). Takto očištěné míry růstu produktivity jsou podstatně nižší než oficiálně uváděné údaje.31 Empirickým testům konvergence je v literatuře věnován poměrně velký prostor. Je možné identifikovat dvě pohnutky, které vedly k jejich vzniku. První souvisí s hledáním odpovědi na otázku, zda chudší země vykazují rychlejší tempa růstu než bohatší. Průkopníky tohoto přístupu jsou Baumol (1986) a DeLong (1988). Druhý motiv souvisí s testováním modelů růstu, resp. jejich implikací týkajících se konvergence. Nejznámější prací v této oblasti je často citovaná studie Mankiw, Romer a Weil (1993), která staví na Solowově modelu rozšířeném o lidský kapitál. Z toho je patrné, proč se pozornost ekonomů soustředila na analýzu průřezových dat, které později nahradily panelové studie.

5.1 Průřezová regrese a β-konvergence Graf 3 replikuje přístup navržený Baumolem (1986) – na horizontální osu je vynášen logaritmus produktivity ve výchozím období a na vertikální osu průměrná roční míra růstu produktivity za zvolené období. V grafu jsou zachyceny země Evropské unie a některé transformující se ekonomiky a těmito dvěma shluky dat jsou metodou nejmenších čtverců proloženy regresní přímky (viz definice 2 uvedená na straně 4). Je-li regresní koeficient sklonu (β) na zvolené hladině významnosti statisticky signifikantní a záporný a proložené přímky dobře vystihují variabilitu vysvětlované proměnné (R2 je vysoké), potom můžeme tvrdit, že ekonomiky dané skupiny vzájemně β-konvergují. Jinými slovy to znamená, že ekonomiky s nižší produktivitou na počátku sledovaného období vykazují „v průměru“ vyšší následný růst. Z grafu 3 a níže uvedeného výsledku regresní analýzy je patrné, že země EU ve sledovaném období vzájemně konvergovaly. Totéž však již nelze tvrdit o vybraných transformujících se ekonomikách nebo o vzorku zahrnujícím všechny země, neboť na hladině významnosti 5 % nelze zamítnout hypotézu o nulovosti koeficientu β.

31

Oficiální míra růstu produktivit ve zpracovatelském průmyslu byla v Československu vyšší o 1,5 procentního bodu (v průměru za období 1950-1989).


43

Vraťme se však nyní k otázce, na kterou hledáme odpověď. Dochází ke konvergenci mezi Českou republikou a Evropskou unií? Pokud z grafu 3 vyloučíme ostatní východoevropské země a provedeme regresi pro zbylá pozorování, bude hodnota koeficientu β 0,014 (p-level 0,01) a koeficientu determinace 0,59. Pokud bychom se spokojili s relativně nízkou hodnotou koeficientu determinace,32 můžeme tvrdit, že ČR a EU konvergují? Nikoli, neboť výše Graf 3 – Průřezová regrese (metodologie: Baumol, 1986) 0,044 ESP

0,036

1950-2000

průměrná roční míra růstu Y/L

0,040

IRL

PRT GRC

0,032

AUT FRA

BGR ROM

0,028

POL HUN

BEL

0,024

SWE CZE

0,020

0,016 7,4

GBR NLD

7,8

8,2

8,6 LN (Y/L)

9,0

9,4

9,8

10,2

1950

Model 1: Země EU-15 (mimo LUX)

Model 3: Země východní Evropy

Odhady β-konvergence podle rovnice (2), str. 4: Model 1 – země EU-15:

γi,50-00 = 0,17 – 0,015 ln(Y/L)i,1950 (0,002)

**

Model 2 – země EU-15 a Československo: γi,50-00 = 0,15 – 0,014 ln(Y/L)i,1950 (0,003)** Model 3 – země východní Evropy: γi,50-00 = 0,08 – 0,006 ln(Y/L)i,1950 (0,002) Model 4 – země EU-15 a země východní Evropy: γi,50-00 = 0,07 – 0,005 ln(Y/L)i,1950 (0,002)

N=13

R2 = 0,82 DW = 1,692

N=14

R2 = 0,59 DW = 1,202

N=5

R2 = 0,66 DW = 1,397

N=18

R2 = 0,19 DW = 1,225

Legenda: γ průměrná roční míra růstu produktivity (měřeno v paritě kupní síly v USD) Y/L produktivita práce (měřeno v paritě kupní síly v USD) ** * / Koeficient je signifikantní (statisticky odlišný od nuly) na hladině významnosti 1 %, resp. 5 % (oboustr. test). Zdroj dat: GGDC Total Economy Database (2001).

32

Nízké R2 je důsledkem toho, že ČR představuje v tomto modelu odlehlé pozorování.


44

zmiňovaný regresní model popisuje pouze chování „reprezentativní“ nebo „průměrné“ ekonomiky a nemusí nutně znamenat konvergenci všech jednotlivých pozorování. Ve skutečnosti to znamená, že vzájemná konvergence ekonomik EU „převáží“ vztah mezi ČR a EU. Abychom se vyhnuli tomuto problému, můžeme proti jednomu pozorování pro Českou republiku, resp. Československo postavit jedno pozorování pro průměr za Evropskou unii. Přirozený logaritmus produktivity zemí EU-15 jako celku činil v roce 1950 9,3 a průměrná roční míra růstu produktivity mezi lety 1950-2000 dosáhla 2,3 %. Obě Tyto hodnoty jsou zjevně větší než odpovídající české hodnoty (viz graf 3). Země EU-15 tak vykazovaly jak vyšší počáteční hodnotu produktivity, tak vyšší následný růst. Rozdíl produktivit tudíž musel ve sledovaném období narůst a ČR, resp. Československo β-divergovalo od váženého průměru „evropské patnáctky“. Nevýhoda tohoto přístupu spočívá v tom, že při rozhodování o konvergenci bereme v úvahu pouze informaci o počáteční a poslední hodnotě produktivity. Lepší výsledky bychom tedy mohli očekávat od konceptu σ-konvergence (viz definice 3), který je založen na zkoumání směrodatné odchylky produktivity dané skupiny zemí v každém časovém okamžiku. Pokud však do jedné skupiny zahrneme všechny země EU a ČR, narazíme na stejný problém s interpretací výsledků jako výše při β-konvergenci. Není totiž zřejmé, kdy je klesající směrodatná odchylka výsledkem konvergence uvnitř EU a kdy důsledkem konvergence ČR a EU. Východiskem z této situace je analýza bilaterální konvergence, tj. konvergence pouze mezi dvěma zeměmi, tj. ČR a některou zemí EU nebo průměrem EU. Stejně jako v definicích 1 – 3 budeme předpokládat, že výstup, resp. produktivita je krátkodobě vychylována z rovnováhy náhodnými šoky a pokusíme se o odlišení šoků, které způsobují trvalé vychýlení produktivity (časová řada produktivity je diferenčně stacionární) a šoků, které působí pouze přechodně (trendově stacionární řada). Formální definice trendové a diferenční stacionarity a odvození jejich testů lze nalézt v dodatku A.


45

5.2 Analýza časových řad produktivity Tvrzení 2: Důsledek neoklasických modelů růstu pro dvě ekonomiky se stejným stálým stavem. Předpokládejme dvě ekonomiky (B, C) se stejnou produkční funkcí F, která vykazuje stálý stav. Objem produkce země i v čase t (Y it ) zapíšeme jako funkci Y it = F (A it , K it , H it , L it , ξ it ), kde A odráží technologickou úroveň země, K označuje fyzický a H lidský kapitál, L znamená práci a ξ jsou šoky vychylující výstup, resp. produktivitu ze stálého stavu (z rovnováhy), o kterých předpokládáme {ξ it } ~ iid(0,σ2). Nechť dále determinanty stálého stavu (vektor θ) jsou v čase neměnné. Mají-li obě ekonomiky stejný stálý stav, potom dochází k vzájemné konvergenci ekonomik B a C podle definice 1, resp. vzorce (1) pro x→∞, pokud je časová řada diferencí logaritmu jejich produktivit dt = ln y Bt – ln y Ct generovaná stacionárním procesem s nulovou střední hodnotou, který můžeme vyjádřit např. ve tvaru (A26). Důkaz: Stálý stav si lze představit jako rovnovážnou úroveň, ke které každá ekonomika v dlouhém období konverguje. Jinými slovy to znamená, že očekávaná hodnota mezery mezi aktuální produktivitou a hodnotou produktivity odpovídající stálému stavu bude po vychýlení z rovnováhy klesat k nule.33 Skutečná mezera produktivity vůči stálému stavu bude po vychýlení monotónně klesat k nule pouze pokud se neprojeví náhodný šok, který zvětší diferenci produktivit. Mají-li navíc obě ekonomiky stejný stálý stav (rovnovážnou dráhu produktivity), bude po každém šoku ovlivňujícím některou z ekonomik zároveň klesat i očekávaná absolutní hodnota rozdílu produktivit obou ekonomik. Za předpokladu v čase neměnných determinant stejného stalého stavu obou zemí tak musí časová řada {dt} konvergovat v očekávání k nule (pravá část obrázku 5). Můžeme tudíž formálně psát: lim Et ( y Bt+ x – y Ct+ x ) = 0.

x →∞

33

(19)

Na obrázku 5 je to v levé části například rozdíl mezi černou křivkou odpovídající logaritmu produktivity země B a tenkou šedou čarou odpovídající jejímu stálému stavu.


