Vliv dotací na produkci a efektivnost zemědělských podniků v Libereckém kraji The influence of subsidies on production and efficiency of farms in Liberecký region Abstrakt Cílem článku je posoudit vliv zemědělských dotací z EU (jednotných plateb na plochu, doplňkových plateb, plateb na agro-environmentální opatření a méně příznivým oblastem, dotací z Programu rozvoje venkova a na společnou organizaci trhu) na produkci a efektivnost zemědělských podniků. Panel zahrnuje účetní data 44 právnických osob se sídlem v Libereckém kraji za léta 2005–2012. Pomocí stochastické hraniční analýzy, kde vysvětlovanou proměnnou je produkce a vysvětlujícími proměnnými výrobní faktory a dotace je zjištěn vliv dotací na výši produkce. Dále je dopočítána neefektivnost a efektivnost zemědělských podniků. Průměrná neefektivnost byla odhadnuta ve výši 31,46 % a průměrná efektivnost 77,26 %. Vliv dotací je analyzován pomocí modelu fixních efektů, kde je vysvětlovanou proměnnou neefektivnost či efektivnost a vysvětlujícími proměnnými dotace. Statisticky významný vliv mají dotace na méně příznivé oblasti, které však přispívají ke zvyšování neefektivnosti a snižování efektivnosti. Je tedy možné doporučit jejich snížení ke zvýšení efektivnosti a zlepšení konkurenceschopnosti zemědělských podniků.
Klíčová slova zemědělské dotace, stochastická hraniční analýza, (ne)efektivnost, panelová data
Abstract The aim or the paper is to assess the influence of EU’s agricultural subsidies (single area payments, Top-up, agri-environmental measures and to less favoured areas, subsidies from Rural development programme and on common market organisation) on the production and efficiency of agricultural holdings. Panel includes accountant data for 44 legal entities with seat in Liberecky region for years 2005–2012. Using stochastic frontier analysis, where the explained variable is the production and explanatory variables are production factors and subsidies, it is assessed the effect of subsidies on the amount of production. The inefficiency and efficiency is calculated next. Average inefficiency was estimated at 31.46 % and average efficiency at 77.26 %. The influence of the subsidies is analysed by fixed effect model, where explained variable is inefficiency or efficiency and explanatory variables are subsidies. Statistically significant influence had subsidies on less favoured areas, which contributed to the inefficiency increase and efficiency decrease. Therefore, it is possible to suggest their lowering to enhance efficiency and improving competitiveness of agricultural holdings.
Key Words agricultural subsidies, stochastic frontier analysis, (in)efficiency, panel data
Úvod Společná zemědělská politika (SZP) Evropské unie se na svém prvopočátku soustředila výhradně na produkční funkci zemědělství. V centru zájmu SZP bylo zvýšení produkce, která
úspěšnou aplikací podpor vedla k nadprodukci a zvyšovala náklady na provádění politiky. Přes řadu dílčích reforem, byl skutečný pokrok zaznamenán až s implementací MacSharryho reformy v roce 1992, kdy došlo k oddělení plateb od produkce. Finanční náročnost politiky se sice snížila, přesto je na ni ale stále vynakládána značná část rozpočtu EU. Protože je zemědělská produkce „podporována politicko-ekonomickými nástroji, zejména v podobě dotační podpory, je nezbytné neustále průběžně analyzovat efektivnost vynaložených prostředků ve vztahu k získané přidané hodnotě.