Mendelova univerzita v Brně Provozně ekonomická fakulta
Vlivy působící na ceny ropných produktů v České republice Diplomová práce
Vedoucí práce: Doc. Ing. Václav Adamec, Ph.D.
Brno 2013
Bc. Josef Zemánek
Děkuji Doc. Ing. Václavu Adamcovi, Ph.D. za trpělivost, ochotu, pomoc a cenné rady poskytnuté při vypracovávání této diplomové práce.
Prohlašuji, že jsem diplomovou práci na téma „Vlivy působící na ceny ropných produktů v České republice“ vypracoval samostatně a veškerou použitou literaturu jsem uvedl v seznamu použitých zdrojů na konci této práce. V Brně dne 24.5.2013
_________________
Abstract ZEMÁNEK, J. Influences on the prices of oil products in the Czech Republic. Diploma thesis. Brno: Mendel University in Brno, 2013. This thesis is concerned with the identification and characterization of the influences acting on the prices of selected oil products in the Czech Republic using econometric methods. Among the selected oil products were chosen automobile Natural 95 gasoline and diesel and were monitored the factors affecting their prices for the period 2001 - 2012. First, oil and oil products prices were characterized and then the methods of regression analysis and time series analysis. After that, were quantified mainly influences on the oil prices, economic growth, exchange rate USD/CZK and taxes. Relations between the identified variables were modeled by the vector autoregression model (VAR). The VAR models are related to Granger causality analysis which is verifying causal relations between different variables. In thesis was also made an analysis of impulse and response. Then follows validation of prognostic capabilities of particular models for static simulation. Conclusion is made by the forecast prices of oil products in Czech Republic in 2013. The estimation outputs are interpreted and forecasts are implemented. Keywords VAR model, Granger causality, impulse response functions, prediction Abstrakt ZEMÁNEK, J. Vlivy působící na ceny ropných produktů v České republice. Diplomová práce. Brno: Mendelova univerzita v Brně, 2013. Tato diplomová práce se zabývá identifikací a charakteristikou vlivů působících na ceny vybraných ropných produktů pomocí ekonometrických metod v České republice. Mezi vybrané ropné produkty byly zvoleny automobilový benzín Natural 95 a motorová nafta a sledovaly se faktory působící na jejich ceny za období 2001 až 2012. Nejprve je charakterizována problematika týkající se ceny ropy a ropných produktů a dále jsou popsány metody regresní analýzy a analýzy časových řad. V práci jsou dále především kvantifikovány vlivy ceny ropy, ekonomického růstu, směnného kurzu k USD a sazby spotřební daně. Vztahy mezi jednotlivými identifikovanými veličinami jsou modelovaný prostřednictvím vektorového autoregresního modelu (VAR). S modely VAR úzce souvisí analýza Grangerovy kauzality ověřující jednotlivé kauzální vztahy mezi veličinami a dále je provedena rovněž i analýza impulzů a odezvy. Poté dochází k ověřování prognostické schopnosti modelu statickou simulací. Na závěr je vypracována prognóza cen vybraných ropných produktů v České republice pro rok 2013. Klíčová slova: VAR model, analýza Grangerovy kauzality, analýza impulzů a odezvy, predikce
6
Obsah
Obsah 1
2
Úvod a cíl práce
11
1.1
Úvod......................................................................................................... 11
1.2
Cíl práce ................................................................................................... 12
Literární přehled 2.1
14
Ropa a ropné produkty............................................................................ 14
Ropné produkty............................................................................................. 15 2.2
Tvorba cen ............................................................................................... 17
Vývoj cen ropy .............................................................................................. 20 2.3
Spotřeba ropy a ropných produktů ......................................................... 21
Ropa a ropné produkty v České republice ....................................................25 3
Materiál a metodika 3.1
28
Lineární regresní model ......................................................................... 28
3.1.1
Předpoklady lineárního regresního modelu .................................. 29
3.1.2
Metoda nejmenších čtverců............................................................ 30
3.1.3
Posouzení regrese ........................................................................... 30
3.1.3.1 Parametry shody modelu................................................................ 30 3.1.3.2 Základní testy v lineárním regresním modelu ................................33 3.2
Analýza časových řad...............................................................................35
3.2.1
Box-Jenkinsova metodologie ..........................................................37
3.2.2
Regresní (příčinné) modely, lineární dynamické modely.............. 38
3.2.3
Vektorový autoregresní model (VAR) ............................................ 38
3.2.4
Analýza impulzu a odezvy............................................................... 40
3.2.5
Testování Grangerovy kauzality ...................................................... 41
3.2.6
Extrapolace ...................................................................................... 41
3.3
Zkoumaná data ........................................................................................ 41
Ceny benzínu a nafty na českých čerpacích stanicích ..................................43 4
Výsledky a diskuze
51
Obsah
7
4.1
Sezónnost .................................................................................................51
4.2
Testování stacionarity a kointegtrační analýza .......................................51
4.3
Odhad VAR modelu ................................................................................ 53
4.4
Specifikace VAR modelu......................................................................... 56
4.4.1
Analýza Grangerovy kauzality ........................................................ 60
4.4.2
Analýza funkce impulzu a odezvy ....................................................61
4.5
Predikční schopnost VAR modelu.......................................................... 64
4.6
Predikce dle VAR modelu ....................................................................... 66
Předpověď rozkladu rozptylu....................................................................... 70 5
Závěr
73
6
Literatura
76
7
PŘÍLOHY
80
8
Seznam obrázků
Seznam obrázků Obr. 1
Náklady a daně v ceny ropy v zemích G7 v roce 2011
19
Obr. 2 Produkce a spotřeba ropy dle jednotlivých regionů v miliónech barelů za den
22
Obr. 3
24
Spotřeba ropných produktů ve světě
Obr. 4 Vývoj spotřeby a cen vybraných ropných produktů v ČR v letech 2000 až 2011 27 Obr. 5
Faktory vývoje cen nafty v Kč/litr.
42
Obr. 6 Původní a vyhlazená řada a cyklická komponenta HDP České republiky vykreslené pomocí HP filtru
49
Obr. 7
Graf průběhu časových řad
50
Obr. 8
Srovnání jednotlivých typů cen ropy
57
Obr. 9 Reakční funkce d_Benzin_sa na jednotkové šoky zvolených proměnných 62 Obr. 10 Reakční funkce d_Nafta na jednotkové šoky zvolených proměnných
63
Obr. 11 Grafické výsledky statické simulace proměnných d_Benzin_sa a d_Nafta modelu VAR(1)
64
Obr. 12 Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta ve VAR(1) modelu v případě recesního scénáře proměnné HDPcr pro období I./2013 až XII./2013
67
Obr. 13 Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta ve VAR(1) modelu v případě růstového scénáře proměnné HDPcr pro období I./2013 až XII./2013
68
Obr. 14 Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta ve VAR(1) modelu v případě kolísajícího scénáře proměnné HDPcr pro období I./2013 až XII./2013
68
Obr. 15 Předpověď rozkladu rozptylu chyby předpovědí proměnné d_Benzin_sa 71
Seznam obrázků
9
Obr. 16 Předpověď rozkladu rozptylu chyby předpovědí proměnné d_Nafta . 72 Obr. 17
Produkce ropy v tis. barelů za den
80
Obr. 18
Spotřeba ropy v tis. barelů za den
81
Obr. 19
Ověřené rezervy ropy v mld. barelů a poměr R/P v letech 82
Obr. 20 Původní a vyhlazená řada a cyklická komponenta HDP 27 členských států Evropské unie vykreslené pomocí HP filtru 83 Obr. 21 Původní a sezóně adjustovaná časová řada ceny benzínu (naturalu 95) 83 Obr. 22 OPEC
Původní a sezóně adjustovaná
časová
řada ceny koše
Obr. 23
ACF a PACF pro Benzin_sa
84
Obr. 24
ACF a PACF pro Nafta
85
Obr. 25
ACF a PACF pro Brent
85
Obr. 26
ACF a PACF pro WTI
85
Obr. 27
ACF a PACF pro OPEC_sa
86
Obr. 28
ACF a PACF pro Kurz
86
84
Obr. 29 Vzájemné reakční funkce prokázaných proměnných modelu VAR(1) na jednotkové šoky jednotlivých proměnných
89
10
Seznam tabulek
Seznam tabulek Tab. 1 Výtěžnost produktů při zpracování ropy
16
Tab. 2
Příklad jednotlivých složek ceny benzínu a jejich podíl
20
Tab. 3
Spotřeba ropy v České republice
25
Tab. 4
Vývoj sazby daně z přidané hodnoty
46
Tab. 5
Engle-Grangerův test kointegrace
52
Tab. 6
Výsledky ADF testů proměnných s konstantou
53
Tab. 7 Informační kritéria pro model VAR(p) pro jednotlivé řády zpoždění 54 Tab. 8 ropy
Srovnání VAR(1) modelů pro jednotlivé proměnné cen 55
Tab. 9 P-hodnoty testu Grangerovy kauzality pro jednotlivé proměnné
61
Tab. 10 Předpověď hodnot proměnné d_Benzin_sa na základě statické simulace ex-post
65
Tab. 11 Předpověď hodnot proměnné d_Nafta na základě statické simulace ex-post 65 Tab. 12 Předpověď hodnot proměnných d_Benzin_sa a výsledné ceny benzínu bez sezónních vlivů dle jednotlivých scénářů pro období I./2013 – XII.2013. 69 Tab. 13 Předpověď hodnot proměnných d_Nafta a výsledné ceny nafty dle jednotlivých scénářů pro období I./2013 – XII.2013. 70 Tab. 14 Informační kritéria pro model VAR(p) zahrnující endogenní proměnnou d_OPEC_sa
86
Tab. 15
87
Odhad VAR(1) modelu
Tab. 16 Výsledky testů autokorelace a podmíněné heteroskedasticity rezidují u VAR(1) modelu s endogenní proměnnou d_OPEC_sa a exogenní proměnou HDPcr
88
Úvod a cíl práce
11
1 Úvod a cíl práce 1.1 Úvod Ropa hraje roli jedné z nejdůležitějších komodit na světě a díky neexistenci odpovídajících substitutů ve světovém hospodářství a omezené světové těžbě představuje i významnou strategickou surovinu ovlivňující geopolitickou situaci ve světě. Význam ropy pro světovou ekonomiku byl prokázán v minulosti již několikrát, například již v roce 1973 kdy bylo uvaleno embargo na export ropy do západních zemí na popud arabských států. Z důvodů záměrného omezení v obchodování s ropou došlo během několika týdnů, dokonce již několika dní ke vzrůstu ceny až o 400 %, což mělo za následek počátek recese ve vyspělých na ropě závislých zemích. Navazující vysoké hodnoty hladiny inflace a nezaměstnanosti pokračovaly ještě několik let. Ropné šoky potvrdily nenahraditelnost a důležitost ropy pro světovou ekonomiku. Vstup ropy do ekonomiky je proto prakticky neodmyslitelný u každé masové výroby, přepravy, pěstování zemědělské produkce aj. Například bez herbicidů, pesticidů, motorových paliv a hnojiv transformovaných z ropy dnes není absolutně možné si představit moderní zemědělství a pěstování potravin, jak je v současnosti známo. Ropa v podobě velmi levného zdroje energie se od počátku 20. století zásadně podílela na architektuře měst a dopravní infrastruktuře zemí Prvního světa, kdy typická rozsáhlá obytná předměstí byla navrhována především díky levné transportní energie v podobě ropy. Nepřetržitá pozornost většiny malých otevřených ekonomik je zaměřována nejen na vývoj na finančních trzích (ceny obligací, akcií a měnových kurzů), cen nemovitostí, ale především i na vývoj cen komodit, zejména strategické suroviny ropy a z ní vyrobených produktů. Mnoho odborných literatur se snaží přinést komplexní pohled na význam, který ropa hrála a hraje ve světovém ekonomickém systému a rovněž i identifikovat a kvantifikovat vlivy, které na cenu ropy nejen ve světovém měřítku působí. Ačkoli moderní ekonomiky přemístily jádro svých činností z průmyslové výroby do služeb a vlivem rozmachu technologií není již potřeba tolik vstupů pro fungování ekonomiky, přesto má cena ropy a následně i pohonných hmot důležitý účinek na ekonomiku, např. na zmíněný ekonomický růst a inflaci. Negativní dopad se výrazněji projevuje na ekonomickém růstu, kdy roste podíl HDP na výdajích na energetické náklady než na ostatní druhy nákladů. Vysoké ceny ropy přispívají k růstu inflace v celosvětovém měřítku. Důkazem negativního vlivu na ekonomický růst je i rychlejší růst ceny ropy ve srovnání s ekonomickým růstem od konce 90. let. Vysoká cena ropy se projevuje i na mikroekonomické úrovni, kdy se podniky s energeticky náročnou výrobou mohou při vzrůstající ceně ropy a energií dostat do svízelné situace. K nejvíce na ropě citlivým podnikům patří ty ze sektoru dopravy (např. letecké společnosti, společnosti na přepravu osob,
12
Úvod a cíl práce
materiálu a zboží atd.). Při zvyšování cen ropy lze na akciových trzích předpokládat naopak růst hodnoty společností ze sektoru energetiky, především u těch firem, které se zabývají těžbou ropy a mají přímý přístup k ropným ložiskům. Méně poroste hodnota společností, které vlastní rafinérie nebo se nacházejí na určité pozici v distribučním žebříčku. Ceny energetických surovin na světových trzích výrazně působí na změny domácí cenové hladiny v České republice a dále i na vývoj zahraničních obchodních vztahů. Cena ropy a spolu s cenou zemního plynu se v české ekonomice, která závisí na dovozu energetických surovin, řadí k podstatným vlivům vývoje obchodní bilance a návazně i běžného účtu. Ceny importované ropy do České republiky korespondují s vývojem světových cen této komodity na burzách a ze zvyšující se variabilitou cen se zvyšuje význam sledování cen ropy i pro saldo obchodní bilance. Ropa ovlivňuje nejen světovou ekonomiku svojí cenou, ale i prostřednictvím cen ropných produktů, které se z ropy vyrábějí. Vzhledem k tendenci snižování závislosti států na ropě se předpokládá, že v budoucnosti bude na trhu s palivy k dispozici celá řada alternativních paliv s inovačními výrobními technologiemi. Vhodná otázka je, kde se tyto alternativy uplatní a kde naopak z ekonomických důvodů bude pracováno se směsí klasických a alternativních paliv. Je logické, že se cena ropy podílí na výsledné ceně ropných produktů, jelikož právě z ropy se vyrábějí. Nicméně cena ropy a ropných produktů vykazuje mimořádně volatilní vývoj, což i z komentářů uvedených výše vyplývá, že se nejedná o dobrý stav pro ekonomiku zemí nejen na ropě závislých. Z dlouhodobého pohledu je pro ceny ropy a ropné produkty charakteristické až na výjimky dlouhodobě rostoucí trend a mnoho odborníků očekává, že se tento růst cen nezastaví a bude se obdobně vyvíjet i v následujících letech. Nicméně je v této problematice pokládána řada otázek a je otevíráno mnoho diskuzí o možném budoucím vývoji nejen cen ropy, ale i ropných produktů.
1.2 Cíl práce Cílem diplomové práce je pomocí zvolených ekonometrických metod identifikovat a charakterizovat vlivy působící na ceny vybraných ropných produktů obchodovaných na území České republiky. Vzhledem k objemu spotřeby byly mezi sledované ropné produkty v této práci zvoleny automobilový benzín Natural 95 a motorová nafta, které byly prodávány na čerpacích stanicích v České republice v časovém horizontu od ledna roku 2001 až do prosince roku 2012. Diplomová práce je zaměřena na identifikaci jednotlivých faktorů a jejich vzájemných vztahů mající vliv především na ceny pohonných hmot obchodovaných na čerpacích stanicích v České republice. Především zkoumání možných vlivů na ceny pohonných hmot bude věnována největší pozornost. Odhad faktorů působících na sledované ceny musí být v souladu především s ekonomickou praxí tvorby těchto cen. Identifikované účinky veličin musí odpovídat ekonomické realitě. Po charakteristice a identifikaci faktorů bude pomocí ekonomet-
Úvod a cíl práce
13
rických metod provedena jejich kvantifikace a posouzení jednotlivých vztahů. Část práce bude věnována popisu zvoleným ekonometrickým metodám. V práci nebude chybět i ekonomická interpretace dosažených výsledků. Výstupem této práce tedy bude možné určit do jaké míry se dané veličiny podílejí na výsledné ceně pohonných hmot na čerpacích stanicích v České republice a jaké vztahy mezi sebou dané veličiny mají. Z podstaty řešené problematiky lze za zmíněné faktory předpokládat především cenu ropy, z které jsou ropné produkty vyráběny, směnný kurz české koruny k americkému dolaru, dále daňové zatížení v České republice a také vliv ekonomické situace nejen v České republice. Vzhledem k očekávanému vlivu právě ceny ropy bude věnována pozornost v počátku práce charakteristice ropy a ropných produktů. Se související problematikou vyvstává řada výzkumných otázek a hypotéz, které by měly být v práci ze zjištěných výsledků zodpovězeny a objasněny. Pomocí výsledků tak bude možné posoudit vzájemné vlivy jednotlivý cen ropných produktů, zda ceny motorové nafty v České republice mají vliv na ceny benzínu a naopak. Dále ověřit hypotézu, zda ceny motorové nafty a benzínu jsou ovlivněny hospodářským cyklem. Diplomová práce si klade za cíl modelovat s využitím dostupných dat co nejlépe vztahy mezi ekonomickými veličinami mající vliv na ceny motorových paliv v České republice a na základě získaných modelů provést simulační předpověď sledovaných veličin. V případě pozitivního vyjádření k použitelnosti vzniklých modelů pro účely prognózování budou na závěr pro odhadnuté modely konstruovány predikce vývoje cen ropných produktů v České republice pro rok 2013. Dané konstrukce se tak mohou stát užitečným pomocným nástrojem pro subjekty mající co dočinění s rozhodováním se o vývoji cen ropných produktů v České republice.
14
Literární přehled
2 Literární přehled 2.1 Ropa a ropné produkty Ropa je tekutá směs plynných, kapalných a pevných látek s uhlovodíkovým základem a řadou dalších sloučenin skládajících se především z vodíku, síry, dusíku nebo z kyslíku. Jedná se o světle žlutou až tmavě černou, olejovou, přírodní hořlavou kapalinu, která má menší hustotu než voda a charakteristický zápach. Vyskytuje se společně v nalezištích se zemním plynem (Natural Gas). Původně se tato surovina označovala jako „nafta“ (z perštiny „nafátá“ znamenající „vytékat“, nebo „prosakovat“), ale protože docházelo k záměně určité její frakce za původní surovinu („nafta motorová“, zkráceně „nafta“), bylo vhodné zvolit pro surovinu příznačnější název1. Bylo zvoleno označení ropa. V němčině se setkáme s názvem „Erdöl“ a v angličtině „petroleum“, nebo „Crude Oil“, který se častěji vyskytuje v odborných článcích. Ropa má kromě svých ojedinělých vlastností i specifickou měrnou jednotku. Měří se na sudy neboli barely. Barel obsahuje 42 galonů, což je 158,76 litrů a v praxi se v současnosti setkáme se zkratkou „bbl“ (blue barrel). Jsou známy dva názory, proč se zachoval název „modrý“ barel. Jedna strana autorů zastává přesvědčení, že modře značené barely původně odlišovali z rafinérií ropu zpracovanou od nezpracované, a druhá strana autorů tvrdí, že modré barely byly majetkem společnosti Standart Oil, která získala na počátku období těžby ropy monopolní postavení2. Dále se v této práci můžeme setkat se zkratkami „bd“, která znamená produkci za den (barrel per day), nebo „by“ představující produkci roční (barrel per year). Dále bývá v odborné literatuře zmíněna jedna tuna ropy, pod ní si můžeme představit 7 -8 barelů (1 barel je 0,158987 m3). Jak již bylo zmíněno dříve, ropa je složitá látka skládající se z desítek tisíc uhlovodíkových sloučenin parafinického, naftenického a aromatického charakteru, kterou doposud neumíme v laboratorních podmínkách vyrobit. K základním vlastnostem ropy patří její hustota, která je menší než hustota vody a vyjadřuje se ve stupních API (American Petroleum Institute). Stupně API se měří dle hustoty ropy při 60°F (15,6 °C) a jsou nepřímo úměrné běžně používané hustotě (v kg/m3). Dle °API se setkáváme s následujícím dělením3: • 10 °API – voda, 1ROUBÍČEK,
V., RÁBL, V. Technologie ropy: alternativní paliva. 1. vyd. Ostrava: VŠBTechnická univerzita, 2000. 11 s. ISBN 80-7078-690-6. 2GALSKÝ, D. Miliónové objevy: zlato, diamanty, kaučuk, ropa. 1. vyd. Praha: Albatros, 1988. 288 s. ISBN 137-28-88. 3CÍLEK, V., KAŠÍK, M., RULLER, T. Nejistý plamen: průvodce ropným světem. 1. vyd. Praha: Dokořán, 2007. 22 s. ISBN 978-80-7363-122-2.
Literární přehled
15
• do 20 °API – těžká ropa (Heavy). Tato těžká ropa není považována za příliš cennou, jelikož poskytuje malé množství benzínu ale mnoho asfaltu či využitelných uhlovodíků podobných asfaltu. • 25-35 °API – běžná, středně těžká ropa (Intermediate), • více než 35 °API – lehká ropa (Light) považována za nejcennější tekutý typ světlé ropy, jelikož z ní lze získat velké množství benzínu. Další základní vlastností ropy je její sirnatost, tedy kolik síry je obsaženo v měrné jednotce. Rozlišují se ropy sladké (sweet) obsahující méně než 1% hmotnostního procenta síry a ropy kyselé (sour), u kterých se nabývá hodnot až 3-4 hmot.% síry. Dnes se dokonce v rafinériích setkáváme s prémií až 3 dolary za barel lehké ropy, která je sladká a obsahuje tedy méně nežádoucí síry. Klasifikovat ropu lze i pomocí regionálních srovnávacích měřítek, díky kterým se vytěžená ropa porovnává a stanovuje se výše ceny. Mezi hlavní standardy (měřítka) na trhu s ropou uvádí odborná literatura tyto4: • West Texas Intermediate (WTI standard) – jedná se v USA o tzv. západotexaský průměr s 38-40 °API a 0,3 hmot. % síry. Tuto ropu spotřebovávají Spojené Státy Americké a její cena je ovlivňována spotřebou domácností a firem v USA. • Brent – ropa ze Severního moře (v letech 1976-84 pod názvem Forties), kde se těží okolo 15 druhů ropy. Cena je směrodatná pro obchodní transakce mezi Evropou, Afrikou a Blízkým Východem. Cena ropy Brent je kótovaná a obchodovaná na Mezinárodní burze v Londýně. • Dubai – ropa z oblasti Blízkého východu (Perský záliv), která je tekutější i přesto, že je těžší (31 °API) a obsahuje více síry (2 hmot. % síry). • Mezi další standardy jsou v literatuře uváděny také: Bonny Light a Brass River (Nigérie), Arab Light (Saudská Arábie), Bacherquero (Venezuela), Ekofisk (Norsko), Minas (Indonésie), a mnoho dalších. Kromě konvenční ropy se těží tzv. nekonvenční ropa, která se získává z jiných typů surovin a nalezišť, např. z černých břidlic nebo ropných písků v Kanadě a Venezuele. Nekonvečně se vytěží pouze asi 5 % celkové světové produkce. Ropné produkty Ropa se zpracovává v rafinériích frakční destilací, při které se separují skupiny uhlovodíků. Nejprve se oddělí metan a etan (palivo LPG), poté petrolej (rozpouštědlo), benzín, kerosin (letecký petrolej) a plynový olej. Z toho se destiluje nafta a topný olej. Poslední frakcí je mazut, z něhož se separují „mazací“ oleje a asfalt. Zpracovaná ropa, ropné produkty, se využívají v moderním zemědělství a při produkci potravin, bez ropy se neobejde doprava (pozemní, letecká, lodní) 4CÍLEK,
V., KAŠÍK, M., RULLER, T. Nejistý plamen: průvodce ropným světem. 1. vyd. Praha: Dokořán, 2007. 24 s. ISBN 978-80-7363-122-2.
16
Literární přehled
a většina průmyslu (výroba plastů, léčiv, hnojiv pesticidů, atd.). Využití ropy lze rozdělit do následujících skupin5: • Pohonné hmoty, mezi které se řadí automobilový benzín, motorová nafta, LPG a pohonné hmoty pro leteckou dopravu (letecký petrolej). • Mazací oleje, do nichž se zahrnují motorové oleje, převodové oleje, průmyslové oleje a maziva, obráběcí technologické a konzervační prostředky a parafíny (druh vosku). • Petrochemické výrobky, ethylen, propylen, butadien, aromáty, atd. • Chemické látky a výrobky na bázi petrochemie, syntetický ethanol (líh), MTBE (okysličovadlo do benzínu), amoniak, močovina, hnojiva, barvy, léčiva, pryskyřice, umělá vlákna, pneumatiky a ostatní produkty v gumárenství. • Ostatní ropné produkty, kterými jsou zkapalněné ropné plyny, topné oleje, asfalty a asfaltové výrobky, uhlovodíková rozpouštědla a síra. V následující Tab. 1 je sestaven přehled jednotlivých frakcí ropy, výtěžnost produktů při jejím zpracování a jejich použití. Jednotlivé podíly výtěžnosti ropných produktů se mohou lišit od typů ropy a jejich kvality, avšak uvedené podíly v tabulce se týkají ropy běžně standardní kvality6. Tab. 1
Výtěžnost produktů při zpracování ropy
frakce plyny lehké frakce střední destiláty reziduální těžké frakce
5MATYÁŠEK,
podíl
produkt
10 % methan, ethan propan, butan 35 % lehký benzín těžký benzín 35 % petrolej nafta lehký topný olej (LTO) 20 % mazut, topný olej asfalt ropný koks síra
použití vytápění, vaření chemický průmysl, pohonné hmoty, vytápění petrochemický průmysl motorová paliva letecké palivo motorové palivo (diesel) vytápění domácností palivo v elektrárnách, na lodích silnice, stavebnictví výroba oceli chemický průmysl
J. Zdroje energie. Antropogeneze v geologii [online]. 2010 [cit. 2013-03-17]. Dostupné z: http://is.muni.cz/do/1499/el/estud/pedf/js10/antropog/web/pages/3-1-zdroje-energie.html 6 BLAŽEK, J., RÁBL, V. Základy zpracování a využití ropy. 2 vyd. Praha: Vydavatelství VŠCHT, 2006. 254 s. ISBN 80-7080-619-2.