46

Trendově stacionární časová řada ve tvaru (A26) splňuje výše uvedené požadavky na chování {dt}. Naopak diferenčně stacionární časová řada {dt} by predikovala trvalé vychýlení rozdílu produktivit po náhodném šoku. □ Poznámka 4: Stacionarita časových řad je běžně testována pomocí testů jednotkového kořene (blíže viz dodatek A). Nejčastěji používanými testy jednotkových kořenů jsou postupy, které rozpracovali Dickey a Fuller (1979, 1981), označované jako DF testy. Jejich nevýhodou je nízká síla testu při rozlišení mezi nulovou a alternativní hypotézou, což vede k příliš častému nezamítnutí diferenční stacionarity. DF testy tak nezamítají nulovou hypotézu v zásadě ze dvou důvodů. Buď nulová hypotéza ve skutečnosti platí, nebo data neobsahují dostatečnou informaci, která by dovolila testu ji statisticky zamítnout. Kwiatkowski, Phillips, Schmidt a Shin (1992) navrhují test, který nám pomůže určit důvod, pro který DF test nezamítá nulovou hypotézu. Autoři konstruují přímý test trendové stacionarity jako nulové hypotézy (KPSS test), který je považován za doplněk DF testů. Pokud tedy KPSS test zamítne hypotézu trendové stacionarity, pak máme dobrý důvod věřit že DF test nezamítá svou nulovou hypotézu proto, že časová řada je skutečně diferenčně stacionární. Pokud však přímý test trendové stacionarity nezamítne nulovou hypotézu, můžeme se domnívat, že DF test nezamítá diferenční stacionaritu z důvodu nedostatečné informace obsažené v datech pro zamítnutí H0. Obrázek 5 – Konvergence ke stejnému stálému stavu ln Y/L

d(t)

d5 d2 E2 d5 t 0

1

2

země B

3

4

5

6

7

stálný stav (B i C )

8

9

10

země C

0

1

2

3

4

5

d(t)

6

7

8

9

ξ(4) = 0

10

11

12

t

Poznámka: V čase t=0 jsou obě země ve stálém stavu. V čase t=1 je země B vystavena náhodnému pozitivnímu šoku (ξ1) a v čase t=4 je naopak země C vystavena negativnímu šoku (ξ4). Dopad šoků vychylujících produktivitu je na obrázku pouze dočasný (časové řady produktivity jsou trendově stacionární). Tvrzení 2 vyžaduje pouze, aby časová řada diferencí produktivit {dt} byla trendově stacionární a neklade žádná omezení na vývoj produktivit zemí B a C.


47

Oba diskutované testy jsou detailněji popsány v dodatku A. Poznámka 5: Vzorec (19) můžeme také interpretovat jako podmínku vyžadující, aby časové řady produktivity obou zemí byly kointegrované s kointegračním vektorem [1, -1]. Dvě časové řady (integrované stejného řádu) jsou kointegrované, pokud existuje β takové, že jejich lineární kombinace ut = y Bt – βy Ct je I(0), tedy stacionární. Vektor [1, -β], či jeho libovolný skalární násobek, se nazývá kointegrační vektor. Tvrzení 3: Dvě ekonomiky s různým stálým stavem. Nechť platí předpoklady tvrzení 2. Předpokládejme dále, že ekonomiky konvergují k různým stálým stavům a po dosažení svého stálého stavu rostou stejným tempem. Potom bude hodnota úrovňové konstanty (α) v testu stacionarity neobsahujícím trend (např. model (A25)) proměnné {dt} statisticky odlišná od nuly. Důkaz: Podobně jako v případě tvrzení 2 bude každá ekonomika po vychýlení ze svého stálého stavu vykazovat tendenci k návratu. Na rozdíl od tvrzení 2 se stálé stavy ekonomik v každém okamžiku liší o konstantu k. Potom musí platit, že s tím jak se ekonomiky vrací ke svému stálému stavu, očekávaná hodnota {dt}se přibližuje hodnotě k, neboli lim Et ( y Bt+ x – y Ct+ x ) = k.

(20)

x →∞

Z obrázku 6 je patrné, že stacionární časová řada {dt} s nenulovou střední hodnotou k nebo trendově stacionární časová řada bez deterministického trenObrázek 6 – Konvergence k různým stálým stavům ln Y/L

d(t)

t 0

1

2

3

4

5

6

7

t

8 0

země B

st. stav B

země C

st. stav C

1

2

d(t)

3

4

5

6

∆ st. stav ů

7

8

9

ξ(4) = 0


48

du se statisticky signifikantní úrovňovou konstantou ve výší α = k je v souladu s vývojem diference produktivit, který implikuje rovnice (20). □ Poznámka 6: Aplikujeme-li pravidla o operacích s limitami a převedeme-li k na levou stranu, dostaneme po úpravách: lim Et (y Bt+ x – zy Ct+ x ) = 0,

x →∞

kde z = lim Et (1 + k/ y Ct+ x ). (21) x →∞

Vzorec (21) říká, že časové řady {y Bt } a {y Ct } obsahují společný trend. Aby vztah (21) platil, musí být časové řady kointegrované s kointegračním vektorem [1, -z] (z 0, z 1). Požadavek na kointegraci obou časových řad souvisí s konvergencí ekonomik k různým stálým stavům. Nejsou-li totiž proměnné {y Bt } a {y Ct } kointegrované, je jejich diference ut = y Bt+ x – βy Ct+ x pro libovolné β 0 integrovaná alespoň řadu 1, a je tedy nestacionární. V reakci na asymetrický šok se budou obě proměnné od sebe stále více odklánět (budou divergovat). Nyní předpokládejme, že ekonomiky nemají přístup ke stejným technologiím. To znamená, že produktivita ve stálém stavu poroste v jednotlivých zemích různými měrami. Důvod, proč by technologie bohaté země měla růst rychleji souvisí např. s obchodními bariérami, nedostatkem lidského kapitálu na straně chudší ekonomiky apod. Naopak technologie chudší ekonomiky může růst rychleji pokud „dohání“ bohatší zemi v tom smyslu, že přejímá technologie vyvinuté v bohatší zemi, aniž by nesla náklady na jejich vývoj. Tvrzení 4: Nechť platí předpoklady tvrzení 2. Konvergují-li ekonomiky B a C k různým stálým stavům, v nichž produktivita roste různými měrami (gB, gC), bude koeficient lineárního trendu (δ) v testu stacionarity zahrnujícím trend (např. model (A24) pro {dt}) statisticky významný. Ke vzájemné konvergenci zemí B a C mezi časovými okamžiky t a t+x podle definice 1 dochází, je-li časová řada diferencí {dt} trendově stacionární, koeficient δ je statisticky signifikantní a záporný a pokud zároveň platí │dt+x│< dt. Důkaz: Tvrzení je jednoduchým zobecněním předchozí diskuze a z obrázku 7 je zřejmé. □ Dynamika produktivity implikovaná tvrzeními 2 až 4 může být generována celou řadou modelů růstu (resp. jejich stochastickými verzemi) v závislosti na


49

parametrech modelů. Přehled nejznámějších modelů růstu podává tabulka 7. Pokud například zjistíme, že rozdíl logaritmu produktivit {dt} se vyvíjí v souladu s modelem (A26), pak je tento vývoj mj. v souladu se Solowovým modelem pro dvě ekonomiky se stejným stálým stavem (vektory θ) – viz druhý sloupec tabulky.

5.2.1 Testování konvergence pomocí DF testu Nechť dt = ln (Y/L)it – ln (Y/L)jt, kde ln (Y/L)it je logaritmus produktivity práce země i v čase t. Testování závěrů tvrzení 2 – 4 je ekvivalentní testování trendové versus diferenční stacionarity podle modelů (A24) – (A26) pro yt = dt (a příslušná omezení parametrů). Vzhledem k tomu, že neznáme proces, kterým byla naměřená data generována, musíme rozhodnout, který z modelů (A24) – (A26) ve verzích ADF je nejvhodnější. K tomu použijeme postup, který navrhuje Enders (1995), str. 254: 1. V prvním kroku odhadneme model ADF ve tvaru (A24), který je nejobecnější a testujeme nulovou hypotézu jednotkového kořenu H0: ρ = 0. Pokud nulovou hypotézu na zvolené hladině významnosti zamítneme, ukončíme test se závěrem, že časová řada {yt} je trendově stacionární (TS). 2. Důvodem k nezamítnutí nulové hypotézy v prvním kroku mohla být skutečnost, že jsme do modelu zahrnuli příliš mnoho parametrů, čímž klesá počet stupňů volnosti a síla testu. Pomocí statistiky τβτ otestujeme statistickou významnost trendové složky (resp. koeficientu δ) za platnosti hypotézy jednotkového kořenu, případně můžeme také testovat hypotézu H0: δ = ρ = 0 za Obrázek 7 – Konvergence ke stálým stavům s různým tempem růstu ln Y/L

d(t)

t 0

1

2

3

4

5

6

7

8

9

t

10 0

země B

st. stav B

země C

st. stav C

1

2

d(t)

3

4

5

6

∆ st. stav ů

7

8

9

10

ξ(4) = 0


50

použití statistiky φ3. Není-li trend signifikantní, pokračujeme krokem 3. Je-li trend signifikantní, otestujeme přítomnost jednotkového kořenu (tj. ρ = 0) pomocí standardizovaného normálního rozdělení. Víme-li totiž, že proces generující data obsahuje trend nebo konstantu, můžeme nulovou hypotézu ρ = 0 testovat pomocí standardizovaného normálního rozdělení. Pokud zamítneme nulovou hypotézu jednotkového kořenu, ukončíme test se závěrem, že časová řada {yt} je trendově stacionární. V opačném případě můžeme {yt} označit za diferenčně stacionární (DS). 3. Odhadneme rovnici (A25) ve tvaru ADF (bez trendu) a testujeme přítomnost jednotkového kořenu. Zamítneme-li nulovou hypotézu, ukončíme testování se závěrem, že {yt} je trendově stacionární. Nezamítneme-li nulovou hypotézu, testujeme statistickou významnost konstanty (statistika ταµ tesTabulka 7 – Stochastické modely růstu a implikace tvrzení 2 až 4 {dt} se vyvíjí podle modelu (A25), platí tvrzení 3

{dt} se vyvíjí podle modelu (A26), platí tvrzení 2 ln Y/L

ln Y/L

ln Y/L

t

t 0

Stálý stav v prostoru [ln y; t] je popsán rovnicemi Solowův model (1956) s Cobb-Douglasovou produkční funkcí a exogenním technologickým pokrokem (g) potenciálně odlišným pro jednotlivé země AK model pro sA > n+δ (produkční funkce Y = AK; γA = 0)