“ (Kroupová a Malý, 2010) Ve světle omezených veřejných rozpočtů je důležité, aby dotace byly využívány efektivně. „Je nezbytné cílení a přizpůsobování politik, aby dosáhly maximální efektivnosti s daným rozpočtem“ (OECD, 2007). Článek posuzuje vliv dotací na efektivnost zemědělských podniků v ČR a je strukturován následovně: Nejprve je stručně popsán vývoj metod hodnocení technické efektivnosti podniků a výsledky výzkumu autorů, kteří se problematikou zabývali. V následující kapitole jsou popsány metody konstrukce produkční funkce a posuzování efektivnosti pomocí hraniční analýzy (SFA). Praktická část odhaduje „pravý“ model fixních efektů (True Fixed Effect model – TFE) a posuzuje vliv dotací na efektivnost zemědělských podniků pomocí modelu fixních efektů (FEM). Poté jsou diskutovány výsledky a formulovány závěry. Technicky efektivní produkce je definována jako “maximální množství výstupu dosažitelné s daným vstupem” (Pitt a Lee, 1981). První přístupy k výpočtům technické efektivnosti byly založeny na lineárním a kvadratickém programování (například Aigner et al., 1977). Parametrický přístup (SFA) započal pracemi Messena a van den Broecka (1977) a Aignera et al. (1977). Tito první rozdělili náhodnou složku i na dvě části – chybu (noise term vi) a neefektivnost (inefficiency ui). Toto později umožnilo odvození neefektivnosti pro každou firmu zvlášť. Rozdělení neefektivnosti může být různé. Například Pitt a Lee (1981) využili uříznuté normální, Aigner et al. (1977) polo normální, Afriat (1972) Gamma, zatímco Stevenson (1980) využil exponenciální rozdělení. Jondrow et al. (1982) byli první, kteří dopočítali neefektivnost pro každý podnik jako očekávanou hodnotu ui v závislosti na (v – u), tj. E(u|e). Další možnost, jak dopočítat neefektivnost je pomocí M(u|e). Efektivnost může být také počítána dle návrhu Jondrowa et al. (1982) jako exp[-E(u|e)] nebo podle Battese a Coelliho (1988) ve formě očekáváné hodnoty E[exp(-u)|e]. SFA se dále vyvíjela s rozvojem panelových dat. Výhodou panelových dat je, že umožňují vzít do úvahy heterogenitu jednotlivých podniků. Umožňují kontrolovat nepozorované proměnné nebo proměnné, které se mění v čase ale ne mezi jednotlivými zemědělskými podniky (například politika EU). Panelová data naznačují, že jednotlivci, firmy, státy nebo země jsou heterogenní. „Časové řady a průřezové studie, které nekontrolují tuto heterogenitu, se vystavují riziku, že obdrží zkreslené výsledky.“ (Baltagi, 2005) Použití panelových dat tedy přináší řadu výhod. Jak uvádí Baltagi (2005) panelová data poskytují „více informativní data, více variability, méně kolinearity mezi proměnnými, více stupňů volnosti a větší efektivnost. „Panelová data se lépe hodí pro studování dynamiky přizpůsobování a jsou schopna lépe identifikovat a měřit efekty, které nejsou jednoduše zjistitelné z prostých průřezových dat nebo časových řad. Pokud se využije mikropanelů shromážděných pro jednotlivce, firmy a domácnosti je možné dosáhnout přesnějších výsledků než v případě makro úrovně, kdy jsou data pro jednotlivce a firmy agregovaná a může dojít k vychýlení odhadů. Podle Pitta a Lee (1981) panelová struktura dat umožňuje odhadnout efektivnost jednotlivých firem a posoudit, jestli je neefektivnost neměnná v čase, a dále zjistit strukturální změny v produkční funkci. Kumbhakar a Lovell (2010) zase zdůrazňují, že panelová data poskytují spolehlivější obraz o výkonu producentů, protože je
sledují za více časových období. Mezi nevýhody panelových dat patří obtížnější shromažďování dat, kdy se v průběhu let může obsah jednotlivých proměnných měnit či dochází k většímu výskytu chybějících pozorování. Na začátku byly modely pracující s panelovými daty zatíženy celou řadou předpokladů, jako je neefektivnost neměnná v čase (například modely Pitta a Lee (1981), model náhodných efektů (REM) a fixních efektů (FEM) od Schmidta a Sicklese (1984) a homoskedasticita (konstantní a konečný rozptyl) vit a ui. Postupně byly tyto odstraňovány a modely přibližovány realitě. Stručnou historii vývoje nabízí ve své knize například Čechura (2009), který se zabýval analýzou efektivnosti a produktivity agrárního sektoru v ČR. Pitt a Lee (1981) rozšířili metodu maximální věrohodnosti pro odhad parametrů na panelová data. Nejprve počítali s neefektivností neměnnou v čase, poté dovolili změnu efektivnosti