Literární přehled
17
Mezi nejvýznamnější a nejvíce spotřebovávané produkty se řadí motorová paliva. V České republice je poptávka po ropě tažena motorovými palivy, především následujícími7: • Automobilový benzín se vyrábí z frakcí zvaných střední a těžký benzín. Ty se upravují k tzv. antidetonační (samozhášecí) odolnosti dané hodnotou oktanového čísla. Oktanové číslo určuje míru antidetonačních vlastností motorových benzínů. Čím vyšší je tato hodnota (max. 100), tím je benzín kvalitnější a dochází k jeho dokonalejšímu spalování a tím i omezení tzv. detonací (klepání) motoru a zvýšení jeho životnosti. Benzín obsahuje většinou alifatické uhlovodíky doplněné iso-oktany nebo aromatickými uhlovodíky za cílem zvýšení jeho oktanového čísla. Mimo těchto přísad obsahuje benzín i menší množství různých dalších aditiv vedoucích k lepšímu výkonu motoru a snížení emisí. Na trzích se objevuje celá řada směsí benzínu, které do určité míry obsahují i množství etanolu jako částečně alternativního paliva. • Motorová nafta je vyráběna ze směsi primární petrolejové frakce a plynového oleje. Nafta je charakteristická schopností samovznícení se při teplotě dosažené kompresí (stlačením) vzduchu v motorovém válci. Motorová nafta určená pro letní období může obsahovat i jisté množství vyšších parafinů, které v naftě určené na zimu být nesmějí. Tyto parafíny při nízkých teplotách krystalizují a mohou zanést přívod paliva do motoru. Kvalita nafty je hodnocena tzv. cetanovým číslem, které charakterizuje zážehovou hodnotu motorové nafty. Motorová nafta je nejčastěji dodávána na trh s hodnotou cetanového čísla v rozmezí 45–60. Na českém trhu je u čerpacích stanic obvykle nabízeno několik druhů automobilového benzínu a jeden druh motorové nafty. U čerpacích pump je k dispozici vždy bezolovnatý automobilový benzín Natural 95. Dříve byly nabízeny produkty Normal 91 a Speciál 91, ale vzhledem k zásadnímu poklesu poptávky byly postupně staženy z trhu. U některých čerpacích stanic se setkáme i s typem SuperPlus 98, ale poptávka po tomto druhu benzínu je relativně nízká a postupně se z trhu vytrácí. Některé především značkové čerpací stanice a společnosti nabízejí jeden nebo více druhů motorových paliv speciálně aditivované a pod originálními názvy. Spotřebitel se však i u těchto typů může informovat na výdejním stojanu, kterému normovanému typu prodávané palivo odpovídá.
2.2 Tvorba cen Cena ropy je nejsledovanějším ukazatelem z celého trhu s ropou, jelikož se v ní promítají veškeré změny produkce a spotřeby. Faktory ovlivňující cenu ropy je celá řada a jejich identifikace je někdy velmi složitá. Cena ropy se mění podle nabídky a poptávky, avšak působí na ni i různé politické vlivy, události a celá 7BLAŽEK,
J., RÁBL, V. Základy zpracování a využití ropy. 2 vyd. Praha: Vydavatelství VŠCHT, 2006. 254 s. ISBN 80-7080-619-2.
18
Literární přehled
řada dalších vlivů. Nabídku ovlivňuje geopolitika, rozmary počasí, havárie, vojenské konflikty, teroristické útoky, produkce ropy, zásoby, atd. Poptávku ovlivňují především hlavní spotřebitelé, jejich ekonomický vývoj, spekulace subjektů vstupujících na trh, apod. S ropou se obvykle obchoduje v amerických dolarech (USD), proto se cena ropy ve většině případů uvádí v USD/bbl. Cena ropy se odvíjí od druhu a typu ropy (Brent, WTI, Dubai, atd.), kvality, dostupnosti, místě těžby a závisí rovněž na jejich vlastnostech, zejména hustotě a obsahu síry. Čím má ropa menší hustotu, tím více obsahuje množství destilátů vhodných k výrobě pohonných hmot, a tím je také dražší. Čím více nežádoucích složek, které je nutné při zpracování odstranit, obsahuje, tím je její cena nižší. Cena se odvíjí rovněž i od tranzitních nákladů. Cena ropy, kam se ropa dováží ve velkém množství, je vyšší, než cena v místech odkud je ropa exportována. Cena WTI je proto větší než cena mnohem lehčí ropy Saharan Blend, jejíž cena se pro spotřebitele v USA zvýší o tranzitní náklady. 8 Mezi nejobchodovanější ropné komoditní nástroje se řadí ropa West Texas Intermediate (WTI), která se obchoduje v USA, a ropa Brent obchodována na komoditním trhu v Evropě. Nejvýznamnějšími ropnými burzami současnosti jsou americká NYMEX (New York Mercantile Exchange, nově součást CME Group) a evropská ICE (Intercontinental Exchange, původně IPE). Na mezinárodních komoditních burzách s ropou se obchoduje především s těmito cenami: • Spotové ceny (Spot prices) – spot prices představují cenu pro jednorázovou transakci s bezprostředním dodáním určité kvantity produktu do určitého umístění, kde se komodita koupí na spot za současné tržní míry (Market rates). • NYMEX Future Prices – uváděny jsou 4 typy kontraktů na lehkou sladkou ropu (Light Sweat Crude Oil). U Kontraktu typu 1 se jedna o futures9 kontrakt pro nejčastější dodávku suroviny, kdy pro ropu vyprší vždy třetí pracovní den před 25. kalendářním dnem v měsíci předcházejícím dodávkový měsíc. Pokud je 25. den v měsíci je nepracovní, pak přestane tři dny před posledním pracovním dnem před 25. v daném měsíci. Zbylé Kontrakty 2, 3 a 4 představují navazující měsíce dodávky po Kontraktu 1. • World Crude Oil Prices – ceny jsou členěny a tříděny podle konkrétních značek a typů ropy jednotlivých států rozdělené na OPEC a ostatní (nonOPEC).
8BLAŽEK,
J., RÁBL, V. Základy zpracování a využití ropy. 2 vyd. Praha: Vydavatelství VŠCHT, 2006. 254 s. ISBN 80-7080-619-2. 9Futures je speciální typ forwardového kontraktu. Forwardový kontrakt je smlouva uzavřená v jednom časovém okamžiku o dodání zboží k určitému budoucímu datu za cenu stanovenou v době uzavření smlouvy. FABOZZI, F. J. Short Selling: Strategies, Risks, and Rewards. John Wiley & Sons, 2004. 416. ISBN 9780471704331.
Literární přehled
19
V následujícím Obr. 1 je znázorněno rozdělení ceny ropy u států G7 v roce 2011. Hnědá barva zobrazuje náklady ropných společností, žlutě jsou označeny ostatní náklady spojené s ropou a červená barva znamená velikost daně související s ropou. Horizontální osa zobrazuje hodnoty v dolarech za litr.
Obr. 1 Náklady a daně v ceny ropy v zemích G7 v roce 2011 Zdroj: OPEC10
Náklady ropných společností jsou ve zmíněných státech přibližně na stejné úrovni. Nejvyšší zdanění je ve Velké Británii, které tvoří přes 59 % ceny ropy. Vysoké zdanění má také Německo, Itálie a Francie. Z uvedeného obrázku je zřejmé, že na vysoké ceně se obohacují nejen ropné společnosti, ale i velká část států prostřednictvím vysokých daní. Na ceny pohonných hmot působí mnoho faktorů, především ceny ropy, ropných produktů, kurz dolaru vůči české koruně, při kterém je ropa pořizována, konkurence mezi jednotlivými distributory, státní politice, apod. Ceny rafinérií jsou v rámci dohody v celé Evropské unii, podobně jako u dalších produktů, které vyrábějí, stejné. Jednotně je upravována cenou, která je kotována na komoditní burze v Rotterdamu. Finální cena na trhu, za kterou zákazník přistupuje k obchodu, je ovlivňována kromě rafinérských cen i daňovým zatížením státu a marží distributorů a prodejců. Distributoři a prodejci si k ceně, za kterou je kupují od rafinérií, připočtou marži podle svého podnikatelského úsudku11. Ve většině států se na konečné ceně pohonných hmot podílejí hlavně daně, především daň spotřební a daň z přidané hodnoty. V Tab. 2 je uveden příklad ceny benzínu v roce 2011 a jednotlivé složky, které se na výsledné ceně podílejí. 10Who
gets what from imported oil?. OPEC: Taxes on oil [online]. 2011 [cit. 2013-03-17]. Dostupné z: http://www.opec.org/opec_web/en/data_graphs/333.htm. 11MRÁZ, V. Čerpací stanice pohonných hmot (a problematiky s nimi souvisejících): ve vybraných právních a ostatních předpisech k zajištění bezpečnosti a ochrany zdraví při práci. 1. vyd. Rožnov pod Radhoštěm: Rožnovský vzdělávací servis, 2004. 104 s.
20 Tab. 2
Literární přehled Příklad jednotlivých složek ceny benzínu a jejich podíl
1 litr Naturalu 95
Kč
Podíl
Dopravený benzín (distributor) Spotřební daň (pevná sazba) Marže čerpací stanice Daň z přidané hodnoty (20 %) Součet (finální cena)
14,96 12,84 2,00 5,96 35,76
41,8 % 35,9 % 5,6 % 16,7 % 100 %
Zdroj: Vlastní výpočet a propočty Měšec.cz12.
Z dané tabulky je zřejmé, že finální cena pohonných hmot se skládá ze 4 položek. První položkou je cena dopraveného paliva stanovená na komoditním trhu doplněná distributorskou marží, které tvoří přibližně 41 %. Dále se na ceně podílí spotřební daň. Motorová paliva patří do skupiny minerálních olejů zatížených spotřební daní dle zákona č. 587/1992 Sb., o spotřebních daních, ve zněni pozdějších předpisů. Pro pohonné hmoty s obsahem olova do 0,013 g/l byla v roce 2011 stanovena pevná sazba daně 12,84 Kč a nad stanovený obsah olova pak sazba 13,71 Kč. Další položku v ceně paliva tvoří marže čerpací stanice, která je ovlivněna cenovou politikou subjektu nebo řetězce a konkurencí. Před uvedením konečné ceny na trh je nutné přičíst i daň z přidané hodnoty. Celkové daňové zatížení z ceny pohonných hmot pro spotřebitele dle uvedené tabulky se pohybuje kolem 58 %. Vysoké zdanění a celková cena vede spotřebitele k tankování paliv mimo území České republiky, kde je cena pro ně příznivější. Daň spotřební a z přidané hodnoty jsou pevně stanoveny státem a jsou stabilní, tedy nemění se neočekávaně a náhle. Volatilita cen pohonných hmot na trhu může být tedy způsobena marží prodejců a distributorů a cenou dopraveného paliva. Vývoj cen ropy Cena ropy, jak již bylo zmíněno výše, má nesporný vliv na cenu ropných produktů, jelikož základ těchto produktů je vyráběn právě z ropy. Výrazné zvýšení ceny ropy se musí zákonitě projevit v ceně finálních ropných produktů. Odhadovat vývoj cen ropy je velmi složité, jelikož se na ceně ropy podílí řada faktorů, některé z nich byly již představeny výše. Kolem roku 2000 se cena ropy pohybovala mezi 20 a 30 dolary za barel. V roce 2005 to bylo již zhruba 50 dolarů za barel. Od počátku roku 2007 až do poloviny roku 2008 doznala cena ropy mohutný růst a v polovině roku 2008 dosáhla cena ropy svého vrcholu téměř 150 dolarů za barel. Poté co ropa v roce 2008 dosáhla své rekordní hranice, odborníci po celém světě varovali a předpokládali, že cena se brzy vyšplhá i na více než 200 dolarů za barel. Realita byla však zcela odlišná. Cena po roce 2008 vlivem celosvětové recese (pokles globálního HDP) spadla i pod 50 dolarů za barel. Je patrné, že cena ropy je mimořádně volatilní záležitost, což není dobrý stav pro 12LAZAREVIČ,
A. Proč pohonné hmoty stále zdražují? A jak na palivech ušetřit? Měšěc.cz [online]. 2012 [cit. 2013-03-17]. Dostupné z: http://www.mesec.cz/clanky/proc-pohonne-hmotystale-zdrazuji-a-jak-na-palivech-usetrit/.
Literární přehled
21
hospodářství zemí, které jsou na ropě jakkoli závislé. A dále, dlouhodobý trend má především rostoucí charakter a lze očekávat, že se tento dlouhodobý jev růstu cen nezastaví a bude se obdobně vyvíjet i v následujících letech. Naleziště levné ropy nejsou neomezené a obzvláště země Blízkého východu nemohou očekávat, že budou těžit ropu v nákladech několika dolarů za barel. V zemích Blízkého Východu dochází k nárůstu životní úrovně a i nárůstu dalších nákladů ve spojitosti s těžbou ropy. Jedinou zemí, která má přínosy z ropného zápolení na globální scéně, se zdá Rusko, které těží 10,28 milionů barelu ropy za den. Rusko se pyšní hojnými prokázanými zásobami ropy, které při současném stavu produkce ropy vydrží na přibližně 23 let, a tato země je ochotna dále těžit v případě dalšího zvyšování cen. Analytici předpovídají, že na území Ruska nebyly zdaleka veškeré naleziště odhalena. Nicméně i Rusko je značným spotřebitelem ropy v celosvětovém měřítku a aby si tato ropná velmoc zajistila energetickou a ropnou soběstačnost do dalších let, bude nucena zvolna snižovat produkci a to na úkor exportu. Přesto všechno je nadále počítáno, že Ruská ropa bude tvořit dominantní část obchodní směny na ropném trhu. Ve vyspělých zemích se objevuje směr snižování, omezování spotřeby a závislosti na ropě. Naopak v rozvíjejících se zemích a především v Číně se očekává růst spotřeby ropy ve vztahu k ekonomickému růstu dané země. V Číně, Evropě a Spojených státech bude podle Mezinárodní energetické agentury v roce 2013 ekonomický růst pomalejší, než se dosud očekávalo. Dle analytiků za důvodem stojí horší ekonomický výhled. Mezi významné příčiny růstu cen ropy patří i spekulace investorů, které se týkají možného zásahu centrálních bank a v neposlední řadě jsou to pak odstávky ropovodů. V roce 2013 se předpokládají odstávky ropovodů v Severním moři a spekuluje se v Evropské unii o zrušení hloubkové těžby, která by ceny ropy rovněž vystřelila vzhůru. Argument, který hovoří pro snížení cen ropy, hovoří, že ve světě jsou každoročně objevena ložiska ropy o celkovém objemu okolo deseti miliard barelů. Roky 2010 a 2011 byly výjimečné tím, že se během nich našlo ještě o dalších 10, respektive 15 miliard barelů více a v následujících letech má dle analytiků tento trend pokračovat. Přehled týkající se světové spotřeby, produkce a prokázaných rezerv ropy dle jednotlivých regionů a států je uveden Tab. 17, 18 a 19 v příloze této práce.
2.3 Spotřeba ropy a ropných produktů Spotřeba ropy je v současné době jedním z hlavních světových problémů. Rychlý ekonomický růst doplněn zvyšujícím se stupněm průmyslového rozvoje a zvyšujícím se počtem obyvatelstva je hlavním hybatelem exponenciálně rostoucí spotřeby energií a především ropy. Vyspělé ekonomiky ve světě se snaží omezovat spotřebu ropy, ale rozvíjející se státy směřují naopak k vyšší spotřebě. Objevují se v současnosti dva hlavní směry jak snižovat závislost po ropě. Na jedné straně stojí trend redukce poptávky po ropě, tedy snižování podílu v palivově-energetické bilanci využíváním alternativních zdrojů. Na straně druhé pak stoji tendence efektivnějšího využívání ropy.
22
Literární přehled
V následujícím Obr. 2 je znázorněn vývoj produkce a spotřeby ropy jednotlivých světových regionů od roku 1986 do roku 2011. Vývoj produkce a spotřeby je udáván v miliónech barelů za den. Nejprve bude pozornost věnována grafu spotřeby ropy.
Obr. 2 Produkce a spotřeba ropy dle jednotlivých regionů v miliónech barelů za den Zdroj: Statistical review of world energy 2012
Dle Obr. 2 se globální produkce ropy snaží držet krok s rostoucí poptávkou v posledních letech, zejména s Asií. V Číně se zvýšila spotřeba ropy během posledního desetiletí o více než 4 milióny barelů ropy denně, což představuje dvě pětiny globálního růstu. V roce 2010 spotřeba ropy v Číně vzrostla o více než 5 miliónů barelů ropy od počátku milénia, proto je tato země v současnosti největším hybatelem růstu spotřeby v globálním ropném světě. Z obrázku lze pozorovat rostoucí tendenci jednak produkce, tak i spotřeby ropy. Po detailnějším pozorování vyplývá z obrázku, že je spotřeba vyšší než produkce. První krátkodobé porušení rovnice produkce = spotřeba nastalo v roce 2000. Další převýšení spotřeby nad produkcí je zřetelnější v roce 2004. Od tohoto roku se převis spotřeby nad produkcí stává dlouhodobým jevem a trvá až dodnes. V roce 2011 činil tento rozdíl kolem 4,5 miliónu barelů denně. Není reálné, aby spotřeba dlouhodobě přesáhla produkci, jak je uvedeno ve zmíněné ročence. Ani z krátkodobého hlediska není možné, aby k danému jevu docházelo, pokud však neexistuje dostatečné množství produkce ve skladu. Nicméně takové rezervy v současnosti nejsou, a proto je nutné nalézt další vysvětlení v nadměrné spotřebě, či nedostatečné produkci. Jedním z vysvětlení může být skutečnost, že společnost OPEC nehlásí faktická čísla o produkci za jednotlivá období. Nebo spotřeba ropy v Číně či jiných zemích je ve skutečnosti nižší, než jsou uváděna, což může být způsobeno nepřesnou metodikou sledování spotřeby. Dalším vysvětlením mohou být i neuveřejněné zdroje produkce v ročence. Společnost BP ve statistické ročence
Literární přehled
23
v produkci neuveřejňuje a tedy nezapočítává biopaliva a zkapalněné uhlí, avšak ve spotřebě již zohledněny jsou. Jakékoli zvýšení výroby biopaliv se projeví jako snížení běžné produkce těžby ropy ve srovnání se spotřebou13. Rozdíl mezi poptávkou a produkcí pokrývá spotřeba biopaliv a zkapalněného uhlí, národní zásoby ropy a započítání neropných přísad do spotřeby. V roce 1986 byla denní spotřeba ropy téměř 61 miliónů barelů a v roce 2011 se počet barelů spotřebovaných za den vyšplhal až na číslo kolem 88 miliónů. Růst spotřeby je nejvýraznější v Asii, která zvýšila svoji poptávku po ropě téměř 2,5 násobně od roku 1986 a očekává se i její další růst díky potenciálu a ekonomickému růstu Číny14. Asie s podílem 32,4 % a Severní Amerika s 25,3 % na celkové světové spotřebě se řadí k největším odběratelům této suroviny. Evropa se podílí 22,1 %, Jižní a Střední Amerika spolu s Blízkým Východem a Afrikou pokrývají 20,2 % světové spotřeby černého zlata. V rámci jednotlivých států na prvním místě ve spotřebě stále stojí Spojené státy Americké s 20,5 % světové spotřeby ropy, v závěsu s neustále rostoucím podílem 11,4 % je Čína, třetí místo tradičně patří Japonsku s 5 %, dále stojí Indie a Rusko s 3,3 % celosvětové spotřeby ropy. V Evropě se k největším spotřebitelům řadí Německo s 2,7 % a Francie s 2 % celosvětové spotřeby. Česká republika spotřebovává přibližně 193 tisíc barelů ropy denně, což tvoří přibližně 0,2 % celosvětové spotřeby. Klesající tendence ve spotřebě ropy lze pozorovat především v zemích eurozóny a v USA. Naopak růst spotřeby je nejzřetelnější v rozvíjejících se státech a především v Asii. Vysvětlením je prudký ekonomický rozvoj původně málo rozvinutých a v současnosti konvergujících regionů, zatímco Evropa a Severní Amerika se po ropných šocích a světové hypoteční a finanční krize „poučily“ a začaly snižovat svoji energetickou náročnost a závislost. Celosvětová spotřeba ropy neustále roste, zejména v důsledku rostoucí poptávky po benzínu a středních destilátech, které se používají převážně jako pohonné hmoty. Tato poptávka po benzínu a motorové naftě je podněcována především rozmachem osobní a nákladní přepravy. V automobilové, lodní, železniční a letecké dopravě se k pohonům motorů požívají především paliva vyrobená z ropy. Obr. 3 znázorňuje spotřebu ropných produktů ve světě v tis. barelů za den od roku 1965 až do roku 2011. Z daného grafu je zřejmá rostoucí tendence celosvětové spotřeby benzínů, středních destilátů a ostatních ropných produktů. Naopak klesající trend lze v současnosti sledovat ve spotřebě topných olejů. Dle společnosti BP se pro účely statistické ročenky do lehkých destilátů řadí letecké a motorové benzíny, do středních destilátů petrolej, plynové oleje, lehké topné oleje a naftu, do topného oleje ropa spotřebována přímo jako palivo a ostatní 13SHELDON,
M. Head of Saudi Electric Company Says "Oil Runs Out in 2030 if Current Consumption Maintained". MISH'S Global Economic Trend Analysis [online]. 2011 [cit. 2013-0510]. Dostupné z: http://globaleconomicanalysis.blogspot.cz/2011/06/head-of-saudi-electriccompany-says-oil.html. 14HANÁKOVÁ, R. Analýza růstu cen potravin - růst cen ropy a rostoucí poptávka po biopalivech. In Firma a konkurenční prostředí 2008 - 1. část. 1. vyd. Brno: MSD, spol. s r. o., 2008. 219-224 s. ISBN 978-80-7392-020-3.
24
Literární přehled
topné oleje. Do ostatních produktů zařazuje společnost BP rafinérský plyn, rozpouštědla, ropný koks, vosk, maziva, bitumen (asfalt, dehet), ostatní rafinérské produkty, rafinérské paliva a ztráty.15
Obr. 3 Spotřeba ropných produktů ve světě Zdroj: Statistical review of world energy 2012
Celosvětová spotřeba ropy činila v roce 2011 přes 88 miliónů barelů za den, z toho 32,1 % bylo spotřebováno na lehké destiláty (benzíny), 36,5 % na střední destiláty, 9,8 % na topný olej a 21,6 % bylo spotřebováno na ostatní ropné produkty. Spotřeba středních destilátů ropy převyšuje ve většině regionů ve světě spotřebu lehkých frakcí. Výjimkou jsou Spojené státy Americké a Japonsko, ve kterých převládá spotřeba benzínů nad středními destiláty ropy. V USA se na celkové spotřebě ropných produktů podílí 47,8 % lehké frakce (benzíny), střední destiláty 29 %. V Japonsku připadá 37,5 % na lehké frakce a 30,2 % na střední destiláty ropy z celkové poptávky po ropných produktech. V Číně dochází neustále k růstu poptávky po ropě a s ní spojených ropných produktech. Spotřeba ropných produktů v Číně je tažena 29,5 % benzíny, 37,7 % středními destiláty, 7 % topným olejem a 25,8 % ostatními ropnými produkty. Více než polovinu celkové spotřeby ropných produktů v Evropské unii činí spotřeba středních destilátů ropy, dále 21,7 % se podílí lehké frakce, 8,7 % pak topný olej a 19,3 % ostatní ropné produkty. Nicméně tyto podíly pozvolna klesají, jelikož se v eurozóně objevuje klesající tendence v celkové spotřebě ropy.
15Oil
product consumption. Bp [online]. 2012 [cit. 2013-03-17]. Dostupné http://www.bp.com/sectiongenericarticle800.do?categoryId=9037171&contentId=7068611 http://www.pro-energy.cz/clanky2/4.pdf.
z:
Literární přehled
25
Ropa a ropné produkty v České republice Ropa a její produkty jsou strategickou surovinou rovněž i pro Českou republiku a zajišťování ropy pro český trh je její prioritou. V České republice nakupují rafinérie ropu a její produkty od těžebních společností v místě těžby a dopravují ji na místo zpracování. Doprava je zprostředkována ropovody, případně i lodními tankery. Přepravu zajišťují specializované přepravní firmy, kterým ropovody patří. V České republice se jedná o společnost MERO, která ropu také skladuje i pro strategické zásoby Správy hmotných rezerv (SSHR). Česká republika po vstupu do Evropské unie je povinna udržovat dle Směrnice 2006/67/EU zásoby vybraných ropných produktů na úrovni, která v každé kategorii vyjmenovaných ropných produktů odpovídá alespoň průměrné denní spotřebě ve výši 90 dnů. Celkové zásoby v roce 2011 činily 1742 tis. tun ropných produktů, které by dle průměrné denní spotřeby 2010 (16 tis. tun denně) pokryly spotřebu na 108 dní. Těžba ropy na našem území tvoří i přes dynamický nárůst v poslední době pouze cca 2 % celkové domácí spotřeby. Z toho vyplývá, že Česká republika bude vždy závislá na importu této suroviny. Využívání ropy na území České republiky bylo již na počátku 20. století, kdy proběhla nejstarší těžba na Moravě. Ropa těžená v jihomoravském regionu je velmi kvalitní a blíží se typu Brent. Používá se především v chemickém a farmaceutickém průmyslu. V současné době se těží ropa hlavně na Jižní Moravě, kde působí tři hlavní těžební společnosti. Mezi ně patří Moravské naftové doly, Česká naftařská společnost a firma MND Production. V roce 2011 bylo vytěženo na českém území přibližně 145,6 tis. tun ropy. V následující Tab. 3 je znázorněn vývoj spotřeby ropy v České republice od roku 1965 až do roku 2011 v tis. barelů za den a v mil. tun za rok. Tab. 3
Spotřeba ropy v České republice
v tis. barelů za den v mil. tun
1965
1970
1980
1985
1990
1995
2000
2005
2009
2010
2011
78
137
225
212
174
167
167
210
204
194
193
6,984 11,600 10,623
8,447
8,005
7,937
9,935
9,670
9,143
9,098
3,997
Zdroj: Statistical review of world energy 2012
Vývoj spotřeby ropy během sledovaného období kolísá kolem hodnoty 200 tis. barelů za den. V počátku lze sledovat značné růstové tendence až do roku 1979, kde se projevila světová ropná krize spojená s výrazným zdražením ropy. Poté následoval klesající trend, který vyvrcholil v roce 1988 při přechodu ekonomiky na tržní hospodářství. Tento přechod byl doprovázen útlumem průmyslu. V 90. letech došlo ke snížení dovozu ropy do ČR, ale ke zvýšení dovozu ropných produktů (převážně nafty a benzínu). Spotřeba ropy měla v České republice rostoucí tendenci až do roku 2008, kdy měla hodnotu 209 tisíc barelů ropy denně, od této doby denní spotřeba neustále klesá. Jak již bylo zmíněno výše, země v eurozóně po celosvětové krizi začaly snižovat energetickou náročnost a tím i závislost na ropě.