Model Jonese a Manuelliho (1990) pro sA > n+δ Model s CES produkční funkcí pro (0 < χ < 1) (sAba1/χ > n+δ)

Model Jonese a Manuelliho (1990) pro sA < n+δ Model s CES produkční funkcí pro (χ < 1) (sAba1/χ > n+δ) Model s CES produkční funkcí pro (χ < 0) (sAba1/χ < n+δ)

1

{dt} se vyvíjí podle modelu (A24), platí tvrzení 4

2

3

4

5

6

7

8

9

10

0

1

2

3

4

5

B

6

7

B

t 8

0

1

2

3

4

5

6

7

8

9

ln y = kt + q ln yC = kt + q

ln y = kt + q ln yC = kt + qC

ln y = k t + q ln yC = kCt + qC

stejné θi (θB = θC)‡, stejné gi (gB = gC = k)

různé θi, stejné gi (gB = gC = k)

různé θi, různé gi (kB = gB, kC = gC)

stejné θi (θB = θC)‡, stejné ki(0)†

stejné θi (θB = θC)‡, různé ki(0)†

různé θi

B

stejné θi (θB = θC)‡, různé ki(0)†

stejné θi (k = 0)

B

B

různé θi

stejné θi (k = 0)

vždy (k = q = 0)

Poznámka: Na rozdíl od subkapitoly 3.2 předpokládáme v čase neměnný stálý stav, resp. vektor θ. Všechny modely v nestochastické verzi jsou popsány v Barro a Sala-i-Martín (1999). dt = ln (yB)t – ln (yC)t, kde (yi)t je produktivita práce země i v čase t. † ki(0) označuje výchozí objem kapitálu na pracovníka. ‡ Dva vektory θi označujeme za stejné, pokud jsou jednotlivé složky vektoru θ v obou zemích stejné, tj. (θC)j=(θB)j, j.

B

10


51

tuje významnost koeficientu α, je-li ρ = 0). Potvrzení výsledku nám může poskytnout test hypotézy H0: α = ρ = 0 pomocí φ1 statistiky. Není-li konstanta statisticky odlišná od nuly, pokračujeme krokem 4. Pokud je konstanta statisticky významná, můžeme k testu jednotkového kořenu opět použít standardizované normální rozdělení. Pokud zamítneme nulovou hypotézu jednotkového kořenu, ukončíme test se závěrem, že časová řada {yt} je TS. V opačném případě můžeme {yt} označit za DS. 4. Odhadneme rovnici (A26) ve tvaru ADF (bez trendu i úrovňové konstanty) a testujeme hypotézu jednotkového kořenu. Zamítneme-li nulovou hypotézu, ukončíme test se závěrem, že časová řada {yt} je TS. V opačném případě je {yt} diferenčně stacionární. Dále musíme určit počet zpožděných diferencí v každém modelu (L ve značení dodatku A, str. 66). Běžným postupem je nejprve určit horní hranici počtu zpoždění Lmax. Vzhledem k tomu, že máme nejvýše padesát pozorování, zvolíme aproximativně Lmax = 5. Provedeme ADF regresi a určíme významnost koeficientu poslední zpožděné diference (βLmax ve značení dodatku A). Pokud koeficient není významný, snížíme L o jednotku a příslušnou rovnici odhadneme znovu. Tuto proceduru opakujeme tak dlouho, až dosáhneme statisticky významného koeficientu βL. V případě, že žádný z koeficientů není významný, aplikujeme běžný Dickeyho-Fullerův test (L = 0). Poté co rozhodneme o počtu zpožděných diferencí a zvolíme jeden z modelů (A24) – (A26), zbývá provést diagnostické testy předpokladů o chování reziduí. Podobně jako v jiných modelech předpokládáme, že rezidua jsou nezávislá, stejně (normálně) rozdělená s nulovou střední hodnotou a konstantním rozptylem – jsou bílým šumem. Výrazné negativní důsledky pro přesnost predikce má zejména situace, kdy rezidua jsou autokorelovaná. Proto se zaměříme právě na testování autokorelace reziduí pomocí Ljungovy-Boxovy Q statistiky (blíže viz dodatek A). Výsledky Dickeyho-Fullerova testu podle výše uvedeného postupu pro Československo a současné členské země EU mimo Lucemburska jsou uvedeny v tabulce 8.


52

Tabulka 8 – Výsledky ADF testu konvergence

Francie

1959 – 1998 1959 – 1998

1950 – 1998

1950 – 1997

Období

Itálie

Nizozemí

Spolková republika Německo §

Země

N

Model

L

45

(A24)

2

Proměnná ρ α δ

dt-1 konstanta trend

Koeficient -0,434 0,171 0,005

Testová Statistika -3,868 4,120 3,651

Kritická hodnota (5 %) -3,511 * 3,14 † 2,81 †

Postup (krok): 1. V modelu (A24) zamítáme H0: ρ = 0 (-3,87 < -3,51) Ö {dt} je TS. Závěr: Trend je statisticky signifikantní (zamítáme H0: δ = 0, neboť 3,65 > 2,01 ‡). Kladná hodnota trendu podle tvrzení 4 znamená divergenci. ρ dt-1 -0,190 -1,699 44 (A24) 4 α konstanta 0,153 1,672 δ trend 0,000 0,543 ρ dt-1 -0,169 -1,626 44 (A25) 4 α konstanta 0,141 1,601 ρ dt-1 44 (A26) 4 -0,003 -0,535

-3,514 * 3,14 † 2,81 † -2,929 * 2,56 † -1,948 *

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-1,70 > -3,51). 2. Nezamítáme H0: δ = 0 (0,53 < 2,81). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-1,63 > -2,93). Nezamítáme H0: α = 0 (1,60 < 2,56). 4. V modelu (A26) nezamítáme H0: ρ = 0 (-0,54 > -1,95) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -0,169 -1,782 -3,528 * 39 (A24) 0 α konstanta 0,102 2,433 3,14 † δ trend 0,002 1,257 2,81 † ρ dt-1 -0,054 -2,178 -2,938 * 39 (A25) 0 α konstanta 0,056 2,757 2,56 † Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-1,78 > -3,53). 2. Nezamítáme H0: δ = 0 (1,26 < 2,81). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-2,18 > -2,94). Zamítáme H0: α = 0 (2,76 > 2,56). Za použití standardizovaného normálního rozdělení zamítáme H0: ρ = 0 (|-2,18| > 1,96) Ö {dt} je TS. Závěr: Podle tvrzení 3 docházelo ve sledovaném období k podmíněné konvergenci Francie a Československa. ρ dt-1 -0,163 -1,995 -3,528 * 39 (A24) 0 α konstanta 0,055 3,668 3,14 † δ trend 0,002 1,236 2,81 † ρ dt-1 -0,067 -2,647 -2,938 * 39 (A25) 0 α konstanta 0,056 3,680 2,56 † Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,00 > -3,53). 2. Nezamítáme H0: δ = 0 (1,24 < 2,81). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-2,65 > -2,94). Zamítáme H0: α = 0 (3,68 > 2,56). Za použití standardizovaného normálního rozdělení zamítáme H0: ρ = 0 (|-2,65| > 1,96) Ö {dt} je TS. Závěr: Podle tvrzení 3 docházelo ve sledovaném období k podmíněné konvergenci Itálie a Československa.

1959 – 1998 1959 – 1998 1973 – 1998 1973 – 1998

1973 – 1998

Španělsko Portugalsko

EU-15

Velká Británie

Švédsko


53

39

(A24)

0

39

(A25)

0

39

(A26)

0

ρ α δ ρ α ρ

dt-1 konstanta trend dt-1 konstanta dt-1

-0,126 0,069 0,001 -0,070 0,051 0,010

-1,588 1,733 1,002 -1,243 1,432 1,354

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-1,59 > -3,53). 2. Nezamítáme H0: δ = 0 (1,00 < 2,81). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-1,24 > -2,94). Nezamítáme H0: α = 0 (1,43 < 2,56). 4. V modelu (A26) nezamítáme H0: ρ = 0 (1,35 > -1,95) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -0,234 -2,231 39 (A24) 0 α konstanta 0,103 2,226 δ trend 0,002 2,051 ρ dt-1 -0,044 -0,857 39 (A25) 0 α konstanta 0,033 1,010 ρ dt-1 39 (A26) 0 0,007 1,027

-3,528 * 3,14 † 2,81 † -2,938 * 2,56 † -1,950 *

-3,528 * 3,14 † 2,81 † -2,938 * 2,56 † -1,950 *

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,23 > -3,53). 2. Nezamítáme H0: δ = 0 (2,05 < 2,81). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-0,86 > -2,94). Nezamítáme H0: α = 0 (1,01 < 2,56). 4. V modelu (A26) nezamítáme H0: ρ = 0 (1,03 > -1,95) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -1,086 -4,137 -3,633 * 22 (A24) 3 α konstanta 0,338 4,286 3,20 † δ trend 0,012 3,896 2,85 † Postup (krok): 1. V modelu (A24) zamítáme H0: ρ = 0 (-4,14 < -3,63) Ö {dt} je TS. Závěr: Trend je statisticky signifikantní (zamítáme H0: δ = 0, neboť 3,90 > 2,07 ‡). Kladná hodnota trendu podle tvrzení 4 znamená divergenci. ρ dt-1 -0,707 -2,716 -3,622 * 23 (A24) 2 α konstanta 0,039 1,058 3,20 † δ trend 0,013 2,429 2,85 † ρ dt-1 -0,111 -2,151 -3,020 * 20 (A25) 5 α konstanta 0,138 3,329 2,61 † Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,72 > -3,62). 2. Nezamítáme H0: δ = 0 (2,43 < 2,85). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-2,15 > -3,02). Zamítáme H0: α = 0 (3,33 > 2,61). Za použití standardizovaného normálního rozdělení zamítáme H0: ρ = 0 (|-2,15| > 1,96) Ö {dt} je TS. Závěr: Podle tvrzení 3 docházelo ve sledovaném období k podmíněné konvergenci Španělska a Československa. ρ dt-1 -0,326 -1,974 -3,603 * 25 (A24) 0 α konstanta -0,057 -1,057 3,20 † δ trend 0,004 1,680 2,85 † ρ dt-1 -0,074 -1,029 -2,985 * 25 (A25) 0 α konstanta 0,028 1,424 2,61 † ρ dt-1 25 (A26) 0 0,020 0,699 -1,955 *

