Vybrané problémy predikce tržeb v průmyslu cestovního ruchu

Mendelova univerzita v Brně Provozně ekonomická fakulta

Vybrané problémy predikce tržeb v průmyslu cestovního ruchu Diplomová práce

Vedoucí práce:

Zpracovala:

doc. Ing. Svatopluk Kapounek, Ph.D.

Bc. Lenka Jahnová Brno 2013

Zadání diplomové práce

Prohlašuji, že jsem diplomovou práci „Vybrané problémy predikce tržeb v průmyslu cestovního ruchu“ vypracovala samostatně dle pokynů vedoucího diplomové práce a s využitím odborné literatury uváděné v závěru této práce.

V Brně dne 24. května 2013

_______________________

Tímto bych ráda poděkovala panu doc. Ing. Svatopluku Kapounkovi Ph.D. za odborné vedení mé diplomové práce, cenné rady, trpělivost a ochotnou pomoc, kterou mi poskytl během jejího zpracovávání.

ABSTRAKT JAHNOVÁ, L., Vybrané problémy predikce tržeb v průmyslu cestovního ruchu. Diplomová práce. Brno. 2013. Ve své diplomové práci „Vybrané problémy predikce tržeb v průmyslu cestovního ruch“ identifikuji ekonometrické modely poptávek po cestovním ruchu ze zahraničních zemí nejvíce navštěvující Českou republiku. Prostřednictvím těchto poptávkových modelů analyzuji citlivost příjmů z incomingového cestovního ruchu na vývoj agregátních makroekonomických ukazatelů, které následně využiji pro krátkodobou predikci celkových příjmů pocházejících ze zahraničí. Veškerá data využívaná v empirických analýzách jsem získala z příslušných statistických databází České republiky a zahraničních zemí uvažovaných v této práci v období 2004/Q1 – 2012/Q4. V závěru práce podávám doporučení zařízením podnikajícím v oblasti cestovního ruchu dle vlastních výsledků. Klíčová slova: Incomingový cestovní ruch, ekonometrické modely, krátkodobá predikce, Box-Jenkinsova metodologie.

ABSTRACT JAHNOVÁ, L., Selected problems of predicting sales in the tourism industry. Diploma thesis. Brno. 2013. My thesis "Selected problems of predicting sales in the tourism industry" identifies econometric models of demand for tourism from foreign countries most visiting Czech Republic. Through these demand models analyze the sensitivity of income from incoming tourism development on aggregate macroeconomic indicators, which in turn will be used for short-term prediction of total income from abroad. All data used in the empirical analysis, i obtained from the statistical database of the Czech Republic and foreign countries considered in this work period 2004/Q1 - 2012/Q4. In conclusion, i give recommendations facilities operating in the tourism sector according to our own results. Keywords: Incoming tourism, econometric models, short-term prediction, Box-Jenkins methodology.

6

Obsah diplomové práce 1. Úvod ........................................................................................................................ 8 2. Cíl práce................................................................................................................. 11 3. Metodika ................................................................................................................ 12 3.1. Vymezení ekonomické časové řady ............................................................ 12 3.2. Metoda nejmenších čtverců (OLS) .............................................................. 12 3.3. Funkční formy využívané v ekonometrických modelech............................ 14 3.4. Modely zpožděné nezávislé proměnné ........................................................ 14 3.5. Ověření základních předpokladů ekonometrického modelu ....................... 15 3.5.1. Ramseyho RESET test ................................................................... 15 3.5.2. Test nelinearity (LM) ..................................................................... 16 3.5.3. Durbin-Watsonův test .................................................................... 16 3.5.4. Ljung-Box test ............................................................................... 16 3.5.5. Whiteův test ................................................................................... 17 3.5.6. Breusch-Paganův test ..................................................................... 17 3.5.7. Chí-kvadrát (test dobré shody)....................................................... 17 3.6. Sezónnost a sezónní (umělé) proměnné v regresních modelech ................. 18 3.7. Box-Jenkinsova metodologie ...................................................................... 18 3.7.1. Nestacionarita časových řad .......................................................... 19 3.7.2. Autoregresivní procesy AR ........................................................... 19 3.7.3. Procesy klouzavých průměrů MA ................................................. 20 3.7.4. Smíšené procesy ARMA ............................................................... 20 3.7.5. Modely nestacionárních časových řad ARIMA ............................. 21 3.7.6. Modely sezónních časových řad SARIMA ................................... 21 3.7.7. Konstrukce předpovědí .................................................................. 22 3.8. Data a model ................................................................................................ 23 4. Literární rešerše ..................................................................................................... 27 4.1. Vymezení cestovního ruchu ........................................................................ 27 4.2. Činitelé ovlivňující cestovní ruch ................................................................ 28 4.3. Satelitní účet cestovního ruchu .................................................................... 29 4.4. Vztah hlavních zahraničních partnerů v rámci cestovního ruchu k ČR ...... 30 4.5. Studie zabývající se zkoumanou problematikou ......................................... 31

7

5. Vlastní práce .......................................................................................................... 32 5.1. Výsledky empirické analýzy ....................................................................... 32 5.1.1. Německo ........................................................................................ 32 5.1.2. Slovensko ....................................................................................... 36 5.1.3. Rusko ............................................................................................. 40 5.1.4. Velká Británie ................................................................................ 43 5.1.5. Ukrajina ......................................................................................... 46 5.1.6. USA ............................................................................................... 49 5.1.7. Itálie ............................................................................................... 52 5.1.8. Dílčí závěr ...................................................................................... 56 5.2. Predikce pro rok 2013 ................................................................................. 56 5.2.1. Dílčí závěr ...................................................................................... 60 6. Diskuse .................................................................................................................. 62 7. Závěr ...................................................................................................................... 64 8. Literatura ............................................................................................................... 67 9. Přílohy ................................................................................................................... 70

Úvod

8

1. Úvod Cestovní ruch je v současném světě velice významnou oblastí regionálních a národních ekonomik většiny zemí a zároveň nejrychleji se rozvíjejícím průmyslem světa. Ovlivňuje mnoho makroekonomických veličin, a to především hrubý domácí produktu, zaměstnanost, platební bilanci státu, apod. Dále se toto odvětví podílí na tvorbě nových pracovních příležitostí, ovlivňuje rozvoj jednotlivých regionů a jejich investiční činnost, na příjmech do státních rozpočtů a ochraně historických památek. Rozvoj cestovního ruchu má mnoho pozitivních ale i negativních dopadů. Ty pozitivní vlivy lze spatřovat v ochraně životního prostředí, zachovávání původních tradic a zvyků a v neposlední řadě poznávání rozdílných kultur. Mezi negativní vliv cestovního ruchu se nejčastěji řadí ohrožení přírodního bohatství, památek a lidského soukromí, ovšem v tomto směru existuje celosvětová snaha o jejich minimalizaci. Samotné definování cestovního ruchu není jednoznačné, neexistuje jedna univerzální definice tohoto pojmu. Například UNWTO uvádí, že cestovní ruch je „činnost osob cestujících do míst a pobývajících v místech mimo své obvyklé prostředí po dobu kratší než jeden rok, za účelem trávení volného času a služebních cest“. Dále Mezinárodní sdružení expertů cestovního ruchu definuje cestovní ruch jako „souhrn jevů a vztahů, které vyplývají z cestování nebo pohybu osob, přičemž místo pobytu není trvalým místem bydlení a zaměstnání“. Mnohé studie se ale shodují na chápání cestovního ruchu ve dvou rovinách. Dle Ryglové je první rovinou oblast spotřeby, tedy způsob uspokojování potřeb, z druhého hlediska se jedná o oblast podnikatelských příležitostí (Ryglová, 2007). Cestovní ruch má svoji dlouholetou tradici i v České republice. Největšího rozmachu tohoto odvětví nastalo v druhé polovině 30. let 20. století. V tomto období a dále po druhé světové válce převládal v Čechách domácí cestovní ruch, který představoval téměř 95% veškeré účasti. Domácí cestovní ruch zahrnoval především chalupaření, chataření, stanování nebo tramping. Zahraniční cestovní ruch tvořili převážně turisté ze socialistických zemí a vycestování bylo možné pouze do zemí východního bloku. Vše se začalo významně měnit po roce 1989, kdy došlo k výraznému zlepšení podmínek pro svobodné cestování. Mezi roky 1989 – 1999 vzrostly příjezdy mezinárodního cestovního ruchu o 55,8%, došlo k nárůstu, jak aktivního, tak i pasivního cestovního ruchu. Česká republika se stala výrazně příjezdovou zemí, příjezdy zahraničních turistů převyšovaly výjezdy našich občanů až 2,5krát. Dalším zlomovým rokem byl vstup České republiky do Evropské unie a následné začlenění do Schengenského prostoru, což ještě více usnadnilo cestování. V posledních letech se svět nachází v období hospodářské krize, a to má za následek i propad cestovního ruchu jako celku. Do roku 2007 byl vývoj cestovního ruchu v naší zemi příznivý, ovšem v letech 2008 a 2009 se projevily následky krize. Byl zaznamenán pokles celkového počtu ubytovaných hostů, tento

Úvod

9

pokles představoval 6% oproti předcházejícím rokům a poklesl počet zahraničních i domácích turistů. Zlepšení nastalo až v roce 2010, kdy se oproti roku 2009 zvýšil celkový počet ubytovaných o 1,9% a zvýšil se i příliv zahraničních turistů, a to o 5%. V dalších letech docházelo k mírnému zlepšování cestovního ruchu jako celku. V roce 2012 byl zaznamenán oproti roku 2011 nárůst celkového počtu ubytovaných hostů o 5,8%, zahraničních turistů o 6,8% a domcích turistů o 4,7% (Ryglová, 2007). I když se Česká republika svojí rozlohou řadí mezi menší země, tak je pro řadu zahraničních i domácích turistů velice atraktivní turistickou destinací disponující přírodními, lázeňskými, kulturními a technickými památkami. Mezi nejčastěji navštěvované destinace naší země patří hlavní město Praha, jejichž výnosy tvoří téměř polovinu celostátních příjmů z této oblasti. Ale i ostatní místa České republiky jsou hojně navštěvovaná, především památky, které jsou na seznamu světového dědictví UNESCO. i přes hojně navštěvovaná místa v naší zemi, není rozvoj cestovního ruchu na takové úrovni jako v jiných zemí Evropské unie. Ještě stále nejsme schopni vytěžit maximum z potenciálu našich přírodní a kulturní památky. Cílem všech vesnic a měst by mělo být nabízení takových služeb, zajímavostí a dosažení takové přitažlivosti, aby projíždějící turisty donutilo zastavit a utratit nějaké peníze, což bude znamenat prospěch i zisk pro veškeré účastníky (Ryglová, 2007). Velice často je uváděna v souvislosti s průmyslem cestovního ruchu neoficiální kategorie s názvem „bilance cestovního ruchu“. Je to neopomenutelná soustava porovnávající příjmy a výdaje zahraničního cestovního ruchu a podává informace o výkonnosti příjezdového cestovního ruchu. Tyto veškeré údaje a poznatky spravuje Česká národní banka. Příjmy z cestovního ruchu tvoří ubytování a stravování zahraničních hostů v hotelích a jiných ubytovacích zařízeních, poskytování služeb zahraničním návštěvníkům a také nákupy zahraničních turistů. Výdaje z cestovního ruchu jsou tvořeny domácími obyvateli v zahraničních zemích, jejich nákupy a využitými službami. Tato soustava podává celkový obraz o vývoji příjmů a výdajů cestovního ruchu (Franke a kol., 2012). V této práci se budu zabývat pouze zmiňovanými příjmy z cestovního ruchu, tvořeny zahraničními návštěvníky a jejich následnou předpovědí budoucího vývoje. V dnešní nelehké a nestabilní době, kdy je podstatná část obyvatelstva zaměstnána v odvětví služeb, považuji za důležité znát alespoň pravděpodobný vývoj příjmů z cestovního ruchu do budoucna a tudíž i návštěvnost zahraničních turistů. Dle odhadnutých budoucích vývojů příjmů, ale i návštěvností a další faktorů využívaných v průmyslu cestovního ruchu, mohou jednotlivá zařízení fungující v rámci cestovního ruchu učinit vhodná rozhodnutí. Tato zjištění mohou využít při vytváření jak krátkodobých, tak i dlouhodobých efektivních plánů v oblastech zásobování, inovací, rekonstrukcí, investování apod. Jednotlivé podniky v odvětví cestovního ruchu tímto mohou také odůvodňovat svá rozhodnutí konaná