v čase, pouze část neefektivnosti přetrvávala neměnná. Heterogenita mezi producenty byla řešena různými autory jinak – například pomocí specifické konstanty pro každý podnik a neefektivnosti měnící se v čase ( yit i f ( xit ; ) vit uit ), či byla heterogenita obsažena přímo v regresních parametrech a neefektivnost byla v čase neměnná ( yit i f ( xit ; i ) vit ui ). V případě uříznutého normálního rozdělení (N+) lze modelovat heterogenitu jako ui =N+(μi, σ2u) a μi = δ´zi, kdy je neměřená heterogenita stále součástí produkční funkce. Případně ji lze přesunout do průměru rozdělení neefektivnosti ui =N+(μi, σ2u) a μi = α + δ´zi. μi je průměr a σ2u rozptyl uříznutého normálního rozdělení neefektivnosti, δ´ je transponovaná matice parametrů pro matici proměnných zi, které vysvětlují průměr neefektivnosti. Dále musí být testována homoskedasticita, tj. zda je rozptyl neefektivnosti (σu2) a náhodné chyby (σ2) konečný a konstantní. Existuje mnoho aplikací SFA v zemědělském sektoru. Například Trnková et al. (2012) analyzovali vliv dotační politiky na produkci, náklady a technickou efektivnost podniků zemědělské výroby. Došli k závěru, že přijetí dotací zemědělským podnikem vede k poklesu efektivnosti. Podniky, které přijaly dotace, dosahovaly pouze 44,6 % potenciálního produktu, zatímco podniky bez dotací 60,4 %. Obdobně Kroupová a Malý (2010) došli k závěru, že jimi analyzované „politicko-ekonomické nástroje dotační politiky ve formě přímé podpory produkce nemají jednoznačně pozitivní vliv na zvyšování výkonnosti ekologického zemědělského podniku. Samotná existence a případné stanovení výše dotačních sazeb je klíčovým aspektem pro vyhodnocení ekonomických výsledků podniku, které ovšem neodrážejí nutnost zachování současných úrovní finanční podpory, ba naopak.“ Podle Čechury (2012) mohou být naopak dotace do zemědělství příčinnou zvýšení celkové produktivity faktorů (TFP) v zemědělském sektoru, protože „dotace přispívají ke konkurenceschopnosti výrobců“ (Čechura, 2012).
Metodika Cílem příspěvku je ohodnotit vliv dotací poskytovaných z fondů EU (Evropského zemědělského a záručního fondu a Evropského zemědělského fondu pro rozvoj venkova) na množství produkce a na efektivnost zemědělských podniků v Libereckém kraji. Byla zvolena metoda stochastické hraniční analýzy (SFA) a odhadnuta produkční funkce v Cobb-Douglesově formě linearizovaná prostřednictvím přirozených logaritmů. Vysvětlovanou proměnnou je produkce (yit, kde i označuje i-tou farmu v čase t), která je vyjádřena jako tržby za prodej vlastních výrobků a služeb v tis. Kč a očištěna o inflaci indexem cen zemědělských výrobců (2005 = 100). Vysvětlujícími proměnnými jsou výrobní faktory:
materiál a služby (x1,it), kapitál (x2,it), práce (x3,it) a půda (x4,it). První vysvětlující proměnná je reprezentována spotřebou materiálu a energie v tis. Kč a službami v tis. Kč. Kapitálem se myslí dlouhodobý hmotný majetek v tis. Kč. Obě veličiny jsou očištěny o inflaci indexem cen průmyslových výrobců (2005 = 100). Práce je vyjádřena množstvím pracovníků, které bylo dopočítáno jako podíl mzdových nákladů a průměrných mezd v zemědělství v Libereckém kraji. Množství obdělávané půdy bylo dopočteno jako podíl dotace na plochu (SAPS), který zemědělský podnik obdržel v daném roce, k platné sazbě SAPS. Dále jsou do modelu zahrnuty následující skupiny dotací (celkový objem v Kč): přímé platby (SAPS a Top-up) a ostatní přímé platby (bahnice, kozy pasené na travních porostech, dojnice, tele masného typu – x5,it), agro-environmentální platby z EAFRD a HRDP – x6,it, platby pro méně příznivé oblasti (LFA) – x7,it, dotace v rámci Programu rozvoje venkova (PRV) – x8,it a dotace na společnou organizaci trhu a kompenzace za ptačí chřipku – x9it. Panelová data byla shromážděna pro zemědělské podniky (právnické osoby) v Libereckém kraji, které v letech 2005–2012 obdržely aspoň jeden z výše