1973 – 1998 1973 – 1998 1973 – 1998

1973 – 1998

Finsko Dánsko

Řecko

Irsko


54

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-1,97 > -3,60). 2. Nezamítáme H0: δ = 0 (1,68 < 2,85). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-1,03 > -2,99). Nezamítáme H0: α = 0 (1,42 < 2,61). 4. V modelu (A26) nezamítáme H0: ρ = 0 (0,70 > -1,96) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -0,246 -2,160 25 (A24) 0 α konstanta -0,104 -1,933 δ trend 0,007 2,333 ρ dt-1 0,012 0,415 25 (A25) 0 α konstanta 0,016 0,943 ρ dt-1 25 (A26) 0 0,038 3,851

-3,603 * 3,20 † 2,85 † -2,985 * 2,61 † -1,955 *

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,16 > -3,60). 2. Nezamítáme H0: δ = 0 (2,33 < 2,85). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-0,42 > -2,99). Nezamítáme H0: α = 0 (0,94 < 2,61). 4. V modelu (A26) nezamítáme H0: ρ = 0 (3,85 > -1,96) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -0,584 -2,816 25 (A24) 0 α konstanta 0,143 2,366 δ trend 0,003 1,864 ρ dt-1 -0,290 -2,045 25 (A25) 0 α konstanta 0,131 2,065 ρ dt-1 20 (A26) 5 0,026 1,066

-3,603 * 3,20 † 2,85 † -2,985 * 2,61 † -1,959 *

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,82 > -3,60). 2. Nezamítáme H0: δ = 0 (1,86 < 2,85). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-2,05 > -2,99). Nezamítáme H0: α = 0 (2,07 < 2,61). 4. V modelu (A26) nezamítáme H0: ρ = 0 (1,07 > -1,96) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -0,305 -2,699 -3,603 * 25 (A24) 0 α konstanta -0,054 -1,838 3,20 † δ trend 0,007 2,902 2,85 † Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,70 > -3,60) 2. Zamítáme H0: δ = 0 (2,90 > 2,85). Za použití standardizovaného normálního rozdělení zamítáme H0: ρ = 0 (|-2,70| > 1,96) Ö {dt} je TS. Závěr: Trend je statisticky signifikantní (zamítáme H0: δ = 0, neboť 2,90 > 2,06 ‡). Kladná hodnota trendu podle tvrzení 4 znamená divergenci. ρ dt-1 -0,350 -2,287 -3,603 * 25 (A24) 0 α konstanta 0,113 1,820 3,20 † δ trend 0,004 2,187 2,85 † ρ dt-1 -0,063 -0,742 -2,985 * 25 (A25) 0 α konstanta 0,051 0,859 2,61 † ρ dt-1 25 (A26) 0 0,009 0,950 -1,955 *

1973 – 1998 1973 – 1998

Rakousko

Belgie


Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,29 > -3,60). 2. Nezamítáme H0: δ = 0 (2,19 < 2,85). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-0,74 > -2,99). Nezamítáme H0: α = 0 (0,86 < 2,61). 4. V modelu (A26) nezamítáme H0: ρ = 0 (0,95 > -1,96) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci. ρ dt-1 -1,102 -4,710 22 (A24) 3 α konstanta 0,392 4,674 δ trend 0,016 4,556 Postup (krok): 1. V modelu (A24) zamítáme H0: ρ = 0 (-4,71 > -3,63) Ö {dt} je TS. Závěr: Trend je statisticky signifikantní (zamítáme H0: δ = 0, neboť 4,56 > 2,07 ‡). Kladná hodnota trendu podle tvrzení 4 znamená divergenci. ρ dt-1 -0,528 -2,976 23 (A24) 2 α konstanta 0,246 2,903 δ trend 0,004 2,357 ρ dt-1 -0,156 -1,787 25 (A25) 0 α konstanta 0,120 1,888 ρ dt-1 25 (A26) 0 0,008 0,967

55

-3,633 * 3,20 † 2,85 †

-3,622 * 3,20 † 2,85 † -2,985 * 2,61 † -1,955 *

Postup (krok): 1. V modelu (A24) nezamítáme H0: ρ = 0 (-2,98 > -3,62). 2. Nezamítáme H0: δ = 0 (2,36 < 2,85). 3. V modelu (A25) nezamítáme H0: ρ = 0 (-1,79 > -2,99). Nezamítáme H0: α = 0 (1,88 < 2,61). 4. V modelu (A26) nezamítáme H0: ρ = 0 (0,97 > -1,96) Ö {dt} je DS. Závěr: Diferenčně stacionární časová řada {dt} implikuje divergenci.

Zdroj dat: GGDC Total Economy Database (2001). Poznámka: Kritické hodnoty odpovídají hladině významnosti 5 % a oboustranné alternativní hypotéze. N označuje počet pozorování zahrnutých do regrese, tedy po výpočtu zpožděných diferencí. L je počet zpoždění v regresi. Celkový počet pozorování, která máme k dispozici je potom N+L. Různá období, pro které je test prováděn souvisí s nedostupností delších časových řad. Koeficienty odpovídající zpožděným diferencím závisle proměnné nejsou v tabulce uvedeny. Legenda: * MacKinnonovy kritické hodnoty, H0: ρ = 0. † Kritické hodnoty statistické významnosti koeficientu při platnosti nulové hypotézy H0: ρ = 0. Dickey a Fuller (1981) publikovali kritické hodnoty pouze pro 25, 50 a více pozorování. ‡ Kritická hodnota Studentova t-rozdělení s příslušným počtem stupňů volnosti. § SRN bez nových spolkových zemí.

Pro všechny země v tabulce 8 kromě Německa nemůžeme zamítnout nulovou hypotézu o náhodnosti reziduí finálního ADF modelu (prakticky do zpoždění m = 20 v rovnici (A28)). Výběrový korelogram reziduí z modelu (A24) pro Německo nalezneme v grafu 4 na straně 1. Z něj je patrné, že pro všechna zpoždění kromě jedenáctého můžeme zamítnou hypotézu H0: rk = 0 (pro α=0,5). Na hladině významnosti 5 % dále zamítáme hypotézu, že všechny výběrové autokorelační koeficienty jsou nulové až pro počet zpoždění větší nebo roven třinácti. Test konvergence pro Německo proto nelze považovat za zcela spolehlivý.


56

Nyní se již můžeme věnovat interpretaci výsledků testů stacionarity, resp. konvergence z tabulky 8. Pouze ve třech případech se nám podařilo prokázat konvergenci Československa s některou ze současných členských zemí EU, konkrétně s Itálií, Francií a Španělskem. Podle tvrzení 3 se vždy jednalo o konvergenci k různým stálým stavům, v nichž ekonomiky rostou stejným tempem. Není bez zajímavosti, že ve všech případech šlo o situaci, kdy trend (δ) nebo úrovňová konstanta (α) byla statisticky odlišná od nuly a k testu jednotkového kořenu jsme mohli použít standardizované normální rozdělení. Všimněme si také, že ve všech případech bychom za použití MacKinnonových kritických hodnot hypotézu konvergence zamítli. Ke zjištění důvodu, proč ADF testy nezamítly ve většině případů svou nulovou hypotézu použijeme KPSS test. Výsledky pro devět zemí, jejichž diference produktivity vůči Československu je podle ADF testů diferenčně stacionární jsou uvedeny v tabulce 9. Na hladině významnosti 10 % nezamítáme nulovou hypotézu trendové stacionarity pro Nizozemí, Portugalsko, Řecko, Dánsko a Rakousko. Můžeme se domnívat, že v těchto případech nezamítly ADF testy nulovou hypotézu diferenční stacionarity, protože data neobsahovala dostatečnou informaci pro její zamítnutí. Ovšem co se týče testů konvergence, jsou závěry ADF i KPSS testů shodné, neboť pro pět výše zmíněných zemí s trendově stacionární časovou řadou diferencí je koeficient Graf 4 – Výběrový korelogram reziduí, model pro Německo Lag Corr. 1 -,074 2 +,023 3 +,274 4 -,229 5 +,057 6 -,095 7 +,099 8 -,084 9 -,177 10 +,122 11 -,403 12 -,078 13 +,024 14 -,156 15 +,080 16 -,066 17 -,008 18 -,094 19 -,035 20 +,020

S.E. ,1442 ,1426 ,1409 ,1392 ,1375 ,1358 ,1340 ,1323 ,1305 ,1286 ,1268 ,1249 ,1230 ,1211 ,1191 ,1171 ,1151 ,1130 ,1109 ,1087 -0,5

Q ,27 ,29 4,06 6,77 6,94 7,43 7,97 8,37 10,21 11,12 21,24 21,64 21,67 23,34 23,79 24,11 24,12 24,82 24,92 24,95 0,0

p-value ,6058 ,8637 ,2548 ,1487 ,2253 ,2833 ,3356 ,3980 ,3337 ,3485 ,0310 ,0418 ,0607 ,0551 ,0688 ,0871 ,1163 ,1302 ,1634 ,2034

0,5

Poznámka: Autokorelační funkce reziduí modelu (A24) pro Německo se dvěma zpožděnými diferencemi. Odhad modelu je uveden v tabulce 8. Diskusi diagnostických testů reziduí lze nalézt v dodatku A.