Úvod

10

ve zmiňovaných oblastech. Existuje mnoho studií zabývající se touto problematikou. Například studie Lim (2009) z australské univerzity uvádí 12 měsíční předpověď poptávky po ubytování turistů na Novém Zélandě prostřednictvím modelu SARIMA. Touto predikcí se snaží získat informace o budoucí obsazenosti pokojů a v důsledku těchto informací maximalizovat výnosy daných ubytovacích zařízení. Dále studie Psillakise a kolegů (2008) z řecké univerzity pojednávající o predikci ubytování turistů v Řecku v rámci cestovního ruchu prostřednictvím Box-Jenkinsovy metodologie, kdy zjišťují, že sezónnost cestovního ruchu je v této zemi dosti výrazným problémem. Mimo tato sezónní období se často potýkají s nezaměstnaností, za to v hlavních sezónních obdobích dochází k vytváření inflačních cen v důsledku zvýšené poptávky po produktech a službách. Je tedy zřejmé, že predikce návštěvnosti, ubytování turistů či tržeb v oblasti cestovního ruchu má svůj opodstatněný význam na hospodářské i na podnikatelské úrovni a hlavně v období doznívající finanční krize.

Cíl práce

11

2. Cíl práce Hlavním cílem diplomové práce je tvorba doporučení pro management firmem podnikajících v průmyslu cestovního ruchu v oblasti využití pracovních sil, zásob, rekonstrukce a krátkodobých investic. Stěžejní bod práce bude zaměřen na krátkodobé predikce agregátní poptávky a s tím související incomingové poptávky po službách v cestovním ruchu. Práce bude rozdělena na několik dílčích cílů, prostřednictvím kterých dospěji k cíli hlavnímu. Nejprve provedu identifikaci modelu poptávky po službách incomingového cestovního ruchu v České republice prostřednictvím vícerozměrné regresní analýzy. Následně bude posouzen vzájemný vztah proměnných a závěry této části analýzy budou využity pro identifikaci vhodných indikátoru využitelných při krátkodobé predikci poptávky po službách v cestovním ruchu. Při predikci příjmů z průmyslu cestovního ruchu budou využity vhodné nástroje, přesněji Box-Jenkinsova metodologie, včetně odpovídajících testů. Vlastní predikce bude zahrnovat nejen oblast příjmů z průmyslu cestovního ruchu, ale také incomingovou poptávku po službách cestovního ruchu, zastoupenou vybranými makroekonomickými indikátory. Výsledky empirické analýzy budou následně kriticky srovnány s výsledky studií na podobné téma. V závěru práce budou posouzeny dosažené výsledky v rámci existujících ekonomických teorií a navrhnuty doporučení pro managementy zařízení podnikajících v průmyslu cestovního ruchu.

12

Metodika

3. Metodika V této části práce budou popsány používané postupy, techniky a pojmy, prostřednictvím kterých jsem zpracovala část vlastní práce. Ze statistických databází jsem převzala časové řady, které bylo nutné upravit do vhodné podoby, použitelné pro další zpracování. Po úpravě časových řad jsem se zaměřila na výstavbu poptávkových modelů incomingového cestovního ruchu s využitím metody nejmenších čtverců. Základní předpoklady a správnost jednotlivých ekonometrických poptávkových modelů jsem ověřila příslušnými testy. Následně byla provedena konstrukce predikce za využití procesů Box-Jenkinsovy metodologie.

3.1. Vymezení ekonomické časové řady Dle Arlta a Arltové (2007) se ekonomickou řadou rozumí „řada hodnot jistého věcně a prostorově vymezeného ekonomického ukazatele, která je uspořádána v čase směrem od minulosti do přítomnosti“. Časovou řadu můžeme zapsat jako ( kde je hodnota ukazatele v čase t a aj., 2002).

)

(3.1.1)

je hodnota náhodné složky v čase t (Hindls

V praxi se můžeme setkat s velkým množství metod využívaných při analýzách časových řad. V současné době je to nejdůležitější oblast v rozvoji statistiky hlavně z důvodu dynamiky systému a její využitelnost je možné vysledovat ve všech oborech lidské činnosti. Při analýzách časových řad budou v této práci nejprve popsány časové řady vhodnými matematickými modely a následně bude provedena předpověď budoucího vývoje řady. Mezi základní metody analýzy časových řad řadíme kvalitativní, ve statistice méně využívané a kvantitativní metody. Kvantitativní metody lze dále členit na následující metody:  dekompozice časové řady,  Box-Jenkinsova metodologie,  lineární dynamické modely (Hampel, 2011).

3.2. Metoda nejmenších čtverců (OLS) V práci jsem pro odhady koeficientů regresního modelu využila metodu nejmenších čtverců, k níž se nejčastěji uchylují ekonomičtí analytici z důvodů její

13

Metodika

poměrné jednoduchosti, výpočetní nenáročnosti a žádoucích vlastností. Vyjdeme-li při odhadu klasického lineárního modelu z této metody, pak pro odhadovanou funkci β platí (3.2.2) nebo ̂

̂

(3.2.3)

je vysvětlovaná proměnná, vysvětlující proměnná, regresní koeficient, náhodná složka. Dále ̂ značí vektor vyrovnaných hodnot vysvětlované proměnné a ̂ vektor odhadovaných parametrů regresní funkce. Je to tedy kalkulace odhadů regresních koeficientů, která minimalizuje residuální součet čtverců ESS: kde

∑

(

̂)

∑

(3.2.4)

kde jsou odhadnuté residuální odchylky vyjádřené jako rozdíl empirických a vyrovnaných hodnot. Dále by měl model OLS splňovat klasické předpoklady, přesněji sedm předpokladů.  linearita v parametrech, správná specifikace a aditivně připojený chybový člen,  nulová střední hodnota chybového členu,  neexistence vzájemného vztahu mezi vysvětlující proměnnou a chybovým členem,  pozorování chybového členu jsou nekorelována se sebou samým, tedy není sériová korelace,  chybový člen je homoskedastický, má konstantní varianci,  neexistence perfektní multikolinearity,  normální rozdělení chybového členu. Po splnění výše uvedených předpokladů by měl regresní model dle metody OLS splňovat tzv. „žádoucí vlastnosti“, tedy odhady regresních koeficientů jsou nestranné, vydatné, konzistentní a vykazují normální rozdělení (Hampel, 2011).

14

Metodika

3.3. Funkční modelech

formy

využívané

v ekonometrických

Správné zvolení funkční formy ekonometrického modelu zajistí odhadnuté parametry nezatížené specifikačními chybami a velice dobře interpretovatelné. Současní analytici pracující s ekonometrickými modely nejčastěji využívají tyto funkční formy:  lineární,  polynomické,  inverzní,  semilogaritmické,  dvojité logaritmické (Adamec, 2013). Standardně využívaný lineární vícerozměrný regresní model má následující formu: (3.3.5) kde je hodnota závislé veličiny, udává hodnotu nezávislé veličiny, značí úrovňovou konstantu, je regresní koeficient a informuje o náhodné složce. Ovšem v této práci využiji právě dvojitou logaritmickou funkční formu pro vlastní model, kdy závislá i nezávislé veličiny jsou přítomny v logaritmické formě. Koeficient je vyjádřením konstantní elasticity Y podle X. je vyjádřením procentické změny Y odpovídající procentické změně X. (3.3.6) Tuto funkční formu lze úspěšně aplikovat v případech časové řady s exponenciálně se vyvíjejícím trendem nebo při potřebě časovou řadu stabilizovat z hlediska variability (Adamec, 2013).

3.4. Modely zpožděné nezávislé proměnné V modelech se zpožděním u nezávisle proměnné se domníváme, že X ovlivňuje Y po několik období. Odhadnuté efekty X se se vzrůstajícím řádem zpožděním ale pravděpodobně sníží, tedy odhady koeficientů budou vyšší pro nízké řády zpoždění nezávislé proměnné a nízké pro vyšší řády. Tento model lze vyjádřit ve tvaru (3.4.7)

15

Metodika

V regresním modelu lze nahradit několik zpožděných nezávisle proměnných X jedinou zpožděnou hodnotou závislé proměnné Y, kdy vzniklý model můžeme označit za dynamický lineární model ve tvaru (3.4.8) kde Y je funkcí současné hodnoty nezávislé proměnné X a zpožděné hodnoty závislé proměnné . Pokud se hodnota  pohybuje mezi 0 a 1, model vykazuje postupně klesající vliv nezávislé proměnné X na závisle proměnnou Y se vrůstajícím řádem zpoždění (Hampel, 2011).

3.5. Ověření základních předpokladů ekonometrického modelu Pro ověření základních předpokladů a správnosti zkonstruovaného ekonometrického modelu existuje velké množství parametrických testů. U veškerých využívaných testů je nutné stanovit nulovou statistickou hypotézu, tedy domněnku statistika o vlastnostech náhodné veličiny formulovanou na základě vědeckých hypotéz, které má statistik zájem ověřit. Dále je vhodné zvolit hladinu významnosti  statistického testu, jež vyjadřuje pravděpodobnost nesprávného zamítnutí pravdivé nulové hypotézy. V této práci bude pro testování ekonometrických modelů zvolena 5% hladina významnosti. Následně dochází k výpočtu testovacích statistik a p-hodnot z empirických dat, prostřednictvím kterých rozhodneme o pravdivosti či nepravdivosti nulové hypotézy.

3.5.1. Ramseyho RESET test Test detekující opomenutí proměnné v modelu či nekorektní funkční formu. Ověřuje vhodnost zkonstruovaného modelu přidáním druhé a třetí mocniny vyrovnaných hodnot závislé proměnné do modelu pomocné regrese, který zahrnuje všechny původní proměnné. Poté F-test ověří průkaznost koeficientů přidaných polynomů v přítomnosti původních proměnných. F-test Ramseyho RESET testu má následující formu: (

) ( (

) (

) )

(3.5.9)

kde p1 je počet koeficientů redukovaného modelu a p2 je počet koeficientů úplného modelu (Adamec, 2013).