26
Literární přehled
Česká republika spotřebovává přibližně 193 tis. barelů ropy denně, což odpovídá zhruba 9,098 mil. tun ropy ročně. V roce 2011 se dovoz ropy do ČR uskutečnil v celkovém množství 6925,5 tis. tun za celkovou hodnotu 99,3 mld. Kč. Uvedený objem byl přepraven do ČR prostřednictvím čtyř společností: Agip ČR, Shell CR, Unipetrol RPA a Paramo a.s. Doprava ropy byla uskutečněna ropovody Družba (56,5 %) a IKL (43,5 %). Podíl přepravy jednotlivými ropovody každoročně kolísá a odvíjí se od sjednaných dodávek v množství a způsobu přepravy zúčastněných stran. Objem dodávané ropy je transportován 59,3 % (4,1 mil. tun) z Ruska, 30 % (2 mil. tun) z Ázerbájdžánu, 8,6 % z Kazachstánu, dále Íránu, Alžírska a Polska. Ruská ropa s vysokým podílem síry na české území teče z Ruska jižní větví ropovodu Družba přes Bělorusko, Ukrajinu a Slovensko. Ropy z ostatních ropných ložisek se dodávají prostřednictvím ropovodu IKL (Ingolstadt – Kralupy nad Vltavou – Litvínov). Ten začíná v bavorském Vohburgu poblíž Ingolstadtu, kde je připojen k ropovodu TAL, dopravující ropu přes Alpy z terminálu v italském Terstu na pobřeží Jaderského moře16. Vyjma dovozu ropy se dovážejí do ČR i rafinérské produkty, které v roce 2011 činily 2 590 tis. tun. Dovezené ropné produkty pocházejí převážně ze zemí EU, ze Slovenska (41,6 %), Německa (29 %), Rakouska (12,8 %), Polska (9,3 %) dále i ze třetích zemí Běloruska, Kazachstánu, Ruska, apod. Významný nárůst dovozu oproti roku 2010 byl u petroleje (o 49,6 %), primárních benzínů (o 55 %), maziv a asfaltu. Stoupl i dovoz klasických pohonných hmot oproti předchozímu roku o 19,9 %, z toho nafty o 29,4 % a motorových benzínů o 0,3 %17. Česká republika dováží zdaleka největší podíl svého ropného dovozu z Ruska a stav ropných rezerv v Rusku a výhled do budoucna představuje pro Českou republiku klíčovou otázku. Rusku prokázané rezervy vystačí při současné konstantní intenzitě těžby na 23 let. Aby si tato ropná velmoc zajistila energetickou a ropnou soběstačnost do dalších let, bude nucena pozvolna snižovat a omezovat produkci a to na úkor exportu. Vlivem pravděpodobného omezení exportu Ruska zde přibývají obavy z dalšího výrazného růstu cen ropy, jelikož se dovozci ruské ropy budou muset přeorientovat na jiné obchodníky s ropou, především na země Blízkého Východu. Tyto státy by si tímto krokem nejen posílily pozici a vliv na evropskou politiku, ale i zmíněný růst cen ropy. Spotřeba paliv v dopravě nejen v ČR, ale i ve světě, neustále stoupá. Doprava se v průběhu let stala hlavním spotřebitelem ropných produktů, ve které stále převládají a pravděpodobně ještě delší dobu převládat budou dva základní druhy motorových paliv – automobilový benzín a motorová nafta. Vytváří se ohromný tlak na přírodní zdroje a povzbuzuje hledání alternativ pro éru, kdy ropa bude nedostatkové zboží a její cena bude velmi vysoká. Vývoj spotřeby vybraných ropných produktů a cen hlavních pohonných hmot v České republice v období let 2000 až 2011 je vyobrazen na následujícím grafu. Na Obr. 4 lze sle16ZAPLATÍLEK,
J. Zásobování České republiky ropou. MPO [online]. 2005 [cit. 2013-05-10]. Dostupné z: http://www.pro-energy.cz/clanky2/4.pdf. 17Ropa a ropné produkty. MPO [online]. 2012 [cit. 2013-03-17]. Dostupné z: http://download.mpo.cz/get/45884/51777/588401/priloha001.pdf.
Literární přehled
27
dovat spotřebu vybraných ropných produktů (motorová nafta, benzín a letecký petrolej) v tis. tun za rok a ceny motorové nafty a benzínů v Kč za litr.
Obr. 4 Vývoj spotřeby a cen vybraných ropných produktů v ČR v letech 2000 až 2011 Zdroj: ČSÚ, weby Finance.cz18 a Novinky.cz19.
Počátkem nového tisíciletí ostře vzrůstala spotřeba nafty a naopak spotřeba benzínu stagnovala, až mírně klesala. Motorové nafty se v roce 2011 spotřebovalo okolo 4 mil. tun a benzínu cca 1,8 mil tun. Dané množství je možné si představit jako spotřebu 5 mil. litrů benzínu a 9 mil. litrů nafty denně. Nápadná vyšší a rostoucí spotřeba motorové nafty byla vyvolána rozvojem nákladní silniční dopravy a také zvyšujícím se podílem dieselových vozidel ve vozovém parku spojeným s jejich popularitou u vlastníků osobních automobilů. Podíl dieselových vozidel na celkové velikosti vozového parku byl v roce 2000 kolem 11 % a v roce 2010 tento podíl činil už 26,8 % (cca 1 mil. vozidel). V některých zemích Evropské unie stoupá podíl nových vozů s naftovým pohonem a zastupuje více než dvě třetiny všech nových osobních automobilů. Lze proto i v České republice očekávat, že rozdíl ve spotřebě automobilového benzínu a motorové nafty se bude prohlubovat i nadále, jak ukazují některé významné prognostické studie. V souvislosti se zavedením povinného přimíchávání biosložky do benzínu a nafty začala po roce 2007 významně vzrůstat i spotřeba biopaliv20.Trh s motorovými palivy prochází neustálým vývojem. Spotřeba v České republice velice citlivě reaguje na podmínky a stav národního hospodářství a signalizuje recesi, stagnaci nebo růst národní ekonomiky. Do celkové spotřeby se samozřejmě také promítá růst ceny ropy a z toho vyplývající růst cen motorových paliv. 18Ceny
pohonných hmot on-line. Finance.cz [online]. 2013 [cit. 2013-03-17]. Dostupné z: http://www.finance.cz/makrodata-eu/pohonne-hmoty/. 19KRYNEK, L. Vývoj cen pohonných hmot: litr benzínu stál před 13 lety necelých 20 Kč. Novinky.cz [online]. 2008 [cit. 2013-03-17]. Dostupné z: http://www.novinky.cz/ekonomika/146696. 20Spotřeba paliv v dopravě. Cittadella.cz [online]. 2010 [cit. 2013-03-17]. Dostupné z: http://www.cittadella.cz/cenia/index.php?p=spotreba_paliv_v_doprave&site=doprava.
28
Materiál a metodika
3 Materiál a metodika Východiskem pro ekonometrickou analýzu ekonomického jevu nebo procesu je ekonomická teorie. Chování ekonomických subjektů však není možné formulovat deterministicky, ale je nezbytné v jejích chování zohlednit i neurčitost. Z tohoto důvodu dochází k transformaci ekonomického modelu na model ekonometrický, který do náležejících vztahů začleňuje náhodné poruchy. Ekonometrie jako kvantitativní vědní disciplína využívá poznatky matematiky, ekonomické teorie a statistiky, pomocí kterých popisuje, kvantifikuje a analyzuje ekonomické jevy a vztahy. Jejím hlavním cílem je poskytnout ekonomické teorii obsah, dále ověřit závěry ekonomické teorie a na základě ní vymezit pravděpodobné hodnoty ekonomických ukazatelů do budoucna21. Konstrukce ekonometrického modelu a odhad jeho parametrů není jednoduchý a jednorázový proces. Neexistuje exaktní návod, jak sestrojit vhodný model, jelikož proces konstrukce využívá nejen vědecké metody a systematické postupy, ale i zkušenost a intuici.
3.1 Lineární regresní model Lineární regresní model zkoumá vztahy mezi závislou proměnnou a jednou nebo více nezávislými proměnnými. Lze jej využít jak pro popis vývoje průřezových dat, tak i pro popis řad časových a tento model lze zapsat v následující formě22: y = f ( x1 , x 2 ,...., x k ) + ε = β 0 + β1 x1 + β 2 x 2 + ... + β k x k + ε ,
(3.1)
kde y je závislá či vysvětlovaná proměnná a x1, x2, …, xk jsou nezávislé nebo často označovány vysvětlující proměnné. Koeficient β0 je představuje absolutní člen modelu. Parametry βj při j = 1, …, k jsou označovány jako regresní koeficienty udávající změnu vysvětlované proměnné při změně vysvětlující proměnné xj o jednotku a nezměněných hodnotách zbývajících proměnných obsažených v modelu. Výraz ε představuje náhodnou chybu modelu. Lineárně regresní model lze vyjádřit rovněž v maticové formě v následujícím tvaru23:
21WOOLDRIDGE,
J. M. Introductory econometrics: a modern approach. 4. vyd. Mason, Ohio: South-Western, 2008. 2 s. ISBN 978-0-324-66054-8. 22MONTGOMERY, D. C., PECK, E. A., VIKING, G. G. Introduction to Linear Regression Analysis, 5. vyd. John Wiley & Sons, 2012. 68 s. ISBN 9780470542811. 23.SHEATHER, S. A Modern Approach to Regression with R. Springer Science and Business, 2009. 12 s. ISBN: 978-0-387-09607-0.
Materiál a metodika
29
y = Xβ + ε .
(3.2)
Znakem y je představován n rozměrný sloupcový vektor pozorování endogenní proměnné. Znak X je matice o rozměru n × (k + 1) pozorování nezávislých proměnných, kdy první sloupec je tvořen jednotkovým vektorem určeným k odhadu absolutního členu modelu β0. Prvkem β je charakterizován k + 1 rozměrný sloupcový vektor neznámých parametrů modelu a znak ε je n-rozměrný vektor náhodných chyb24. 3.1.1 Předpoklady lineárního regresního modelu Prostřednictvím sestaveného lineárního regresního modelu je snaha dosáhnout co možná nejlepších výsledků. Aby jich bylo možné dosáhnout, musí byt splněna řada předpokladů vyslovených o regresním modelu (regresní funkci) a o pozorováních, prostřednictvím kterých jsou odhadnuty. Mezi hlavní předpoklady patří25: • P1: Regresní model je lineární v parametrech a je správně specifikován. • P2: Náhodné chyby mají nulovou střední hodnotu E (ε ) = 0.
(3.3)
• P3: Exogenní proměnné jsou deterministické, tedy hodnoty Xij matice jsou fixní a rozptyly kolem průměru jsou nenulové. Nejsou korelované s náhodnými chybami. E ( X T ε ) = 0.
(3.4)
• P4: Korelace náhodné složky dvou náhodných výběrů musí být nulová, tím je definován předpoklad nulové autokorelace náhodné složky. • P5: Rozptyl náhodných chyb je konstantní pro všechna pozorování. Neobjevuje se heteroskedasticita. • P6: Exogenní proměnné jsou lineárně nezávislé, t.j. X má hodnost rovnu počtu jeho sloupců. Počet pozorování n musí být větší než počet odhadovaných parametrů (vysvětlujících proměnných). h( X ) = k + 1 < n .
(3.5)
• P7: V modelu nesmí dojít k tomu, že by existovala vysvětlující proměnná, která by byla perfektní lineární kombinací jiné vysvětlující proměnné. Nepředpokládá se tedy perfektní multikolinearita. MAREK, L. a kol. Statistika pro ekonomy - aplikace. 2. vyd. Praha: Professional Publishing, 2007. 485 s. ISBN 978-80-86946-40-5. 25GUJARATI, D. N. Basic econometrics. 4. vyd. Boston: McGraw Hill, 2003. 66-75 s. ISBN 978-0-07-233542-2. 24
30
Materiál a metodika
• P8: Vektor náhodných chyb ε má mnohorozměrné normální rozdělení s nulovou střední hodnotou a variačně-kovarianční maticí σ2In.
ε ~ N (0,σ 2 I n ). 3.1.2 Metoda nejmenších čtverců Jednou z metod odhadu parametrů ekonometrického modelu je technika nejmenších čtverců.. Metodou nejmenších čtverců hledáme odhad, aby součet čtverců reziduí byl minimální. Principem této metody je minimalizace součtu čtverců odchylek pozorovaných hodnot od hodnot vypočítaných Často je pro aproximaci využívána lineární funkce. V tomto případě se s touto metodou lze setkat především pod názvem lineární regrese. Odhadnutý vektor parametrů pomocí metody nejmenších čtverců má především dvě vlastnosti, nevychýlenost a vydatnost odhadnutého vektoru. Neboli vektor je nejlepším lineárním nevychýleným odhadem vektoru parametrů s nejmenším rozptylem. 3.1.3 Posouzení regrese Aplikací metody nejmenších čtverců jsou tedy odhadnuty parametry regresního modelu. Jsou-li rovněž splněny všechny výše zmíněné předpoklady, pak je možné díky Gauss-Markovova teorému pokládat daný model za nejlepší možný26. Vypočítané hodnoty vykazují co možná nejlepší přiblížení ke skutečným pozorovaným hodnotám. Důležitým kritériem hodnocení regrese jsou jednotlivé koeficienty, které by měly být zpravidla interpretované i ekonomicky. 3.1.3.1 Parametry shody modelu Pro posuzování správnosti odhadnutých endogenních proměnných a i kvality samotného sestaveného ekonometrického modelu je žádoucí definovat určitá kritéria. Nejprve je vhodné vyjádřit jednotlivé variance v modelu: • Celková suma čtverců (TSS) vyjadřuje celkovou variabilitu endogenní proměnné kolem regresní průměru. n
TSS = ∑ (Yi − Y ) 2
(3.6)
i =1
• Vysvětlená suma čtverců (ESS) je určitá část celkového součtu čtverců, která je vyjádřena modelem.
26GUJARATI,
D. N. Basic econometrics. 4. vyd. Boston: McGraw Hill, 2003. 79 s. ISBN 978-0-07-233542-2.
Materiál a metodika
31 n
ESS = ∑ (Yˆi − Y ) 2
(3.7)
i =1
• Suma čtverců reziduí (RSS) vyjadřuje tu část celkové sumy čtverců, která není vyjádřena a popsána modelem. Vyjadřuje rozptyl empirických hodnot od hodnot vyrovnaných. n
n
i =1
i =1
2 RSS = ∑ (Yi − Yˆi ) 2 = ∑ ei
(3.8)
Po definování jednotlivých variancí v modelu je možné za parametry shody modelu považovat27: • Koeficient determinace (R2) definuje část celkové variability závislé proměnné, kterou vysvětluje model. Určuje tedy jaká část celkové variability je determinována daným ekonometrickým modelem28. R2 =
ESS RSS = 1− TSS TSS
(3.9)
Mezi nejdůležitější vlastnosti tohoto koeficientu patří: - Při akceptování a definování dalších nezávislých proměnných nedochází k poklesu R2. - Hodnota tohoto koeficientu se pohybuje v následujícím intervalu 0 ≤ R 2 ≤ 1 . Pokud je hodnota rovna nule, pak daný ekonometrický model nevysvětluje žádnou část variability endogenní proměnné. Pokud se hodnota naopak přiblíží jedné, jsou rezidua nulová a tudíž i reziduální rozptyl je nulový, daný model plně vystihuje zkoumaný vztah. - Mnohočetně chybně specifikované modely se zpravidla vyznačují nadměrně vysokou hodnotou R2 a velmi často se v tomto modelu vyskytuje multikolinearita nebo regrese se stochastickým trendem. - Extrémně nízké R2 je příznačné pro mikro-ekonometrické analýzy obsahující model s exogenními proměnnými, které nedostatečně vysvětlují vliv na proměnnou endogenní. Pokud by se nahlíželo na koeficient determinace jako na indikátor kvality modelu, pak by model s vysokou hodnotou a tedy s vyšším počtem exogenních proměnných byl vždy lepší. Tento fakt vyplývá ze závislosti jen na vysvětleném a nevysvětleném součtu čtverců. Vhodnějším ukazatelem pro 27WOOLDRIDGE,
J. M. Introductory econometrics: a modern approach. 4. vyd. Mason, Ohio: South-Western, 2008. 199-205 s. ISBN 978-0-324-66054-8. 28MONTGOMERY, D. C., PECK, E. A., VIKING, G. G. Introduction to Linear Regression Analysis, 5. vyd. John Wiley & Sons, 2012. 35-37 s. ISBN 9780470542811.
32
Materiál a metodika
kvalitu modelu se osvědčuje míra, která bere v potaz mimo variability ve formě sum čtverců také stupně volnosti. • Upravený koeficient determinace ( R 2 )29 snižuje svoji hodnotu při vložení neprůkazných vysvětlujících proměnných do modelu. Upravený koeficient determinace je vhodným měřítkem pro posuzování řady ekonometrických modelů obsahujících stejnou závislou proměnnou i přesto, že mohou obsahovat rozdílný počet nezávislých proměnných i pozorování. Tento koeficient dosahuje nižších hodnot než samotný koeficient determinace. R 2 = 1−
n − 1 RSS n − k − 1 TSS
(3.10)
Volba konkrétního modelu se provádí pomocí řady informačních kritérií. Princip těchto kritérií spočívá v očištění součtu čtverců RSS o rozsah souboru n a počet regresních parametrů p. Za nejvhodnější model je pokládán ten, který minimalizuje hodnotu tohoto kritéria. Mezi nejčastěji užívaná kritéria se řadí30: • Akaikeho informační kritérium (AIC)
RSS 2 p , AIC = ln + n n
(3.11)
kde jsou kritéria srovnání odlišných verzí specifikací modelu dle korekce reziduálního rozptylu o počet pozorování (n), eventuálně o počet regresních parametrů (p). • Bayesovské informační kritérium (BIC, SIC) p RSS BIC = ln + ln(n) . n n
(3.12)
Jedná se o konzervativnější variantu ke kritériu AIC. Toto kritérium penalizuje počet parametrů a rozsah výběrového souboru. • Hannanovo-Quinovo informační kritérium (HQC) 2p RSS . HQC = ln + ln(ln(n)) n n
(3.13)
Jedná se o další variantu ke kritériím AIC i BIC. HQC má obdobné atributy jako BIC. 29WOOLDRIDGE,
J. M. Introductory econometrics: a modern approach. 4. vyd. Mason, Ohio: South-Western, 2008. 200 s. ISBN 978-0-324-66054-8. 30HAMPEL, D., STŘELEC, L. Ekonometrie 2. 1. vyd. Brno: Mendelova univerzita v Brně, 2011. 147 s. ISBN 978-80-7375-540-9.
Materiál a metodika
33
Zmíněná informační kritéria jsou aplikována na specifikované modely a tedy nemají kompetenci informovat, zda v daném modelu nechybí relevantní proměnná. 3.1.3.2 Základní testy v lineárním regresním modelu Posuzování průkaznosti jednotlivých proměnných a modelu je vhodné provádět dle celé řady testů. Výběr některých z nich je uveden v následujícím výčtu: • Testování parametrů modelu K testování významnosti parametrů vysvětlujících proměnných se využívá tzv. t-test. Hypotéza tohoto testu je stanovena následovně: H0 : β j = 0 H1 : β j ≠ 0
t=
βˆ j ~ t (n − k − 1) . σˆ βˆ
(3.14)
j
Jelikož t-statistika se zvyšujícími se stupni volnosti (n-k-1) > 30 se přibližuje k normálnímu rozdělení, jsou relevantní kritické hodnoty: od 1,96 pro 5 % hladinu významnosti, nebo pro 1 % hladinu hodnoty 2,58 31. Následně je vhodné definovat konfidenční intervaly β j :
βˆ j − 1,96σˆ βˆ ≤ β j ≤ βˆ j + 1,96σˆ βˆ . j
j
V případě, že se prokáže platnost nulové hypotézy, pak není parametr statisticky významný a tedy neprojevuje se závislost exogenní proměnné na proměnnou endogenní. Tuto exogenní proměnnou je vhodné následně z modelu vyřadit. • Testování významnosti modelu jako celku
Ke zkoumání významnosti modelu jako celku, při kterém se vychází z posouzení sdružené hypotézy o parametrech modelu β j zároveň, se užívá tzv. F-test. • Testování existence normality chybového členu
K dalšímu neméně důležitému předpokladu, který je nutné otestovat, patří normalita chybového členu. Tedy rezidua sestaveného modelu vycházejí z 31HINDLS,
R. a kol. Statistika pro ekonomy. 8. vyd. Praha: Professional Publishing, 2007. 230-233 s. ISBN 978-80-86946-43-6.
34
Materiál a metodika
normálního rozdělení. Testování je prováděno například Jarque-Bera testu (JB), který srovnává diferenci mezi špičatostí a šikmostí reziduí a normálního rozdělení. Dochází k testování nulové hypotézy: chybový člen je normálně rozdělen. Alternativní hypotéza je definována protikladně k nulové hypotéze. Statistika je počítána32:
(
)
) ) S 2 K − 3 2 (3.15) JB = n + , 24 6 ) ) kde znak S značí šikmost a K znamená špičatost. JB test má chí-kvadrát rozdělení se dvěma stupni volnosti. Pokud tato statistika nabývá nízké hodnoty, pak dochází k zamítnutí nulové hypotézy.
• Detekce multikolinearity Jeden z podstatných předpokladů, který musí být splněn pro odhad parametrů modelu, je lineární nezávislost všech vysvětlujících proměnných, tzn. žádná z nich nesmí být lineární kombinací jiné (kolinearita) nebo jiných exogenních proměnných (multikolinearita). Pří testování tohoto předpokladu se sleduje přibližná závislost sloupců matice X, která je dána vysvětlujícími proměnnými modelu. Pro multikolinearitu je typický vysoký R2 a rovněž i vysoká F-statistika, avšak zároveň jsou tyto ukazatele doplněny nízkými hodnotami t-testu. Projevem multikolinearity jsou vysoké standardní chyby33. Detekce multikolinearity se provádí například prostřednictvím indikátorů: - Posuzování hodnot VIF (variační inflační faktor) Tento faktor popisuje růst variability koeficientů regrese při existenci multikolinearity. VIFi =
1 1 − Ri2
(3.16)
V rovnici Ri2 představuje koeficient determinace pomocné regrese i-té proměnné. Proměnná vykazující multikolinearitu vykazuje hodnotu VIF větší než 10. - Posouzení dle korelačního koeficientu
32RUPERT,
D. Statistics and Data Analysis for Financial Engineering. Springer, 2011. 86 s. ISBN 9781441977878. 33BROOKS, CH. Introductory econometrics for finance. 2nd ed. Cambridge: Cambridge University Press, 2008. 170-174 s. ISBN 9780521873062.
Materiál a metodika
35
Toto posouzení se odvíjí od korelačního koeficientu mezi vybranými sloupci matice X sestavené vysvětlujícími proměnnými modelu. Za podmínky že je rxi , x j > 0,8 , pak se vyskytuje multikolinearita. • Testování heteroskedasticity Nezbytné je ověřit v modelu i předpoklad týkající se heteroskedasticity, která říká, že pozorování chybového členu nepramení z rozdělení s konečným a konstantním rozptylem. Cílem předpokladu je konstantní a konečný rozptyl chybového členu, tedy tzv. homoskedasticita34. Testuje se nulová hypotéza: H0: σ 2 = const. H1: V modelu se vyskytuje heteroskedasticita Pro detekci heteroskedasticity se využívá cela řada metod. V této práci bude představen především Whiteův test. Testování probíhá dle LM testu v následující podobě: LM = nR 2 ~ χ 2 (k ) ,
(3.17)
kde n je počet pozorování, k počet parametrů pomocného modelu a R2 je koeficient determinace. V případě, že p-hodnota testovací statistiky dosahuje nižších hodnot než zvolená hladina významnosti, potom se zamítá nulová hypotéza.
3.2 Analýza časových řad V rámci této diplomové práce je potřeba analyzovat zvolený ekonomický jev, konkrétně ceny vybraných ropných produktů v České republice v čase. Proto se i v této práci musí zákonitě objevit problematika časových řad. Pod časovou řadou lze chápat posloupnost věcně a prostorově srovnatelných pozorování (dat), která lze uspořádat časového hlediska od minulosti po přítomnost. Analýzou, eventuálně prognózou časových řad se považuje soubor metod, které jsou určeny k popisu těchto dat a příhodně i k předvídání jejich budoucího chování. Cílem analýzy časových řad a tedy i těchto postupů je vysvětlení dynamického vývoje ukazatelů v čase35. K předpokladům dynamických modelů časových řad je fakt, že jsou sestrojovány z pozorování ekonomických veličin, které splňují vlastnost stacionarity. Stacionární řada je taková časová řada, která se v celém pozorovaném období 34BALTAGI,
B. H. Econometrics. 5. vyd. Springer Texts in Business and Economics, 2011. 104106 s. ISBN 3642200591. 35HINDLS, R., HRONOVÁ, S., SEGER, J. Statistika pro ekonomy. 5. vyd. Praha: Professional Publishing, 2004. 246 s. ISBN 80-86419-59-2.