57

lineárního trendu (β) vždy kladný a až na výjimku Nizozemí zároveň statisticky významný. Na základě tabulky 8 můžeme také rozhodnout, zda ČR, resp. Československo vykazuje stejný stálý stav jako některá země EU. Podle tvrzení 2 a 3 mají dvě ekonomiky stejný stálý stav, pokud hodnota úrovňové konstanty v testu stacionarity bez lineárního trendu není statisticky odlišná od nuly. Pouze v případě Francie, Itálie a Španělska jsme o přijetí či zamítnutí nulové hypotézy rozhodovali na základě modelu (A25). Vždy však byl koeficient odpovídající úrovňové konstantě statisticky signifikantní.

5.3 Závěr Testy konvergence založené na ADF testech stacionarity jsou poměrně oblíbené (viz např. Estrin a Urga, 1997 nebo Hall, Robertson a Wickens, 1993), a to i v české literatuře (Lazarová, 1998 a Lebiedzik, 2001). Tyto práce však vycházejí pouze z odhadu ADF modelu (A25) a o trendové, resp. diferenční stacionaritě rozhodují pouze v jednom kroku srovnáním t-statistiky koeficientu ρ s kritickou hodnotou odpovídající hypotéze jednotkového kořenu. Proto Tabulka 9 – Výsledky KPSS testu stacionarity Země/ Období Nizozemí 1950 - 1998 Švédsko 1959 – 1998 Velká Británie 1959 – 1998 Portugalsko 1973 – 1998 Irsko 1973 – 1998 Řecko 1973 – 1998 Finsko 1973 – 1998 Dánsko 1973 – 1998 Rakousko 1973 - 1998

N

τ

KPSS

49

12

0,105

40

14

0,123

40

8

0,126

26

5

0,070

26

7

0,126

26

2

0,076

26

6

0,124

26

5

0,116

26

6

0,063

Proměnná

Koeficient

Směr. odch.

α β α β α β α β α β α β α β α β α β

0,8249 0,0006 0,4755 0,0052 0,4270 0,0068 -0,2131 0,0127 -0,4054 0,0264 0,2324 0,0058 -0,1262 0,0192 0,3465 0,0097 0,4664 0,0071

0,0161 0,0006 0,0255 0,0008 0,0181 0,0006 0,0458 0,0012 0,0463 0,0012 0,0418 0,0011 0,0437 0,0012 0,0423 0,0011 0,0388 0,0010

Poznámka: KPSS je testová statistika, kterou zavádějí Kwiatkowski a kol. (1992), N je počet pozorování a τ je počet nenulových autokorelací použitých při výpočtu KPSS statistiky. Podrobnosti o postupu výpočtu jsou uvedeny v dodatku A. Kritická hodnota KPSS testu na hladině významnosti 10 % pro model zahrnující trend a úrovňovou konstantu činí KPSSkrit = 0,119. Nulovou hypotézu trendové stacionarity zamítáme pokud KPSS > KPSSkrit.


58

pro nás není až tak překvapivé, že obě zmiňované české studie zamítli konvergenci Československa, resp. ČR vůči všem zemím EU – i my bychom tak učinili při aplikaci tohoto postupu, byť na jiných datech a v jiných obdobích. Výhodu zde navrženého přístupu založeného na ADF testech lze spatřovat zejména v jeho větší obecnosti. Ta spočívá jednak v tom, že námi aplikovaný postup umožňuje diagnostikovat model, který nejlépe vystihuje data. Dále jsme analyzovali proces konvergence i v případě, kdy „optimální“ model obsahuje signifikantní lineární trend. Je zřejmé, že pokud by časová řada {dt} byla trendově stacionární se strmě klesajícím lineárním trendem, potom by test konvergence založený na modelu (A25) vedl k zamítnutí konvergence – {dt} by byla považována za diferenčně stacionární. Z tabulky 7 dále víme, že tento druh konvergence je v souladu s předpovědí řady modelů růstu. Aplikace námi zvoleného testu konvergence na data GGDC ukázala citlivost testů konvergence založených na testech stacionarity na volbu metody testování stacionarity. Na rozdíl od výše jmenovaných autorů se nám podařilo pomocí ADF testu prokázat konvergenci Československa s Francií, Itálií a Španělskem podle tvrzení 3. To ve skutečnosti znamená, že ekonomiky v dlouhém období rostou zhruba stejným tempem.

6 Závěr Cílem práce bylo odpovědět na dvě otázky – kde lze hledat příčiny konvergence dvou ekonomik a zda ve skutečnosti dochází ke konvergenci České republiky a Evropské Unie. Ve třetí kapitole jsme diskutovali hlavní mechanismy identifikované teoriemi růstu a modely technologické difuze, které mohou vyvolat konvergenci nebo divergenci. Podle neoklasických teorií růstu dochází vždy ke konvergenci mezi ekonomikami se stejnou produkční funkci (vykazující klesající výnosy z vyráběných vstupů) a stejným stálým stavem. Předpoklad klesajících výnosů z kapitálu se zdá být ospravedlnitelný, a proto jsme v páté kapitole mimo jiné navrhli způsob testování stejného stálého stavu dvou ekonomik (tvrzení 2 a 3). Hypotézu stejného stálého stavu pro Československo a některou zemi EU jsme však ve všech případech, kdy ji bylo možné testovat, zamítli. Modely difuze technologií naznačují jiný mechanismus, který umožňuje chudším zemím dohánět bohaté. Chudší země totiž mohou růst rychleji, pokud dokáží imitovat technologie vyvinuté ve vyspělých zemích, aniž by nesly plné náklady na jejich vývoj. Technologie se mezi ekonomikami šíří dvěma kanály – prostřednictvím přímých zahraničních investic a mezinárodního obchodu. Ještě ve třetí kapitole jsme viděli, že v regresi pro 131 zemí

Závěr

60

mají přímé zahraniční investice pozitivní vliv na schopnost ekonomik uzavírat, resp. nezvětšovat mezeru produktivity vůči USA. Ve čtvrté kapitole jsme prokázali, že podniky pod zahraniční kontrolou (které jsou výsledkem přílivu PZI) působí pozitivně na český zpracovatelský průmysl svým přímým vlivem – vykazují vyšší investice do lidského i fyzického kapitálu a jsou efektivnější než ostatní firmy. Podařilo se nám dokázat i pozitivní nepřímý vliv PZK na domácí podniky ve stejném odvětví, ovšem pouze pro produktivitu měřenou přidanou hodnotou na pracovníka. Nepodařilo se prokázat hypotézu konvergence české a německé produktivity na úrovni zpracovatelského průmyslu, ani konvergenci produktivity českých PZK k produktivitě Německa. Jediným prokázaným zdrojem konvergence zůstala konvergence PDK a PZK, která však nedokázala zvrátit stagnaci agregátní produktivity v relaci k průměru zemí EU. Příčinu těchto nepříznivých tendencí lze spatřovat zejména ve strukturálním sestupu českého průmyslu k jednodušším výrobám a hůře placeným fázím výroby. Konvergence k vyspělým západním ekonomikám je při této struktuře ekonomiky velmi problematická a dosažení výraznějšího pokroku je podmíněno přechodem na kvalitnější a sofistikovanější produkci. Pátá kapitola se věnovala testům dlouhodobé konvergence ČR, resp. Československa a zemí EU. Ukazuje, že tradiční koncepty konvergence (β-konvergence a σ-konvergence) nejsou vzhledem k zaměření práce nejvhodnější. Proto jsme se pustili do rozpracování testů konvergence založených na analýze časových řad, resp. na testech stacionarity. Argumentovali jsme ve prospěch větší obecnosti námi navrženého postupu, při kterém se podařilo prokázat konvergenci Československa s Francií, Itálií a Španělskem. Vždy se však jednalo o konvergenci k různým stálým stavům se stejným tempem růstu.

Literatura Analýza dosavadního stavu výzkumu a vývoje v České republice v porovnání se zahraničím (1999), MŠMT a Rada vlády pro výzkum a vývoj, Praha. Andrews, D. (1991): Heteroskedasticity and Autocorrelation Consistent Covariance Matrix Estimation, Econometrica 59, p. 817. Ark, B. van (1996): Convergence and Divergence in the European Periphery: Productivity in Eastern and Southern Europe in Retrospect, In van Ark, B. van – Crafts, N.F.R., eds. (1996): Quantitative Aspects of Post-War European Economic Growth, CEPR/Cambridge University Press, p. 271. Ark, B. van (1999): Economic Growth and Labour Productivity in Europe: Half a Century of East-West Comparisons, Research Memorandum GD-41, Groningen Growth and Development Centre. Barrell, R. – Holland, D. (2000): Foreign Direct Investment and Enterprise Restructuring in Central Europe, The Economics of Transition 8, No. 2, p. 478. Barro, R. – Sala-i-Martín, X. (1999): Economic growth, MIT Press, Cambridge, MA; 2nd edition. Baumol, W. – Nelson, R. – Wolff, E. (eds.) (1994): Convergence of Productivity: Crossnational Studies and Historical Evidence, Oxford University Press, Oxford. Baumol, W. J. (1986): Productivity Growth, Convergence, and Welfare: What the Long-Run Data Show, American Economic Review 76, p. 1072. Blanchard, O. – Dornbusch R. – Krugman, P. – Layard, R. – Summers L. (1991): Reform in Eastern Europe, MIT Press, Cambridge, MA. De la Fuente, A. (2000): Convergence across countries and regions: theory and empirics, CEPR Discussion Paper No. 2465. DeLong, B. (1988): Productivity Growth, Convergence and Welfare: Comment, American Economic Review 78, No.5, p. 1138. DeLong, B. (2000): The Convergence Club, Mimeo, http://econ161.berkeley.edu/Econ_Articles/Dowrick/conv_club.html.