16

Metodika

3.5.2. Test nelinearity (LM) Tento test slouží k odhalení nekorektní funkční formy regresoru a lze využít mocninné a logaritmické varianty. Jsou zde zkoumána rezidua modelu, která nesmí korelovat se čtverci vysvětlujících proměnných daného modelu. Pokud je odhalena vzájemná korelace, značí to nekorektní funkční formu modelu. Původní model je odhadnut metodou nejmenších čtverců a následně jsou získána i rezidua: ̂

(3.5.10)

Pomocná regrese zahrnuje rezidua v pozici vysvětlované proměnné, prostřednictvím kterých jsou vysvětlovány regresory původního modelu a dále čtverci nebo logaritmy vysvětlujících proměnných. Testovací statistika má tuto podobu: ( )

(3.5.11)

kde n je rozsah souboru, R2 koeficient determinace z modelu pomocné regrese a počet koeficientů přidaných do rozšířeného modelu ve srovnání s původním modelem (Adamec, 2013).

3.5.3. Durbin-Watsonův test Uváděný test detekuje sériovou korelaci prvního řádu, tedy předpoklad nulové závislosti mezi posloupností hodnot jedné proměnné uspořádaných v čase. Při ̂ má Durbin-Watsonova statistika d tento tvar: (

∑ ∑

) ( )

(3.5.12)

kde statistika d se pohybuje v rozmezí intervalu od 0 do 4 včetně. V případě nulové párové závislosti prvního řádu dosahuje d statistika přibližně hodnoty 2, v případě pozitivní párové závislosti se hodnota statistiky d přibližuje 0 a v případě negativní párové závislosti se hodnoty d blíží 4 (Hampel, 2011).

3.5.4. Ljung-Box test Užitím tohoto testu zjišťujeme sériovou korelaci vyššího řádu a jeho testovací statistika má následující formu:

17

Metodika

(

)∑

((

( )

)

)

(3.5.13)

kde T je velikost vzorku, L počet autokorelačních zpoždění a ( ) autokorelační koeficient se zpožděním k (Hampel, 2011).

3.5.5. Whiteův test Obecný test ověřující heteroskedasticitu chybového členu, u kterého nemusíme pracovat s žádnými speciálními předpoklady o tvaru heteroskedasticity, sestává ze tří kroků. Nejprve získáme rezidua z odhadnutého regresního modelu: ̂

(3.5.14)

Dalším krokem je využití čtverců reziduí jako vysvětlované proměnné v pomocné regresi, která obsahuje vysvětlující proměnné. Nakonec provedeme test celkové průkaznosti pomocné regrese prostřednictvím LM testu: ( ) kde

(3.5.15)

značí stupně volnosti (Adamec, 2013).

3.5.6. Breusch-Paganův test Tento test je oproti předcházejícímu testu ověřující heteroskedasticitu chybového členu značně jednoduší, ovšem vyžaduje normalitu náhodných složek lineárního regresního modelu. Prvním krokem testu je získání reziduí z odhadnutého regresního modelu. Následuje využití čtverců znormovaných reziduí jako vysvětlované proměnné v pomocné regresi, jež zahrnuje všechny původní vysvětlující proměnné modelu. Test celkové vhodnosti pomocného modelu má tuto formu: ( ) kde

(3.5.16)

značí stupně volnosti (Adamec, 2013).

3.5.7. Chí-kvadrát (test dobré shody) Test zkoumá rozdíly mezi skutečnými (empirickými) a odhadnutými četnostmi výskytu hodnot. Získané rozdíly posuzujeme z hlediska velikosti, pokud

18

Metodika

jsou rozdíly mezi skutečnými a odhadnutými četnostmi natolik velké, nejedná se o normální rozdělení, ale o nějaké jiné neznámé rozdělení. O normální rozdělení půjde pouze v případě, že rozdíly mezi skutečnými a odhadnutými četnostmi budou způsobeny náhodně. Předpokladem tohoto testu je tedy náhodná veličina s normálním rozdělením, kde test samotný má následující formu ∑ kde jsou skutečné četnosti, (Bedáňová, 2007).

(

)

odhadnuté četnosti a

(3.5.17) stupně volnosti

3.6. Sezónnost a sezónní (umělé) proměnné v regresních modelech Dle Arlta a Arltové (2007) se sezónností rozumí „periodické kolísání v časové řadě, které má systematický charakter“. Toto sezónní kolísání se v časové řadě odehrává během každého kalendářního roku ve stejné nebo modifikované podobě a lze jej zkoumat čtvrtletně, měsíčně či denně (Arlt, Arltová, 2007). V ekonomii jsou rozlišovány dva základní postupy zjišťování přítomnosti sezónních výkyvů v časových řadách. První postup vychází z různých typů klouzavých průměrů, případně z jejich kombinací. Z časové řady tak eliminujeme ty složky, jejichž perioda nepřesahuje počet pozorování tvořících délku tohoto klouzavého průměru (Seger, 1995). Druhý, v této práci využitý postup eliminace sezónních výkyvů, využívá umělých proměnných, jež jsou zvláštním typem sezónních proměnných. Lze je zachytit modelem ve tvaru: (3.6.18) kde je nula-jedničková sezónní pomocná proměnná, která nabývá jedničky, jestliže čas t ( ) odpovídá j-tému období v roce ( ), v jiném případě nabývá hodnotu nula. Parametry charakterizují odhadnutý koeficient sezónních složek (Arlt, Arltová, 2007).

3.7. Box-Jenkinsova metodologie Tato metodologie ztotožňuje jednotlivé části časové řady (část systematickou a deterministickou) a uvádí, že časovou řadu lze chápat jako řadu stochastického charakteru. Byl vytvořen konkrétní postup, podle něhož můžeme jednotlivé principy prakticky využívat. Box-Jenkinsova metoda představuje několik výhod, a to především flexibilitu a rychlost adaptace na změnu v charakteru modelovaného procesu či velice kvalitní výsledky. Dále zahrnuje celý soubor metod, přesněji

19

Metodika

autoregresní procesy AR, procesy klouzavých průměrů MA, smíšené procesy ARMA, integrované procesy ARIMA a sezónní integrované procesy SARIMA (Forbelská, 2009). Důležitým předpokladem pro uplatnění těchto procesů je stacionarita časových řad.

3.7.1. Nestacionarita časových řad Časová řada může být ze statistického hlediska nestacionární, tedy podléhá změnám v průměru nebo ve variabilitě. Pokud těmto změnám nepodléhá a je stále stejná, lze takovou časovou řadu označit za stacionární. Stacionarita je důležitým předpokladem pro některé typy analýz, například pro již zmiňovanou BoxJenkinsovu metodologii nebo pro kvalitní predikci budoucího vývoje časové řady na základě minulých pozorování. Rozlišujeme dvě definice stacionarity, a to striktní vyskytující se velice zřídka a slabou, která má v každém okamžiku stejnou střední hodnotu, stejný rozptyl a kovarianční strukturu invariantní vůči posunům v čase. Pro identifikaci nestacionarity v časové řadě lze využít některé formální testy jako například Dickey-Fullerův test, Phillipsův-Perronův test či Kwiatkowski-PhillipsSchmidt-Shin test, ovšem v této práci byla nestacionarita časových řad natolik zřetelná, tudíž nebylo nutné využití některého z formálních testů. Pokud tedy prostřednictvím některého z testu zjistíme alespoň u jedné nezávislé proměnné X nestacionaritu či je nestacionarita časové řady natolik zřetelná, lze za použití prvních diferencí veličinu transformovat na stacionární před samotným odhadem regresní rovnice: (3.7.19) (Hampel, 2011).

3.7.2. Autoregresivní procesy AR Autoregresivní model řádu p je možné zapsat v následující formě (3.7.20) prostřednictvím operátoru zpoždění potom jako (

)

(3.7.21)

Leží-li kořeny polynomiální rovnice vně jednotkového kruhu, je autoregresní proces řádu p stacionární. Hodnoty autokorelační funkce lze získat na základě diferenční rovnice, jež má tvar

20

Metodika

(3.7.22) kde zpoždění jsou různé od nuly a ACF tvoří kombinace exponenciálně klesajících pohybů a exponenciálně klesajících sinusoidních pohybů (Arlt, Arltová, 2007).

3.7.3. Procesy klouzavých průměrů MA Model klouzavých průměrů řádu q lze zapsat ve formě (3.7.23) nebo také prostřednictvím operátoru zpoždění jako (

)

(3.7.24)

Takto zapsaný proces MA(q) je stacionární. Proces můžeme označit za invertibilní, pokud je možné jej vyjádřit ve tvaru (

)

(3.7.25)

Hodnoty autokorelační funkce můžeme získat na základě diferenční rovnice ve tvaru (3.7.26) kde zpoždění jsou různá od nuly a parciální autokorelační funkce tvoří kombinace exponenciálně klesajících pohybů a exponenciálně klesajících sinusoidních pohybů (Arlt, Arltová, 2007).

3.7.4. Smíšené procesy ARMA Obecný model smíšeného procesu ARMA(p,q) je možné zapsat pomocí operátoru zpětného zpoždění ve tvaru ( )

( )

(3.7.27)

21

Metodika

Za stacionární můžeme proces ARMA(p,q) označit v případě polohy kořene rovnice ( ) vně jednotkového kruhu a invertibilní v případě polohy kořene ( ) rovnice vně jednotkového kruhu. Hodnoty autokorelace se získají z rovnice, jejíž tvar je obdobný jako v případě procesu AR(p) (3.7.28) ovšem exponenciální pokles hodnot bude následovat až po prvních hodnotách za předpokladu . Hodnoty tento tvar mít nebudou. Pro se parciální autokorelační funkce u tohoto procesu bude chovat stejně jako u procesu MA (q). Pro bude ovšem tvar této funkce odlišný (Arlt, Arltová, 2007).

3.7.5. Modely nestacionárních časových řad ARIMA V ekonomické praxi se spíše můžeme setkat s časovými řadami tvořené nestacionárními stochastickými procesy, než s řadami stacionárními bez přítomnosti trendu. Pro tyto případy je velice často využíváno procesu nazývaného autoregresní integrovaný proces klouzavých průměrů řádu p, d, q a označuje se jako ) a lze jej zapsat následujícím způsobem: ARIMA( ( )(

)

( )

(3.7.29)

kde p je řád procesu AR, d řád prosté diference a q řád procesu MA. Hodnota B značí operátora zpětného posunu a at zachycuje náhodnou složku. Jednotlivé části rovnice: ( ) ( ) (

)

popisuje autoregresivní operátor, popisuje operátor klouzavých průměrů,

popisuje stacionární stochastický proces dosažený diferencí řádu d

(Arlt, Arltová, 2007).