36
Materiál a metodika
pohybuje v okolí nějaké konstanty. Opakem k těmto řadám jsou řady značené jako nestacionární. Tyto řady mají zpravidla rostoucí trend a jedná se například o časové řady inflace, hrubého domácího produktu, exportu nebo mezd. V případě, že časové řady mají nestacionární charakter a tedy obsahují jednotkový kořen, je vysoká pravděpodobnost výskytu tzv. nepravé (zdánlivé) regrese, která znehodnocuje dosažené výsledky modelu. Při aplikaci metody nejmenších čtverců poté indikují t-testy, F-testy i index determinace vhodnost modelu36. Zdánlivá regrese se objevuje v případech, kdy například dvě proměnné mají podobný trend, vykazují významnou regresní závislost. Pod stacionární řadou je chápána řada, u které průměry, variance a autokovariance časové řady nepodléhají vlivu času. Při splnění podmínky stacionarity je možné si řadu představit jako výběr z jednoho rozdělení. Posuzování stacionarity lze dle pozorování vývoje grafu časové řady, tvaru autokorelační funkce (ACF), parciální autokorelační funkce (PACF) z korelogramu nebo dle statistických testů jednotkových kořenů. Autokorelační funkce popisuje intenzitu lineárního vztahu mezi hodnotami v čase xt a xt-k. Souvislost mezi hodnotami může být zapříčiněna i hodnotami nacházející se mezi zmíněnými hraničnímu hodnotami. Proto se sleduje i korelační vztah z PACF, která neobsahuje tento vliv. Stacionarizaci je možné dosáhnout obvykle dvěma způsoby. První možností, jak eliminovat trend je pomocí zahrnutí časové proměnné jako jedné z vysvětlujících proměnných do regresního modelu. Druhou možností je přechodem na první diference časové řady, avšak tímto krokem dochází při modelování ke ztrátě informace o vztahu mezi řadami z dlouhodobého hlediska37. Ke zjištění existence stacionarity časových řad slouží v programu Gretl testy jednotkových kořenů. Nejužívanějším testem pro odhalení jednotkových kořenů i u složitějších modelů je rozšířený Dickey-Fullerův test (ADF test). Ke zjišťování existence jednotkového kořene se využívají tři modely: p
bez konstanty a trendu
Yt = δYt −1 + γ i ∑ ∆Yt −1 + ut ,
(3.18)
i =1
p
s konstantou
Yt = α + δYt −1 + γ i ∑ ∆Yt −1 + ut ,
(3.19)
i =1
p
s konstantou a trendem Yt = α + βt + δYt −1 + γ i ∑ ∆Yt −1 + u t .
(3.20)
i =1
36HUŠEK,
R. Ekonometrická ISBN 978-80-245-1300-3. 37HUŠEK, R. Ekonometrická ISBN 978-80-245-1300-3.
analýza.
Praha:
Oeconomica,
2007.
analýza.
Praha:
Oeconomica,
2007.
Materiál a metodika
37
U těchto modelů je testována nulová hypotéza: H0: δ = 1 – proces je nestacionární. Oproti alternativní hypotéze, která zní: H1: δ < 1 – proces je stacionární a neexistuje jednotkový kořen. Ke zjišťování výskytu jednotkového kořene slouží i KPSS test. Zatímco Dickey-Fullerův test je stanoven tak, že nulovou hypotézou je přítomnost jednotkového kořene, KPSS test přijímá stacionaritu jako nulovou hypotézu a přítomnost jednotkového kořene staví do alternativní hypotézy. Konzistentní model lze být sestaven za podmínky, že jsou nestacionární proměnné kointegrovány. K ověření tohoto vztahu obsahuje program Gretl dva testy kointegrace: Engle-Grangerův test38. Tento test je založen na předpokladu, že pokud je sestaven model z proměnných, které jsou kointegrované, rezidua tohoto modelu budou stacionární. Stačí tedy provést na stacionaritu reziduí. Pokud není zamítnuta nulová hypotéza o přítomnosti jednotkového kořene vycházející z ADF testu, je nutné konstatovat, že potom neexistuje kointegrační vztah. Pokud je ale nulová hypotéza zamítnuta, znamená to, že rezidua z kointegrační rovnice jsou stacionární a můžeme tak vyvodit závěr, že časové řady jsou kointegrované. 3.2.1 Box-Jenkinsova metodologie Tato metoda připisuje významnost náhodné složky, u které se zkoumá, zda vzniká na základě vzájemné korelace náhodných veličin. Na rozdíl od ostatních modelů se zde klade důraz na regresní analýzu více či méně závislých pozorování mající podobu časové řady a sleduje se tedy závislost mezi jednotlivými pozorováními (daty)39. Mezi jednotlivé kategorie modelu v Box-Jenkinsově metodologii se řadí40: • Autoregresní proces p-tého řádu AR(p), který definuje proces, při kterém je časová řada v čase t formována lineární kombinací hodnot pocházejících z minulosti této řady. Tento proces se vyznačuje předpokladem, že náhodná veličina tvoří tzv. bílý šum. Navzájem nekorelované náhodné veličiny mají pak nulovou střední hodnotu a v čase neměnný rozptyl. • Proces klouzavých průměrů q-tého řádu MA(q) je představován jako postup, kdy je hodnota v čase t vysvětlována lineární kombinací nejen minulých hodnot náhodné veličiny, ale i hodnot současných. • Smíšený proces ARMA(p,q) řádu p a q vznikající jako kombinace MA a AR modelů.
38BROOKS,
CH. Introductory econometrics for finance. 2nd ed. Cambridge: Cambridge University Press, 2008. 648 s. ISBN 9780521873062. 39ARLT, J., ARLTOVÁ, M. Ekonomické časové řady. 1. vyd. Praha: Professional Publishing, 2009. 290 s. ISBN 978-80-86946-85-6. 40HINDLS, R., HRONOVÁ, S., SEGER, J. Statistika pro ekonomy. 5. vyd. Praha: Professional Publishing, 2004. 255 s. ISBN 80-86419-59-2.
38
Materiál a metodika
Kromě požadavku minimálního počtu pozorování v modelu vyžaduje tato metoda i předpoklad stacionarity časových řad i výše zmíněných procesů. Stacionarita časové řady znamená, že její chování je v určitém smyslu stochasticky ustálené. Rozlišuje se striktní a slabá stacionarita. Striktní stacionarita znamená, že rozdělení pravděpodobnosti Yt je v čase konstantní, tedy pravděpodobnostní chování příslušného procesu je neměnné vůči umístění v čase. Slabá stacionarita udává, že průměr a rozptyl je neměnný, přičemž kovariance libovolných dvou pozorování časové řady se odvíjí pouze od délky zpoždění41. V Box-Jenkinsově metodě se pracuje se slabou stacionaritou. V případě, že je sledovaná časová řada nestacionární, dochází k jejímu převodu na stacionární pomocí diferencování s řádem d. Sloučením modelů pak vzniká ARIMA(p,d,q) a díky sezónním vlivům model SARIMA. 3.2.2 Regresní (příčinné) modely, lineární dynamické modely Regresní, příčinné modely popisují endogenní proměnnou v závislosti na jedné nebo více vysvětlujících proměnných. Jak již vychází z názvu tohoto modelu je úsilím naleznout příčinné vazby mezi zkoumanými veličinami za předpokladu lineárních nebo linearizovatelných vazeb mezi proměnnými. Yt = f (t , Y1t , Y2t ,..., Ykt , ε t )
(3.21)
Stanovení, respektive odhadnutí jednotlivých parametrů modelu je uskutečňováno pomocí metody nejmenších čtverců 3.2.3 Vektorový autoregresní model (VAR) Vektorový autoregresní model (VAR) je charakterizován jako soubor lineárních regresních rovnic, ve kterém je každá proměnná formulována jako vysvětlující i vysvětlovaná veličina ve vztahu k ostatním proměnným. V rámci tohoto modelu dochází ke slučování dvou a více časových řad dohromady a vytváří se tak mnohorozměrná časová řada. Autoregresní model popisuje závislost určité proměnné na vlastních zpožděných hodnotách. Model se využívá především, existuje-li závislost nejen mezi složkami jedné časové řady, ale i mezi jednotlivými časovými řadami navzájem42. Maticovou formu standardního tvaru neomezeného m-rozměrného VAR(p) modelu lze obecně zapsat43:
41ARLT,
J., ARLTOVÁ, M. Finanční časové řady. 1. vyd. Praha: Grada, 2003. 220 s. ISBN 80247-0330-0. 42HAMPEL, D., STŘELEC, L. Ekonometrie 2. 1. vyd. Brno: Mendelova univerzita v Brně, 2011. 101 s. ISBN 978-80-7375-540-9. 43HUŠEK, R., 2007. Ekonometrická analýza. Praha: Oeconomica. ISBN 978-80-245-1300-3.
Materiál a metodika
39
z t = ω + ∏ Z t −1 + vt , t = 1,2,…,T,
(3.22)
kde Zt-i - m ×1 rozměrný vektor pozorovaných hodnot endogenních proměnných, ω - m ×1 rozměrný vektor obsahující úrovňové konstanty, Пi - kde i = 1, 2, …, p - m×m matice parametrů endogenních proměnných zpožděných o i období., vt - m ×1 rozměrný vektor náhodných složek VAR modelu, generovaných procesem bílého šumu, se symetrickou a pozitivně definitní kovarianční maticí Σv: vt ~ (0, Σv) , m - počet endogenních proměnných VAR modelu (tj. počet rovnic modelu), p - maximální délka zpoždění. Soustava rovnic (3.22) zastupuje tzv. redukovaný tvar modelu VAR, který je sestavován především pro odhady a stanovení funkcí impulzu a odezvy a prognózy. Jednotlivé rovnice uvedeného VAR modelu neobsahují oboustranné vazby mezi endogenními proměnnými. Každá z rovnic systému (3.22) zahrnuje totožnou množinu endogenních a exogenních proměnných. Jednotlivá endogenní proměnná je představena jako lineární kombinace zpožděných hodnot endogenních proměnných s totožnou délkou maximálního zpoždění, eventuálně dále množinou exogenních proměnných ve formě různých nula-jednotkových dummy proměnných apod. Nezpožděné proměnné se v takovém systému nacházejí jen v roli vysvětlovaných proměnných. Systém rovnic v uvedeném modelu (3.22) je tzv. soustavou zdánlivě nezávislých rovnic44. Při využití VAR modelů lze se setkat s těmito problémy: • vyskytuje se problém s odhadem řádu modelu p, • se zvyšující délkou maximálního zpoždění řádu p dochází k rychlému růstu počtu odhadovaných parametrů VAR modelu a současně tak dochází k poklesu počtu stupňů volnosti. Tento problém se týká především krátkých časových řad, • předpoklad stacionarity proměnných vyžaduje ve většině případů jejich přeměnu, která však může způsobit ztrátu informace o vztazích mezi proměnnými, • je-li mezi endogenními proměnnými kointegrační vztah, pak při stacionarizaci proměnných diferencováním vzniká v modelu VAR tzv. specifikační chyba. V rámci této problematiky se proto využívá modelů korekce chyby45. Konstrukce a odhad VAR modelu lze popsat následovně46: 44HUŠEK,
R. Základy ekonometrické analýzy. 1. vyd Praha: Vysoká škola ekonomická, 1998, 265 s. ISBN 80-7079-441-0. 45HUŠEK, R. Aplikovaná ekonometrie: teorie a praxe. Praha: Oeconomica, 2009. ISBN 978-80-245- 1623-3. 46HUŠEK, R., 2007. Ekonometrická analýza. Praha: Oeconomica. ISBN 978-80-245-1300-3.
40
Materiál a metodika
• Volba proměnných modelu – s růstem proměnných v modelu roste i potřeba parametrů, které je zapotřebí odhadnout. • Testování stacionarity časových řad - pomocí aplikace tzv. testů jednotkových kořenů (ADF test, KPSS test). Pokud nějaká časová řada není stacionární, dochází k transformaci pomocí prvních či vyšších diferencí. • Odhad řádu zpoždění modelu VAR o Pro odhad optimální délky zpoždění se užívají tzv. informační kritéria, mezi které se řádí Akaikeho, Schwarzovo a HannanQuinnovo informační kritérium. Pro odhad délky zpoždění je vybírána varianta minimalizující hodnoty informačních kritérií. o Výběrem řádu zpoždění je snaha, aby vymizela autokorelace náhodných složek ve všech rovnicích modelu. o V praxi často dochází k volbě maximálního řádu zpoždění předem bez ohledu na hodnotu informačních kritérií. • Ortogonalizace náhodných složek – transformace vektoru náhodných složek (reziduí) tak, aby byla jejich kovarianční matice skalární. Tato transformace je nezbytná pro konzistenci odhadu parametrů VAR modelů pomocí metody nejmenších čtverců a pro predikce a sestavení funkcí odezvy. • Odhad modelu - pomocí aplikace metody nejmenších čtverců na jednotlivé rovnice modelu. • Diagnostika modelu – zkoumání vhodnosti získaného modelu. Zkoumá se autokorelace nesystematické složky, její normalita a heteroskedasticita. V souvislosti s VAR modelováním a stacionaritou je v literatuře často zmiňován pojem stabilita. VAR model je považován za stabilní, pokud efekt účinku exogenního šoku na libovolnou endogenní proměnnou trvá krátkou dobu. Jestliže působí efekt šoku poměrně dlouho, pak lze považovat daný VAR model jako nestabilní. Pokud je daný model stabilní a současně má v čase konstantní aspoň první a druhé momenty, pak se hovoří o slabé stacionaritě modelu (stacionární v kovariancích). Stabilita je dostačující podmínkou stacionarity. Ve VAR(1) modelu (3.22), pro m endogenních proměnných, se provádí určování stability na základě tzv. charakteristických kořenů matice П. Stabilita je zajištěna v případě, že jsou všechny charakteristické kořeny matice П menší než jedna47. 3.2.4 Analýza impulzu a odezvy Funkce odezvy odměřuje efekt jednotkového exogenního šoku na současné i budoucí hodnoty jednotlivých endogenních proměnných v jednotlivých rovnicích sestaveného VAR modelu. V m-rozměrném VAR modelu lze pozorovat od momentu impulsu celkem m2 odezev. Tedy odezvu každé z m endogenních proměnných na jednotkový exogenní šok určité m-endogenní proměnné VAR 47HUŠEK,
R., 2007. Ekonometrická analýza. Praha: Oeconomica. ISBN 978-80-245-1300-3.
Materiál a metodika
41
modelu. Pokud je systém stacionarizován, efekt všech uvedených jednotkových exogenních šoků s postupem času odezní a celý systém se vrací do původní rovnováhy. Pak se jedná o stabilní systém. Analýza funkcí odezvy je nejčastěji zmiňována v analýzách týkajících se dopadů hospodářských politik48. 3.2.5 Testování Grangerovy kauzality Spolu s modelem VAR je úzce spjata i Grangerova kauzalita. V rámci analýzy Grangerovy kauzality se analyzují kauzální vztahy mezi jednotlivými ukazateli, které do tohoto systému vstupují. Existuje celá řada přístupů, jak zkoumat tyto kauzální vztahy. VAR modely se především používají k testování směru kauzální závislosti v Grangerově pojetí, jinak řečeno k ověření Grangerovy kauzality. Pod tím je možné si představit testování kauzality ve smyslu času, tedy zda změna v jedné veličině, či skupině veličin, předchází v časovém horizontu změně ve veličině cílené. Neboli se ověřuje fakt, zda má jedna proměnná, či skupina proměnných, v modelu VAR schopnost vylepšit prognózu jiné proměnné49. Testování Grangerovy kauzality z pohledu odborné literatury není přípustné zaměňovat s testováním vztahu ve významu příčina-následek. 3.2.6 Extrapolace Popis uplynulého vývoje pozorovaného procesu, který je možné dosáhnout na základě výše zmíněných metod, není jediným cílem analýzy časových řad. Díky porozumění dosavadního vývoje je vhodné sestavit prognózu budoucího vývoje, která by co nejpřesněji zachycovala nepoznané budoucí data. Předpokladem úspěšné predikce je co nejpřesnější popis dosavadního vývoje a fakt, že i vývoj v budoucnosti bude ovlivňován analogickými zákonitostmi jako v minulém vývoji. Neočekávají se významné změny v trendu, sezónnosti i náhodné složky a rovněž nedojde k extrémním dramatickým výkyvům vysvětlujících proměnných v důsledku neočekávaných exogenních zvratů a událostí. Pokud jsou předpoklady splněny, pak lze k sestrojení predikce využít extrapolaci trendové funkce, která je používána pro krátkodobé odhady.
3.3 Zkoumaná data V této práci je analyzován vývoj cen vybraných ropných produktů, Naturalu 95 a motorové nafty v letech 2001-2012 na území České republiky. Cena těchto produktů na území České republiky je ovlivňována celou řadou faktorů, které budou zkoumány v této práci. Na finální ceně ropných produktů působí především stát v podobě daňového zatížení, dále bezpochyby cena ropy obchodovaná na světových trzích, ze které se vyrábí ropné produkty a od kterých se odvíjejí rafi48LÜTKEPOHL,
H. New introduction to multiple time series analysis. Springer, 2005. ISBN 9783540262398. 49HUŠEK, R. Aplikovaná ekonometrie: teorie a praxe. Praha: Oeconomica, 2009. ISBN 978-80-245- 1623-3.
42
Materiál a metodika
nérské ceny. Dále má na ceny vliv rovněž kurz koruny k dolaru, za který se ropa a ropné produkty nakupují, a rovněž se na finální ceně podílí i marže distributorů a prodejců. V práci jsou použity měsíční data o délce 144 pozorování od roku 2001 až do konce roku 2012. Cenu benzínu a nafty v České republice lze rozložit z pohledu vertikálního zpracovatelského řetězce na jednotlivé zmíněné komponenty, kterými jsou cena ropy, hrubé marže rafinérií a maloobchodu (včetně distribuce) a daně. Faktory vývoje cen nafty z pohledu vertikálního zpracovatelského řetězce jsou uvedeny v následujícím Obr. 5, ze kterého je zřetelné, že hlavním faktorem vývoje maloobchodní ceny je cena ropy.
Obr. 5 Faktory vývoje cen nafty v Kč/litr Zdroj: Bloomberg, ČSU, výpočet ČNB.
Tato práce se tedy bude zabývat analýzou vztahu mezi cenami benzínu a nafty v České republice a vybranými veličinami, které mohou mít s těmito cenami ekonomickou souvislost. Důraz bude kladen na kvantifikace ekonomických vztahů mezi danými cenami a zvolenými veličinami. To dá možnost provést podmíněné predikce vývoje cen benzínu a nafty v České republice. Obecně je možné popsat pro například ceny benzínu ekonometrický model následovně:
Benzin = f ( Nafta, Brent ,WTI , OPEC , Kurz , HDPč , HDPeu, ε ) , kde
Benzín Nafta Brent WTI OPEC Kurz HDPčr HDPeu
ε
je cena benzínu v Kč/l je cena nafty v Kč/l je cena ropy typu Brent v USD/barel je cena ropy typu WTI v USD/barel je cena ropy typu koš OPEC v USD/barel je hodnota kurzu CZK/USD je hrubý domácí produkt České republiky v mil. Kč je hrubý domácí produkt Evropské unie v mil. eur je náhodná složka.
Materiál a metodika
43
Cena benzínu, jako vysvětlující proměnná, v tomto případě vystupuje jako funkce ceny nafty, ceny Brentu, ceny WTI, ceny koše OPEC, kurzu, HDP České republiky, HDP Evropské unie a náhodné složky. Zmíněné veličiny, jejich zdroje a ekonomické souvislosti jsou popsány detailněji v následující části. Ceny benzínu a nafty na českých čerpacích stanicích Ceny pohonných hmot jsou stanovovány výstupními cenami rafinérií, ke kterým distributoři a prodejci pohonných hmot účtují marže. Podle vzájemných mezinárodních dohod distribuují rafinérie v Evropské unii své produkty za shodnou cenu, která je vymezována na komoditní burze v Rotterdamu. Obchod s ropnými výrobky a ropou je plně liberalizován a v evropském měřítku je regulován kotacemi cen na burze v Rotterdamu. Proto tedy i ceny na tuzemském trhu se řídí vývojem kotací ropy na burze50. Ceny benzínu Naturalu 95 a motorové nafty se v této práci a konkrétně v modelu budou vyskytovat jako endogenní, vysvětlované proměnné. Tedy bude zkoumáno jaké veličiny na ně působí a bude snaha o nejpřesnější a tedy nejvěrnější kvantifikaci těchto vlivů. Na českém území se v minulosti prodávalo několik typů benzínů. Avšak během doby docházelo ke snižování nabízeného sortimentu na stojanech čerpacích stanic. Některé typy benzínů byly dokonce z trhu staženy z důvodů nízkého odbytu. Kromě benzínu typu Natural 95 se od ostatních zbylých typů benzínů na trhu čerpacích stanic v České Republice opouští. V této práci budou proto zkoumány ceny Naturalu 95, který je v současnosti jednoznačně nejprodávanějším typem benzínu. Z pohledu dat je obtížné dohledat ceny některých dnes už nepoužívaných typů benzínu a bylo by bezúčelné sledovat jejich vývoj v minulosti, jelikož by nemělo smysl a význam předikovat jejich vývoj do budoucna. Průměrné měsíční ceny vybraných produktů Naturalu 95 a motorové nafty jsou vypočítávány z reprezentativního vzorku transakcí na karty CCS uskutečněných na všech terminálech čerpacích stanic v akceptační síti CCS v ČR. Tuto síť v září 2010 tvořilo kolem 2 182 čerpacích stanic. Měsíční data jsou získávány jako podíly jednotkových cen za pohonné hmoty na všech terminálech v České republice, respektive v příslušném kraji, a celkového počtu terminálů. Na získané hodnoty nepůsobí míra návštěvnosti čerpací stanice zákazníky a ani množství načerpaných pohonných hmot. Uvedené průměrné měsíční ceny vycházejí z databáze cen společnosti CCS a jsou vedeny v Kč na 1 litr pohonné hmoty. Mezi zkoumané veličiny mající vliv na vysvětlované proměnné jsou řazeny tyto faktory: • Kotované ceny na burze v Rotterdamu Jak již bylo zmíněno výše, obchod s ropnými výrobky a ropou je plně liberalizován a v evropském měřítku je regulován kotacemi cen na burze v Rot-
50ŠLANCAR,
J. Vliv cen ropy na cenu dopravy v České republice v letech 2004-2008. Bakalářská práce. Brno: MENDELU Brno, 2010. 48 s.
44
Materiál a metodika
terdamu. Kotace je indikátorem současné cenové úrovně ropných produktů, kterou vymezuje společnost Platts. Platts je nadnárodně působící společnost, která shromažďuje a poskytuje aktuální informace o vývoji trhů s energetickými výrobky, kovy, petrochemií a se zemědělskými komoditami. Ceny pohonných hmot patří do zboží, u kterého dochází k rychlým a neustálým změnám cen51. Platts tedy svými kotacemi definuje určitou směrodatnou referenční bázi, dle které se uzavírají kontrakty na dané komodity. Prodejci si následně připočítají k cenové úrovni Platts určitou prémii, která se zákonitě projeví ve finální ceně produktu. Ceny v České republice proto kopírují ceny, za které je obchodováno v Evropě. Společnost Platts poskytuje informace ohledně cen jen za úplatu. Tyto služby jsou zpoplatněny a neposkytují se veřejnosti, ale jsou dostupné pouze zákazníkům společnosti. Proto tyto kotované ceny nebudou zahrnuty do modelu jako vysvětlující proměnné. • Cena Ropy Brent, WTI a koše OPEC Ceny Naturalu 95 a motorové nafty na českém trhu se zákonitě musí odrážet od rafinérských cen ropných produktů a tyto vychází pří jejich stanovení ceny ze světových cen ropy kotovaných na komoditních burzách. Je nepochybné, že se ceny ropy promítají do cen ropných produktů, jelikož ropa je surovinou, z níž se ropné produkty vyrábí. O jakou závislost se jedná, bude předmětem zkoumání v této práci. Jak již bylo zmíněno v literární rešerši, ropa typu Brent je ideální pro výrobu benzínu a středních destilátů. Obvykle je zpracována v rafinériích v severozápadní Evropě, avšak pokud jsou tržní ceny příznivé pro export, může se zpracovávat i v rafinériích v USA či v zemích okolo Středozemního moře. Tato ropa se dříve obchodovala jen na Mezinárodní ropné burze v Londýně, avšak od roku 2005 je obchodována také na elektronické Intercontinental Exchange, označované jako ICE. Jeden kontrakt ropy Brent má velikost 1000 barelů (160 m3) a tyto kontrakty jsou v amerických dolarech. Ropa Brent byla v minulosti přibližně o 1 dolar levnější než WTI. Od roku 2007 se ropa Brent postupně výrazně odchýlila od ropy WTI a v roce 2012 se rozdíl vyšplhal až přes 20 dolarů za barel. Tento rozdíl je připisován často postupnému vyčerpávání nalezišť v Severním moři, uzavřením některých ropných vrtů a utlumení těžby. Ropa západotexaská (West Texas Intermediate - WTI), také označována jako Texas Light Sweet, je typ ropy užívána pro oceňování cen ropy a derivátů z ní odvozených na Newyorské burze (New York Mercantile Exchange - NYMEX). Ceny s měsíční periodicitou byly získány ze statistik vedených organizací U.S. Energy Information Administration (EIA). Na straně nabídky na trhu s ropou hraje významnou roli OPEC (Organizace zemí vyvážejících ropu), která ovlivňuje přibližně 40 % celosvětové 51ŠMÍDOVÁ,
A. Statistická analýza vývoje cen motorových paliv v České republice. Diplomová práce. Brno: MZLU v Brně, 2009.
Materiál a metodika
45
nabídky ropy. Dohoda mezi zeměmi dlouhodobě stanovuje kvóty, které definují objem produkce členských zemí. Proto i od cen koše OPEC se odvíjejí i ceny ostatních typů ropy, jako je Brent a WTI. Ropa koše OPEC zahrnuje v sobě 7 druhů ropy: Arab light (Saudská Arábie), Bonny light (Nigérie), Fateh (Spojené arabské emiráty), Isthmus (Mexiko), Minas (Indonésie), Tia Juana Light (Venezuela) a Saharan Blend (Alžírsko). Cena koše OPEC je kalkulována jako aritmetický průměr cen těchto sedmi druhů ropy z produkce kartelu OPEC včetně nečlenského Mexika. Oficiální cena koše je deklarována sekretariátem OPEC ve Vídni v denní, týdenní a měsíční periodicitě. Zdrojová data pro modelování byla získána z oficiálních statistik organizace OPEC. Měsíční ceny ropy typu Brent, WTI i koše OPEC jsou v modelu uváděny v amerických dolarech za 1 barel. • Vliv daňového zatížení Na konečné ceny vybraných ropných produktů ve většině zemí na světě má vliv stát především v podobě daní. Na českém území tvoří daně dominantní část ceny, jelikož se daně podílejí přibližně 50 % na konečné ceně. Daňové zatížení cen motorových paliv je tvořeno spotřební daní a daní z přidané hodnoty. V Evropské unii je platná směrnice stanovující minimální spotřební daň, avšak drtivá většina zemí stanovují daně výše, než ukládá směrnice. Velikost daňového zatížení je v České republice v moci zákonodárců a mění se jen zřídkakdy. Motorová paliva se řadí do skupiny minerálních olejů, na kterou je uvalena spotřební daň dle zákona č. 587/1992 Sb., o spotřebních daních, ve znění pozdějších předpisů52. Spotřební daň má odlišnou výši jednak pro motorovou naftu, tak i pro olovnatý a bezolovnatý benzín. Natural 95 se řadí k benzínu bezolovnatého mající obsah olova do 0,013 g/l, a proto v této práci bude zohledněna jen sazba daně pro bezolovnatý benzín. V počátku sledovaného období až do konce roku 2003 byla sazba daně ve výši 10,48 Kč/l. V průběhu let 2004 až 2009 byla sazba daně po sledované období ve výši 11,84 Kč na 1 litr Naturalu 95. Od roku 2010 je tato sazba ve výši 12,84 Kč na 1 litr této pohonné hmoty a jedná se o zdražení vždy o 1 Kč. Sazba daně pro motorovou naftu se měnila obdobně. Do konce roku 2003 byla sazba ve výši 8,15 Kč na 1 litr motorové nafty, následující období do konce roku 2009 byla v platnosti sazba o velikosti 9,95 Kč na 1 litr a od roku 2010 až doposud činí sazba spotřební daně na motorovou naftu 10,95 Kč na 1 litr. Na základě stejné periodicity změny sazby spotřební daně bylo rozhodnuto o zavedení 2 umělých proměnných do modelu namísto původních hodnot. První umělá proměnná (SPD1) obsahuje v sledovaném období 2003 až 2009 hodnotu (1) a v ostatních pozorováních (0). U druhé dummy proměnné (SPD2) jsou hodnoty (0) od počátku pozorování až do roku 2009 a po zbytek pozorování nese hodnotu (1). 52KOLEVOVÁ,
v Brně, 2009.