uvedených typů dotací. Celkem vzorek zahrnoval 42 zemědělských podniků v letech 2005–2012, tj. 213 pozorování. Počet pozorování se pohyboval od 1 do 8 pro jeden podnik. Při zahrnutí do modelu v logaritmické podobě ale byly vypuštěny čtyři hodnoty. V odhadech efektivnosti jsou ještě vynechány podniky s jedním pozorováním. Celkem se pracuje s 206 pozorováními. Popisné charakteristiky proměnných jsou uvedeny v tabulce č. 1. Data jsou získána z databáze Albertina společnost Bisnode s.r.o., Státního zemědělského intervenčního fondu (SZIF) a Českého statistického úřadu. Tabulka č. 1: Popisné charakteristiky vysvětlující a vysvětlovaných proměnných modelu Proměnná Průměr Směrodatná odchylka Produkce (deflovaná) v tis. Kč 25891,55 43210,91 Materiál a služby (deflované) v tis. Kč 19098,40 30643,12 Práce (počet zaměstnanců) 23,71 36,93 Půda (výměra podniku) v ha 530,15 524,12 Přímé platby (SAPS a top-up) v Kč 3427189 3208695 AEO v Kč 616523,60 997659,90 LFA v Kč 956814,80 1036100 RDP v Kč 49784,85 292580,40 SOT v Kč 8432,01 40916,48 Zdroj: vlastní zpracování dat z databáze Albertina a ze SZIF Volbě modelu SFA předcházel odhad parametrů lineárního modelu – konkrétně byl zkonstruován model fixních (FEM) a náhodných efektů (REM). A priory se předpokládá přítomnost významné heterogenity firem – viz například Čechura, 2010). Pomocí Waldova modifikovaného testu heteroskedasticity bylo ověřováno, zda je rozptyl náhodné složky konstantní a konečný. Breusch-Pagan Lagrange Multiplier testem bylo zjišťováno, zda je vhodnější použít běžnou lineární regresi či REM. Pro finální rozhodnutí, zda zvolit FEM nebo REM byl využit Hausmannův test, který zkoumá, zda je náhodná složka zkorelována s vysvětlujícími proměnnými. V případě, že je tomu tak, REM nelze použít, protože odhad parametrů by byl vychýlený. Předpokládá se, že vzhledem k delší časové řadě je nutné zvolit model, který se v čase mění (time-varying). Po otestování byl pro výpočet technické neefektivnosti a efektivnosti vybrán „pravý“ model fixních efektů v podobě podle Greena (2005). Ten zavedl pro každou firmu dummy proměnnou k postižení heterogenity (1).
y it i Xit β vit ui ,
(1)
kde yit je produkce. Neměřená heterogenita mezi podniky je zahrnuta v konstantě αi. Xit´ je transponovaná matice vysvětlujících proměnných, β je vektor parametrů vysvětlujících proměnných, vit představuje náhodnou složku (error term) a ui neefektivnost (inefficiency term) s exponenciálním rozdělením. Neefektivnost konkrétních firem byla dopočítána jako podmíněná střední hodnota E(u|e) (Jondrow et al., 1982). Jiná metoda Jondrowa et al. (1982) odhaduje efektivnost pomocí exp[-E(u|e)]. Nulová hodnota neefektivnosti (uit = 0) znamená, že zemědělský podnik je efektivní ze 100 %. Pokud je uit<1, podnik vyrábí méně, než jsou jeho možnosti. Vliv dotací na neefektivnost a efektivnost je zjišťován pomocí FEM s robustními chybami vůči heteroskedasticitě. Konkrétně je zvolen fixed effect within estimator model (2). tfeinefit / tfeefit i δ k X k ,it it
(2)
kde tfeinefit resp. tfeefit je vektor závisle proměnné – neefektivnosti či efektivnosti, γi (i = 1 ... N) je konstanta specifická pro každou farmu, N je počet pozorování, δk jsou parametry vysvětlujících proměnných, Xk,it (k = 5 ... 9) je matice vysvětlujících proměnných (dotací) a εit je náhodná složka. Shoda modelu s daty je posouzena koeficientem vícenásobné determinace R2 a modifikovaným R2 vypočteným jako R2 = 1 – (σεi²/σyi²), kde σεi² je residuální rozptyl a σyi² je celkový rozptyl. Statistická významnost odhadnutých parametrů byla testována t-testem, kde H0: parametr je statisticky nevýznamný. Testové kritérium je počítáno jako z = |βk|/Sbir, kde Sbir je robustní standardní chyba odhadu. Pokud je z vyšší než příslušný kvantil normálního rozdělení, zamítá se H0 a parametr je statisticky významně odlišný od 0 na stanovené hladině významnosti α = 0,05.