Literatura

62

Dickey, D.A. – Fuller, W. A. (1979): Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of American Statistics Association 74, p. 427. Dickey, D.A. – Fuller, W. A. (1981): Likelihood Ratio Statistics for Auroregressive Time Series with a Unit Root, Econometrica 49, p. 1057 Djankov, S. – Hoekman, B. (2000): Avenues of Technology Transfer: Foreign Investment and Productivity Change in the Czech Republic, World Bank Economic Review 14, No. 1, p. 49. Dunning, J. H. (1981): International Production and the Multinational Enterprise, George Allen and Uwin, London. Enders, W. (1995): Econometric Time Series, John Wiley and Sons, New York. Estrin, S. – Urga, G. (1997): Convergence in Output in Transition Economies, Centre for Economic Forecasting, London Business School, Discussion Paper No. 9. Fassmann, M. – Klvačová, E. – Pick, M. – Ungermann, J. – Vintrová, R. (2001): Sociální a ekonomické dopady vstupu ČR do EU, Vysoká škola ekonomická, Praha. Flek, V. – Hájek, M. – Prokop, L. – Hurník, J. – Racková, L. (2001): Výkonnost a struktura nabídkové strany, Výzkumná práce č. 27, ČNB. Hall, S. – Robertson, D. – Wickens, M. (1993): Measuring Convergence of the EC Economies, The Manchester School Supplement, p. 99. Hunya, G. (1997): Large Privatization, Restructuring and Foreign Direct Investment, In Zecchini, S. (ed.) (1997): Lessons from the Economic Transition: Central and Eastern Europe in the 1990s, Kluwer Academic Publishers, Norwell, MA, p. 275. Hunya, G. (2000): International Competitiveness Impact of FDI in CEECs, WIIW Research Report No. 268, Vienna. Jones, L.E. – Manuelli, R. E. (1990): A Convex Model of Equilibrium Growth: Theory and Policy Implications; Journal of Political Economy 98, No. 5, p. 1008. Judge, G. – Hill, R. C. – Lee, T. – Griffiths, W. E. – Lütkepohl, H. (1988): Introduction to the Theory and Practice of Econometrics, John Wiley and Sons, New York; 2nd edition.

Literatura

63

Kinoshita, Y. (2000): R&D and Technology Spillovers via FDI: Innovation and Absorptive Capacity, CERGE-EI Working Paper No. 163. Kokko, A. (1992): Foreign Direct Investment, Host Country Characteristics, and Spillovers, The Economic Research Institute, Stockholm. Kwiatkowski, D. – Phillips, P. – Schmidt, P. – Shin, Y. (1992): Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root? Journal of Econometrics 54, p. 159. Landesmann, M. – Székely, I., eds. (1995): Industrial Restructuring and Trade Reorientation in Eastern Europe, Cambridge University Press, Cambridge. Lazarová, Š. (1998): Růst a konvergence v ČR, Finance a Úvěr 48, č. 7. Lebiedzik, M. (2001): Ekonometrická analýza konvergence HDP Československa a vybraných zemí ES v letech 1960-1990, Acta Academica Karviniensia, č. 1, str. 89. Mankiw, N. G. – Romer, D. – Weil, D. N. (1992): A Contribution to the Empirics of Economic Growth, Quarterly Journal of Economics 107, No. 2, p. 407. MMF (2000): World Economic Outlook. Focus on Transition Economies, MMF, Washington D.C. Romer, D. (1996): Advanced Macroeconomics, McGraw-Hill, New York. Romer, P. M. (1986): Increasing Returns and and Long-Run Growth, Journal of Political Economy 94, No. 5, p. 1002. Romer, P. M. (1987): Growth Based on Increasing Returns Due to Specialization, American Economic Review 77, No. 2, p. 56. Sala-i-Martín, X. (1995): The classical approach to convergence analysis, The Economic Journal 106, July, p. 1019. Solow, R. M. (1956): A Contribution to the Theory of Economic Growth, Quarterly Journal of Economics 70, No. 1, p. 65. Zemplinerová, A. – Benáček, V. (1997): FDI in the Czech Republic: Environment, Structure and Efficiency in the Manufacturing Sector, CERGE-EI Working Paper No. 110.

Dodatek A Stacionarita Stochastický proces je (slabě) stacionární, pokud má (i) konstantní a v čase neměnnou střední hodnotu, (ii) konečný a v čase neměnný rozptyl a (iii) kovariance mezi libovolnými dvěma hodnotami procesu závisí pouze na vzdálenosti mezi nimi a nikoli na čase. Formálně tedy požadujeme po stochastickém procesu {yt} (i) E [yt] = µ pro všechna t, (ii) Var (yt) = E [yt – µ]2 < ∞ pro všechna t, (iii) Cov (yt, yt+k) = E [(yt – µ)(yt+k – µ)] = γk pro všechna t a k. V literatuře se lze setkat i s jinými definicemi stacionarity, přičemž tato je převzata z Judge a kol. (1988).

Trendová stacionarita Předpokládejme nejjednodušší možný deterministický trend: yt = yt-1 + µ, kde µ je konstanta. Pokud známe výchozí hodnotu procesu pro t = 0, můžeme psát: yt = y0 + µt, kde {µt} je deterministický trend. Tento model je však příliš triviální na to, aby našel uplatnění v moderní ekonometrii. Proto se na pravou stranu rovnice přidává stacionární proces {ut} – pro jednoduchost můžeme použít AR(1) proces. Celý model tak přepíšeme do podoby yt = y0 + µt + ut,

ut = Tut-1 + εt,

(A22)

kde │T│< 1; {εt} a iid, E [εt] = 0, E [ε 2t ] = σ 2ε .

Diferenční stacionarita Nyní vyjděme ze stochastického trendu: yt = yt-1 + εt, kde {εt} jsou nezávislé, stejně ~ 2 . Analogicky jako v případě ε 2t ] = σ rozdělené náhodné veličiny s E [ ~ ε t] = 0 a E [ ~ ε deterministického trendu přepíšeme proces za použití výchozí hodnoty: yt = y0 + t t ∑s=1 ~εs . Označíme-li νt ≡ ∑s=1 ~εs , pak {νt} je stochastický nestacionární proces, který je označován jako stochastický trend (obecně jde o náhodnou procházku). νt je ~ 2 s t→∞ diverguje. Vzhledem k tomu, že nestacionární, neboť rozptyl E [ν 2t ] = t σ ε většina ekonomických časových řad vykazuje rostoucí tendenci, je vhodné

Dodatek A

65

k výchozímu modelu přidat rozdílovou konstantu µ: yt = yt-1 + µ + ~ ε t. Diferenčně stacionární model pak má podobu yt = y0 + µt +

∑

t

s =1

~ εs .

(A23)

Model (A23) označujeme jako diferenčně stacionární, neboť první diference {yt} ε t. jsou stacionární: yt – yt-1 = µ + ~

Trendová versus diferenční stacionarita Trendově stacionární model (A22) má tzv. centrální přímku, y0 + µt, kolem které hodnoty {yt} fluktuují (obrázek 8a). Šoky mohou sice yt dočasně vychýlit od centrální přímky, nicméně poté se diference mezi yt a centrální přímkou zmenšuje (nedojde-li k dalšímu šoku). Na druhou stranu diferenčně stacionární model (A23) žádnou centrální přímku nemá, ve skutečnosti se jedná o modifikovanou náhodnou procházku (viz obrázek 8b). Vliv šoků na {yt} v čase neodeznívá, ale je permanentní.

Testy jednotkového kořenu Dickeye a Fullera K ověření hypotézy, zda časová řada je diferenčně stacionární (DS) nebo trendově stacionární (TS), vyjdeme z rovnice (A22) pro {yt}, kam dosadíme ut = Tut-1 + εt. Položíme-li T = 1 a budeme dosazovat rekurzivně za ut-1, dostaneme přesně DS model (A23). Pro │T│< 1 se z definice jedná o TS model. Regresní rovnici, známou jako Dickeyův-Fullerův test, získáme tak, že {ut} dále upravíme do tvaru ut = T[yt-1 – y0 – µ(t-1)] + εt, dosadíme do vztahu pro {yt} v rovnici (A22) a nakonec odečteme od obou stran rovnice yt-1. Po úpravách dostáváme Obrázek 8 – Trendová versus diferenční stacionarita xt

xt

ε2

ε2

4µ

t

t 0

1

2

3

4

5

6

7

(a) trendově stacionární model

8

0

1

2

3

4

5

6

7

8

(b) diferenčně stacionární model

Poznámka: Oba obrázky jsou konstruovány tak, že εt = 0 pro všechna t ≠ 2, přičemž ε2 > 0. V obou modelech je µ > 0. U TS modelu je navíc 0 < T < 1.

Dodatek A

66

∆yt = α + ρyt-1 + δt + εt,

(A24)

kde α = (1 – T)y0 + Tµ; δ = (1 – T)µ; ρ = T – 1. Dickey a Fuller (1979, 1981) uvažovali i speciální případy modelu (A24) pro δ = 0 a α = δ = 0: ∆yt = α + ρyt-1 + εt

(A25)

∆yt = ρyt-1 + εt

(A26)

Nulová hypotéza má tvar H0: ρ = 0, což je ekvivalentní s T = 1 a DS modelem. Tato hypotéza je testována proti jednostranné hypotéze HA: ρ < 0, nebo-li T < 1, což je TS model. Nulovou hypotézu nelze testovat běžným t-testem, neboť testová statistika nemá za platnosti nulové hypotézy běžné t-rozdělení. Při testování nulové hypotézy postupujeme tak, že modely (A24) až (A26) odhadneme metodou nejmenších čtverců, spočteme hodnotu t-statistiky koeficientu ρ, kterou srovnáme s kritickými hodnotami tabelovanými Dickeyem a Fullerem (1981). Nulovou hypotézu jednotkového kořenu zamítáme pokud t-statistika je menší než (leží nalevo od) kritické hodnoty. Tyto testy platí pouze za předpokladu, že náhodné složky testovaných modelů nejsou autokorelované. O odstranění autokorelace reziduí se snaží rozšířené DF testy (ADF testy), které jsou konstruovány tak, že na pravou stranu modelů (A24) – (A26) L přičteme člen ∑i =1β i ∆y t −i , kde L je nejmenší počet zpožděných diferencí potřebných k tomu, aby chyba εt byla bílým šumem. Testové statistiky ADF modelů mají stejné asymptotické rozdělení jako DF statistiky a proto můžeme pracovat se stejnými kritickými hodnotami.