N. Nepřímé daně a jejich uplatňování u PHM. Bakalářská práce. Brno: MZLU
46
Materiál a metodika
Daň z přidané hodnoty se v České republice měnila častěji něž sazby spotřební daně. Vývoj DPH v ČR je vyobrazen v následující Tab. 4. Tab. 4
Vývoj sazby daně z přidané hodnoty
Období 1.1.1995 – 30.4.2004 1.5.2004 -31.12.2009 1.1.2010 – 31.12.2012 1.1.2013 –
Sazba DPH 22% 19% 20% 21%
Zdroj: Afim.cz53.
Sazba daně z přidané hodnoty klesla o 3 % v polovině roku 2004 jelikož došlo ke vstupu ČR do Evropské unie. Následující roky mají rostoucí trend. • Marže distributorů a prodejců Ceny motorových paliv v maloobchodní síti se odvíjejí od marže distributorů a prodejců, které vycházejí z obchodní politiky společnosti provozující čerpací stanice. Hrubé marže rafinérií (rozdíl mezi cenou vstupů a výstupů) tvoří nejmenší část konečné ceny. Dle odhadů ČNB se od roku 2010 většinou pohybovaly v rozmezí 0,5–3,5 % u benzínu a 3,0–6,5 % u nafty54. Marže rafinerií žádný dramatický růst nemají a lze je hodnotit z dlouhodobého pohledu za velmi stabilní. V současnosti je však velmi obtížné dohledat průměrné měsíční marže distributorů, prodejců a společností provozujících čerpací stanice. Neexistuje jakákoliv oficiální statistika, která by obsahovala data o velikosti marží jednotlivých prodejců na českém trhu. Jednotlivé společnosti si údaje o maržích pečlivě chrání proti nežádoucímu zneužití. Z důvodu neexistence veřejně publikovaných statistik o této veličině nebude marže distributorů a prodejců do modelu zahrnuta, ale je zcela jasné, že na finální ceně motorových paliv jednoznačně vliv mají. Ve společnosti dochází ke spekulacím a k otázkám, jak velké tedy tyto marže jsou a do jaké míry se podílejí na finální ceně motorových paliv. • Kurz české koruny k americkému dolaru Pod měnovým kurzem se rozumí poměr nahrazování jedné měny měnou druhou. Na světě se v současné době používá přibližně 200 měn. Nejpoužívanější měnou je americký dolar a v závěsu za ním následuje evropské euro. V práci je uváděn průměrný kurz české koruny vůči americkému dolaru v měsíčním vyjádření v korunách za 1 americký dolar (CZK/USD). Tedy ko53Analýza
nárůstu cen pohonných hmot. Afim.cz [online]. 2012 [cit. 2013-05-10]. Dostupné z: http://afim.cz/files/dokumenty/30_Analyza%20cen%20PHM%20vada-final.pdf. 54Faktory vývoje maloobchodních cen pohonných hmot. ČNB [online]. 2012 [cit. 2013-05-10]. Dostupné z: http://www.cnb.cz/cs/menova_politika/zpravy_o_inflaci/2012/2012_II/boxy_a_prilohy/zoi_2012_II_box_2.html.
Materiál a metodika
47
lik je potřeba korun, aby bylo možné si koupit 1 americký dolar. Kurz koruny k dolaru má rovněž důležitý význam na vývoj cen ropných produktů, jelikož v amerických dolarech se ropa a ropné produkty obchodují. Zhodnocení reálného měnového kurzu musí ceny racionálně zvýšit, jelikož se prodražuje i vstupní surovina, kterou je ropa. Nicméně se předpokládá, že zvýšení cen se v některých případech projeví se zpožděním a v některých případech se neprojeví vůbec, neboť kurz neustále kolísá a navrací se na původní hladinu. Měnový kurz je velmi proměnlivý, jelikož je ovlivněn celou řadou nejen hospodářských faktorů. V práci byly z průměrných denních údajů získány pomocí aritmetického průměru data měsíční. Průměrné denní hodnoty kurzu byly získány z webové stránky Kurzy.cz, kde jsou uváděny podrobné statistiky o změnách kurzu55. Nejdůležitějším faktorem výše a volatility cen tuzemských pohonných hmot je nejčastěji považována korunová cena ropy. Její dynamiku ovlivňují jednak světové ceny ropy a jednak především právě kurz CZK/USD. Oba účinky se často navzájem částečně kompenzují, což znamená, že cena ropy v CZK je méně volatilní, než cena ropy v USD. Například začátkem roku 2012 cena ropy rostla za současného posilování dolaru, v důsledku čehož ceny pohonných hmot v České republice vzrostly na historická maxima. • Hrubý domácí produkt České republiky a Evropské unie Pod hrubým domácím produktem si lze představit tržní hodnotu všech finálních statků a služeb vyrobených v určité ekonomice za dané časové období. Hrubý domácí produkt je makroekonomickým ukazatelem výkonnosti ekonomiky. HDP měří zároveň dvě skutečnosti: celkový důchod každého subjektu ekonomice a celkové výdaje za zboží a služby této ekonomiky. Příčina schopnosti HDP měřit celkové výdaje i celkový důchod tkví v tom, že jde v podstatě o dvě stejné věci. Pro ekonomiku jako celek je důchod roven výdajům. Jak již bylo zmíněno výše, HDP měří hodnotu výroby za určité časové období. Zpravidla se vykazuje v ročních nebo ve čtvrtletních datech56. V práci bude rovněž sledován vliv HDP České republiky a celkový HDP Evropské unie na ceny ropných produktů v České republice. Hodnoty mají zpravidla rostoucí trend a jsou sledovány čtvrtletně. Čtvrtletní HDP ve stálých cenách vyjádřených v průměrných cenách předchozího roku v miliónech Kč pro Českou republiku byly získány z databáze Českého statistického úřadu (ČSÚ). Celkový HDP 27 členských států Evropské unie v miliónech euro byl převzat z databáze Eurostat. Získané údaje jsou již sezóně očištěny a tedy bez sezónních vlivů. Pro účely této práce vyvstává problém, jak upravit tato čtvrtletní data na data měsíční tak, aby bylo možno je zakomponovat do modelu. Jedním USD průměrné kurzy 2013: Historie kurzů měn. Kurzy.cz [online]. 2013. [cit. 2013-05-10]. Dostupné z: http://www.kurzy.cz/kurzy-men/historie/USD-americkydolar/2013/. 56MANKIW, G. N. Zásady ekonomie. 1. vyd. Praha: Grada, 1999. 763 s. ISBN 8071698911. 55
48
Materiál a metodika
ze způsobů, jak tyto data převést na požadovaný počet pozorování je pomocí dummy (umělých) proměnných nabývajících hodnot (0) nebo (1). Upravení bude provedeno pomocí Hodrick-Prescottova filtru v programu Gretl. Hodrick-Prescottův filtr je v současnosti nejpopulárnější a nejrozšířenější filtr na identifikaci cyklické složky a produkční mezery. Produkční mezera představuje rozdíl mezi (aktuálním) reálným a potenciálním produktem v ekonomice: gap t = y t − y tT
(3.22)
Kde gap značí produkční mezeru, y je výstup a yT je potenciální výstup. Potenciální produkt není pozorovatelný a proto je odhadnut pomocí trendu. Metoda HP-filtru je oblíbená především díky nenáročnosti na vstupní data, kdy jednou zkoumanou veličinou jsou hodnoty HDP ve stálých cenách, dále díky jednoduché aplikaci, interpretaci a využitelnosti v celé řadě ekonometrických zkoumání. Následně lze vhodněji rozpoznat období recese a růstu v ekonomice. HP-filtr umožňuje rozložit časovou řadu na dvě komponenty: nestacionární časový trend yt* a na stacionární reziduální komponentu ct (produkční mezeru)57: y t = y t* + c t
(3.23)
Filtr je pak vystihován následujícím funkčním tvarem:
(
)
[(
) (
T −1 T min ∑ yt − yt* + λ ∑ yt*+1 − yt − yt* − yt*−1 t =2 t =1
)] 2
(3.24)
kde T je počet pozorování a λ je parametr definující hladkost trendového vyhlazení. Pokud je λ roven 0, pak je potenciální produkt roven sledovanému HDP. Neexistuje definované pravidlo stanovující konkrétní hodnotu tohoto kritéria pro různé varianty pozorování. V této práci bylo na základě doporučení v odborné literatuře58 užita pro čtvrtletní časovou řadu λ = 1600. Výsledky aplikovaného HP-filtru na vstupních datech HDP České republiky je vyobrazen na následujícím Obr. 6.
57BLAŠKOVÁ,
V. Metody odhadu produkční mezery. In Zborník príspevkov z medzinárodnej vedeckej konferencie Medzinárodné vedecké dni 2006. Nitra: Slovenská poĺnohospodárska univerzita v Nitre, 2006. s. 1326--1334. ISBN 80-8069-704-3. 58HÁJEK, M., BEZDĚK, V. Odhad potenciálního produktu a produkční mezery v ČR. Praha: ČNB, 2000. Výzkumná práce č. 26.
Materiál a metodika
49
Obr. 6 Původní a vyhlazená řada a cyklická komponenta HDP České republiky vykreslené pomocí HP filtru
Z obrázku je zřejmé, že výsledky jsou na počátku a konci časové řady částečně vychýleny. Výsledný potenciální produkt bude tažen na konci sledovaného období směrem dolů, pokud poslední pozorování v dané ekonomice vykazuje charakter recese a opačně. Jedná se o tzv. koncový problém, který je vhodné zmírnit predikcemi hodnot do budoucnosti59 V horní části obrázku se nachází graf vyhlazené (trendu) a původní řady HDP. V dolní části obrázku je zobrazena pak cyklická komponenta HDP České republiky, ze které je zřejmé, kdy dochází k poklesu (recesi) či růstu ekonomiky. V měsících daného čtvrtletí, kdy byl zaznamenán pokles cyklické komponenty, byly hodnoty dummy proměnné HDP upraveny na (0). Naopak v měsících, kdy dané čtvrtletní údaje HDP měly rostoucí charakter, byly tyto hodnoty modifikovány na (1). Stejný postup úpravy vstupních dat byl použit i na čtvrtletních datech celkového HDP 27 členských států Evropské unie a výsledky včetně HP-filtru jsou uvedeny v Obr. 20 v příloze této práce. Veškeré údaje jsou zpracovány v tabulkovém procesoru MS Excel 2003 a veškeré výpočty, konstrukce modelů, ověřování a testování výsledků bude provedeno v programu Gretl. Rovněž v programu Gretl dojde k očistění vstupních dat od
59BLAŠKOVÁ,
V. Metody odhadu produkční mezery. In Zborník príspevkov z medzinárodnej vedeckej konferencie Medzinárodné vedecké dni 2006. Nitra: Slovenská poĺnohospodárska univerzita v Nitre, 2006, s. 1326--1334. ISBN 80-8069-704-3.
50
Materiál a metodika
sezónních vlivů pomoci analýzy TRAMO. Grafy průběhů jednotlivých časových řad jsou uvedeny na Obr. 7.
Obr. 7
Graf průběhu časových řad
Výsledky a diskuze
51
4 Výsledky a diskuze V této kapitole práce budou upravena a implementována zdrojová data a dále budou uvedeny postupy a výsledky jednotlivých statistických analýz, které vycházejí z odborné literatury.
4.1 Sezónnost Před aplikací dat, je nutné ověřit, zda zvolené časové řady nemají tendenci podléhat statisticky významným sezónním výkyvům. Pokud se předpoklad sezónnosti potvrdí, pak se nabízejí dvě možnosti postupu. První možností je pracovat se sezóně neočištěnými časovými řadami a do ekonometrického VAR modelu přidat k daným proměnným i sezónní indikátorové proměnné, které ve výsledcích vysvětlují sezónní vliv. Druhou možností je očistit časové řady od sezónních vlivů. Pokud je tak učiněno, je možné srovnávat dynamiku ekonomických dějů a srovnávat data souhlasného roku. Za cílem dosažení nejvhodnějšího modelu, který by nejvěrněji popisoval realitu, byly zkoumány oba přístupy týkající se sezónního očišťování. Modely zahrnující data se sezónními indikátorovými proměnnými a tedy včetně sezónních vlivů nepopisovaly ceny motorových paliv v takové míře jako modely s očištěnými časovými řadami. V této práci proto budou dále představeny jen modely se sezóně očištěnými časovými řadami. Sezónně očištěná vstupní data byla získána pouze u časové řady HDP pro Českou republiku a Evropskou unii. Pomocí analýzy TRAMO / SEATS v programu Gretl došlo k očištění od sezónních vlivů pouze u časových řad ceny benzínu a ceny ropy typu koše OPEC. Srovnání původní a očištěné řady benzínu a koše OPEC je znázorněno na Obr. 21 a Obr. 22 uvedené v příloze této práce. U ostatních časových řad sezónní očištění nebylo provedeno a byly ponechány v původním tvaru.
4.2 Testování stacionarity a kointegtrační analýza Po adjustování časových od sezónních výkyvů jsou zdrojová data připravena k testování na výskyt jednotkového kořene. Vývoj ACF i PACF pro jednotlivé časové řady je uveden v Obr. 23 -28 v příloze práce. Ve všech grafech se autokorelační funkce vyvíjí obdobně, kdy ACF zvolně klesá a PACF vykazuje statistickou významnost v první hodnotě u všech proměnných. Statisticky významný vliv nabývá i druhá hodnota funkce PACF u všech časových řad mimo řady Kurz. Na základě těchto pozorování lze říci, že se jedná o procesy s dlouhou pamětí a je doporučeno je stacionarizovat. Značné množství časových řad (makroekonomických veličin) má tendenci být nestacionární. Veličina následně obsahuje dlouhodobý trend a z dlouhodobého hlediska je její úroveň charakterizována odchylkami od trendu. Ke zjištění
52
Výsledky a diskuze
existence stacionarity časových řad byl použit v programu Gretl rozšířený Dickey-Fullerův test (ADF test) pro testování jednotkového kořene. Dle nejnižších hodnot informačních kritérií byl zvolen ADF test modelu s konstantou. Pojednotlivé proměnné byl proveden ADF test s konstantou a v maximálním řádu zpoždění 3. Výsledky ADF testů pro jednotlivé proměnné obsahující konstantu jsou uvedeny v Tab. 6. Z Tab. 6 je zřejmé, že u nediferencovaných proměnných s konstantou je na základě p-hodnoty možné nezamítnout testovanou hypotézu o výskytu jednotkového kořene. V daných časových řadách byl potvrzen jednotkový kořen a bylo potvrzeno, že se jedná o nestacionární časové řady. Není možné je proto okamžitě aplikovat k sestavení modelu. Konzistentní model lze být sestaven za podmínky, že jsou nestacionární proměnné kointegrovány. Testy kointegrace byly provedeny pro jednotlivé kombinace zahrnutých proměnných, tzn. nejprve byly testovány všechny proměnné, poté se postupně vyřazovaly jednotlivé proměnné tak, aby se ověřily všechny kombinace zastoupení proměnných na existenci kointegrace. Test kointegrace bez dummy proměnných a bez proměnné DPH je uveden v následující Tab. 5. Tab. 5
Engle-Grangerův test kointegrace
Engle-Grangerův test nulová hypotéza jednotkového kořenu: a=1
test jednotkového kořenu v Benzin_sa test jednotkového kořenu v Nafta test jednotkového kořenu v Brent test jednotkového kořenu v WTI test jednotkového kořenu v OPEC_sa test jednotkového kořenu v Kurz test jednotkového kořenu v reziduích
testovací statistika
p-hodnota
-0,8632 -0,9664 -1,521 -2,0564 -1,4344 -2,67751 -4,4364
0,8 0,7672 0,5231 0,2628 0,5669 0,0779 0,0974
Zdroj: Výpočet v programu Gretl.
Výsledky Engle-Grangerova testu nepotvrzují kointegrační vztah ve všech variantách mezi proměnnými. Aby se potvrdila kointegrace, nesmí být nulová hypotéza zamítnuta u všech proměnných mimo rezidua. Ve všech kombinacích zastoupení proměnných u rezidují nebyla zamítnuta nulová hypotéza. Z definice Engle-Grangerova testu tedy vyplývá, že v podmínkách České republiky není potvrzen kointegrační vztah mezi zkoumanými proměnnými. Za účelem stacionarizace byly dané časové řady před zahrnutím do modelu diferencovány a získané proměnné představují meziměsíční růsty. Výsledky ADF testů prvních diferencí proměnných jsou uvedeny rovněž v Tab. 6.
Výsledky a diskuze Tab. 6
53
Výsledky ADF testů proměnných s konstantou
Proměnná Benzin_sa Nafta Brent WTI OPEC_sa Kurz
p-hodnota před diferencováním 0,5106 0,5515 0,4903 0,2864 0,5764 0,2093
Proměnná d_Benzin_sa d_Nafta d_Brent d_WTI d_OPEC_sa d_Kurz
p-hodnota po diferencování 4,137e-012 1,196e-008 9,035e-011 1,319e-010 6,167e-012 1,639e-013
Zdroj: Výpočet v programu Gretl.
Z Tab.6 je zřejmé, že bylo diferencováním postupováno správně a pro všechny proměnné lze zamítnout nulovou hypotézu ADF testu o výskytu jednotkových kořenů na hladině významnosti 5 %. Upravená data jsou již stacionární a neobsahují již jednotkový kořen. Dále bude pracováno pouze již se sezóně očištěnými a stacionarizovanými daty.
4.3 Odhad VAR modelu Na základě ekonomického modelu uvedeného v úvodu kapitoly Zkoumaná data, je nejdříve odhadován model VAR se všemi získanými endogenními proměnnými, včetně dummy proměnných. Na základě výsledku, bude rozhodnuto, které proměnné budou statisticky významné a budou ponechány jako endogenní proměnné a které se z modelu vyřadí, či budou ponechány jako exogenní. Optimální délka zpoždění je vybírána dle velikosti informačních kritérií a rovněž bude brán ohled na výskyt autokorelace náhodné složky, která podhodnocuje směrodatné chyby odhadů, následně tedy nadhodnocuje t-statistiky, koeficienty vícenásobné determinace R2 a také F-statistiku. U krátkých časových řad, které jsou použity v této práci, není vhodné pracovat s velkým zpožděním, jelikož dochází k poklesu stupňů volnosti. Navíc se u časové řady ceny ropy nepředpokládá velké zpoždění, jelikož zásoby ropy v České republice vystačí na jen několik měsíců. Proto se neočekává, že by se zde jednalo o zpoždění vyšší než 3, nicméně tento předpoklad bude ověřen dle uvedených kritérií. Pro odhad řádu zpoždění modelu byly získány informační kritéria pro jednotlivé varianty zpoždění modelu zahrnující všechny proměnné jako endogenní. Informační kritéria pro modely VAR(p) pro jednotlivé řády zpoždění jsou zobrazeny v následující Tab. 7.
54
Výsledky a diskuze
Tab. 7
Informační kritéria pro model VAR(p) pro jednotlivé řády zpoždění
VAR model se řádem zpoždění p 1 2 3
P-hodnota
AIC
BIC
HQC
0,00441 0,00831
16,8632* 17,4086 17,9844
19,4056* 22,4935 25,6117
17,8963* 19,475 21,0839
Zdroj: Výpočet pomocí nástroje VAR, výběr zpožděných proměnných v programu Gretl.
Z pohledu na hodnoty informačních kritérií se jeví jako nejpřiměřenější model VAR(1), který dosahuje nejnižších hodnot. Proto byl odhadnut model VAR(1) obsahující všechny proměnné jako endogenní. Celkové F-testy pro jednotlivé rovnice ukazují neprůkaznost většiny proměnných. Na hladině významnosti 5 % byly prokázány u jednotlivých rovnic zpožděné hodnoty proměnných d_Benzin_sa, d_Nafta, d_OPEC_sa a d_Kurz. Mezi umělými proměnnými byla v rovnicích d_Nafta prokázána na hladině významnosti 10 % pouze proměnná HDPcr . Ostatní veličiny u rovnic benzínu a nafty prokázány nebyly. Jelikož se projevila statistická významná závislost zpožděných hodnot proměnné d_OPEC_sa v rovnicích d_Brent a d_WTI, budou rovněž sestaveny VAR modely obsahující jednotlivé proměnné. Poté bude posouzeno, který model VAR nejvhodněji popisuje ekonomickou i statistickou skutečnost. Dále bylo zjištěno, že proměnná HDPcr lépe vystihuje problematiku stanovování cen pohonných hmot na území České republiky než proměnná HDPeu, proto bude zahrnuta do modelu pouze první z nich. Jelikož se jedná o umělou proměnnou nabývající v jednotlivých pozorováních pouze hodnoty (1) nebo (0), bude v modelu implementována jako proměnná exogenní. Případný exogenního vliv proměnné HDPeu byl následně testován prostřednictvím nabídky nástroje Vynechat proměnné ve výsledném VAR modelu v programu Gretl. Od exogenní proměnné se předpokládá, že vstupuje do modelu (systému) a ovlivňuje ho, avšak samotným modelem (systémem) ovlivněna není. Nejprve byl odhadován čtyřrovnicový model VAR(p) s jednou exogenní proměnou HDPcr a optimální délka zpoždění byla určena dle již zmíněného postupu, tedy dle posouzení informačních kritérií. Mezi stálé endogenní proměnné v modelu VAR byly zařazeny d_Benzin_sa, d_Nafta a d_Kurz a byl zkoumán postupně vliv jednotlivých proměnných d_WTI, d_Brent a d_OPEC_sa. Záměrem modelování jednotlivých cen ropy je hledání té ceny ropy, která je nejvhodnější pro modelování cen benzínu a nafty pro Českou republiku. Pro jednotlivé varianty modelu byly provedeny rovněž diagnostické testy. Odhad řádu zpoždění modelu VAR s proměnnou d_OPEC_sa je uveden v příloze této práce v Tab. 14. V následující Tab. 8 je provedeno srovnání výsledků jednotlivých modelů VAR(1) obsahující exogenní proměnnou HDPcr a vždy jen jeden typ ceny ropy jako endogenní proměnnou.
Výsledky a diskuze Tab. 8
55
Srovnání VAR(1) modelů pro jednotlivé proměnné cen ropy
Proměnné Informační AIC kritéria BIC HQC
d_WTI d_Brent 10,756 10,774 11,173 11,19 10,926 10,943 Rovnice d_Benzin_sa P-hodnoty d_Benzin_sa_1 0,0063 0,0082 proměnných d_Nafta_1 0,0683 0,0762 × d_WTI_1 6,91e-08 × d_Brent_1 2,52e-08 × × d_OPEC_sa_1 d_Kurz_1 0,0154 0,0099 HDPcr* 0,6637 0,5905 Koef. determinace 0,3283 0,3378 Adjust. koef. determinace 0,3087 0,3185 Durbin-Watsonova stat. (DW) 1,946 1,9427 Rovnice d_Nafta P-hodnoty d_Benzin_sa_1 0,2626 0,2167 proměnných d_Nafta_1 0,0307 0,0202 × d_WTI_1 3,98e-09 × d_Brent_1 2,61e-09 × × d_OPEC_sa_1 d_Kurz_1 0,0053 0,0037 HDPcr* 0,0213 0,0153 Koef. determinace 0,4478 0,4511 Adjust. koef. determinace 0,4317 0,4351 Durbin-Watsonova stat. (DW) 2,14 2,1264
d_OPEC_sa 10,89 11,31 11,06 0,001 0,0962 × × 3,63e-015 0,0049 0,7256 0,4717 0,4563 1,9262 0,3444 0,0011 × × 7,84e-013 0,0072 0,0170 0,5113 0,4971 1,9869
Zdroj: Výpočet pomocí modelu VAR v programu Gretl. *Proměnná HDPcr je do VAR(1) modelu vložena jako exogenní proměnná.