Výsledky Nejprve byl model odhadnut v lineární podobě jako FEM a REM a otestován. Zahrnutím dummy proměnných pro čas se zjistilo, že je nutné zvolit model, které bere do úvahy čas. Rovněž dummy proměnné pro každý zemědělský podnik se ukázaly být statisticky významné. Waldův modifikovaný test pro heteroskedasticitu ukázal, že je nutné počítat s robustními chybami odhadu. Breusch-Pagan Lagrange multiplier test prokázal, že je vhodnější použít REM spíše než lineární regresi. Protože v modelu byl přítomný fixní i náhodný efekt, byl proveden Hausmannův test, který potvrdil, že je vhodnější FEM než REM (tj. náhodné chyby ui a vysvětlující proměnné jsou zkorelované). Protože pro odhad parametrů je vhodný model, který bere do úvahy čas (time varying model) a obsahuje fixní efekt, je pro výpočet efektivnosti zemědělských podniků zvolen „pravý“ model fixních efektů (True fixed effect model – TFE). Protože rozptyl není konstantní a konečný, je nutné použít robustní standardní chyby. Rozdělení náhodné chyby ui je exponenciální. Odhad modelu je zobrazen v tabulce č. 2. Z hodnot parametrů vyplývá, že všechny proměnné kromě dotací AEO a SOT dotací zvyšují množství produkce. Zvýšení spotřeby materiálu a služeb, kapitálu, množství pracovníků a půdy o 1 %, přinese zvýšení produkce o 0,90 %, 0,05 %, 0,08 Kč a 0,07 % (v tomto pořadí). Součet je vyšší než 1 (1,10), což implikuje, že podniky dosahují úspor z rozsahu. Zvýšení přímých plateb, plateb LFA a z PRV o 1 % přinese zvýšení produkce o 0,01 %, 0,006 % a
True fixed-effects model (exponential) Group variable: id 0,0002 %.variable: Naopak zvýšení Time year plateb AEO a SOT
o1%
respektive o 0,007 %.
Number of obs = Number of groups = přispívá ke snížení Obs per group: produkce min = avg = max =
o
206 39 0,004 2 5.3 8
%,
Prob model), > chi2 exponenciální = 0.0000 Tabulka č. 2: „Pravý“ model fixních efektů (True fixed-effects 32.2415 Wald chi2(6) = 6.40e+17 rozdělení neefektivnosti; Prob > χ2 = 0.0000; Wald χ2(6) = 6,40e+17
Log pseudolikelihood =
(Std. Err. adjusted for 39 clusters in id) Robust Std. Err.
y
Coef.
z
P>|z|
[95% Conf. Interval]
x1 x2 x3 x4 x5 x6 x7 x8 x9
.8971488 .0546286 .0789157 .0735128 .0119146 -.0036994 .0062607 .0001522 -.006719
2.18e-09 4.1e+08 2.72e-09 2.0e+07 2.88e-09 2.7e+07 1.86e-09 4.0e+07 7.07e-10 1.7e+07 2.60e-10 -1.4e+07 1.75e-10 3.6e+07 7.05e-10 2.2e+05 8.29e-10 -8.1e+06
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
.8971488 .0546286 .0789157 .0735128 .0119146 -.0036994 .0062607 .0001522 -.006719
.8971489 .0546286 .0789157 .0735128 .0119146 -.0036994 .0062607 .0001522 -.006719
_cons
-2.313025
.2352859
-9.83
0.000
-2.774177
-1.851873
_cons
-34.36489
.1863972
-184.36
0.000
-34.73023
-33.99956
sigma_u sigma_v lambda
.3145814 3.45e-08 9119586
.0370083 3.21e-09 .0370083
8.50 10.73 2.5e+08
0.000 0.000 0.000
.2498016 2.87e-08 9119586
.3961603 4.14e-08 9119586
Frontier
Usigma Vsigma