3.7.6. Modely sezónních časových řad SARIMA Časové řady také velice často vykazují sezónnost, jejíž přítomnost zhoršuje kvalitu regresních modelů i konstrukci předpovědí. Ve většině případů, hlavně v případě ekonomických a finančních časových řadách, vykazuje sezónní složka stochastický charakter a je tedy často volen model sezónních integrovaných )( ), který můžeme zapsat v následující formě: časových řad SARIMA(

22

Metodika

(

)

( )(

) (

)

( )

(

)

(3.7.30)

kde p je řád procesu AR, d řád prosté diference, q řád procesu MA, P řád sezónního procesu AR, D řád sezónní diference, Q řád sezónního procesu MA a délka ( ) značí sezónní autoregresivní operátor sezónní periody. Dále hodnota a ( ) sezónní operátor klouzavých průměrů (Arlt, Arltová, 2007).

3.7.7. Konstrukce předpovědí Konstrukce předpovědí je v dnešní době nedílnou součástí rozhodovacích procesů nejrůznějších společností a nejvíce využívají kvantitativních metod založených na matematických či statistických aparátech. Zde bude popsána problematika konstrukce předpovědí s minimální střední čtvercovou chybou na základě modelu ARIMA, kterou lze využít i pro tvorbu předpovědí na základě dalších využívaných modelů. Za předpokladu modelu ( ) kde (

( )

(3.7.31)

( ) , tedy modelu ARIMA je úkolem predikovat budoucí hodnoty , kde T je prahem predikce a h horizont predikce. Lineární proces v čase ) můžeme zapsat ve formě ( )

( ) ( ) ( ). Predikce hodnoty kde konstruována v čase T, takže jsou známy hodnoty hodnoty bude tedy jejich lineární kombinací.

(3.7.32)

je . předpověď budoucí

Střední čtvercová chyba predikce je ∑ pokud že

∑

(

)

(3.7.33)

, pak je střední čtvercová chyba minimální. Z toho tedy plyne,

( ) (Arlt, Arltová, 2007).

(3.7.34)

23

Metodika

3.8. Data a model Data potřebná pro modelaci poptávky cestovního ruchu a následnou predikci byla získána převážně z databáze Eurostatu. Ovšem tato databáze poskytuje informace především o státech Evropské unie, proto byly využity i jiné statistické databáze. Při zkoumání studií, které se zabývaly problematikou poptávek po cestovním ruchu, jsem objevila řadu shodných faktorů. Studie nabývali shody u měřitelnosti poptávky po cestovním ruchu, kdy pokládali za vhodné měření prostřednictvím příjezdů zahraničních turistů, počtem přenocování nebo výdajů na cestovní ruch. Dle australského profesora G. Crouch (1994b), který ve své studii uvádí, že z 85 studií zkoumajících poptávku cestovního ruchu zvolilo 63% jako závisle proměnnou hodnoty příjezdů zahraničních turistů a 48% hodnoty výdajů na cestovní ruch. Zvolené hodnoty nezávisle proměnných se v jednotlivých studiích mírně odlišovali. Například studie univerzity v Perpignanu, jejíž autor Laurent Botti (2006) popisuje poptávku cestovního ruchu Francie pomocí nezávislých proměnných jako národní důchod, relativní ceny, náklady na dopravu, a směnný kurz. Jiná studie autorky Sary Proenca (2005) popisující poptávku cestovního ruchu Portugalska využívá faktory jako reálný příjem, relativní ceny, ubytovací kapacitu, infrastrukturu a dummy proměnnou, která zohledňuje integraci v rámci Evropské unie. Také studie řecké poptávky cestovního ruchu dle Dritsakise (2002) zahrnuje do svého modelu nezávisle proměnné jako reálný příjem, relativní ceny, náklady na dopravu a směnný kurz. Po prostudování uvedených studií jsem považovala za vhodné zvolení jako závisle proměnné pro poptávku cestovního ruchu České republiky výdaje na cestovní ruch ze zahraničních zemí a za nezávislé proměnné jsem zvolila HDP, které podává představu o reálném národním důchodu zahraniční země, relativní ceny, které již zahrnují směnný kurz uvažovaných zemí a umělá proměnná, která bude zohledňovat vliv sezónnosti závisle proměnné. Vlastní ekonometrický model popisující poptávku po incomingovém cestovním ruchu má následující podobu: ( kde: Yt = příjmy České republiky ze zahraničních zemí, HDP = hrubý domácí produkt, RC = relativní ceny, D1 = sezónní (umělá) proměnná pro 2. čtvrtletí, D2 = sezónní (umělá) proměnná pro 3. čtvrtletí, D3 = sezónní (umělá) proměnná pro 4. čtvrtletí.

)

(3.8.35)

24

Metodika

Za závisle proměnnou byly zvoleny příjmy České republiky ze zahraničních zemí v rámci incomingového cestovního ruchu. Čtvrtletní data byla převzata ze statistické databáze České národní banky vyjádřena v milionech národní měny, sezónně neočištěná a v období 2004/Q1 – 2012/Q4. Hodnoty příjmů v milionech národní měny ze zemí, které pravidelně navštěvují Českou republiku, byly převedeny do procentuálního vyjádření a seřazeny tak, aby bylo zřejmé, ze kterých zahraničních zemí během jejich pobytu v České republice získáváme nejvíce finančních prostředků. Zmíněné seřazení podílů příjmů z jednotlivých zahraničních zemí v procentuálním vyjádření udává tabulka 1. Tabulka 1: Příjmy ze zahraničních zemí do ČR v období 2004/Q1 - 2012/Q4

Země Německo (DE) Slovensko (SK) Ruská federace (RU) Velká Británie (GB) Ukrajina (UA) USA (US) Itálie (IT) Polsko (PL) Rakousko (AT) Francie (FR) Nizozemí (NL) Španělsko (ES) Japonsko (JP) Dánsko (DK) Švédsko (SE) Maďarsko (HU) Belgie (B) Norsko (NO) Řecko (GR) Švýcarsko (CH)

Příjmy (%) 37,28% 7,48% 6,09% 5,93% 4,61% 4,46% 4,20% 3,94% 3,72% 2,76% 2,52% 2,45% 1,58% 1,26% 1,08% 1,05% 0,99% 0,96% 0,94% 0,89%

Země Kanada (CA) Finsko (FIN) Irsko (IRL) Austrálie (AUS) Turecko (TR) Rumunsko (RO) Chorvatsko (HR) Portugalsko (PT) Litva (LT) Bulharsko (BG) Čína (CN) Slovinsko (SI) Kypr (CY) Lucembursko (LU) Estonsko (EST) Lotyšsko (LV) Indie (IN) Malta (MT) Brazílie (BR) JAR (ZA)

Příjmy (%) 0,70% 0,60% 0,54% 0,52% 0,44% 0,43% 0,42% 0,38% 0,35% 0,30% 0,29% 0,18% 0,18% 0,16% 0,11% 0,06% 0,04% 0,03% 0,03% 0,01%

Zdroj: vlastní výpočet

Z tabulky je zřejmé, že více jak 1/3 příjmů z incomingového cestovního ruchu České republiky je tvořena německými turisty, u ostatních zahraničních států je podíl jejich výdajů v naší zemi výrazně nižší. V následujících kapitolách bude pracováno pouze s těmi zeměmi, jejichž hodnoty výdajů dosahují 4% a více uvedených v tabulce 1. Práce bude tedy nadále zahrnovat Německo, Slovensko, Rusko, Velkou Británii, Ukrajinu, USA a Itálii. Za nezávisle proměnnou byly zvoleny hodnoty HDP jednotlivých zahraničních zemí a to v období 2004Q/1 – 2012/Q4 v milionech národní měny. Pokud se budeme zabývat zeměmi vybranými výše dle příjmů z cestovního ruchu České republiky, hodnoty HDP zemí Evropské unie, tedy Německa, Slovenska, Velké Británie, Itálie, ale i USA, byly získány z databáze Eurostatu již sezónně očištěny. Ovšem získání hodnot HDP Ruska a Ukrajiny, které databáze Eurostatu

25

Metodika

neposkytuje, bylo velice náročné. Statistické databáze těchto dvou zemí bylo možné přeložit do angličtiny, avšak poté nebylo možné se dostat k potřebným hodnotám. Proto bylo nezbytné studovat statistické databáze těchto zemí v jejich národním jazyce, což vyžadovalo značné úsilí. Data byla očištěna od inflace a sezónnosti a tedy vyjádřena ve stálých cenách roků 2004 – 2012. Další nezávisle proměnou tohoto modelu jsou relativní ceny jednotlivých zahraničních zemí. Hodnoty relativních cen pro jednotlivé země nelze převzít z žádných statistických databází, ale je nutný jejich výpočet. Vzorec pro výpočet relativních cen pro jednotlivé země je následující:

(

⁄

)

(3.8.36)

kde: RC = relativní ceny, CPICZ = index spotřebitelských cen České republiky, CPIZAH = index spotřebitelských cen zahraniční země, ERCZ/ZAH = bilaterální devizový kurz mezi Českou republikou a zahraniční zemí. Hodnoty indexů spotřebitelských cen zemí Evropské unie byly opět převzaty z Eurostatu v období 2004Q/1 – 2012Q/4, tudíž nebylo příliš náročné tyto data získat. Nalezení hodnot indexů spotřebitelských cen Ruska bylo o poznání náročnější, ovšem ne tolik, jako hodnoty Ukrajiny. Ukrajinská data byla z jejich statistické databáze převzata ne v podobě indexů, ale v hodnotách měsíční míry změny, tudíž vyžadovala přepočet. Nakonec pro výpočet relativních cen uvažovaných zemí byly zapotřebí hodnoty bilaterálních devizových kurzu získané opět v příslušných statistických databázích v období 2004/Q1 – 2012/Q4. Posledními proměnnými v modelu byly uvedeny sezónní proměnné, což je zvláštní typ umělé proměnné. Tyto umělé proměnné zajišťují v ekonometrické analýze časových řad vyrovnání sezónních výkyvů, v tomto případě sezónně neočištěných příjmů ze zahraničních zemí do České republiky v rámci cestovního ruchu. Dle Limové (1997) je rozhodující pro výběr konkrétní funkční formy regresního modelu snadná interpretace parametrů a výpočetní jednoduchost. Z důvodu ekonomické interpretace budou dále uvažovány dva typy modelů, lineární a log-lineární (nebo dvojitý logaritmický). Také autoři Quayson a Var (1982) využívali těchto dvou modelů. Dospěli k závěru, že log-lineární funkční forma je více robustní než lineární funkční forma. Proto byla následně veškerá získaná dat zlogaritmována a poté stacionarizována, což mělo za následek kvalitnější regresní modely pro jednotlivé

Metodika

26

uvažované země. Výsledný obecný regresní model poptávky po cestovním ruchu České republiky lze zapsat takto: (3.8.37) Následně byla provedena predikce budoucích příjmů incomingového cestovního ruchu za využití kombinací modelu SARIMA a očekávaného vývoje nejvýznamnějších determinantů poptávky po službách incomingového cestovního ruchu. Predikce zahrnuje pouze krátké období jednoho roku, přesněji jednotlivá čtvrtletí roku 2013. Pokud bych vlastní predikci zaměřila na delší časové období, budoucí předpověď by byla méně přesná a výsledné hodnoty by dosahovali větší robustnosti. Dále zvolený model SARIMA by měl zajistit stacionární hodnoty časové řady i vyrovnat případné sezónní výkyvy.