Diagnostické testy reziduí Ovšem ani rozšířené DF testy nedokáží vždy eliminovat autokorelaci reziduí. Proto je nutné po odhadu modelů (A24) – (A26) i ve verzi ADF provést diagnostické testy reziduí, o nichž jsme předpokládali, že jsou nezávislá, stejně (normálně) rozdělená s nulovou střední hodnotou a konstantním rozptylem – jsou bílým šumem. Výrazné negativní důsledky pro přesnost predikce má zejména situace, kdy rezidua jsou autokorelovaná. Nejjednodušším testem náhodnosti reziduí je aplikace znaménkového testu. Při analýzách časových řad se však častěji pracuje s výběrovou autokorelační funkcí, která je pro zpoždění k definovaná jako rˆk =

cov(εˆ t , εˆ t + k ) cor (εˆ t )

(A27)

Dodatek A

67

Výběrový korelogram získáme vynesením rˆk proti příslušným hodnotám zpoždění k (viz graf 4, sloupec „Corr.“ udává velikost příslušných rˆk ). Je-li časová řada bílým šumem (čistě náhodná), pak výběrové autokorelační koeficienty jsou přibližně normálně rozdělené s nulovou střední hodnotou a rozptylem 1/n, kde n je počet pozorování. Můžeme tedy snadno zkonstruovat interval spolehlivosti, na němž nezamítáme hypotézu, že skutečné rk je nulové (v grafu 4 je plnou čarou naznačen 95 procentní interval spolehlivosti). Sdruženou hypotézu, že všechna rk jsou nulová testujeme pomocí Ljungovy-Boxovy Q statistiky, definované m  rˆ 2  Q = n( n + 2)∑  k  a χ 2m . k =1  n − k 

(A28)

Poslední sloupec v grafu výběrového korelogramu (označený „p-value“, viz graf 4) udává nejnižší hladinu významnosti, na které ještě zamítáme nulovou hypotézu.

KPSS test trendové stacionarity Kwiatkowski a kol. (1992) volí při testu trendové, resp. diferenční stacionarity opačný přístup než Dickey a Fuller (1981). Test konstruují tak, že nulová hypotéze má podobu trendové stacionarity. KPSS test trendové stacionarity časové řady {yt} je založen na regresní rovnici yt = α + βt + et

(A29)

Rozptyl reziduí je odhadnut metodou navrženou Neweyem a Westem podle vzorce σˆ 2 (τ ) =

N 1 N 2 2 τ ˆ ( ) e + w s , τ ∑ t N∑ ∑ eˆ t eˆ t −s , N t =1 s =1 t =s +1

(A30)

kde N je počet pozorování v rovnici (A29) a w(s,τ) je funkce vah, definovaná jako w (s, τ ) = 1 −

s , 1+ τ

(A31)

a τ je počet zpoždění (lag truncation parameter), který zvolíme podle metody navržené Andrewsem (1991), viz dále. Definujme St jako t

S t = ∑ eˆ i , i =1

potom testová statistika KPSS má tvar

(A32)

Dodatek A

68

KPSS =

1 2 σˆ (τ )N 2

N

∑S t =1

2 t

.

(A33)

Kwiatkowski a kol. (1992) ukazují, že tato statistika má nestandardní rozdělení a v jejich tabulce 1 (na straně 166) udávají kritické hodnoty. Optimální počet zpoždění (τ) určíme tak, že za použití reziduí z modelu (A29) odhadneme regresní rovnici eˆ t = πeˆ t −1 + u t .

(A34)

Andrews (1991) ukazuje, že nejvhodnější volba τ odpovídá 1

τ = 1,1447(αN )3 − 1 ,

(A35)

kde α=

4π 2

(1 − π)2 (1 + π)2

.

(A36)

Dodatek B Tabulka B10 – Podíl zaměstnanosti zpracovatelského průmyslu v PZK Země

Zdroj

Rok (průměr za roky)

Podíl zaměstnanosti zprac. průmyslu v PZK

[1]

1995

8%

[4]

1998

20 %

[1]

1999

17 %

Maďarsko

[4]

1998

45 %

Polsko

[4]

1998

26 %

Slovinsko

[4]

1998

13 %

Irsko

[3]

1997

47 %

Španělsko

[3]

1991 - 1994

31 %

Portugalsko

[3]

1986 - 1992

17 %

Velká Británie

[3]

1995

22 %

Francie

[3]

1992

17 %

Německo

[3]

1996

13 %

Itálie

[3]

1993

17 %

Malajsie

[2]

1994

44 %

Singapur

[2]

1996

52 %

Taiwan

[2]

1995

21 %

Česká republika

†

Česká republika Česká republika

†

Zdroj dat: [1] Revidované ekonomické výsledky nefinančních podniků, ČSÚ; [2] UNCTAD World Investment Report 1999; [3] Barry, F. (1999): FDI and Industrial Structure in Ireland, Spain, Portugal and the UK: Some Preliminary Results, University College Dublin, Dublin. [4] Hunya (2000). Legenda: †

podniky se 100 a více zaměstnanci.

Poznámka: Podniky se 100 a více zaměstnanci. Zdroj dat: Revidované ekonomické výsledky nefinančních podniků, ČSÚ. 114,55 145,33 340,01 164,96 101,08 117,93 112,33 97,02 105,89 73,80 52,56 90,73 74,63 72,25 82,99 106,56 71,75 93,01 80,03 131,03 83,94 100,00

Vydavatelství a tisk .......................................

DE Papírenský a polygraf. průmysl, vydav. čin. ....

DF Koksování, rafinérské zpracování ropy............

DG Chemický a farmaceutický průmysl .............

DH Gumárenský a plastikářský průmysl ...............

Průmysl skla, keramiky, stavebních hmot .......

Výroba kovů, hutní zprac...............................

Výroba kovových konstrukcí ..........................

Výroba kovů a kovodělných výrobků ..............

Výroba elektrických strojů a přístrojů .............

Výroba radiových a televizních zařízení...........

Výroba zdravotních přístrojů..........................

Výroba ostatních dopravních zařízení .............

Zpracování druhotných surovin ......................

DJ

30

31

32

33

34

35

36

37

DN Zpracovatelský průmysl jinde nezařaz. ...........

Zpracovatelský průmysl.................................

28

DM Výroba dopravních prostředků .......................

Výroba nábytku, ost. prům. ...........................

27

DL Výroba elektrických a opt. přístrojů................

Výroba motorových vozidel............................

DI

DK Výroba strojů a zařízení.................................

Výroba kancelářských strojů a počítačů ..........

22

D

70,86

53,55

DC Kožedělný průmysl........................................ 167,91

57,92

DB Textilní a oděvní průmysl ..............................

Výroba vlákniny, papíru.................................

49,89

Oděvní průmysl, zprac. kož............................

18

21

61,15

DD Dřevozpracující průmysl ................................

139,79

Textilní průmysl ............................................

17

1995

DA Průmysl potravinářský a tabákový .................

Kategorie, subkategorie OKEČ

100,00

69,68

60,62

70,34

134,94

67,73

157,80

85,11

79,67

69,94

90,90

55,92

72,69

80,56

86,39

76,26

132,95

128,64

159,77

303,25

131,84

139,19

125,87

100,70

53,14

56,41

44,40

61,85

129,00

1999

Nefinanční podniky celkem

48,29 67,46 173,56 140,54 303,25 258,45 100,24 110,54 61,55 86,04 64,10 79,92

48,54 177,63 140,08 159,60 340,01 180,41 91,34 112,03 123,06 76,94 113,56 80,15

70,57

67,56 38,92 102,79 93,40 64,23 68,01 56,82

96,35 86,25 70,10 58,40 63,68 118,49

67,32 56,82 101,49

120,72 114,15

87,51

125,80

144,93

62,28

91,22

81,09

99,32

81,13

70,53

94,04

87,62 45,92

54,18

70,61

89,66

88,29

91,61

108,32

84,42

140,59

140,59

99,52

168,48

0,00 111,56

30,78

42,05 57,27

58,17

50,91

62,51

123,02

57,50

50,91

56,49 45,73

152,82

178,14

1995

87,91

63,25

60,62

63,48

67,12

99,82

76,80

66,91

67,12

81,43

60,93

68,89

79,61

77,58

81,61

129,41

85,52

137,47

126,96

124,44

128,94

63,35

55,15

53,62

43,79

58,12

124,02

1999

soukromé nefinanční podniky

59,54

1999

1995

veřejné nefinanční podniky

v tom

147,12

134,13

134,13

137,50

51,40

140,31

86,45

62,08

122,40

85,32

43,34

94,66

229,70

255,48

144,07

219,80

159,87

277,30

136,48

128,62

141,41

133,27

95,72

55,82

39,70

74,09

192,46

1995

150,84

109,87

109,87

205,48

121,89

206,67

98,42

121,42

74,72

103,99

54,24

102,92

130,65

126,31

144,39

194,50

220,28

174,65

146,13

175,51

127,95

223,64

61,16

77,76

48,34

94,18

172,02

1999

95,97

81,42

131,03

77,07

81,63

72,09

90,47

82,35

73,23

68,21

92,03

54,18

72,82

101,13

85,54

111,86

109,35

86,80

157,59

340,01

146,28

113,18

170,97

67,25

52,72

57,98

50,41

60,93

133,86

1995

89,70

62,86

60,62

63,05

85,69

66,47

99,67

77,95

66,15

67,12

83,38

60,93

70,27

75,30

78,21

73,44

125,56

87,10

158,40

303,25

128,35

131,90

125,28

63,00

52,58

53,55

43,79

57,85

125,23

1999

nefinanční podniky pod nefinanční podniky pod zahraniční kontrolou domácí kontrolou

Dodatek B 70

Tabulka B11 – Účetní přidaná hodnota na pracovníka ve zpracovatelském průmyslu ČR (v procentech průměru celého zpracovatelského průmyslu v příslušném roce)

0,3021 0,3161 0,2977 0,7063 0,5638 0,5376 0,4010 0,4784

18 Oděvní průmysl, zprac. kož. ........................... DB Textilní a oděvní průmysl ............................... DC Kožedělný průmysl ........................................ DD Dřevozpracující průmysl ................................. 21 Výroba vlákniny, papíru ................................. 22 Vydavatelství a tisk........................................ DE Papírenský a polygraf. průmysl, vydav. čin......