Z Tab. 8 je zřejmé, že modely mají velmi podobné výsledky. Nejnižší hodnotu informačních kritérií obsahuje model s proměnnou d_WTI. Proto jedinou významnou odlišnost modelů lze pozorovat u koeficientů determinace. Ke značnému zvýšení obou koeficientů došlo u zařazení proměnné d_OPEC_sa do modelu. Vysvětlení modelu d_Benzin_sa se zvýšilo téměř o 15 % oproti ostatním modelům na 45,6 % a u rovnice d_Nafta byl model vysvětlen na více než 50 %. I přes nejvyšší hodnoty informačních kritérií, ve srovnání s ostatními modely, dochází u modelu s proměnnou d_OPEC_sa k nejvyšším hodnotám koeficientů determinace a modely jsou tedy v poměru s ostatními vysvětleny na nejvyšší hladině. Vysvětlení modelů na hladině pohybující se kolem 50 % lze hodnotit jako úspěšné a samotný proces modelování lze vnímat velmi pozitivně. Po odstranění neprůkazných proměnných z modelu zahrnující veškeré proměnné, vložením jen jedné proměnné představující cenu ropy a po umístění proměnné
56
Výsledky a diskuze
HDPcr jako exogenní došlo k odstranění nepravé regrese a diagnostické testy mimo test na normalitu reziduí lze hodnotit pozitivně.
4.4 Specifikace VAR modelu Na základě výše uvedených srovnání byl jako nejvhodnější model, který nejlépe popisuje realitu, zvolen model VAR(1) obsahující proměnnou d_OPEC_sa. Tento model nejlépe vyšel nejen po statistické stránce, kdy je v obou sledovaných rovnicích model vysvětlen na nejvyšší hladině, ale nabízí se zde i vhodné ekonomické vysvětlení. Proto v dalších částech práce bude pracováno jen s tímto modelem. Organizace OPEC se snaží stanovovat a udržovat cenu koše OPEC v předem daném rozmezí pomocí kvót, kdy záměrně zvyšuje nebo snižuje produkci. OPEC jako mezivládní organizace sdružující 12 zemí exportujících ropu má v celosvětovém měřítku ohledně ropy značnou roli a váhu. Významně ovlivňuje nejen ceny ropy svých členských států, ale i ceny ropy na světových komoditních trzích jakými jsou ceny WTI a Brent. Vliv ceny koše OPEC na ceny ropy západotexaské a Brent byl odvozen i v této práci ve zkoumaném kompletním modelu VAR(1) obsahující všechny navržené proměnné. V tomto modelu byly zjištěny kauzální vztahy mezi jednotlivými cenami ropy. Především v rovnicích d_WTI a d_Brent byly na 5 % hladině významnosti prokázány pouze zpožděné hodnoty proměnné d_OPEC_sa, avšak v rovnici d_OPEC_sa žádné proměnné prokázány nebyly. Proto lze tvrdit, že ceny ropy koše OPEC mají vliv na ceny ropy, které se obchodují na světových komoditních burzách. Evidentní vztah vývoje jednotlivých časových řad cen ropy je znázorněn i v Obr. 8, kde se projevuje zpoždění cen WTI a Brent na ceně koše OPEC. Od roku 2011 vliv ceny koše OPEC slábne ve vztahu k ceně západotexaské ropy, jelikož je cena WTI ovlivňována růstem zásob ropy pocházející z USA a Kanady. Vlivem rostoucí produkce ropy z kanadských ropných písků byla cena WTI tlačena výrazně níže a poklesl i vliv ceny koše OPEC v pozici globálního benchmarku.
Výsledky a diskuze
57
Obr. 8 Srovnání jednotlivých typů cen ropy Zdroj: Výpočet v programu Gretl.
Vzhledem k výše zmíněným argumentům bude za finální model popisující vývoj cen sledovaných ropných produktů zvolen model VAR(1) obsahující cenu ropy koše OPEC. VAR(1) model s proměnnou d_OPEC_sa má hodnotu Bayesova (Schwarzova) informačního kritéria 11,31. Získaný model dle celkových i dílčích F testů lze hodnotit jako vhodný model a není nutné uvažovat o vyřazení některé proměnné z modelu. Provedené diagnostické testy jsou uvedeny v příloze této práce v Tab.1. Ljung-Boxův test nedetekoval autokorelaci náhodných složek v žádné ze sledovaných rovnic. Test reziduální podmíněné heteroskedasticity reziduí (ARCH test) odhalil heteroskedasticitu reziduí pouze u rovnice č. 3 d_OPEC_sa, u ostatních rovnic heteroskedasticita prokázána nebyla. Dále byl proveden Doornik-Hansenův test, který zamítl nulovou hypotézu týkající se normality reziduí. Většina veličin popisující ceny různých instrumentů zpravidla nemají normální rozdělení. U tohoto modelu byla správně vyřazena proměnná HDPeu. Vyřazení bylo pozitivně potvrzeno při vyřazení exogenní proměnné HDPeu z modelu. V první rovnici d_Benzin_sa byly prokázány na hladině významnosti 5 % zpožděné hodnoty proměnných d_Benzin_sa, d_OPEC_sa a d_Kurz. Dále byla prokázána zpožděná hodnota proměnné d_Nafta na hladině významnosti 10 %. Neprůkazná byla pouze proměnná HDPcr. Rovnice d_Benzin_sa s vypočtenými koeficienty a jednotlivými průkaznými proměnnými je sestavena v této podobě: d_Benzin_sa=0,3527 d_Benzin_sa_1 - 0,1907 d_Nafta_1 + 0,0827 d_OPEC_sa_1 + 0,2018 d_Kurz_1. Celkový F-test této rovnice dokazuje statistickou významnost modelu a dle adjustovaného koeficientu determinace rovnice vysvětluje 45,6 % modelu. Z dané rovnice VAR(1) modelu, je zřejmé, že na ceně benzínu v České republice má pozitivní vliv samotná cena benzínu z předchozího období, dále cena ropy koše
58
Výsledky a diskuze
OPEC a hodnota kurzu koruny k dolaru. Negativně se na ceně benzínu podílí cena nafty v České republice, která je negativně korelována k ceně benzínu. Tedy dochází-li k růstu ceny nafty na českých čerpacích stanicích, pak je prokázáno snížení ceny benzínu v následujícím období. Dle vypočítaných t-statistik ve VAR(1) modelu bylo zjištěno u rovnice č. 1 d_Benzin_sa, že nejvyšší hodnota je dosahována u proměnné d_OPEC_sa_1. S nejvyšší hodnotou t-statistiky souvisí i nejvyšší parciální koeficient. Z průkazných proměnných má největší vliv na proměnnou d_Benzin_sa v dané rovnici proměnná d_OPEC_sa_1. Dle nižších hodnot t-statistik mají postupně nižší vliv proměnné d_Benzin_sa_1 a d_Kurz_1. Z ekonomického pohledu lze jednotlivé koeficienty vysvětlit následovně. Zvýší-li se meziměsíčně například mezi lednem a únorem průměrná cena benzínu v České Republice o jednu Kč za litr, pak se zvýší cena benzínu meziměsíčně z února na březen o 0,3527 Kč za 1 litr. Tzn. zvýšení ceny o 1 Kč/l meziměsíčně se projeví až v následujícím měsíci ve výši 0,3527 Kč za 1 litr benzínu. Zvýšení průměrné ceny benzínu na čerpacích stanicích v České republice má tendenci zvýšit cenu i v následujícím období. Obdobná interpretace se nabízí i u koeficientu nafty avšak v negativním účinku. Dojde-li ke zvýšení (snížení) ceny nafty o 1 Kč za litr oproti předcházejícímu měsíci, pak model předpokládá snížení (zvýšení) ceny benzínu v následujícím období (měsíci) o 0,1907 Kč za 1 litr. Opět se změna ceny nafty projeví až ve zpoždění jednoho sledovaného období a v tomto případě až jednoho měsíce. Negativní vzájemný vliv těchto veličin je zřejmý i z vývoje jednotlivých časových řad benzínu a nafty. V období, kdy dochází k růstu ceny nafty, zpravidla je tendence k poklesu ceny benzínu a naopak. V tomto modelu VAR(1) byl prokázán vliv ceny nafty na stanovení ceny benzínu v dalším období, nikoliv však závislost ceny nafty na ceně benzínu, jak bude uvedeno v další rovnici tohoto modelu. Nafta se užívá jako palivo do vznětových motorů, které jsou v současnosti nejpoužívanějším typem motorů v dopravě. U cen nafty je v České republice sezónní vliv menší, jelikož její velká část se spotřebovává v nákladní a hromadné osobní přepravě, kde je spotřeba v průběhu roku rovnoměrnější (na rozdíl od zemí, kde se lehké topné oleje používají ve velké míře i na vytápění). Cena nafty je naopak kvůli nákladní dopravě více spojena s fází hospodářského cyklu. U cen benzínu je evidentní sezónní vliv. V letních měsících je cena benzínu šroubována směrem nahoru, jelikož v těchto měsících roste podíl osobní přepravy na celkové dopravě a roste rovněž i poptávka po benzínu. Čerpací stanice a distributoři v měsících s nízkou poptávkou po benzínu udržují ceny nafty vyšší než u benzínu, aby si udrželi průměrný zisk, a v období s vyšší poptávkou po benzínu ceny naopak snižují u nafty a zvyšují u benzínu. Z rovnice vychází rovněž vliv ceny ropy koše OPEC na cenu benzínu v ČR opět ve zpoždění jednoho období. Vzroste-li meziměsíčně průměrná cena ropy koše OPEC o jeden americký dolar za barel, pak dochází ke zvýšení průměrné ceny benzínu na Českém území v následujícím měsíci o 0,0827 Kč za jeden litr této pohonné hmoty. Zvýšení průměrné ceny ropy o 1 USD/barel mezi únorem a lednem se projeví ve zvýšení průměrné ceny benzínu v březnu o 0,0827 Kč za
Výsledky a diskuze
59
litr. Ropa je vstupní surovina pro výrobu nejen benzínu a nafty, a proto s rostoucí cenou této vstupní suroviny musí dojít zákonitě ke zdražení výstupní suroviny. Otázkou je, do jaké míry k tomuto zdražení dojde a zda-li vůbec. Z modelu je prokázáno zpoždění ceny ropy jednoho měsíce v pozitivním směru na cenu benzínu v ČR. Poslední prokázanou proměnnou ovlivňující ceny benzínu na českém území je kurz koruny vůči dolaru. V případě průměrného meziměsíčního zhodnocení kurzu koruny vůči dolaru o 1 Kč, dochází v následujícím měsíci ke zvýšení průměrné měsíční ceny benzínu o 0,2018 Kč na litr. Například zvýší-li se průměrný měsíční kurz koruny k dolaru o 1 Kč z 20 Kč v únoru na 21 Kč v březnu, pak se dostaví zvýšení průměrné měsíční ceny benzínu v dubnu téhož roku o 0,2018 Kč. Tedy pokud je česká koruna znehodnocena (depreciace koruny), nakupuje se americký dolar za vyšší cenu. Ropa je nakupována v amerických dolarech za barel a dojde-li k oslabení koruny, pak je ropa nakupována za vyšší cenu. Nákladnější vstupní surovina zapříčiní zdražení výstupní suroviny, v tomto případě benzínu. Ve finální rovnici d_Nafta byly na hladině významnosti 5 % průkazné zpožděné hodnoty proměnných d_Nafta, d_OPEC_sa a d_Kurz. V této rovnici byla prokázána i proměnná HDPcr na hladině významnosti 10 %. Neprůkazné jsou pouze zpožděné hodnoty proměnné d_Benzin_sa. Rovnice d_Nafta s jednotlivými koeficienty a průkaznými proměnnými je sestavena v následující formě: d_Nafta = 0,3491 d_Nafta_1 + 0,068 d_OPEC_sa_1 + 0,1777 d_Kurz_1 + 0,175 HDPcr Celkový F-test rovnice prokázal statistickou významnost modelu a dle upraveného koeficientu determinace bylo vysvětleno přes 49,7 % modelu. Což je nejvíce ve srovnání s ostatními modely obsahující pouze jednu zvolenou cenu ropy jako endogenní proměnnou. Z dané rovnice d_Nafta vyplývá pozitivní závislost na ceně nafty v České republice na samotné ceně nafty z předchozího období, na ceně ropy koše OPEC ve zpoždění, na zpožděné hodnotě kurzu koruny k dolaru a na úrovní hrubého domácího produktu české ekonomiky. Jak již bylo zmíněno v předešlém textu, závislost proměnné d_Nafta na zpožděných hodnotách proměnné d_Benzin_sa nebyla statisticky prokázána. V rovnici č. 2 d_Nafta nabývá ve srovnání s ostatními proměnnými nejvyšší hodnotu t-statistiky a tím i parciálního koeficientu proměnná d_OPEC_sa_1. Proto lze konstatovat, že tato proměnná má největší statistický vliv na proměnnou d_Nafta v dané rovnici. Ekonomická interpretace výsledků je představena následně. S meziměsíčním růstem průměrné ceny nafty o jednu Kč za litr v České republice dochází k růstu průměrné ceny nafty o 0,3491 Kč za 1 litr v následujícím měsíci. Zvýšení průměrné ceny nafty na čerpacích stanicích v České republice má tendenci zvýšit cenu i v nadcházejícím období. Je zde jednoznačně pozitivní závislost. Obdobná je i interpretace vlivu ceny ropy koše OPEC, kdy s meziměsíčním růstem průměrné ceny o 1 USD/barel dochází k růstu průměrné ceny nafty
60
Výsledky a diskuze
v následujícím období o 0,068 Kč na 1 litr. Opět zde platí, že s rostoucí cenou vstupní suroviny (ropy) pro výrobu nafty je očekáván i růst ceny finálního produktu (nafty). I když ve zpoždění, ale i přesto je zde potvrzen pozitivní vztah mezi cenami těchto surovin. Další pozitivní účinek na ceně nafty v České republice obdobně jako u předchozí rovnice benzínu má kurz koruny k dolaru. Při zvýšení průměrného měsíčního kurzu koruny k dolaru o 1 Kč je vyvoláno zvýšení v dalším měsíci průměrné ceny nafty o 0,1777 Kč na jeden litr a naopak. Při oslabení české koruny se zdražuje americký dolar, je nakupován za vyšší cenu a prodražuje i cenu nákup ropy. Další prokázanou veličinou na statistické hladině významnosti 10 % podílející se na ceně nafty v ČR je i hrubý domácí produkt české ekonomiky. Proměnná HDPcr byla do modelu vložena jako exogenní dummy proměnná, která nabývá hodnot pouze (1) nebo (0). Tato modelovaná proměnná zachycuje pouze období růstu a poklesu (stagnace) české ekonomiky. Dochází-li v daném měsíci růstu české ekonomiky, pak dochází ke zvýšení průměrné ceny nafty o 0,175 Kč na 1 litr ve stejném období. V období, kdy česká ekonomika roste, se zvyšuje poptávka po pohonných hmotách a především po naftě, která se spotřebovává v nákladní a hromadné osobní přepravě. Zvýšená poptávka tlačí ceny nafty směrem vzhůru. Růst ekonomiky tedy vyvolává zvýšení přeprav zboží a osob, které se projeví ve zvýšení poptávky po pohonných hmotách a následně ve zvýšení cen nafty. Růst či pokles hrubého domácího produktu se odráží v průměrné ceně nafty již ve stejném sledovaném období a nikoliv ve zpoždění jako u předchozích proměnných. V další rovnici d_OPEC_sa byl na hladině významnosti 5 % prokázán vliv zpožděných hodnot proměnné d_OPEC_sa a vliv proměnné HDPcr. Model v případě vysvětlované proměnné d_OPEC_sa je vysvětlen pouze na hladině 12,5 %. V poslední rovnici d_Kurz modelu VAR(1) je statisticky průkazná hodnota zpožděné proměnné d_Kurz a d_OPEC_sa. Model rovnice d_Kurz byl dle adjustovaného koeficientu determinace vysvětlen jen z 13 %. VAR(1) model obsahující proměnnou d_OPEC_sa je navržen správně, byl ověřen diagnostickými testy a dané veličiny jsou průkazné ve sledovaných rovnicích. V tomto modelu VAR(1) není nadbytečná žádná z prokázaných proměnných, a proto není nutné žádnou z nich odstranit z modelu. 4.4.1 Analýza Grangerovy kauzality V této části bude testována Grangerova kauzalita (GK) mezi jednotlivými časovými řadami. Grangerova kauzalita zde bude zjišťována pro model VAR(1), který vychází z předešlé kapitoly a obsahuje proměnnou d_OPEC_sa. Výsledky testů pro jednotlivé proměnné byly získány při výpočtu modelu VAR(1), kdy o výskytu kauzálního vztahu hovoří výsledné p-hodnoty jednotlivých F-testů proměnných v rovnicích. Výsledné p-hodnoty F-testů jednotlivých proměnných jsou uvedeny v následující Tab 9.
Výsledky a diskuze Tab. 9
61
P-hodnoty testu Grangerovy kauzality pro jednotlivé proměnné d_Benzin_sa
d_Benzin_sa_1 d_Nafta_1
0,0010 *** 0,0962 * (-) 0,000 *** 0,0049 ***
d_Nafta
0,3444 (-) 0,0011 *** 0,000 *** 0,0072 ***
d_OPEC_sa
0,1124 (-) 0,2071 0,0011 *** 0,9211 (-)
d_OPEC_sa_1 d_Kurz_1 Zdroj: Výpočet v programu Gretl. (-) představuje vliv v negativním směru.
d_Kurz
0,3067 0,3929 (-) 0,0019 *** (-) 0,0444 ***
Z výsledů, je zjevné, že se v modelu neprojevila oboustranná Grangerova kauzalita ani v jenom případě vztahu mezi proměnnými. V rámci testování kauzality byly prokázány kauzální vztahy proměnných d_OPEC_sa, d_Kurz a d_Benzin_sa ve zpoždění 1. řádu na proměnnou d_Benzin_sa na hladině významnosti 5 %. Prokázán byl rovněž i vliv proměnné d_Nafty ve zpoždění na hladině významnosti 10 %, proto i proměnná d_Nafta zvyšuje kvalitu předpovědi proměnné d_Benzin_sa. Dále byl prokázán statisticky významný vliv na 5 % hladině významnosti, zpožděných proměnných d_OPEC_sa, d_Kurz a d_Nafta v řádu zpoždění 1 na proměnnou d_Nafta. Jak již bylo zmíněno výše, kauzální vztah potvrzující existenci závislosti mezi současnou hodnotou proměnné d_Nafta a minulou hodnotou proměnné d_Benzin_sa nebyl prokázán. Cena nafty v podmínkách České republiky není ovlivněna cenou benzínu v předchozím období, ale opačný vztah potvrzen byl. V rámci testování Grangerovy kauzality byl prokázán účinek zpožděných hodnot proměnné d_OPEC_sa na všechny testované proměnné v modelu VAR(1). Pro proměnnou d_OPEC_sa nebyla prokázána žádná kauzalita kromě zpožděné hodnoty téže proměnné. Na poslední sledovanou proměnnou d_Kurz byl zjištěn statisticky významný vliv zpožděných hodnot zmíněné proměnné d_OPEC_sa a proměnné d_Kurz na hladině významnosti 5 %. 4.4.2 Analýza funkce impulzu a odezvy Pro výše definovaný VAR(1) model byly pomocí programu Gretl s využitím Choleskiho dekompozice stanoveny reakční funkce všech endogenních proměnných. V příloze práce v Obr. 29. se nacházejí společně všechny výstupy reakcí jednotlivých časových řad na jednotkové exogenní impulsy. Daný šok (impulz) rozkmitává definované rovnice modelu, které se po určité době postupně navrací do původní rovnováhy nebo dochází k vytvoření rovnováhy nové. Z výstupu analýzy je patrné, že počet období, po kterých systém dosahuje rovnováhy, je odlišný a odvíjí se individuálně od proměnné. V této práci jsou středem zájmu především funkce impulzu a odezvy pro proměnné d_Benzin_sa a d_Nafta. Reakční funkce pro dané proměnné odpovídající na jednotkové změny jednotlivých endogenních proměnných jsou uvedeny v nadcházejících obrázcích č. 9 a 10. Nejprve bude zaměřeno na reakční funkci proměnné d_Benzin_sa.
62
Výsledky a diskuze
Obr. 9 Reakční funkce d_Benzin_sa na jednotkové šoky zvolených proměnných Zdroj: Výpočet v programu Gretl.
Jednotlivé křivky jsou doplněny plochou s šedým vybarvením, která znázorňuje 95 procentní konfidenční interval, ve kterém se s pravděpodobností 95 % nachází skutečná hodnota odhadované veličiny. Neočekávané jednotkové šoky jednotlivých proměnných způsobují okamžitou reakci proměnné d_Benzin_sa pouze u šoku téže sledované endogenní proměnné. Tento neočekávaný šok je doprovázen okamžitým snižováním proměnné d_Benzin_sa a dochází k navrácení na původní hladinu rovnováhy. U ostatních jednorázových jednotkových šoků se u proměnné d_Benzin_sa neprojevila okamžitá reakce. Z Obr. 9 je zřejmé, že reakční funkce sledované proměnné na šok proměnné d_Nafta je neprůkazná. Trajektorie obou reakčních funkcí d_Benzin_sa na impulzy proměnných d_OPEC_sa a d_Kurz jsou velice podobné. Obě dosahují svého vrcholu ve druhém sledovaném období a poté se postupně navrací do původní rovnováhy. Reakce proměnných v obou případech jsou poměrně silné a v očekávaném směru. Reakční funkce ceny benzínu v ČR na šok ve vývoji ceny ropy koše OPEC a kurzu koruny k dolaru je v souladu nejen s ekonomickou teorií, že zvýšení ceny ropy a kurzu vede ke zdražení ceny benzínu, ale je v souladu i se závěry o Grangerově kauzálním vztahu zkoumaných veličin. Vypočtené funkce odezvy veličiny
Výsledky a diskuze
63
d_Benzin_sa na jednotkové impulzy všech proměnných modelu odpovídají předpokládanému směru a potvrzují výsledky Grangerovy kauzality. V dalším Obr. 10 jsou uvedeny reakční funkce sledované proměnné d_Nafta na neočekávané, jednorázové jednotkové šoky průkazných proměnných v modelu VAR(1). Vývoj reakčních křivek d_Nafta na šoky proměnných d_Benzin_sa a d_Nafta má klesající charakter již od prvního okamžiku. Tato reakční funkce klesá v obou případech velmi pomalu. Vývoj reakce ceny nafty na jednotkový šok ceny benzínu je považován za potvrzení dříve zkoumaného vztahu Grangerovy kauzality mezi cenou nafty a benzínu v ČR, že cena nafty má vliv na cenu benzínu, ale v opačném případě tomu tak není. Cena benzínu nemá rozhodující vliv na vývoj ceny nafty v České republice. U impulzu ceny ropy koše OPEC a kurzu koruny k dolaru není zaznamenána reakce ceny nafty okamžitě. Funkce reakce popisují vzestup ceny nafty při jednotkovém šoku obou veličin obdobně. Efekt vzestupu proměnné d_Nafta dosahuje svého maxima v závislosti na daných šocích již ve druhém období. Funkce reakce se poté navrací na svoji rovnovážnou úroveň, která byla zaznamenána před vznikem šoku.
Obr. 10 Reakční funkce d_Nafta na jednotkové šoky zvolených proměnných Zdroj: Výpočet v programu Gretl.
64
Výsledky a diskuze
4.5 Predikční schopnost VAR modelu Tato podkapitola bude zaměřena na ověření predikční schopnosti VAR modelu pro ceny benzínu a nafty v České republice na základě sestaveného modelu VAR(1) v této práci. V rámci ověření predikční schopnosti modelu bude provedena statická predikce ex-post pro období VII/2012 až XII/2012. Dle výsledků predikční schopnosti modelu VAR(1) bude následně rozhodnuto o provedení prognózy pro období I/2013 až XII/2013 Statická předpověď VAR modelu (ex-post) Pro ověření predikčních schopností sestaveného VAR(1) modelu bude vykonána statická simulační předpověď. Statická simulace hodnotí kvalitu sestaveného modelu. Kvalita modelu je posuzována dle schopnosti modelu vhodné předpovědi endogenních proměnných pro jen několik etap (období) dopředu. Aby byla ověřena shoda odhadnutých hodnot dle modelu a reálných dat, je nezbytně nutné přirovnat historická data s predikcí hodnot získaných prostřednictvím statické simulace z již vypočítaného modelu. U tohoto typu simulace je nutné znát hodnoty všech vysvětlujících veličin, což u VAR modelu není problém, jelikož všechny vysvětlující proměnné jsou buď zpožděné hodnoty endogenních proměnných, nebo umělé (dummy) proměnné s hodnotou nula nebo jedna. Byly sestaveny grafy, které srovnávají historická data endogenních proměnných s hodnotami generovanými na základě statické simulace vycházející ze sestaveného modelu VAR(1). Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta porovnávající skutečná data se simulovanými hodnotami na základě statické simulace ex_post ve VAR(1) modelu pro období VII./2012 až XII./2012 je uvedena na Obr. 11.
Obr. 11 Grafické výsledky statické simulace proměnných d_Benzin_sa a d_Nafta modelu VAR(1) Zdroj: Výpočet v programu Gretl.