Literární rešerše

27

4. Literární rešerše V této kapitole se zaměřím na vymezení pojmu cestovní ruch a faktory s tímto odvětvím spojené. Pokusím se přiblížit současnou situaci našeho cestovního ruchu vzhledem k zahraničním zemím, jelikož celá tato práce se bude zaměřovat na incomingový cestovní ruch.

4.1. Vymezení cestovního ruchu Dle Frankeho (2012) je cestovní ruch vymezen jako „poptávkově definované odvětví, což znamená, že rozhodující jsou produkty a služby poptávané/spotřebovávané návštěvníky“. Dále podle něj můžeme cestovní ruch v dnešní době chápat také jako „souhrn ekonomických a sociálních aktivit souvisejících s uspokojováním lidských potřeb a je výsledkem dlouhého historického vývoje lidstva“. Přes velké množství možných definicí a vymezení cestovního ruchu můžeme jednoduše toto odvětví chápat jako soubor veškerých služeb spojených s cestováním a turistikou. Také je možné vymezit hlavní sektory průmyslu cestovního ruchu dle Middletona:  ubytování – do tohoto sektoru patří veškeré ubytovací služby typu hotely, motely, penziony, ubytovny, chatové osady, kempy a ubytování v soukromí,  zprostředkovatelé cestovního ruchu – můžeme sem zařadit cestovní kanceláře a agentury, rezervační systémy, atd.,  atrakce – tento sektor zahrnuje veškerá přírodní, kulturní, technická a historická místa,  organizace cestovního ruchu – patří sem turistické asociace a centrály, regionální centra, atd.,  stravovací a restaurační služby – sektor zahrnující restaurace, bistra, rychlá občerstvení, atd.,  doprava – sektor spojující veškeré zde uváděné sektory a zahrnuje lodní, leteckou, železniční, autobusovou a automobilovou dopravu (Middleton, 1994). Aby bylo vymezení cestovního ruchu ucelené, je nutné vymezení základních pojmů. Definici cestovního ruchu jako takového jsem uvedla už na samotném začátku této kapitoly. Další velice často používané pojmy v souvislosti s touto oblastí jsou následující:


28

 turista – návštěvník, který se v zemi zdržuje v rozmezí 24 hodin až 1 rok,  výletník – návštěvník, který se v zemi zdrží méně jak 1 den bez přenocování,  rezident – domácí návštěvník, může být občanem dané země či návštěvník cizí státní příslušnosti žijící v dané zemi alespoň 1 rok,  nerezident – zahraniční návštěvník, který žije v jiné než v navštívené zemi,  zdrojová země – země s největším počtem výjezdů turistů,  destinace – turistická oblast,  vnitřní cestovní ruch – zahrnuje domácí a příjezdoví cestovní ruch, tedy veškerý cestovní ruch v dané zemi,  národní cestovní ruch – zahrnuje domácí a výjezdový cestovní ruch, tedy veškeré výjezdy do zahraničí,  mezinárodní cestovní ruch – zahrnuje příjezdový a výjezdový cestovní ruch,  aktivní cestovní ruch – veškerý příjezdy turistů do dané země,  pasivní cestovní ruch – veškeré výjezdy turistů do zahraničí,  volný cestovní ruch – účastník není členem organizace a jeho účast není formálně nijak podmíněna  vázaný cestovní ruch – účastník je vázán splněním určité podmínky a je součástí organizace,  tranzitní cestovní ruch – turista pouze přes danou zemi přejíždí do jiné cílové země (Ryglová, 2007). Cestovní ruch lze také třídit podle mnoha kritérií, například dle místa realizace, způsobu úhrady nákladů, délky pobytu, způsobu účasti, ročního období, cíle cesty, použitého dopravního prostředku, destinace, apod.

4.2. Činitelé ovlivňující cestovní ruch Cestovní ruch je ovlivňován řadou faktorů, které lze rozdělit do čtyř oblastí, a to na selektivní, lokalizační, realizační a rajonizaci. Selektivní neboli stimulační faktory určující schopnost dané oblasti rozvíjet cestovní ruch ve funkci poptávky, můžeme dále vymezit na faktory objektivní zahrnující administrativní podmínky cestování či legislativní podmínky pro rozvoj cestovního ruchu a faktory subjektivní související se spotřebitelským chováním nebo rozhodování o účasti na cestovním ruchu, souhrnně můžeme subjektivní faktory označit za psychologické. Objektivní faktory lze dále dělit na celou řadu dalších faktorů působících na rozvoj cestovního ruchu:


29

 politické,  ekonomické,  demografické,  ekologické,  administrativní,  sociální,  materiálně-technické. Lokalizační faktory rozhodují o funkčním využití konkrétních oblastí pro cestovní ruch v souvislosti s možnosti, které daná oblast nabízí. Rozděluje jednotlivé oblasti podle převažujících podmínek vhodných například pro rekreaci, sport, lázeňství, apod. V rámci těchto faktorů se rozlišují podmínky přírodního charakteru (klimatické poměry, hydrologické poměry, přírodní podmínky, atd.) a podmínky společenského charakteru (sportovní aktivity, historické památky, kulturní zařízení, atd.). Realizační faktory umožnují prostřednictvím dopravy samotný cestovní ruch, přesněji využívání materiálně technické základny cestovního ruchu zahrnující ubytování, stravování, cestovní kanceláře, dostupnost služeb, atd. Je důležité se do cílové destinace dostat, ale je také důležité se po ní plynule a pohodlně pohybovat. Posledním činitelem rozčleňující území na vhodné a nevhodné pro cestovní ruch je rajonizace a navrhuje strukturu, formu a intenzitu využívání. Česká republika je rozdělena do 47 územních jednotek, jež zahrnuje 4 kategorie zaujímající 79% rozlohy republiky a označených jako oblasti cestovního ruchu. Každá z oblastí cestovního ruchu se liší vhodností, významem a časovou využitelností. Oblast s největším zastoupením u nás je třetí představující „kvalitní přírodní předpoklady a podmínky představující nižší zastoupení rekreačně vhodných ploch s užším souborem funkcí a s možností celostátního uplatnění a smíšenou časovou využitelností“ (Ryglová, 2007).

4.3. Satelitní účet cestovního ruchu Satelitní účet cestovního ruchu poskytuje mnoho informací a dat v oblasti ekonomického významu cestovního ruchu pro daná národní hospodářství. Hlavním úkolem tohoto konceptu je snaha sblížit dílčí národní statistiky, které by byly srovnatelné a využitelné na mezinárodní úrovni. Zahrnuje velké množství informací například o vztahu cestovního ruchu k ostatním odvětvím, o příjmech z domácího cestovního ruchu, o celkových příjmech z příjezdového cestovního ruchu, kolik utratí čeští turisté v zahraničí, ale také lze dle tohoto konceptu sledovat vývoj cestovního ruchu a jeho složek v čase (Franke, 2012).


30

Česká republika dostala za úkol vytvořit národní satelitní účet v roce 1998, jež měl spravovat Český statistický úřad. Vývoj satelitního účtu u nás byl velice pozvolný, postupně byly shromažďovány a tříděny informace a data o cestovním ruchu, které byly následně posuzovány vzhledem k satelitnímu účtu. V roce 2004 byla představena první ucelená národní metodika, ta ovšem po podrobném prozkoumání postrádala věrohodné podklady. Proto poté následovali inovace již vytvořených metodik ve spolupráci se zahraničím. Dokončení a prezentace inovovaných metodik a dat satelitního účtu proběhly začátkem roku 2008. V satelitním účtu cestovního ruchu probíhají neustálá zdokonalování a inovace, nelze tedy stále hovořit o dokončeném konceptu, ovšem v současné době je již na velice dobré úrovni (Lejsek, 2009).

4.4. Vztah hlavních zahraničních cestovního ruchu k ČR

partnerů

v rámci

Mezi zahraniční země, ze kterých k nám proudí nejvíce návštěvníků, můžeme zařadit naše sousední země, tedy hlavně Německo, Rakousko, Slovensko a Polsko. V posledních letech navštěvují ČR čím dál častěji turisté z Ruska a Ukrajiny. Ovšem podle posledních průzkumů celková návštěvnost zahraničních turistů klesá a to převážně z důvodů nedostatku informací o naší zemi nebo o její neznalosti. Další faktorem snižování zájmu turistů je absence moře s čímž nemůže nic udělat, ale také utkvělá představa, že mimo hlavní město Prahu se nedá nic podnikat. Město Praha je velice známým místem ve světě, možná někdy známějším než samotná republika, ovšem o místech mimo naše hlavní město nic nevědí, a tudíž netuší, co vše by mohli u nás prožít a zažít. Článek webových stránek Týden informuje o téměř 82% potenciálních návštěvníků ze Španělska, kteří Českou republiku vůbec neznají, ovšem po bližším seznámení projevili zájem o naší zemi. Dále článek uvádí, že 65% Nizozemců nezná naše hlavní město. Mnoho západních zemí nás stále řadí mezi země východního postkomunistického bloku a neuvědomují si náš pokrok a rozvoj nejen v oblasti cestovního ruchu. Dle mého názoru je tedy nutná větší propagace a komunikace naší země se zahraničím v souvislosti s cestovním ruchem, na čemž by měla v nejbližší době začít pracovat organizace CzechTourism. Většina rakouských a německých turistů navštěvuje ČR na doporučení svých přátel nebo z důvodů nízké cenové hladiny, což považuji za nedostatečné a podpora cestovního ruchu České republiky by měla být podporována více častými kampaněmi v zemích s potenciálními návštěvníky, aby vešla do povědomí obyvatel v zahraničí i jinými faktory než levné cenové hladiny. Aktivity, které u nás v rámci cestovního ruchu mohou turisté vykonávat, jsou právě odvislé od znalostí České republiky, jimiž zahraniční turisté disponují. Nejčastěji k nám cestují za historií a architekturou měst, přírodními památkami a v poslední době i za gurmánskými zážitky a českým pivem (CzechTourism, 2010).