Zdroj: vlastní zpracování Průměrná neefektivnost zemědělských podniků byla odhadnuta ve výši 31,46 % se směrodatnou odchylkou 38,78 %. Naopak průměrný podnik dosazoval efektivnosti 77,26 % se směrodatnou odchylkou 21,06 %. Dále lze konstatovat, že malé podniky co do počtu pracovníků i výměry půdy mají tendenci být více neefektivní. Průměrná neefektivnost farem do 50 zaměstnanců je 33,03 % a s výměrou do 500 hektarů 31,28 %. Naopak větší podniky (150 – 199 zaměstnanců či s výměrou vyšší než 1000 ha) mají tendenci být při využívání výrobních faktorů více efektivní. Nejmenší neefektivnost (10,82 %) a nejvyšší efektivnost (90,24 %) byla zjištěna u podniků s 50 až 99 zaměstnanci. Údaje jsou zobrazeny v tabulce č. 3. Tabulka č. 3: Neefektivnost a efektivnost zemědělských podniků Celkem Počet pozorování Průměrná neefektivnost Průměrná efektivnost 209 0,3145814 0,7726141 Počet pracovníků Počet pozorování Průměrná neefektivnost Průměrná efektivnost 0 - 49 182 0,3375654 0,7427177 50 - 99 18 0,1082466 0,9024133 100 - 149 1 0,3073148 0,7354190 150 - 199 8 0,1388898 0,8756293 Výměra půdy v ha Počet pozorování Průměrná neefektivnost Průměrná efektivnost 0 - 499 125 0,3203559 0,7617035 500 - 999 632 0,3329848 0,7308313 1000 - 1499 11 0,1734768 0,8567560 > 1500 11 0,2223934 0,8211350 Zdroj: vlastní zpracování
Jak je neefektivnost a efektivnost podniků ovlivněna množstvím přijatých dotací je posouzeno pomocí modelu fixních efektů (příkaz xtreg ve Stata 11.2) s robustními chybami 2 vůči heteroskedasticitě. Těsnost závislosti je měřena . xtreg tfeinef x5 x6 x7 x8 x9, vce(robust) fe pomocí R (příkaz areg ve Stata 11.2). Neefektivnost je vysvětlena množstvím dotací pouze z 25,42 %. Model (viz tabulka č. 4) jako Fixed-effects (within) regression Number of obs = 206 celekvariable: je statisticky statisticky=významný39vliv Group id významný. Z vysvětlujících proměnných Number mají of groups pouze dotace LFA. Jejich růst o 1 % ovšem přispívá k mírnému zvýšení neefektivnosti R-sq: within = 0.0691 Obs per group: min = 2 o 0,006 %. K poklesu neefektivnosti přispívají pouze přímé platby (o 0,34 %) a platby 5.3 z PRV between = 0.0159 avg = (o 0,03 %), i když jejich vliv je statisticky nevýznamný na α = 0,05. overall = 0.0017 max = 8 F(5,38) = Tabulka č. 4: =Model fixních efektů (Fixed effects within regression model); F(5; 38)0.0097 = 3.56 3,56; -0.5333 Prob > F = 2 2 Prob > F = 0.0097; R = 0,4106; Ṝ = 0,2542
corr(u_i, Xb)
(Std. Err. adjusted for 39 clusters in id) Robust Std. Err.
tfeinef
Coef.
t
x5 x6 x7 x8 x9 _cons
-.0342437 .0029244 .005765 -.0031783 .0004055 .738147
.0267703 .0016025 .0016196 .004804 .0040744 .3741679
sigma_u sigma_e rho
.36735486 .33492574 .54607862
(fraction of variance due to u_i)
-1.28 1.82 3.56 -0.66 0.10 1.97
P>|t| 0.209 0.076 0.001 0.512 0.921 0.056
[95% Conf. Interval] -.0884373 -.0003196 .0024864 -.0129035 -.0078427 -.0193163
.01995 .0061685 .0090436 .006547 .0086538 1.49561
Zdroj: vlastní zpracování . xtreg tfeef x5 x6 x7 x8 x9, vce(robust) fe
Co se týče vlivu na efektivnost (viz tabulka č. 5), FEM ji vysvětluje pouze z 32,66 %. Model Number of obs = 206 Statisticky významný vlivofmá kromě konstanty opět Number groups = 39 dotace LFA, jejíž zvýšení o 1 % sníží efektivnost o 0,005 %. Obdobně snižují efektivnost R-sq: within = 0.0376 per group: min = jejich vliv2 je i dotace na AEO. Ostatní typy dotací mírně zvyšujíObs efektivnost, nicméně between = 0.0538 avg = 5.3 statisticky nevýznamný overall = 0.0039na α = 0,05. max = 8 Fixed-effects (within) regression jakovariable: celek je statisticky významný. Group id
F(5,38) = 38) = 6.91 Tabulka č. 5: =Model fixních efektů (Fixed effects within regression model); F(5; 6,91; -0.6816 Prob > F = 0.0001 2 2 Prob > F = 0.0001; R = 0,3266; Ṝ = 0,1479
corr(u_i, Xb)
(Std. Err. adjusted for 39 clusters in id) Robust Std. Err.