0,6372 0,3159 0,6725 0,3384 0,6471 0,2140 0,3493 0,2717

DJ Výroba kovů a kovodělných výrobků............... DK Výroba strojů a zařízení ................................. 30 Výroba kancelářských strojů a počítačů........... 31 Výroba elektrických strojů a přístrojů.............. 32 Výroba radiových a televizních zařízení ........... 33 Výroba zdravotních přístrojů .......................... DL Výroba elektrických a opt. přístrojů................. 34 Výroba motorových vozidel ............................ 35 Výroba ostatních dopravních zařízení ..............

0,5112 -0,6013 0,9859 0,3842 0,9834 1,6935 0,9914 0,2897

0,5642 0,3547 0,5734 0,5129 0,7264 0,5697 0,7320 0,6594

0,1048 0,2716 0,4936

DM Výroba dopravních prostředků........................ 36 Výroba nábytku, ost. prům.............................

0,5245

0,6214 0,3678

D

Zpracovatelský průmysl .................................

0,2715

0,6512 0,4964

DN Zpracovatelský průmysl jinde nezařaz. ............

37 Zpracování druhotných surovin.......................

-0,9508

0,2599

0,4045

-0,3409

0,5589

0,7860

28 Výroba kovových konstrukcí ...........................

-0,1498

0,6132

0,5724

0,3100

0,4734

0,4586

0,5370

0,3395

Průmysl skla, keramiky, stavebních hmot ........

27 Výroba kovů, hutní zprac. .............................. 0,5485

0,5548

0,8461

DI

0,5158

0,4862

0,1546

0,5583

0,4858

0,5279

0,6800

0,2903

-0,1051

0,4840

DH Gumárenský a plastikářský průmysl ................

0,5424

-0,3792

0,2478

-0,1776

0,3511

0,1038

0,9698

0,4834

0,3814

0,2647

0,4293

0,5510

DG Chemický a farmaceutický průmysl..............

DF Koksování, rafinérské zpracování ropy ............

0,4966

17 Textilní průmysl.............................................

0,2848

0,4341

0,3785

0,4215

0,0689

-0,3134

0,2558 0,3499 0,3533

0,1173

0,7613

0,3980

0,7893

0,3833

0,3941

0,3718

0,3290

0,3546

0,4056

0,1513

0,2823

0,0889

0,6361

0,6222

0,3998

0,4801

0,3028

0,5256

0,4676

0,4211

0,3691

0,4961

0,2941

0,3658

0,3311

0,4331

0,2975

0,5194

0,5213

0,5055

0,0935

0,4434 0,4267

0,3866

0,6602

0,2116

0,5465

0,4198

0,3384

0,0594

0,4087

0,4699

0,4545

0,5381

0,3958

0,3616

0,3724

0,2992

0,2613

0,3106

0,5752

MR

0,3556

0,2242

0,2033

0,2387

0,3187

0,2839

0,2545

0,3570

0,2063

0,2438

0,2847

0,3266

0,2721

0,2749

0,2798

0,2574

0,4038

0,3088

0,2780

0,3203

0,2094

0,2447

0,2133

0,2463

0,2064

0,3595

1995

1999

MR

1999

1995

nefinanční podniky pod domácí kontrolou

nefinanční podniky pod zahraniční kontrolou

DA Průmysl potravinářský a tabákový .................


0,0257

0,0506

0,0783

0,0431

0,0575

0,3239

0,0485

0,0002

0,1480

-0,2433

0,0455

-0,3263

-0,0003

-0,0753

-0,1558

0,1311

-0,0444

-0,0168

0,0026

-0,0580

-0,0331

-0,0792

-0,0010

-0,1998

-0,0227

-0,0592

-0,0144

-0,0915

DIFF

Dodatek B 71

Tabulka B12 – Úroveň a míra růstu souhrnné produktivity faktorů podniků pod domácí a zahraniční kontrolou ve zpracovatelském průmyslu ČR

Poznámka: MR je míra růstu souhrnné produktivity faktorů za období 1995-1999 a DIFF je rozdíl mezi mírou růstu PZK a PDK. Úroveň SPF je vypočtena z produkční funkce Yt = At Ktαk Ltαl jako At, kde αl je podíl mzdových nákladů na přidané hodnotě odvětví a αk je dopočet do jedné. Míra růstu SPF je pak získána z Törnquistovy diskrétní aproximace, tedy jako ln A99 – ln A95. Zdroj dat: Revidované ekonomické výsledky nefinančních podniků, ČSÚ.

80,0 35,0 51,1 90,2 54,9 47,8 45,0 51,3 40,7 45,6 33,7 20,3 46,1 36,6 32,2 40,0 40,6 48,1 38,3

38,1 25,7

Textilní a oděvní průmysl ..............................

Kožedělný průmysl .......................................

Dřevozpracující průmysl................................

Výroba vlákniny, papíru ................................

Vydavatelství a tisk.......................................

Papírenský a polygraf. průmysl, vydav. čin.....

Koksování, rafinérské zpracování ropy ...........

Chemický a farmaceutický průmysl.............

Gumárenský a plastikářský průmysl...............

Průmysl skla, keramiky, stavebních hmot.......

Výroba kovů, hutní zprac. .............................

Výroba kovových konstrukcí..........................

Výroba kovů a kovodělných výrobků..............

Výroba strojů a zařízení ................................

Výroba kancelářských strojů a počítačů .........

Výroba elektrických strojů a přístrojů.............

Výroba radiových a televizních zařízení ..........

Výroba zdravotních přístrojů .........................

Výroba elektrických a opt. přístrojů ...............

Výroba motorových vozidel ...........................

Výroba ostatních dopravních zařízení .............

DB

DC

DD

21

22

DE

DF

DG

DH

DI

27

28

DJ

DK

30

31

32

33

DL

34

35

DM Výroba dopravních prostředků ......................

Poznámka: Přepočteno pomocí parity kupní síly. Podniky se 100 a více zaměstnanci. Zdroj dat: Spolkový statistický úřad, nepublikováno; Revidované ekonomické výsledky nefinančních podniků, ČSÚ; van Ark (1996) – údaje za rok 1989 (Československo) a OECD – PPP. 30,9 57,1 32,3

Zpracování druhotných surovin .....................

Zpracovatelský průmysl jinde nezařaz............

Zpracovatelský průmysl ................................

37

DN

D

29,9

42,6

Výroba nábytku, ost. prům. ..........................

36

23,5

38,5

35,7

73,9

31,4

36,0

35,7

Oděvní průmysl, zprac. kož. ..........................

18

24,9

37,3

28,1

Textilní průmysl ...........................................

54,1

23,7

Průmysl potravinářský a tabákový ................

1995

17

1989

32,9

20,8

39,2

60,7

28,2

71,9

36,8

34,5

29,0

41,1

17,8

34,6

36,9

39,1

36,0

56,6

62,5

57,8

69,8

48,1

46,3

55,6

41,5

36,4

36,3

58,5

1999

Nefinanční podniky celkem

DA


19,9 29,8 57,7 51,3 69,8 93,5 48,7 47,0 29,1 38,9 29,4 38,1

17,1 84,7 42,8 56,1 90,2 60,1 43,2 42,8 56,2 32,3 48,9 36,6

42,6 26,7 30,6 31,7

26,7 39,2 26,2 63,1

34,1

33,4

44,5

41,5

34,2

30,1 16,9

42,9

26,1

29,7

33,2

37,5

54,4

37,8

39,1

34,6

28,9

20,8

35,4

27,9

45,5

33,2

29,0

27,8

36,8

19,4

20,9 47,8

32,8

36,5

35,1

38,5

55,1

41,5

49,7

46,3

41,4

56,9

26,1

37,8

34,5

56,3

1999

32,3

38,6

37,0

41,8

41,3

39,9

46,8

49,4

30,4

80,3

24,8

38,5

37,4

47,6

1995

22,5

50,4

21,1

44,6

32,7

28,3

69,3

68,9

37,0

1999

1995

veřejné nefinanční soukromé nefinanční podniky podniky

v tom

43,9

71,5

56,6

34,5

53,4

41,6

27,6

60,0

43,4

16,7

43,3

99,0

107,2

65,7

83,9

75,6

92,4

48,0

39,3

67,4

46,9

64,3

35,9

74,5

1995

49,6

61,3

92,4

50,7

94,2

42,6

52,6

31,0

47,0

17,3

49,0

59,8

57,1

68,2

82,8

107,0

63,2

53,3

58,4

56,5

92,2

41,9

50,0

78,0

1999

nefinanční podniky pod zahraniční kontrolou

28,6

30,9

41,1

33,6

48,4

34,5

39,7

32,6

33,4

46,8

20,9

33,3

43,6

35,9

51,0

41,7

41,1

52,5

90,2

51,4

34,5

81,5

23,7

35,4

37,3

51,8

1995

29,5

20,8

35,2

38,5

27,6

45,4

33,7

28,7

27,8

37,7

19,4

33,5

34,5

35,4

34,7

53,4

42,3

57,3

69,8

46,8

43,9

55,3

26,0

36,0

34,4

56,8

1999

nefinanční podniky pod domácí kontrolou

Dodatek B 72

Tabulka B13 – Produktivita práce zpracovatelského průmyslu ČR v podílu na německé produktivitě příslušného odvětví v příslušném roce

UNIVERZITA KARLOVA V PRAZE. Fakulta sociálních věd. Institut ekonomických studií DIPLOMOVÁ PRÁCE

Recommend Documents