31

4.5. Studie zabývající se zkoumanou problematikou Prací zabývajících se problematikou cestovního ruchu je velké množství u nás i v zahraničí, ovšem získání potřebných podkladů a informací ze studií zabývajících se poptávkovými modely či predikcemi v této oblasti je o poznání méně. Informace a podklady využívané v této práci při modelaci poptávky po incomingovém cestovním ruchu a predikce tržeb ze zahraničních zemí jsem převážně čerpala ze studií zahraničních univerzit. Pro zmíněný poptávkový model jsem nejčastěji čerpala potřebné vědomosti z francouzské studie Bottiho (2006), ve které velice dobře popisuje využívané proměnné v poptávkovém modelu a zdůvodňuje jejich zahrnutí do modelu. Dále také popisuje vybrání hlavních partnerů v rámci incomingového cestovního ruchu. Další využívanou prací je portugalská studie Sary Proenca (2005) z univerzity v Coimbře, která se svým kolegou popisuje, jak definovat poptávku po cestovním ruchu a jaké faktory tuto poptávku nejvíce ovlivňují. Nejvíce studií zkoumající tuto problematiku jsem převzala z nejrůznějších řeckých univerzit, jež důvodem této početnosti může být závislost Řecka na incomingovém cestovním ruchu. Například od Nikolaose Dritsakise (2004, 2002, 2000), profesora na řecké universitě, jsem získala hned 3 studie zabývající se poptávkovými modely incomingového cestovního ruchu z Německa a Velké Británie, z USA a dalších zemí Evropské unie. Tyto práce opět definují jednotlivé proměnné poptávkového modelu, tento model identifikují a zkoumají vzájemné vztahy závislé a nezávislých proměnných. Jiná řecká studie Psillakise (2008) pojednává o předpovědi budoucího vývoje příjezdového cestovního ruchu pomocí Box-Jenkinsovy metodologie a s tím související sezónnosti, kdy v období mimo hlavní sezónu dochází ke zvyšování nezaměstnanosti a dalším negativním důsledkům v rámci jejich ekonomiky. i studie předpovídající poptávku cestovního ruchu v oblasti jižního Tyrolska Brida (2009) využívá modelu SARIMA a ukazuje ji jako platnou metodu pro předpovídání různých ekonomických časových řad. Dále uvádí, že přispěním těchto predikcí mohou politici i podnikatelé lépe poznat potřeby vstupů ve svých firmách či realizovat přesnější předpovědi jejich budoucího zisku. Veškeré tyto studie se v určitých drobnostech liší, ovšem základní myšlenka je ve většině studií stejná, tedy zahrnout správné proměnné do modelu dle uvažované země, zvolit hlavní partnery v rámci incomingového cestovního ruchu a poté jen posoudit, zda je mezi zvolenými proměnnými významný vztah, kterého by bylo možné využít například při predikci některých ekonomických časových řad.

Vlastní práce

32

5. Vlastní práce V této části diplomové práce bude zkoumána problematika poptávkových modelů v oblasti cestovního ruchu. Z již identifikovaných dat, potřebných pro empirické analýzy, následně vytvořím modely poptávek po cestovním ruchu České republiky ze zahraničních zemí a nakonec provedu predikci příjmů v průmyslu cestovního ruchu.

5.1. Výsledky empirické analýzy Pro identifikaci poptávkových funkcí incomingového cestovního ruchu České republiky bylo využito časových řad, ze kterých byly navrhnuty ekonometrické modely pro jednotlivé zahraniční země, jejichž obyvatelé nejvíce navštěvují Českou republiku. Mezi tyto hlavní analyzované země, jejichž výdaje tvoří 70% příjmu z incomingového cestovního ruchu u nás, patří v posledních letech Německo, Slovensko, Rusko, Velká Británie, Ukrajina, USA a Itálie (Tab. 1).

5.1.1. Německo Již v předchozích kapitolách bylo uvedeno, že výdaje německých turistů v naší zemi tvoří více jak třetinu celkových příjmů z incomingového cestovního ruchu, a tudíž můžeme považovat Německo za hlavního partnera v oblasti cestovního ruchu. V následující části identifikuji model popisující poptávku cestovního ruchu z Německa do České republiky za využití proměnných již odůvodněných v kapitole Data a model. Závisle proměnnou v poptávkovém modelu jsem zvolila příjmy z cestovního ruchu z Německa v milionech národní měny. Vývoj čtvrtletních, sezónně neočištěných dat zobrazuje graf 1 v období 2004/Q1 – 2012/Q4.

Vlastní práce

33

Graf 1: Příjmy v mil. CZK z Německa do ČR z incomingového CR v období 2004/Q1 - 2012/Q4

Z grafu je od počátečního roku patrný pozvolný nárůst příjmů až do roku 2007/Q2, kdy následuje propad, patrně v důsledku nastupující finanční krize. K následnému oživení dochází až začátkem roku 2010, ale nárůst příjmů není natolik jednoznačný, jako je viditelný v rozmezí let 2004 – 2007. Dále jsou z grafu příjmů jasně rozpoznatelné výkyvy způsobené sezónností, které jsem z časové řady eliminovala prostřednictvím sezónních proměnných. Ovšem pro získání kvalitních a správných výsledných hodnot byla nejprve provedena stacionarizace časové řady příjmů. Sezónní složka je vystižena v časové řadě závislé proměnné současně s ostatními proměnnými právě umělou proměnnou. Tato umělá proměnná je soustavou nul a jedniček, kdy jedničku přiřadíme hodnotě časové řady, nachází-li se v uvažované sezóně, v opačném případě přiřadíme nulu. Jednotlivé parametry jsou odhadovaná pro čtvrtletí, kde 1. čtvrtletí jsem zvolila jako základní, tudíž není uvedeno ve výsledcích a s tímto čtvrtletím porovnáváme všechny ostatní čtvrtletí. Tabulka 2 udává statistickou významnost sezónních proměnných pro jednotlivá čtvrtletí. Tabulka 2: Sezónní proměnné

proměnná konstatnta 2. čtvrtletí (D 1 ) 3. čtvrtletí (D 2 ) 4. čtvrtletí (D 3 )

koeficient -0,10825013 0,24271946 0,14812346

t-statistika významnost -2,90421316 0,00673131 4,73806997 0,00004544 2,89148350 0,00694885

0,08154368 1,59179518

0,12157802


Hodnoty sezónních proměnných pro jednotlivá čtvrtletí uvedených v tabulce 2 prokazují statistickou významnost na 1% hladině významnosti u 2. a 3. čtvrtletí, avšak u 4. čtvrtletí nebyl výskyt sezónnosti prokázán ani na 10% hladině významnosti. Sezónnost se objevuje v jarních a letních obdobích, což s největší pravděpodobností odpovídá turistické sezonně. Ta je s ohledem na nejčastěji

Vlastní práce

34

navštěvovaná místa České republiky (historické a přírodní památky) nejvýznamnější v období letních měsíců. Sezónní proměnné, u nichž byla prokázána statistická významnost, jsou následně zahrnuty do poptávkového modelu uvedeného v další části textu. Za nezávisle proměnné v poptávkovém modelu jsem zvolila hodnoty HDP Německa a relativní ceny mezi naší zemí a Německem. Tyto hodnoty byly získány již sezónně očištěné, čtvrtletně v období 2004/Q1 – 2012/Q4, u hodnot HDP převedeny na miliony naší národní měny. V časových řadách uvažovaných proměnných došlo k identifikaci nestacionarity, což by mohlo mít za následek zdánlivou regresi způsobující zvýšené hodnoty t-statistik a hodnoty R2. Z toho důvodu jsem provedla stacionarizaci dat nezávisle proměnných prostřednictvím prvních diferencí. Výslednou podobu stacionarizovaných časových řad závislé i nezávisle proměnných zobrazuje graf 2.

. Graf 2: Stacionarizovaná data Německa v období 2004/Q2 - 2012/Q4

V grafu 2 je zřejmý průběh stacionarizovaných časových řad příjmů, HDP a relativních cen, který by měl napomoci k vytvoření správného poptávkového modelu České republiky. Vývoj časových řad příjmů a HDP z hlediska nárůstů a propadů by se dal posoudit jako relativně shodný, ovšem vývoj časové řady relativní ceny vůči časové řadě příjmu tolik shody neprokazuje. V tomto případě je možné při modelaci poptávky cestovního ruchu uvažovat o některých proměnných se zpožděním, která se projeví v modelu. S využitím programového software Gretl jsem identifikovala poptávkový model cestovního ruchu pro Českou republiku zahrnující pouze německé turisty, jehož podoba je uvedena v tabulce 3.

Vlastní práce

35

Tabulka 3: Model poptávky incomingového cestovního ruchu v ČR ln Yt = -0,043893 + 1,6014 ln HDP (t-3) + 1,38558 ln RC(t-4) - 0,435051 ln Y(t-3) (0,935037) (0,727231) (0,144638) t= 1,713 1,905 - 3,008 p-hodnota = 0,0634 0,0987 0,0679 0,0058 n = 31

Radj2 = 0,425921

F = 6,564404

+ 0,19766 D1 (0,0443958) 4,452 0,0001

DW = 2,581187


Funkční forma poptávkového modelu byla zvolena dvojitá logaritmická, jejíž výhodnost a výpočetní jednoduchost je uvedena v metodice. Model sestává ze závisle proměnné představující příjmy do České republiky z Německa, dále z nezávisle proměnných, a to HDP Německa a relativních cen mezi ČR a Německem a nakonec zakomponování sezónní proměnné. i když tabulka 2 uvádějící významné umělé proměnné, označuje za sezónně významné 2. i 3. čtvrtletí, do vlastního modelu jsem zakomponovala pouze sezónní proměnnou pro 2. čtvrtletí. Důvodem byla špatná kvalita výsledného modelu při zahrnutí umělé proměnné pro 3. čtvrtletí. Pokud se zaměříme na znaménka nezávisle proměnných v modelu, která nabývají kladných hodnot, můžeme potvrdit předpoklad, že se zvýšením HDP v Německu a relativních cen mezi našimi zeměmi narůstají příjmy cestovního ruchu u nás. Dále je patrné i zpoždění proměnných, jež bylo dříve zmiňováno. Je zde ovšem menší problém ve zpoždění závisle proměnné. Dá se předpokládat pozitivní závislost mezi výší příjmu v minulosti a v současnosti. Ovšem výsledný model ukazuje na opačnou závislost, tedy vyšší příjmy v minulosti sníží příjmy v současnosti, což je možné pokud by Českou republiku navštěvovalo určité konstantní množství návštěvníků, pak by snížení příjmů v minulosti mohlo zapříčinit zvýšení příjmů v současnosti. To znamená, pokud by před třemi obdobími přijelo méně návštěvníků, respektive příjmy by byly nižší, v současnosti by úbytek tržeb mohl být kompenzován, aby dosáhl určité dlouhodobě rovnovážné úrovně. Toto tvrzení lze potvrdit i zápornou konstantou, která vlastně říká, že se tržby konstantně snižují, tedy přírůstek tržeb je dlouhodobě záporný, což jistě není pravda. A právě proto může být zpožděná závisle proměnná v modelu významná. Tabulka udává p-hodnoty pro jednotlivé proměnné, které značí statistickou významnost na 5% hladině významnosti. Následující tabulka 4 zobrazuje statistické testy ověřující základní předpoklady a správnost výše uváděného poptávkového modelu.