tfeef
Coef.
t
x5 x6 x7 x8 x9 _cons
.014425 -.0017653 -.0049467 .0012333 .0008535 .6161113
.0126184 .0008924 .0010831 .0024202 .0018332 .1768592
sigma_u sigma_e rho
.18080231 .19437295 .4638758
(fraction of variance due to u_i)
1.14 -1.98 -4.57 0.51 0.47 3.48
P>|t| 0.260 0.055 0.000 0.613 0.644 0.001
[95% Conf. Interval] -.0111197 -.003572 -.0071393 -.0036662 -.0028576 .2580786
.0399696 .0000413 -.0027541 .0061328 .0045647 .974144
Zdroj: vlastní zpracování
Diskuse Z výsledku analýz vyplynulo, že je potřeba věnovat pozornost především dotacím na méně příznivé oblasti. Tato území dle vymezení z roku 2010 představují 4 687 tis. ha, tj. 59,4 % výměry ČR. Přesto, že jsou poskytovány pouze na travní porosty, jejich rozsah má dle předpokladů v PRV činit až 580 tis. ha. Finance vydané na toto opatření tedy nejsou zanedbatelné. Je otázkou, zda podporovat zemědělce v méně příznivých oblastech speciálními podporami, když tyto vedou ke zvyšování neefektivnosti a snižování efektivnosti. Toto zjištění je překvapivé, jelikož dotace jsou vypláceny na travní porosty nejen pro udržení příjmové stability zemědělců hospodařících v horších přírodních podmínkách, ale mají mít také povahu restrukturalizačního opatření, které podporuje chov skotu a dalších zvířat, využívajících travní porosty. Tato restrukturalizace by měla vést k podpoře konkurenceschopnosti zemědělských podniků, jež je jedním z hlavních cílů PRV. Bez zvýšení efektivnosti výroby je ale těžké konkurenceschopnosti dosáhnout. Docházíme tedy k obdobnému závěru jako Kroupová a Malý (2010). Ti konstatovali na základě výsledků simulovaných scénářů, že „k nejvyššímu navýšení zisku i produkce při zachování podpory ekologického zemědělství by přispělo zrušení sazby na trvalé travní porosty a snížení sazeb na hektar orné půdy...“ Pechrová a Vlašicová (2013) došly k opačnému závěru, dotace podle nich statisticky významně pomáhají snižovat neefektivnost ekologicky hospodařících zemědělců. Vliv je nicméně pouze mírný. Vzhledem k tomu, že v našem článku se zabýváme zemědělskými podniky bez rozlišení na ekologické a konvenční nejsou naše výsledky plně porovnatelné. Navíc musíme brát v úvahu, že náš vzorek zahrnuje pouze zemědělce v Libereckém kraji.
Závěr Cílem článku bylo posoudit vliv dotací do zemědělství z fondů Evropské unie na produkci, neefektivnost a efektivnost zemědělských podniků v Libereckém kraji. Pomocí SFA byla odhadnuta produkční funkce v Cobb-Douglasově podobě a dopočítána neefektivnost a efektivnost pro každý zemědělský podnik. Dále bylo zjišťováno modelem fixních efektů, jak je neefektivnost a efektivnost zemědělských podniků ovlivněna množstvím přijatých dotací. Zvýšení přímých plateb, plateb LFA a z PRV dle odhadnutého modelu přinese zvýšení produkce, zatímco platby AEO a SOT přispívají ke snížení produkce. Průměrná neefektivnost zemědělských podniků byla odhadnuta ve výši 31,46 % a průměrná efektivnost na úrovni 77,26 %. Malé podniky co do počtu pracovníků i výměry půdy mají tendenci být více neefektivní a méně efektivní. Nejméně neefektivní a nejvíce efektivní jsou podniky od 50 do 99 zaměstnanců a ty, které hospodaří na 1000 až 1499 hektarech půdy. Na základě výsledků lze shrnout, že vliv dotací na neefektivnosti i efektivnost je převážně mírný a statisticky nevýznamný. Výjimkou jsou dotace do méně příznivých oblastí, jejichž pokles může přinést zvýšení efektivnosti a snížení neefektivnosti. Další výzkum by se měl zaměřit na podrobnější rozbor efektivnosti využívání dotací zemědělskými podniky. Je potřeba detailněji prozkoumat, jaké faktory ji ovlivňují, a zodpovědět dotazy, které typy podniků jsou schopny dotace využívat nejlépe, případně jaké typy dotací jsou nejefektivněji využívány.