Z uvedeného obrázku porovnávající historická data se simulovanými lze soudit, že krátkodobá statická předpověď na základě VAR (1) modelu je velice kvalitní a
Výsledky a diskuze
65
simulovaná data obkreslují skutečné hodnoty. Kvantitativní porovnání simulovaných a historických dat spolu s absolutní odchylkou prognózovaných hodnot od skutečných a s konfidenčními intervaly pro období VII/2012 – XII/2012 jsou uvedeny v následujících Tab. 10 a 11. Tab. 10
Předpověď hodnot proměnné d_Benzin_sa na základě statické simulace ex-post
Období
Skutečné hodnoty
Vyrovnané hodnoty
Absolutní odchylka
VII. 2012 VIII. 2012 IX. 2012 X. 2012 XI.2012 XII.2012
-0,1519 1,4056 0,9342 -0,0293 -0,9391 -0,3340
-0,7363 0,6750 0,9203 0,2671 -0,0326 0,4565
-0,5844 -0,7305 -0,0139 0,2965 0,9065 0,7904
95% konfidenční interval Dolní Horní -1,8544 0,3818 -0,4430 1,7931 -0,1978 2,0383 -0,8509 1,3852 -1,1507 1,0855 -0,6616 1,5745
Zdroj: Výpočet v programu Gretl. Tab. 11
Předpověď hodnot proměnné d_Nafta na základě statické simulace ex-post
Období
Skutečné hodnoty
Vyrovnané hodnoty
Absolutní odchylka
VII. 2012 VIII. 2012 IX. 2012 X. 2012 XI.2012 XII.2012
-0,1419 1,2101 0,5445 -0,2513 -0,5327 -0,7451
-0,5971 0,5587 0,8337 0,1236 -0,1450 0,4889
-0,4552 -0,6513 0,2892 0,3749 0,3877 1,2340
95% konfindenční interval Dolní Horní -1,6213 0,4271 -0,4655 1,5830 -0,1905 1,8580 -0,9007 1,1478 -1,1692 0,8792 -0,5353 1,5132
Zdroj: Výpočet v programu Gretl.
Na základě kvantitativních výsledků predikce uvedených v tabulkách je zřejmé, že predikované hodnoty nepopisují zcela přesně hodnoty skutečné. Simulované hodnoty d_Benzin_sa mají v průměru větší absolutní odchylku než u odhadovaných hodnot proměnné d_Nafta. Tento rozdíl, lze vysvětlit i odlišnou hodnotou adjustovaného koeficientu determinace, kdy u proměnné d_Nafta je vysvětlen o 4 % lépe než u rovnice proměnné d_Benzin_sa. Nicméně na tyto absolutní odchylky je nutné se podívat i z ekonomického hlediska. Popisované proměnné ceny benzínu a nafty se pohybují v Kč, a proto i absolutní odchylka je měřena v jednotkách Kč. Maximální zjištěná absolutní odchylka u rovnice d_Benzin_sa nabývá hodnoty 0,92, tzn. že odchylka prognózovaných hodnot od meziměsíční změny průměrné ceny benzínu v České republice je za sledované období 92 haléřů. U proměnné d_Nafta byla maximální absolutní odchylka ve výši 1,23 Kč avšak až v posledním sledovaném měsíci. Tento výkyv lze vysvětlit následovně: proměnná d_Nafta je ve VAR modelu uvedeném výše vysvětlena zpožděnými hodnotami proměnných d_Kurz, d_OPEC_sa , d_Nafta a proměnnou HDPcr.
66
Výsledky a diskuze
Všechny tyto proměnné vykazují v posledních sledovaných období pokles, a proto dochází k velkému výkyvu predikované hodnoty od hodnoty skutečné. Navíc všechny zmíněné proměnné působí ve zpoždění na simulované hodnoty a ty ještě v posledním období nestačily zareagovat na zvýšení skutečné ceny nafty. Jak již bylo zmíněno, velikost absolutní odchylky se kromě jednoho případu pohybuje pod 1 Kč u obou modelů popisující ceny ropných produktů. Pokud srovnáme velikost absolutní odchylky s průměrnou měsíční cenou pohonných hmot v ČR, která je stanovena jako průměr všech cen na území ČR lišících se však v mnoha případech a regionech o více než 2 koruny, můžeme považovat tuto simulaci budoucího vývoje těchto veličin za kvalitní.
4.6 Predikce dle VAR modelu Dle zhodnocení predikční schopnosti dosaženého modelu VAR(1) bylo přistoupeno k předpovědi sledovaných proměnných d_Benzin_sa a d_Nafta pro období I./2013 – XII./2013. Pro účely predikce hodnot zkoumaných proměnných na základě predikce ex-ante je nezbytné definovat předběžně hodnoty nezpožděných exogenních proměnných v modelu VAR(1). V této práci se jedná v modelu VAR(1) pouze o hodnoty proměnné HDPcr nabývající hodnot 0 nebo 1. Pomocí dummy proměnné HDPcr byla snaha reflektovat v modelu, kdy dochází k období růstu (hodnota 1) a kdy dochází k období recese (hodnota 0). Vzhledem k tomu, že pomocí úpravy na dummy proměnnou bylo možné převést čtvrtletní data na měsíční, bude pro odhad budoucí hodnoty proměnné HDPcr opět vycházeno ze čtvrtletních údajů. Hodnoty proměnné HDPcr nabývají velikosti nula již od prvního měsíce roku 2011 až do poslední zjištěné pozorované hodnoty v modelu, tedy do XII. měsíce roku 2012. Jak již bylo zmíněno výše, pro předpověď budoucího vývoje proměnných d_Benzin a d_Nafta je nutné definovat předem hodnoty této exogenní umělé proměnné pro 12 následujících období. Česká ekonomika v posledním sledovaném čtvrtletí roku 2012 opět poklesla a jedná se již o šesté čtvrtletí za sebou, kdy HDP České republiky klesá nebo stagnuje. Rok 2012 byl tak ve znamení poklesu české ekonomiky a došlo ještě k většímu prohloubení oproti předchozím obdobím. Největší měrou ovlivnily vývoj české ekonomiky výdaje domácností na konečnou spotřebu, které byly v posledním čtvrtletí 2012 meziročně nižší o 4,1 %. Šlo o dosud nejhlubší pokles spotřeby českých domácností60. Pro odhad hodnot proměnné HDPcr v této práci vyvstává otázka, jak se bude nadále vyvíjet česká ekonomika v roce 2013. Na tuto otázku se snaží odpovědět celá řada odborníků. Dle Ministerstva financí České republiky je očekáván negativní vývoj ekonomiky minimálně do 2. čtvrtletí roku 2013. Kdy se očekává, že domácí poptávka bude tlumena zvyšováním nezaměstnanosti a pokračující úspornou fiskální politikou vlády. Negativní odhady vycházejí i ze spojení české 60Vývoj
ekonomiky České republiky v roce 2012. Český statistický úřad [online]. 2013 [cit. 2013-05-10]. Dostupné z: http://www.czso.cz/csu/2012edicniplan.nsf/t/33001F7B8A/$File/110912q4a01.pdf.
Výsledky a diskuze
67
ekonomiky s ekonomikou Evropské unie, kdy na českou ekonomiku bude působit také očekávané pokračování recese v Eurozóně v první polovině roku 2013. Dle prognózy České národní banky (ČNB) se očekává v prvním a druhém čtvrtletí pokles HDP ČR o 1,1 % a 0,6 %. Ve třetím a čtvrtém čtvrtletí se předpokládá pozitivnější vývoj. Třetí čtvrtletí se očekává ve znaku stagnace a mírného růstu a v posledním čtvrtletí ČNB očekává růst HDP ČR o velikosti 0,4 %61. Vzhledem k nejistému vývoji české ekonomiky bude v práci sestaveno několik scénářů, od kterých se budou odvíjet dané předpovědi. První scénář bude označován jako recesní scénář, jelikož bude očekávána stagnace nebo pokles české ekonomiky a tím i HDP pro celý rok 2012. Hodnoty proměnné HDPcr budou obsahovat pro sledovaná období roku 2013 pouze číslo nula. Druhým scénářem vývoje HDP ČR bude v této práci tzv. růstový scénář, který očekává růst české ekonomiky i tedy HDP v ČR ve třetím a čtvrtém čtvrtletí roku 2013. Posledním v této práci uvažovaným scénářem bude tzv. kolísající scénář. Zde bude očekáván růst české ekonomiky pouze ve třetím čtvrtletí a ve čtvrtém čtvrtletí 2013 dojde opět k poklesu. Ve skutečnosti se samozřejmě nabízí scénářů mnohem více, ale vzhledem uvedeným odhadům ČNB a ostatních odborníků jsou uváděny pouze tři vybrané scénáře vývoje HDP v České republice. Pro jednotlivé scénáře byly provedeny odhady proměnných d_Benzin_sa a d_Nafta pomocí modelu VAR(1) pro období I./2013 – XII./2013. Bodové a intervalové předpovědi proměnných d_Benzin_sa a d_Nafta pro zvolené tři scénáře vývoje exogenní proměnné HDPcr jsou uvedeny v následujících Obr. 12, 13 a 14.
Obr. 12 Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta ve VAR(1) modelu v případě recesního scénáře proměnné HDPcr pro období I./2013 až XII./2013 Zdroj: Výpočet programu Gretl.
61Aktuální
prognóza ČNB. ČNB [online]. 2013 http://www.cnb.cz/cs/menova_politika/prognoza/.
[cit.
2013-05-10].
Dostupné
z:
68
Výsledky a diskuze
Obr. 13 Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta ve VAR(1) modelu v případě růstového scénáře proměnné HDPcr pro období I./2013 až XII./2013 Zdroj: Výpočet v programu Gretl.
Obr. 14 Bodová a intervalová předpověď proměnných d_Benzin_sa a d_Nafta ve VAR(1) modelu v případě kolísajícího scénáře proměnné HDPcr pro období I./2013 až XII./2013 Zdroj: Výpočet v programu Gretl.
Z výsledků bodové a intervalové předpovědi je patrné, že dochází ke změně vývoje předikovaných hodnot u každého scénáře. Ve všech scénářích dochází u obou proměnných v prvním prognózovaném období k mírnému růstu, jelikož jsou známy hodnoty posledního měsíce roku 2012, které působí na dané proměnné se zpožděním. V recesním scénáři nedochází následně k žádným větším výkyvům ve vývoji předikovaných hodnot proměnných d_Benzin_sa a d_Nafta. Naopak u růstového a kolísajícího scénáře již k výkyvům dochází. V případě prvního zmíněného scénáře dochází k růstu od třetího čtvrtletí roku 2013 a růst pokračuje i ve čtvrtletím čtvrtém. Naopak v případě tzv. kolísajícího scénáře v Obr. 14 dochází k poklesu v posledním čtvrtletí roku 2013. Z uvedených grafů vyplývá, že změny vývoje exogenní proměnné HDPcr se více projevují u proměnné d_Nafta než u proměnné d_Benzin_sa. Růst i pokles proměnné HDPcr je zřetelnější u proměnné d_Nafta. Na základě uvedených grafů byl potvrzen vliv proměnné HDPcr na vysvětlení proměnné d_Nafta. Ve vývoji proměnné
Výsledky a diskuze
69
d_Benzin_sa se rovněž projevuje změna vývoje HDP České republiky, avšak tento vliv je nižší než u proměnné d_Nafta. Navíc proměnná d_Nafta vysvětluje ve zpoždění proměnnou d_Benzin_sa. Z bodových a intervalových výsledků je zřejmé, že tyto výsledky nebudou zcela přesně popisovat skutečnost, jelikož jsou ceny pohonných hmot ve skutečnosti více volatilní. Nicméně je zde patrný hlavní trend, kterým se budou dle vývoje HDP v ČR ubírat hodnoty proměnných d_Benzin_sa a d_Nafta v roce 2013. Kvantifikovaná předpověď hodnot proměnných d_Benzin_sa a d_Nafta a výsledné ceny benzínu bez sezónních vlivů a ceny nafty dle jednotlivých scénářů pro období I./2013 – XII.2013 jsou uvedeny v následujících Tab. 12 a 13. Tab. 12 Předpověď hodnot proměnných d_Benzin_sa a výsledné ceny benzínu bez sezónních vlivů dle jednotlivých scénářů pro období I./2013 – XII.2013.
Období
Předpověď proměnné Předpověď výsledné ceny d_Benzin_sa benzínu bez sezónních vlivů Recesní Růstový Kolísající Recesní Růstový Kolísající scénář scénář scénář scénář scénář scénář I. 2013 -0,224 -0,224 -0,224 35,987 35,987 35,987 II. 2013 -0,074 -0,074 -0,074 35,913 35,913 35,913 III. 2013 -0,022 -0,022 -0,022 35,891 35,891 35,891 IV. 2013 -0,009 -0,009 -0,009 35,882 35,882 35,882 V.2013 -0,005 -0,005 -0,005 35,876 35,876 35,876 VI.2013 -0,003 -0,003 -0,003 35,873 35,873 35,873 VII. 2013 -0,002 0,026 0,026 35,871 35,899 35,899 VIII.2013 -0,001 0,119 0,119 35,870 36,018 36,018 IX. 2013 -0,001 0,162 0,162 35,870 36,180 36,180 X. 2013 0,000 0,176 0,148 35,869 36,355 36,328 XI.2013 0,000 0,180 0,060 35,869 36,535 36,387 XII.2013 0,000 0,182 0,020 35,869 36,718 36,408 Zdroj: Výpočet v programu Gretl.
Z Tab. 12 je potvrzeno, že počáteční predikované hodnoty jsou ve všech scénářích stejné, jelikož se předpokládá, že dojde ke změně vývoje HDP ČR až ve třetím čtvrtletí. Pro představu velikosti rozdílu mezi ročními cenami, činila sezónně očištěná cena benzínu v prosinci roku 2012 36,21 Kč za litr. V případě, že nastane recesní scénář a česká ekonomika bude vykazovat pokles nebo stagnaci, bude průměrná měsíční cena benzínu v ČR v prosinci roku 2013 35,869 Kč za 1 litr této pohonné hmoty. Daná cena je již očištěna od sezónních vlivů. Ve srovnání s prosincovou cenou předchozího roku by se jednalo o snížení průměrné ceny o přibližně 34 haléřů na litr. Naopak v případě růstového scénáře, kdy se očekává růst české ekonomiky ve třetím a čtvrtém čtvrtletí, bude průměrná měsíční cena benzínu v ČR v prosinci roku 2013 bez sezónních vlivů 36,718 Kč za 1 litr. Pokud by nastal poslední scénář, kdy ve třetím čtvrtletí dojde k růstu a ve čtvrtém k poklesu nebo stagnaci HDP v České republice, pak bude zmíněná cena
70
Výsledky a diskuze
benzínu v prosinci 2013 dosahovat 36,408 Kč za litr. Nejvyšší cenu lze tedy v prosinci roku 2013 očekávat v případě, že nastane růst hrubého domácího produktu od třetího čtvrtletí téhož roku. Tab. 13 Předpověď hodnot proměnných d_Nafta a výsledné ceny nafty dle jednotlivých scénářů pro období I./2013 – XII.2013.
Období
Předpověď proměnné Předpověď výsledné ceny d_Nafta nafty Recesní Růstový Kolísající Recesní Růstový Kolísající scénář scénář scénář scénář scénář scénář I.2013 -0,440 -0,440 -0,440 35,162 35,162 35,162 II.2013 -0,198 -0,198 -0,198 34,964 34,964 34,964 III.2013 -0,089 -0,089 -0,089 34,875 34,875 34,875 IV.2013 -0,044 -0,044 -0,044 34,831 34,831 34,831 V.2013 -0,023 -0,023 -0,023 34,808 34,808 34,808 VI.2013 -0,012 -0,012 -0,012 34,796 34,796 34,796 VII. 2013 -0,006 0,169 0,169 34,790 34,965 34,965 VIII.2013 -0,003 0,326 0,326 34,787 35,291 35,291 IX. 2013 -0,002 0,404 0,404 34,785 35,695 35,695 X. 2013 -0,001 0,438 0,263 34,784 36,133 35,958 XI.2013 0,000 0,454 0,125 34,784 36,587 36,083 XII.2013 0,000 0,461 0,056 34,784 37,049 36,139 Zdroj: Výpočet v programu Gretl.
Z výsledků předikovaných hodnot v Tab. 13 je i zde ověřen větší výkyv ceny nafty v České republice v závislosti na vývoj HDP než v případě ceny benzínu. Průměrná měsíční cena nafty na pultech čerpacích stanic v ČR v prosinci roku 2012 byla ve výši 36,5 Kč za litr. Pokud by nastala očekávaná recese během celého roku 2013, pak by průměrná cena činila v prosinci 2013 za litr nafty 34,78 Kč. Jednalo by se o snížení ceny oproti stejnému měsíci předchozího roku o 1,72 Kč. V případě druhého scénáře, kdy je očekáván růst české ekonomiky od třetího čtvrtletí, dochází k růstu průměrné ceny nafty za litr na 37,05 Kč. Při růstu HDP ČR pouze ve třetím čtvrtletí by se průměrná měsíční cena nafty v prosinci 2013 zastavila na 36,14 Kč za litr. Což představuje snížení o přibližně 50 haléřů oproti prosinci předchozího roku. Předpověď rozkladu rozptylu Pro interpretaci jednotlivých endogenních proměnných v modelu VAR se častokrát přistupuje i k tzv. rozkladu rozptylu chyby předpovědí. Tato metoda poskytuje informaci o důležitém vlivu inovací z jednotlivých rovnic na zvolenou proměnnou ve VAR modelu, jinak řečeno, kolik % z rozptylu chyby předpovědi pro danou proměnnou lze vysvětlit inovacemi (ostatními proměnnými) v jednotli-
Výsledky a diskuze
71
vých rovnicích62. Tedy do jaké míry se jednotlivé proměnné podílejí na chybě předpovědi sledované proměnné. Ve většině případů dosahuje největšího vlivu inovace v té samé rovnici proměnné. Grafické vyobrazení předpovědi rozkladu rozptylu chyby předpovědí pro jednotlivé sledované proměnné s horizontem 12 period lze vidět na následujících Obr. 15 a 16.
Obr. 15 Předpověď rozkladu rozptylu chyby předpovědí proměnné d_Benzin_sa Zdroj: Výpočet v programu Gretl.
Z grafu je evidentní, že na vysvětlení rozptylu předpovědní chyby vysvětlované proměnné d_Benzin_sa se nejvíce podílí změna samotné proměnné (přibližně 65 %), dále také změna proměnné d_OPEC_sa ve výši přes 30 %. Podíl na chybě předpovědi proměnné d_Benzin_sa má rovněž i proměnná d_Kurz (cca 3 %) a proměnná d_Nafta se podílí méně než 1 %. Oproti předchozímu grafu lze pozorovat v Obr.16 menší vliv proměnné d_Nafta na vysvětlení rozptylu předpovědní chyby téže proměnné, než v předchozí předpovědi rozptylu proměnné d_Benzin_sa. Nicméně i zde se nejvíce na rozptylu předpovědní chyby proměnné d_Nafta podílí právě tato proměnná (cca 36 %). Dále se podílí na vysvětlení rozptylu předpovědní chyby vysvětlované proměnné (přibližně 35 %) proměnná d_Benzin_sa, poté proměnná d_OPEC_sa ve výši 26 % a proměnná d_Kurz jen zbývajícími 2 %.
62CIPRA,
T., Finanční ekonometrie. 1. vyd. Praha: Ekopress, 2008. 538 s. ISNB 978-80-86929-43-9
72
Obr. 16 Předpověď rozkladu rozptylu chyby předpovědí proměnné d_Nafta Zdroj: Výpočet v programu Gretl.
Výsledky a diskuze
Závěr
73
5 Závěr Tato diplomová práce je zaměřena na zkoumání vlivů působící na ceny vybraných ropných produktů v České republice pomocí ekonometrických metod. Dále se zabývala samotnou kvantifikací vlivů jednotlivých veličin na ceny zvolených ropných produktů za časové období 2001 až 2012. Mezi ropné produkty v této práci byly vybrány automobilový benzín Natural 95 a motorová nafta. Nejprve byla charakterizována problematika týkající se spotřeby a cen ropy i ropných produktů ve světovém měřítku a poté na území České republiky. Dále následovala kapitola zabývající se statistickými metodami zpracování vstupních dat a především byla práce zaměřena na metody regresní analýzy a na metody analýzy časových řad. Podrobně byla posléze charakterizována zkoumaná data a metodologie jejich vzniku. Na základě posouzení ekonomických souvislostí mezi veličinami finální cenu benzínu a nafty ovlivňují jak tržní faktory, tak i administrativní vlivy v podobě zákonných norem. K tržním faktorům se řadí především cena ropy v amerických dolarech, kurz koruny vůči dolaru, náklady na rafinaci, distribuci a marketing, marže rafinérií, distributorů a obchodníků. Pod zákonnými normami lze chápat spotřební daň, daň z přidané hodnoty, která je vyměřována i ze spotřební daně, aj. Před aplikací dat byly časové řady očištěny od sezónních vlivů a bylo přistoupeno k převodu některých proměnných na umělé proměnné. Jednalo se o proměnné představující HDP České republiky a Evropské unie a spotřební daně v České republice. Dle výsledků testů na výskyt jednotkového kořene došlo ke stacionarizaci časových řad pomocí prvních diferencí. Vztahy mezi jednotlivými identifikovanými veličinami byly modelovány prostřednictvím vektorového autoregresního modelu (VAR). Na základě kritérií (informačních kritérií, koeficientů determinace, průkaznosti jednotlivých proměnných, aj.) byl specifikován VAR model s prvním řádem zpoždění obsahující 4 endogenní proměnné, mezi které patří cena benzínu, cena nafty v České republice, cena ropy koše OPEC a kurz koruny vůči dolaru, a 1 exogenní umělou proměnnou popisující HDP České republiky. Výsledná rovnice popisující ceny benzínu ve VAR(1) modelu byla interpretována v následujícím znění. Na cenu benzínu v České republice mají pozitivní vliv zpožděné hodnoty cen benzínu, cen ropy koše OPEC a kurzu koruny vůči dolaru. Negativní vliv na cenu benzínu mají zpožděné hodnoty ceny nafty v České republice. Cena nafty ve zpoždění je tak negativně korelována k ceně benzínu. V této rovnici nebyla průkazná pouze exogenní proměnná HDPcr. V případě, že dojde v České republice ke zvýšení průměrné ceny benzínu o 1 Kč, zvýší se průměrná cena benzínu na čerpacích stanicích v následujícím měsíci o 35 haléřů za 1 litr. Vzroste-li průměrná měsíční cena ropy koše OPEC o 1 americký dolar za barel, zvýší se v České republice průměrná cena jednoho litru benzínu v následujícím měsíci o 8,3 haléřů. V případě průměrného mezi-
74
Závěr
měsíčního zhodnocení kurzu koruny vůči dolaru o 1 Kč, dochází v následujícím měsíci ke zvýšení průměrné měsíční ceny benzínu o 20,2 haléřů na litr. Obdobná interpretace se nabízí i u koeficientu nafty, avšak s negativním účinkem. Vzroste-li průměrná cena nafty v České republice o 1 Kč, pak se v následujícím měsíci sníží průměrná cena za 1 litr benzínu o 19,1 haléřů. Dle hodnot t-statistik a parciálních koeficientů má na proměnnou představující ceny benzínu nejsilnější statistický vliv proměnná popisující ceny ropy koše OPEC. Rovnice zachycující ceny nafty v České republice v modelu VAR(1) prokázala pozitivní vliv zpožděných hodnot cen nafty, cen ropy koše OPEC a kurzu koruny k dolaru. Dále byl prokázán také pozitivní vliv současných hodnot umělé proměnné popisující HDP České republiky na ceny nafty v České republice. Dojde-li k růstu průměrné měsíční ceny nafty o 1 Kč za litr, zvýší se v následujícím měsíci průměrná měsíční cena jednoho litru nafty o 35,9 haléřů. Obdobná je i interpretace vlivu ceny ropy koše OPEC, kdy s růstem průměrné ceny ropy OPEC o 1 USD za barel dochází k růstu průměrné měsíční ceny nafty v následujícím období o 6,8 haléřů na 1 litr. Dále při zvýšení průměrného měsíčního kurzu koruny k dolaru o 1 Kč je v dalším období vyvoláno zvýšení průměrné měsíční ceny nafty o 17,8 haléřů na jeden litr. Poslední prokázanou veličinou v dané rovnici ceny nafty byla exogenní umělá proměnná představující hrubý domácí produkt České republiky. Tato modelovaná proměnná zachycuje pouze období růstu a poklesu případně stagnace české ekonomiky. Dochází-li v daném měsíci k růstu české ekonomiky, pak dochází ke zvýšení průměrné měsíční ceny nafty o 17,5 haléřů na 1 litr ve stejném období. V případě stagnace nebo poklesu české ekonomiky není průměrná měsíční cena nafty nijak ovlivněna, jelikož v období poklesu či stagnace nabývá proměnná HDPcr nulových hodnot. Dle velikosti hodnot t-statistik a souvisejícího parciálního koeficientu lze konstatovat, že tato proměnná d_OPEC_sa má největší statistický vliv na proměnnou d_Nafta v 2. rovnici VAR(1) modelu. Pro jednotlivé rovnice modelu VAR(1) byly provedeny diagnostické testy, které měly pozitivní výsledky kromě testu normality. Ve VAR(1) modelu byla zamítnuta hypotéza týkající se normality reziduí. Nesplnění předpokladu normality se vyskytuje u časových řad popisujících ceny různých veličin velmi často. Analýzou Grangerovy kauzality byl prokázán jednostranný kauzální vztah mezi proměnnými d_Benzin_sa a d_Nafta. Byla zjištěna závislost průměrných měsíčních cen benzínu v České republice na zpožděných hodnotách průměrných cen nafty a navíc se jedná o závislost negativní. V opačném směru závislost ceny nafty na zpožděné ceně benzínu prokázána v modelu na hladině statistické významnosti nebyla. Dále byla provedena analýza impulzů a odezvy, jejíž výsledky odpovídaly kauzálním vztahům zjištěných z analýzy Grangerovy kauzality. Dále bylo přistoupeno k ověření predikční schopnosti získaného modelu VAR(1) pomocí statické předpovědi ex-post. Dle srovnání výsledků predikce ex post se skutečnými hodnotami se jeví koncepce VAR modelů jako poměrně vhodný nástroj pro modelování cen benzínu a nafty v podmínkách České republiky. Vzhledem k pozitivnímu vyjádření ohledně predikční schopnosti modelu VAR(1) byla provedena predikce cen benzínu a nafty pro 12 období dopředu.