Vlastní práce

36

Tabulka 4: Klasické předpoklady regresního modelu Test

Nulová hypotéza

Reset test Nelinearity Durbin-Watsonův Ljung-Box test Whiteův test Breuch-Paganův

model je správně specifikován vztah mezi prom. je lineární sér. kor. 1.řádu není identifikována sér. kor. vyššího řádu není identifikována chybový člen je homoskedastický chybový člen je homoskedastický

Chí-kvadrát chybový člen má normální rozdělení Zdroj: vlastní výpočet

Testová stat. p-hodnota

Porovnání


0,0198277 0,980384 1,02094 0,796186 2,58119 0,951482 4,32164 0,364 17,8542 0,163133 8,14876 0,0862784 2,1758

 0,05 0,05 0,05 0,05 0,05 0,05

Výsledek H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme

Pomocí Reset testu zjišťujeme, zda je model správně specifikován. Při testové statistice 0,0198 dosáhla p-hodnoty výše 0,98, což je větší než 5% hladina významnosti, a tudíž nulovou hypotézu o správně specifikovaném modelu nezamítáme. Test nelinearity zkoumá, jestli je vztah mezi proměnnými lineární, což hodnoty uvedené v tabulce 4 prokazují. Dále byla testována sériová korelace 1. a vyššího řadu prostřednictvím Durbin-Watsonova a Ljung-Boxova testu. Pokud porovnáme p-hodnoty s 5% hladinou významností, dojdeme k závěru ne identifikace sériové korelace v poptávkovém modelu. Whiteův a Breuch-Paganův test zjišťují heteroskedasticitu chybového členu, kdy v našem případě se heteroskedasticita nevyskytuje a chybový člen je tedy homoskedastický. Posledním testem ověřující vhodnost modelu je Chí-kvadrát. Při hodnotě testové statistiky 2,1758 s p-hodnotou 0,3369, která je větší než alfa, můžeme říci, že chybová člen má v tomto modelu normální rozdělení. Po zhodnocení testů můžeme identifikovaný poptávkový model incomingového cestovního ruchu České republiky označit za vhodný a statisticky významný.

5.1.2. Slovensko Další zemí, ze které proudí od tamějších obyvatel nejvíce finančních prostředků do České republiky, je Slovensko, jehož podíl na příjmech incomingového cestovního ruchu tvoří více jak 7%, přesněji 7,48%. Ve srovnání s Německem je to o poznání méně, ovšem Slovensko je velice důležitou součástí naší minulosti i budoucnosti, a tudíž i významným partnerem v rámci cestovního ruchu. Pro identifikaci poptávkového modelu ČR z této země jsem opět zvolila za závisle proměnnou data příjmů ČR ze Slovenska z incomingového cestovního ruchu. Časová řada byla převzata ze statistické databáze ČNB ve čtvrtletích období 2004-2012, v milionech národní měny a sezónně neočištěná. Vývoj této časové řady udává graf 3.

Vlastní práce

37

Graf 3: Příjmy v mil. CZK ze Slovenska do ČR z incomingového CR v období 2004/Q1 - 2012/Q4

Z průběhu příjmů ze Slovenska lze zaznamenat nárůst od počátku roku 2004, i když tento růst není příliš vyrovnaný. Koncem roku 2008 nastává zřetelný propad, který může být způsobený dvěma faktory. Tento pokles příjmů mohla z části zapříčinit finanční krize, ale také přechod Slovenska na jinou měnu. Od 1. 1. 2009 začali na Slovensku platit Eurem, čímž mohlo dojít k určité nejistotě v řadách občanů Slovenské republiky, utlumení cestování, a tudíž i ke snížení příjmu z incomingového cestovního ruchu v ČR. Poté nastal opětovný růst příjmů, i když s menšími propady. V hodnotách závisle proměnné byly identifikovány změny v průměru i variabilitě, což značí nestacionární časovou řadu a v důsledku může způsobovat méně kvalitní výsledky. Výkyvy stacionarizované časové řady závisle proměnné způsobené sezónními vlivy, jsem vyrovnávala prostřednictvím umělých proměnných následně zakomponovaných do výsledného poptávkového modelu. Jednotlivé parametry jsem odhadovala pro čtvrtletí, kde 1. čtvrtletí jsem zvolila jako základní, tudíž není uvedeno ve výsledcích a porovnáváme s ním ostatní čtvrtletí. Statisticky významné umělé proměnné pro zvolená čtvrtletí udává tabulka 5. Tabulka 5: Sezónní proměnné


koeficient -0,13828663 0,30253007 0,15432640


0,14730251 1,56339720

0,12811142


Hodnoty odhadnutých parametrů ukazují na statistickou významnost kromě konstanty pouze u 2. čtvrtletí, u ostatních čtvrtletí nebyla statistická významnost na 10% hladině významnosti prokázána. Je tedy pravděpodobné, že slovenští návštěvníci k nám cestují nejvíce v období jara před letními prázdninami, které pak

Vlastní práce

38

tráví spíše někde u moře. Umělá proměnná, u níž byla prokázána statistický významnost, se následně zahrne do poptávkového modelu. Dalšími hodnotami utvářející výsledný poptávkový model jsou HDP Slovenska a relativní ceny mezi naší a Slovenskou republikou, jež představují nezávisle proměnné regresního modelu. Veškeré časové řady vykazovali nestacionaritu, tudíž jsem musela provést stacionarizaci dat těchto proměnných, abychom se vyhnuli zdánlivé regresi způsobující nesprávné výsledky zvoleného modelu. V grafu 5 jsou vykresleny již stacionarizované časové řady uvažovaných proměnných v období 2004/Q2 – 2012/Q4.

Graf 4: Stacionarizovaná data Slovenska v období 2004/Q2 - 2012/Q4

Vývoj stacionarizovaných dat HDP a relativních cen je zpočátku těžce rozpoznatelný vzhledem k vývoji závisle proměnné, což se postupem času zlepšuje. Od konce roku 2007 je v grafu 4 zřejmí relativně shodný vývoj HDP se závisle proměnnou, ovšem po roce 2008 lze usuzovat spíše o shodném vývoji relativních cen a příjmech. Není tudíž zcela rozpoznatelné, zda se při modelaci poptávkové funkce projeví u některých proměnných zpoždění či nikoli. Bylo by možné uvažovat i o zpoždění závisle proměnné. Poptávkový model incomingového cestovního ruchu České republiky ze Slovenska jsem zkomponovala za pomoci software programu Gretl, jehož výsledné hodnoty uvádí tabulka 6.

Vlastní práce

39

Tabulka 6: Model poptávky incomingového cestovního ruchu v ČR

ln Yt = t= p-hodnota = n = 34

4,33168 ln HDP (1,72475) 2,511 0,0174

+ 2,96657 ln RC (1,42948) 2,075 0,0463

Radj2 = 0,29948

F = 5,36928

- 0,509053 ln Y(t-1) (0,15113) - 3,368 0,002 DW = 2,0858


V tomto modelu byla opět zvolena dvojitá logaritmická funkční forma zajišťující dosažení lepších výsledků proměnných. Po mnoha pokuse při konstrukci poptávkového modelu, považuji za vhodnější nezahrnutí konstanty do vlastního modelu z důvodů dosahování lepších výsledků modelu bez konstanty. Dále výsledný model zhoršovalo i zahrnutí již dříve zmíněné umělé proměnné, která vyrovnává výkyvy časové řady závisle proměnné způsobené sezónními vlivy. Z tohoto důvodu považuji odstranění sezónní proměnné z modelu za vhodné. Vzhledem k těmto úpravám, výsledný model zahrnuje pouze závisle proměnnou, u níž jsem identifikovala zpoždění a již dříve uvažované dvě nezávisle proměnné. Zpoždění závisle proměnné považuji za logické, dojde-li k nárůstu HDP a tudíž i k navýšení reálných příjmů na obyvatele sledované země, následné zvýšení příjmů z incomingového cestovního ruchu nastane se zpožděním v důsledku ne okamžité akceptace těchto změn obyvateli Slovenské republiky. Z tabulky 6 lze vyčíst phodnoty pro jednotlivé proměnné poptávkového modelu, jež značí statistickou významnost na 5% hladině významnosti, a tudíž bych model mohla považovat za statisticky významný. Ověření základních předpokladů modelu uvádí tabulka 7. Tabulka 7: Klasické předpoklady regresního modelu Test

Nulová hypotéza

Reset test model je správně specifikován Nelinearity vztah mezi prom. je lineární Durbin-Watsonův sér. kor. 1.řádu není identifikována Ljung-Box test Whiteův test Breuch-Paganův

sér. kor. vyššího řádu není identifikována chybový člen je homoskedastický chybový člen je homoskedastický


Testová stat. p-hodnota 0,122823 6,19067 2,0858

0,885 0,102693 0,674869

8,08114 6,905734 1,721227

0,0887 0,546837 0,422903

5,907

0,05215



Porovnání

Výsledek

0,05 
Zda je model správně specifikován lze zjistit prostřednictvím Reset testu, který je uveden v tabulce 7. Při testové statistice 0,1228 vyšla p-hodnota 0,885, což je větší než 0,05, a tudíž je model správně specifikován. Dalším testem, jehož nulová hypotéza zkoumá linearitu mezi proměnnými, se označuje jako test nelinearity. Při porovnání p-hodnoty a hodnoty , docházíme k závěru nezamítnutí nulové hypotézy a tedy k linearitě mezi proměnnými. Durbin-Watsonův a LjungBoxův test šetří sériové korelace 1. a vyšších řádů a při opětovném porovnání phodnot s 5% hladinou významnosti, prokazujeme neexistenci sériových korelací ve vlastním modelu. Testem prokazujícím homoskedasticitu chybového členu může být Whiteův či Breuch-Paganův. i tyto testy nám prokázaly správnost uvažovaného

Vlastní práce

40

modelu, tady nezamítli nulovou hypotézu o homoskedasticitě chybového členu. Posledním testem uvedeným v tabulce 7 je Chí-kvadrát zkoumající normální rozdělení chybového členu. Při testové statistice 5,907 s p-hodnotou 0,052, která je větší než 0,05, nulovou hypotézu nezamítáme a uvažujeme o chybovém členu s normálním rozdělením. Po ověření statistické významnosti a vhodnosti identifikovaného poptávkového modelu, můžeme potvrdit, že při zvýšení uvažovaných nezávisle proměnných, dochází k nárůstu příjmu z incomingového cestovního ruchu ČR při uvažování pouze návštěvníků ze Slovenska.

5.1.3. Rusko Země, která obsadila v tabulce zobrazující státy podílející se na našich příjmech z incomingového cestovního ruchu třetí místo, dosahuje více jak 6% podílu. Svými výdaji, při návštěvě naší republiky, se velice přibližuje Slovensku. Závisle proměnnou poptávkového modelu, tedy příjmy z incomingového cestovního ruchu, zobrazuje graf 5. Data jsou opět získaná ze statistické databáze ČNB v milionech národní měny, čtvrtletně v období 2004-2012 a sezónně neočištěné.