Literatura Aigner, D., Lovell, C. A. K., Schmidt, P. (1977): Formulation and estimation of stochastic frontier production function models. Journal of Econometrics, 6: 21–37; ISSN 0304-4076. Afriat, S. N. (1972): The case of the vanishing Slutsky matrix. Journal of Economic Theory, 5: 208–223; ISSN 0022-0531. Baltagi, B. H. (2005): Econometric analysis of Panel Data. Wiley and Sons, Ltd., England; ISBN 0-470-01456-3. Battese, G. E., Coelli, T. J. (1988): Prediction of firm-level technical efficiencies with a generalized frontier production function and panel data. Journal of Econometrics, 38: 387– 399; ISSN 0304-4076. Čechura, L. (2009): Zdroje a limity růstu agrárního sektoru. Wolters Kluwer ČR, Praha; ISBN 978-80-7357-493-2. Čechura, L. (2010): Estimation of technical efficiency in Czech agriculture with respect to firm heterogeneity. Agricultural Economics, 56: 36–44; ISSN 0139-570X. Čechura, L. (2012): Technical efficiency and total factor productivity in Czech agriculture Agricultural Economics, 58: 147–156; ISSN 0139-570X. Greene, W. (2005): Reconsidering heterogeneity in panel data estimators of the stochastic frontier model. Journal of Econometrics, 126: 269–303; ISSN 0304-4076. Jondrow, J., Lovell, C. A. K, Materov, I. S., Schmidt, P. (1982): On the Estimation of Technical Inefficiency in the Stochastic Frontier Production Function Model. Journal of Econometrics, 19: 233–238; ISSN 0304-4076. Kroupová, Z., Malý, M. (2010): Analýza nástrojů zemědělské dotační politiky – aplikace produkčních funkcí. Politická ekonomie, 6: 774–794. Kumbhakar S.C., Lovell C. A. K. (2000): Stochastic Frontier Analysis. University Press, Cambridge; ISBN 0-521-48184-8. Meeusen, W., van den Broeck, J. (1977): Technical efficiency and dimension of the firm: Some results on the use of frontier production functions. Empirical Economics, 2: 109–122; ISSN 0377-7332. OECD (ed.) (2007): Policy design characteristics for effective targeting, Working Party on Agricultural Policies and Marktes, Paris, AGR/CA/APM(2005)32/FINAL. Available at http://www.oecd.org/tad/agricultural-policies/39283420.pdf (accessed December 2013). Pechrová, M., Vlašicová, E. (2013): Technical Efficiency of Organic and Biodynamic Farms in the Czech Republic. AGRIS on-line Papers in Economics and Informatics, 4: 143–152; ISSN: 1804-1930. Pitt, M. M., Lee, L-F. (1981): The Measurement and Sources of Technical Inefficiency in the Indonesian weaving Industry. Journal of Development Economics, 9: 43–64; ISSN 0304-3878.
Schmidt, P., Sickles R. C. (1984): Production frontiers and panel data. Journal of Business and Economic Statistics, 2: 367–374; ISSN 0735-0015. Stevenson, R. E. (1980): Likelihood functions for generalized stochastic frontier estimation. Journal of Econometrics, 13: 57–66; ISSN 0304-4076. Trnková, G., Malá, Z., Vasilenko, A. (2012): Analysis of the Effects of Subsidies on the Economic Behavior of Agricultural Businesses Focusing on Animal Production. Agris on-line Papers in Economics and Informatics, 4: 115–126; ISSN: 1804-1930.