Závěr
75
Z důvodů exogenní proměnné HDPcr v modelu VAR(1) bylo nutné předem definovat vývoj této proměnné, a proto dle odhadů české ekonomiky byly sestaveny 3 scénáře. Průměrná měsíční cena benzínu v prosinci roku 2013 by se v případě trvání celoroční recese české ekonomiky mohla pohybovat kolem hranice 35,87 Kč/litr a průměrná měsíční cena nafty při stejném scénáři by měla mít hodnotu 34,78 Kč za litr. V případě růstu české ekonomiky ve třetím a čtvrtém čtvrtletí model předpokládá průměrnou měsíční cenu benzínu v prosinci roku 2013 v částce 36,72 Kč za litr a průměrné měsíční ceny nafty v hodnotě 37,05 Kč za litr. Při naplnění posledního scénáře, kdy se očekává růst české ekonomiky pouze ve třetím čtvrtletí, budou řidiči v prosinci roku 2013 nakupovat dle výsledů modelu litr benzínu v průměru za 36,41 Kč a nafty za 36,14 Kč. Zde je nutné říci, že výsledné ceny benzínu jsou abstrahovány od sezónních vlivů. Vzhledem k negativním odhadům vývoje české ekonomiky v roce 2013 se jako nejpravděpodobnější scénář jeví scénář recesní. V modelu byl zjištěn evidentní sezónní vliv u cen benzínů v podmínkách České republiky, avšak u cen nafty je sezónní vliv menší. Z dosažených výsledků modelu VAR(1) je cena nafty v České republice naopak více spojena s fází hospodářského cyklu než cena benzínu. Jedná se tak, protože je motorová nafta spotřebována především v nákladní a hromadné osobní přepravě, kde je spotřeba v průběhu roku rovnoměrnější a je více spjata s hospodářským cyklem. Vliv hospodářského cyklu na cenu benzínu nebyl v modelu VAR prokázán, ale do jisté míry se v cenách benzínu na základě zjištěných kauzálních vztahů ve VAR modelu projeví prostřednictvím cen nafty ve zpoždění. Pro další zpracování této problematiky by bylo přínosné zahrnout do modelu i kotované ceny ropných produktů na burze v Rotterdamu a dále posoudit, zda a do jaké míry ovlivňují ceny pohonných hmot v České republice Na základě dosažených výsledků a srovnání s ekonomickou realitou lze říci, že použité metody a především model VAR dokázaly v této práci adekvátně zachytit vývoj cen vybraných ropných produktů v České republice. Je nutné ceny pohonných hmot i nadále důkladně sledovat, neboť vysoké ceny pohonných hmot představují riziko jak pro stát, tak i pro ekonomický růst České republiky. Ceny pohonných hmot se promítají de facto do všech sfér národního hospodářství. Sledování a modelování cen pohonných hmot má význam nejen pro stát jako celek, ale i pro každý ekonomický subjekt. Neboť zvýšení cen pohonných hmot se může projevit v cenách řady zboží a služeb, které při obchodování spotřebovávají přímo nebo nepřímo ropné produkty.
76
Literatura
6 Literatura ARLT, J., ARLTOVÁ, M. Ekonomické časové řady. 1. vyd. Praha: Professional Publishing, 2009. 290 s. ISBN 978-80-86946-85-6. ARLT, J., ARLTOVÁ, M. Finanční časové řady. 1. vyd. Praha: Grada, 2003. 220 s. ISBN 80-247-0330-0. BALTAGI, B. H. Econometrics. 5. vyd. Springer Texts in Business and Economics, 2011. 410 s. ISBN 3642200591. BLAŽEK, J., RÁBL, V. Základy zpracování a využití ropy. 2 vyd. Praha: Vydavatelství VŠCHT, 2006. 254 s. ISBN 80-7080-619-2. BLAŠKOVÁ, V. Metody odhadu produkční mezery. In Zborník príspevkov z medzinárodnej vedeckej konferencie Medzinárodné vedecké dni 2006. Nitra: Slovenská poĺnohospodárska univerzita v Nitre, 2006. 1334 s. ISBN 80-8069-704-3. BROOKS, CH. Introductory econometrics for finance. 2nd ed. Cambridge: Cambridge University Press, 2008. 648 s. ISBN 9780521873062. CÍLEK, V., KAŠÍK, M., RULLER, T. Nejistý plamen: průvodce ropným světem. 1. vyd. Praha: Dokořán, 2007. 191 s. ISBN 978-80-7363-122-2. MONTGOMERY, D. C., PECK, E. A., VIKING, G. G. Introduction to Linear Regression Analysis, 5. vyd. John Wiley & Sons, 2012. 645 s. ISBN 9780470542811. FABOZZI, F. J. Short Selling: Strategies, Risks, and Rewards. John Wiley & Sons, 2004. 416. ISBN 9780471704331. GALSKÝ, D. Miliónové objevy: zlato, diamanty, kaučuk, ropa. 1. vyd. Praha: Albatros, 1988. 288 s. ISBN 137-28-88. GUJARATI, D. N. Basic econometrics. 4. vyd. Boston: McGraw Hill, 2003. 1 002 s. ISBN 978-0-07-233542-2. HAMPEL, D., STŘELEC, L. Ekonometrie 2. 1. vyd. Brno: Mendelova univerzita v Brně, 2011. 147 s. ISBN 978-80-7375-540-9. HÁJEK, M., BEZDĚK, V. Odhad potenciálního produktu a produkční mezery v ČR. Praha: ČNB, 2000. Výzkumná práce č. 26. HANÁKOVÁ, R. Analýza růstu cen potravin - růst cen ropy a rostoucí poptávka po biopalivech. In Firma a konkurenční prostředí 2008 - 1. část. 1. vyd. Brno: MSD, spol. s r. o., 2008. ISBN 978-80-7392-020-3. HINDLS, R., HRONOVÁ, S., SEGER, J. Statistika pro ekonomy. 5. vyd. Praha: Professional Publishing, 2004. 415 s. ISBN 80-86419-59-2. HUŠEK, R. Aplikovaná ekonometrie: teorie a praxe. Praha: Oeconomica, 2009. ISBN 978-80-245- 1623-3.
Literatura
77
HUŠEK, R. Ekonometrická analýza. Praha: Oeconomica, 2007. ISBN 978-80-245-1300-3. HUŠEK, R. Základy ekonometrické analýzy. 1. vyd Praha: Vysoká škola ekonomická, 1998, 265 s. ISBN 80-7079-441-0. KOLEVOVÁ, N. Nepřímé daně a jejich uplatňování u PHM. Bakalářská práce. Brno: MZLU v Brně, 2009. LÜTKEPOHL, H. New introduction to multiple time series analysis. Springer, 2005. ISBN 9783540262398. MANKIW, G. N. Zásady ekonomie. 1. vyd. Praha: Grada, 1999. 763 s. ISBN 8071698911. MAREK, L. a kol. Statistika pro ekonomy - aplikace. 2. vyd. Praha: Professional Publishing, 2007. 485 s. ISBN 978-80-86946-40-5. MRÁZ, V. Čerpací stanice pohonných hmot (a problematiky s nimi souvisejících): ve vybraných právních a ostatních předpisech k zajištění bezpečnosti a ochrany zdraví při práci. 1. vyd. Rožnov pod Radhoštěm: Rožnovský vzdělávací servis, 2004. 104 s. ROUBÍČEK, V., RÁBL, V. Technologie ropy: alternativní paliva. 1. vyd. Ostrava: VŠB-Technická univerzita, 2000. 267 s. ISBN 80-7078-690-6. RUPERT, D. Statistics and Data Analysis for Financial Engineering. Springer, 2011. 638 s. ISBN 9781441977878. SHEATHER, S. A Modern Approach to Regression with R. Springer Science and Business, 2009. 387 s. ISBN: 978-0-387-09607-0. ŠLANCAR, J. Vliv cen ropy na cenu dopravy v České republice v letech 20042008. Bakalářská práce. Brno: MENDELU Brno, 2010. ŠMÍDOVÁ, A. Statistická analýza vývoje cen motorových paliv v České republice. Diplomová práce. Brno: MZLU v Brně, 2009. WOOLDRIDGE, J. M. Introductory econometrics: a modern approach. 4. vyd. Mason, Ohio: South-Western, 2008. 865 s. ISBN 978-0-324-66054-8. Internetové zdroje Aktuální prognóza ČNB. ČNB [online]. 2013 [cit. 2013-05-10]. Dostupné z: http://www.cnb.cz/cs/menova_politika/prognoza/. Analýza nárůstu cen pohonných hmot. Afim.cz [online]. 2012 [cit. 2013-05-10]. Dostupné z: http://afim.cz/files/dokumenty/30_Analyza%20cen%20PHM%20vadafinal.pdf. Ceny pohonných hmot on-line. Finance.cz [online]. 2013 [cit. 2013-03-17]. Dostupné z: http://www.finance.cz/makrodata-eu/pohonne-hmoty/. Faktory vývoje maloobchodních cen pohonných hmot. ČNB [online]. 2012 [cit. 2013-05-10]. Dostupné z:
78
Literatura
http://www.cnb.cz/cs/menova_politika/zpravy_o_inflaci/2012/2012_II /boxy_a_prilohy/zoi_2012_II_box_2.html. KRYNEK, L. Vývoj cen pohonných hmot: litr benzínu stál před 13 lety necelých 20 Kč. Novinky.cz [online]. 2008 [cit. 2013-03-17]. Dostupné z: http://www.novinky.cz/ekonomika/146696-vyvoj-cen-pohonnych-hmotlitr-benzínu-stal-pred-13-lety-necelych-20-kc.html. LAZAREVIČ, A. Proč pohonné hmoty stále zdražují? A jak na palivech ušetřit? Měšěc.cz [online]. 2012 [cit. 2013-03-17]. Dostupné z: http://www.mesec.cz/clanky/proc-pohonne-hmoty-stale-zdrazuji-a-jakna-palivech-usetrit/. MATYÁŠEK, J. Zdroje energie. Antropogeneze v geologii [online]. 2010 [cit. 2013-03-17]. Dostupné z: http://is.muni.cz/do/1499/el/estud/pedf/js10/antropog/web/pages/3-1zdroje-energie.html. Oil product consumption. Bp [online]. 2012 [cit. 2013-03-17]. Dostupné z: http://www.bp.com/sectiongenericarticle800.do?categoryId=9037171&c ontentId=7068611 http://www.pro-energy.cz/clanky2/4.pdf. Ropa a ropné produkty. MPO [online]. 2012 [cit. 2013-03-17]. Dostupné z: http://download.mpo.cz/get/45884/51777/588401/priloha001.pdf. SHELDON, M. Head of Saudi Electric Company Says "Oil Runs Out in 2030 if Current Consumption Maintained". MISH'S Global Economic Trend Analysis [online]. 2011 [cit. 2013-05-10]. Dostupné z: http://globaleconomicanalysis.blogspot.cz/2011/06/head-of-saudielectric-company-says-oil.html. Spotřeba paliv v dopravě. Cittadella.cz [online]. 2010 [cit. 2013-03-17]. Dostupné z: http://www.cittadella.cz/cenia/index.php?p=spotreba_paliv_v_doprave &site=doprava. Statistical Review of World Energy June 2012. Bp [online]. 2012. vyd. [cit. 201305-23]. Dostupné z: http://www.bp.com/assets/bp_internet/globalbp/globalbp_uk_english/ reports_and_publications/statistical_energy_review_2011/STAGING/loca l_assets/pdf/statistical_review_of_world_energy_full_report_2012.pdf. USD průměrné kurzy 2013: Historie kurzů měn. Kurzy.cz [online]. 2013. [cit. 2013-05-10]. Dostupné z: http://www.kurzy.cz/kurzymen/historie/USD-americky-dolar/2013/. Vývoj ekonomiky České republiky v roce 2012. Český statistický úřad [online]. 2013 [cit. 2013-05-10]. Dostupné z: http://www.czso.cz/csu/2012edicniplan.nsf/t/33001F7B8A/$File/11091 2q4a01.pdf.
Literatura
79
Who gets what from imported oil?. OPEC: Taxes on oil [online]. 2011 [cit. 2013-03-17]. Dostupné z: http://www.opec.org/opec_web/en/data_graphs/333.htm. ZAPLATÍLEK, J. Zásobování České republiky ropou. MPO [online]. 2005 [cit. 2013-05-10]. Dostupné z: http://www.pro-energy.cz/clanky2/4.pdf.
80
Přílohy
7 PŘÍLOHY Produkce ropy v mld. barelů USA Kanada Mexiko Severní Amerika Brazílie Venezuela
2000 7733 2721 3456 13910 1268 3239
2005 6895 3041 3766 13702 1716 3003
2010 7555 3367 2958 13880 2137 2775
2011 Podíl 2011 7841 8,8% 3522 4,3% 2938 3,6% 14301 16,8% 2193 2,9% 2720 3,5%
Jižní a Střední Amerika Kazachstán Norsko Rusko Evropa a Euroasie Irán Irák Kuvajt Saudská Arábie SAE Blízký Východ Angola Nigérie Afrika Čína Asie Svět z toho: OECD Non-OECD OPEC Non-OPEC Evropská unie Bývalý SSSR
6813 772 3346 6473 14912 3852 2614 2237 9439 2620 23524 746 2155 7804 3257 7833 74796 21543 53253 31121 35696 3490 7979
6963 1402 2969 9443 17476 4184 1833 2654 11033 2983 25392 1405 2551 9954 3642 7904 81391 19873 61518 34973 34642 2655 11776
7293 1818 2137 10150 17629 4338 2480 2518 9955 2867 25314 1883 2453 10114 4077 8251 82480 18563 63917 34753 34280 1950 13448
7381 1841 2039 10280 17314 4321 2798 2865 11161 3322 27690 1746 2457 8804 4090 8086 83576 18543 65032 35830 34258 1692 13487
Obr. 17 Produkce ropy v tis. barelů za den Zdroj: Statistical review of world energy Bp.
9,5% 2,1% 2,3% 12,8% 21,0% 5,2% 3,4% 3,5% 13,2% 3,8% 32,6% 2,1% 2,9% 10,4% 5,1% 9,7% 100,0% 21,7% 78,3% 42,4% 41,0% 2,0% 16,5%
Přílohy
Spotřeba ropy v mld. barelů USA Kanada Mexiko Severní Amerika Brazílie Jižní a Střední Amerika Francie Německo Rusko Evropa a Euroasie Irán Saudská Arábie Blízký Východ Afrika Čína Indie Japonsko Jižní korea Asie Svět z toho: OECD Non-OECD Evropská unie Bývalý SSSR
81
2000 19701 1922 1958 23581 2044 4882 1994 2746 2546 19370 1366 1578 5111 2464 4766 2261 5544 2263 21188 76597 48138 28459 14569 3565
2005 20802 2229 2030 25061 2070 5111 1946 2592 2621 20095 1696 1970 6365 2864 6944 2567 5327 2312 24429 83925 49946 33979 15030 3745
2010 19180 2298 2014 23491 2629 6079 1761 2445 2804 19039 1887 2748 7890 3377 9251 3332 4413 2392 27563 87439 46523 40917 13860 3893
2011 18835 2293 2027 23156 2653 6241 1724 2362 2961 18924 1824 2856 8076 3336 9758 3473 4418 2397 28301 88034 45924 42111 13478 4110
Podíl 2011 20,5% 2,5% 2,2% 25,3% 3,0% 7,1% 2,0% 2,7% 3,4% 22,1% 2,1% 3,1% 9,1% 3,9% 11,4% 4,0% 5,0% 2,6% 32,4% 100,0% 51,5% 48,5% 15,9% 4,7%
Obr. 18 Spotřeba ropy v tis. barelů za den Zdroj: Statistical review of world energy Bp, zobrazeny pouze země s více než 2% podílem na světové spotřebě ropy.
82
Ověřené rezervy v mld. barelů USA Kanada Mexiko Severní Amerika Brazílie Ekvádor Venezuela Jižní a Střední Amerika Ázerbajdžán Kazachstán Norsko Rusko Evropa a Euroasie Irán Irák Kuvajt Omán Katar Sauská Arábie SAE Blízký Východ Alžírsko Angola Libye Nigérie Súdán Afrika Čína Indie Malajsie Asie Svět z toho: OECD Non-OECD OPEC Non-OPEC Evropská unie Bývalý SSSR Kanadské ropné písky
Přílohy
1980 36,5 39,5 47,2 123,3 1,3 1,0 19,5
1985 36,4 40,9 55,6 132,9 2,2 1,1 54,5
1990 33,8 40,3 51,3 125,4 4,5 1,4 60,1
1995 29,8 48,4 48,8 126,9 6,2 3,4 66,3
2000 30,4 181,5 20,2 232,1 8,5 4,6 76,8
2005 29,9 180,5 13,7 224,1 11,8 4,9 80,0
2010 30,9 175,2 11,7 217,8 14,2 6,2 296,5
2011 30,9 175,2 11,4 217,5 15,1 6,2 296,5
26,7 n/a n/a 4,0 n/a 83,6 58,3 30,0 67,9 2,5 3,6 168,0 30,4 362,4 8,2 1,4 20,3 16,7 53,4 13,4 2,8 1,8 33,9 683,4 141,0 542,4 425,4 191,0 11,8 67,0
62,9 n/a n/a 5,9 n/a 79,3 59,0 65,0 92,5 4,1 4,5 171,5 33,0 431,7 8,8 2,0 21,3 16,6 0,3 57,0 17,1 3,8 3,5 38,7 802,6 150,2 652,4 529,8 209,8 9,6 63,0
71,5 n/a n/a 8,6 n/a 75,9 92,8 100,0 97,0 4,4 3,0 260,3 98,1 659,6 9,2 1,6 22,8 17,1 0,3 58,7 16,0 5,6 3,6 36,3 1027,5 144,5 883,0 763,4 205,7 8,1 58,4
83,7 n/a n/a 10,8 n/a 80,9 93,7 100,0 96,5 5,2 3,7 261,5 98,1 663,3 10,0 3,1 29,5 20,8 0,3 72,0 16,4 5,5 5,2 39,3 1066,1 149,2 916,8 786,6 218,2 8,2 61,3
97,9 1,2 5,4 11,4 68,5 97,7 99,5 112,5 96,5 5,8 16,9 262,8 97,8 696,7 11,3 6,0 36,0 29,0 0,6 93,4 15,2 5,3 4,5 40,1 1257,9 256,5 1001,4 849,7 331,4 8,8 76,9
103,4 7,0 9,0 9,7 80,2 115,7 137,5 115,0 101,5 5,6 27,9 264,2 97,8 755,5 12,3 9,0 41,5 36,2 6,4 117,6 15,6 5,9 5,3 40,7 1357,0 244,7 1112,3 927,8 331,2 7,3 98,1
324,7 7,0 30,0 6,8 86,6 139,5 151,2 115,0 101,5 5,5 24,7 264,5 97,8 765,6 12,2 13,5 47,1 37,2 6,7 132,7 14,8 5,8 5,9 41,7 1622,1 235,0 1387,1 1167,3 329,4 6,8 125,4
325,4 7,0 30,0 6,9 88,2 141,1 151,2 143,1 101,5 5,5 24,7 265,4 97,8 795,0 12,2 13,5 47,1 37,2 6,7 132,4 14,7 5,7 5,9 41,3 1652,6 234,7 1417,9 1196,3 329,4 6,7 126,9
n/a
n/a
n/a
n/a
163,3
163,5
169,2
169,2
Obr. 19 Ověřené rezervy ropy v mld. barelů a poměr R/P v letech Zdroj: U R/P hvězdička je více než 100 let
Podíl Poměr R/P 2011 v letech 1,9% 10,8 10,6% * 0,7% 10,6 13,2% 41,7 0,9% 18,8 0,4% 33,2 17,9% * 19,7% 0,4% 1,8% 0,4% 5,3% 8,5% 9,1% 8,7% 6,1% 0,3% 1,5% 16,1% 5,9% 48,1% 0,7% 0,8% 2,9% 2,3% 0,4% 8,0% 0,9% 0,3% 0,4% 2,5% 100,0% 14,2% 85,8% 72,4% 19,9% 0,4% 7,7%
* 20,6 44,7 9,2 23,5 22,3 95,8 * 97,0 16,9 39,3 65,2 80,7 78,7 19,3 21,2 * 41,5 40,5 41,2 9,9 18,2 28,0 14,0 54,2 34,7 59,7 91,5 26,3 10,8 25,8
Přílohy
Obr. 20 Původní a vyhlazená řada a cyklická komponenta HDP 27 členských států Evropské unie vykreslené pomocí HP filtru Zdroj: Výpočet v programu Gretl.
Obr. 21 Původní a sezóně adjustovaná časová řada ceny benzínu (naturalu 95) Zdroj: Výpočet v programu Gretl pomocí nástroje TRAMO / SEATS
83
84
Přílohy
Obr. 22 Původní a sezóně adjustovaná časová řada ceny koše OPEC Zdroj: Výpočet v programu Gretl pomocí nástroje TRAMO / SEATS
Obr. 23
ACF a PACF pro Benzin_sa
Přílohy
85
Obr. 24
ACF a PACF pro Nafta
Obr. 25
ACF a PACF pro Brent
Obr. 26
ACF a PACF pro WTI
86
Přílohy
Obr. 27
ACF a PACF pro OPEC_sa
Obr. 28
ACF a PACF pro Kurz
Tab. 14
Informační kritéria pro model VAR(p) zahrnující endogenní proměnnou d_OPEC_sa
Model se zpožděním VAR(1) VAR(2) VAR(3)
P-hodnota
AIC
BIC
HQC
0,412 0,3945
10,9273* 11,0373 11,1455
11,3476* 11,7938 12,2381
11,0981* 11,3447 11,5895
Zdroj: Výpočet pomocí nástroje VAR výběr zpožděných proměnných v programu Gret.
Přílohy Tab. 15
87 Odhad VAR(1) modelu s endogenní proměnnou d_OPEC_sa a HDPcr jako exogenní
VAR systém řádu zpoždění 1 Informační kritéria
AIC BIC HQC Rovnice č. 1: d_Benzin_sa
10,89 11,31 11,06
Proměnná Koeficient Směr. chyba d_Benzin_sa_1 0,352685 0,104559 d_Nafta_1 -0,190765 0,113882 d_OPEC_sa_1 0,0827329 0,00933319 d_Kurz_1 0,201843 0,0705773 HDPcr* 0,0276481 0,0786051 Koeficient determinace Adjut. koeficient determinace F(5, 137) P-hodnota(F) Durbin-Watsonova statistika rho (koeficient autokorelace) Rovnice č. 2: d_Nafta
t-podíl p-hodnota 3,3731 0,00097 *** -1,6751 0,09619 * 8,8644 <0,0001 *** 2,8599 0,00490*** 0,3517 0,72558 0,471756 0,456333 24,47001 1,50e-17 1,926185 0,026397
Proměnná Koeficient Směr. chyba d_Benzin_sa_1 -0,0914475 0,0963923 d_Nafta_1 0,349053 0,104986 d_OPEC_sa_1 0,068033 0,00860418 d_Kurz_1 0,17765 0,0650645 HDPcr* 0,175048 0,0724653 Koeficient determinace Adjut. koeficient determinace F(5, 137) P-hodnota(F) Durbin-Watsonova statistika rho (koeficient autokorelace) Rovnice č. 3: d_OPEC_sa
t-podíl p-hodnota -0,9487 0,34444 3,3247 0,00114 *** 7,9070 <0,0001 *** 2,7304 0,00716 *** 2,4156 0,01703** 0,511332 0,497064 28,67080 8,15e-20 1,986889 -0,013458
Proměnná Koeficient d_Benzin_sa_1 -1,62923 d_Nafta_1 1,40761 d_OPEC_sa_1 0,302685 d_Kurz_1 -0,0682814 HDPcr* 1,39868 Koeficient determinace Adjut. koeficient determinace
t-podíl p-hodnota -1,5978 0,11239 1,2674 0,20715 3,3255 0,00113 *** -0,0992 0,92112 1,8246 0,07024 * 0,150623 0,125824
Směr. chyba 1,01967 1,11058 0,0910181 0,688276 0,766563
88
Přílohy
F(5, 137) P-hodnota(F) Durbin-Watsonova statistika rho (koeficient autokorelace) Rovnice č. 4: d_Kurz Proměnná Koeficient d_Benzin_sa_1 0,127634 d_Nafta_1 -0,116125 d_OPEC_sa_1 -0,0351589 d_Kurz_1 0,170362 HDPcr* 0,00306446 Koeficient determinace Adjut. koeficient determinace F(5, 137) P-hodnota(F) Durbin-Watsonova statistika rho (koeficient autokorelace)
Směr. chyba 0,124395 0,135485 0,0111037 0,0839661 0,0935168
4,858936 0,000401 1,989554 0,002387 t-podíl p-hodnota 1,0260 0,30668 -0,8571 0,39288 -3,1664 0,00190 *** 2,0289 0,04440 ** 0,0328 0,97391 0,154940 0,130267 5,023746 0,000294 1,922419 0,036850
Nulová hypotéza: regresní koeficienty jsou nulové u proměnných HDPeu. Testovací statistika: Chí-kvadrát(4) = 5,37654, s p-hodnotou = 0,250797. Zdroj: Výpočet v programu Gretl. Tab. 16 Výsledky testů autokorelace a podmíněné heteroskedasticity rezidují u VAR(1) modelu s endogenní proměnnou d_OPEC_sa a exogenní proměnou HDPcr
Rovnice
d_Benzin_sa d_Nafta d_OPEC_sa d_Kurz Zdroj: Výpočet pomocí programu Gretl.
P-hodnota LjungBoxova testu 0,546 0,126 0,257 0,996
P-hodnota ARCH testu 0,891 0,968 0,002 0,401
Přílohy
Obr. 29 Vzájemné reakční funkce prokázaných proměnných modelu VAR(1) na jednotkové šoky jednotlivých proměnných Zdroj: Výpočet v programu Gretl.
89