Graf 5: Příjmy v mil. CZK z Ruska do ČR z incomingového CR v období 2004/Q1 – 2012/Q4

Vývoj uvažovaných hodnot je od počátku sledování neustále rostoucí, i když se občas vyskytují menší výkyvy, které nastávaly spíše v důsledku sezónních vlivů. Z těchto dat je patrné, že finanční krize projevující se například v příjmech z Německa i Slovenska, není v tomto případě patrná a s velkou pravděpodobností neměla větší vliv na cestovní chování ruských obyvatel. Je tu také možnost, že právě v důsledku finanční krize začali dávat ruští cestovatelé přednost levnějším

Vlastní práce

41

destinacím, jako například České republice. Hodnoty této závisle proměnné byly rovněž stacionarizované, tak jako v předcházejících modelacích. Již zmíněným sezónním vlivům se věnuje následující tabulka 8. Vývoj časové řady závisle proměnné vykazuje s velkou pravděpodobností sezónnost, jejíž přítomnost prokážeme pro jednotlivá čtvrtletí prostřednictví sezónních proměnných. 1. čtvrtletí bylo zvoleno jako základní, a tudíž se ve výsledné tabulce nevyskytuje. Statistická významnost odhadnutých koeficientů ukáže vliv sezónnosti na příjmy v jednotlivých čtvrtletích vůči zvolenému základnímu čtvrtletí. Tabulka 8: Sezónní proměnné


koeficient t-statistika významnost -0,05220563 -1,27524247 0,21201095 0,18473818 3,28343878 0,00260940 0,10984140 1,95226304 0,06029467 -0,01277063 -0,22058330

0,82691124


Po vypočtení odhadnutých proměnných a jejich významností pro jednotlivá čtvrtletí, lze uvažovat pouze o 2. čtvrtletím jako o období mající sezónní vliv na závisle proměnnou, jelikož významnost tohoto čtvrtletí je nižší než 5% hladina významnosti. Při konstrukci poptávkového modelu by měla být tato sezónní proměnná zahrnuta do vlastního modelu. Vybranými nezávisle proměnnými byly opět HDP Ruska a relativní ceny mezi Českou republikou a Ruskem. Dále bylo nutné provést stacionarizaci časových řad zmíněných nezávisle proměnných. Pokud bych data modelovala v nestacionarizované podobě, s velkou pravděpodobností by došlo k zdánlivé regresi, tudíž nesprávnému poptávkovému modelu. Vývoj stacionarizovaných závislé i nezávisle proměnných zobrazuje graf 6.

Graf 6: Stacionarizovaná data Ruska v období 2004/Q2 - 2012/Q3

Vlastní práce

42

Při bližším zkoumání vývoje jednotlivých stacionarizovaných proměnných, lze od počátku sledovaného období až do roku 2008 identifikovat relativně shodný vývoj časových řad HDP a příjmů, ovšem po roce 2008 již vývoj shodnost nevykazuje. Naopak je tomu při sledování průběhu relativních cen se závisle proměnnou, kdy se jejich vývoj v období 2004/Q2 – 2008/Q2 výrazně liší, ovšem od roku 2008/Q3 se jejich vývoj s menšími odchylkami začíná shodovat. Opět je tedy možné uvažovat o zpoždění některých nezávisle proměnných, ale i závisle proměnné při konstrukci vlastního modelu. Při identifikaci poptávkového modelu cestovního ruchu s uvažováním ruských návštěvníků bylo navrženo mnoho modelů za pomoci software programu Gretl. Tabulka 9 uvádí ten model, jehož výsledky vyšly jako nejvýznamnější. Tabulka 9: Model poptávky incomingového cestovního ruchu v ČR

ln Yt = t= p-hodnota =

1,25476 ln HDP (0,472170) 2,657 0,0127

+ 1,85016 ln RC (0,634913) 2,914 0,0068

- 0,403325 ln Y(t-1) (0,163619) - 3,362 0,0102

n = 33

Radj2 = 0,402554

F = 6,140331

DW = 1,95182

+ 0,126812 ln D1 (0,0395005) 3,21 0,0032


Zkonstruovaný poptávkový model, u něhož jsem opět zvolila dojitou logaritmickou funkční formu, lze za statisticky významný. V tabulce 9 jsou uvedeny p-hodnoty pro jednotlivé proměnné, jež prokazují jejich statistickou významnost. Do modelu byla zahrnuta již zmiňovaná umělá proměnná, která vyrovnává sezónní výkyvy ve 2. čtvrtletí časové řady závislé proměnné. Také se v modelu projevilo zpoždění, přesněji zpoždění závislé proměnné, se kterou jsem se již setkala u modelace poptávky cestovního ruchu z Německa. Dále je vhodné zmínit, že jsem do vlastního modelu nezahrnula konstantu z důvodu zhoršování kvality výsledného modelu. Předpoklady tohoto modelu byly prokázány ověřujícími testy v následující tabulce 10. Tabulka 10: Klasické předpoklady regresního modelu Test Reset test

Nulová hypotéza model je správně specifikován

Nelinearity vztah mezi prom. je lineární Durbin-Watsonův sér. kor. 1.řádu není identifikována Ljung-Box test sér. kor. vyššího řádu není identifikována Whiteův test chybový člen je homoskedastický Chí-kvadrát chybový člen má normální rozdělení Zdroj: vlastní výpočet

Testová stat. p-hodnota 0,504817

0,609

9,23039 0,0263795 1,95182 0,528154 1,66572 0,797 16,151906 0,184377 5,379 0,06793



Porovnání

Výsledek

0,05 
Prostřednictvím Reset testu můžeme ověřit, zda je uvedený poptávkový model správně specifikovaný. P-hodnota Reset testu je porovnávána s 5% hladinou významnosti, a pokud vychází hodnota testu větší, což v našem případě ano, můžeme model označit za správně specifikovaný. Zda je vztah mezi proměnnými lineární, zkoumá test nelinearity. Tabulka 10 uvádí hodnotu testové statistiky

Vlastní práce

43

ve výši 9,23 a p-hodnotu 0,0264, což je nižší než 0,05 a nulová hypotéza o linearitě mezi proměnnými by byla zamítnuta. Ovšem pokud bychom uvažovali o 1% hladině významnosti, tato nulová hypotéza by zamítnuta nebyla. Dále byla testována hypotéza identifikace sériové korelace 1. a vyššího řádu, která po porovnání p-hodnoty a hodnoty  identifikována nebyla. Whiteův test ověřuje homoskedasticitu chybového členu. Při testové statistice 16,152 a p-hodnotě 0,184 není nulová hypotéza zamítnuta a chybový člen lze označit za homoskedastický. Posledním testem, ověřující statistickou významnost modelu, je Chí-kvadrát. Testová statistika dosahuje hodnoty 5,379 a p-hodnota 0,0679, je tedy větší než 0,05, a tudíž má chybový člen v modelu normální rozdělení. Tento model nezamítá nulové hypotézy veškerých prováděných testů a z tohoto důvodu mohu vlastní poptávkový model označit za statisticky významný a správný.

5.1.4. Velká Británie Další zemí v pořadí, z hlediska výše podílu na příjmech České republiky v incomingovém cestovním ruchu, je Velká Británie. Její podíl činí téměř 6% z celkových příjmů, což je velice podobné zemím uvedených v předchozích podkapitolách, tedy Slovensku a Rusku. Čtvrtletní data závislé proměnné jsou opět převzatá ze statistické databáze ČNB v období 2004 – 2012, v milionech národní měny a sezónně neočištěné. Jejich vývoj uvádí graf 7.

Graf 7: Příjmy v mil. CZK z Velké Británie do ČR z incomingového CR v období 2004/Q1 – 2012/Q4

Vývoj příjmů z Velké Británie je od počátku sledovaného roku, tedy od roku 2004, mírně klesající. Tento trend je oproti předcházejícím zkoumaným zemím zcela opačný. Není zde ani příliš zřetelný jakýkoliv propad v příjmech v období začátku finanční krize, tedy kolem roků 2008 a 2009, jako tomu bylo u Německa

Vlastní práce

44

a Slovenska. S velkou pravděpodobností se jedná o pokles v důsledku snižujícího se zájmu o Českou republiku jako turistické destinace ze strany obyvatelů Velké Británie a hledání atraktivnějších destinací. Časová řada příjmu opět vykazuje nestacionaritu, která musí být odstraněna. Výkyvy časové řady závislé proměnné viditelné v grafu 8 způsobují převážně sezónní vlivy, které jsem se pokusila identifikovat prostřednictvím sezónních proměnných a uvádí je tabulka 11. Tabulka 11:Sezónní proměnné


koeficient -0,14624763 0,28500363 0,18774540


0,07716907 1,70693787

0,09783300


K odhadu parametrů jsem využila metodu umělých proměnných pro jednotlivá čtvrtletí, kde 1. čtvrtletí jsem zvolila jako základní, a tudíž není ve výsledných hodnotách uvedené. Statistická významnost na 5% hladině významnosti byla prokázána kromě konstanty u 2. a 3. čtvrtletí, což je období jara a léta, tedy nejvhodnější doba na návštěvu přírodních krás a památek naší země. Při následné komplementaci vlastního modelu by měly být zahrnuty i tyto statisticky významné umělé proměnné. Pro konstrukci vlastního modelu je nutná identifikace nezávisle proměnných. Výběr nezávisle proměnných musí mít smysl a musí odpovídat ekonomické realitě, tudíž je stejný jako v předchozích podkapitolách zkoumaných zemí. Hodnoty HDP Velké Británie i relativní ceny mezi Českou republikou a Velkou Británií jsou čtvrtletní v období 2004 – 2012 a sezónně očištěné. Pro další analyzování a modelaci dat nezávisle proměnných je nutné nestacionarizované hodnoty stacionarizovat a tím zajistit kvalitnější výsledky. Vývoj stacionarizovaných hodnot závislé i nezávisle proměnných poskytuje graf 8.

Vlastní práce

45

Graf 8: Stacionarizovaná data Velké Británie v období 2004/Q2 - 2012/Q4

Průběh hodnot závislé proměnné a HDP by se dal označit za převážně shodný v celém sledovaném období, tam kde HDP klesá, dochází i k poklesu příjmů a naopak. Pokud se ovšem zaměříme na průběh hodnot relativních cen a příjmů, ten příliš shody nevykazuje, téměř by se dal označit za opačný. Z tohoto důvodu můžeme při modelaci u této proměnné očekávat zpoždění. Po uvedených úpravách časových řad, které již neprokazují nestacionaritu, je možné přistoupit k identifikaci vlastního modelu. Opět jsem pro tuto identifikaci zvolila software program Gretl, jehož prostřednictvím bylo navrženo nespočet modelů a tabulka 12 uvádí model s nejlepšími dosaženými výsledky. Tabulka 12: Model poptávky incomingového cestovního ruchu v ČR

ln Yt = -0,068666 t= p-hodnota = 0,0026 n = 33

+ 1,57687 ln HDP (t-1) (0,612228) 2,576 0,0154

+ 1,39032 ln RC(t-2) (0,595935) 2,333 0,0268

Radj2 = 0,487492

F = 11,14603

+ 0,221585 D1 (0,0408794) 5,42 0,00000789 DW = 2,36323


Pro výsledný model byla opět zvolena dvojitá logaritmická funkční forma z důvodů dosažení žádoucích vlastností vlastního modelu. Model zahrnuje nezávisle proměnné, u kterých bylo prokázáno již dříve zmiňované zpoždění. Větší zpoždění se projevilo u relativních cen, čemuž nasvědčoval i průběh hodnot v grafu 8. Do modelu jsem dále zakomponovala uměle proměnnou představující sezónnost závislé proměnné ve 2. čtvrtletí. Z výsledků tabulky 11, uvádějící právě statisticky významné umělé proměnné, bylo identifikované jako významné i 3. čtvrtletí, které jsem ovšem z modelu vyloučila z důvodu zhoršené kvality vlastního modelu. Ověření kvality a statistické významnosti výsledného poptávkového modelu udává tabulka 13.

Vlastní práce

46

Tabulka 13: Klasické předpoklady regresního modelu Test

Nulová hypotéza

Reset test model je správně specifikován Nelinearity vztah mezi prom. je lineární Durbin-Watsonův sér. kor. 1.řádu není identifikována Ljung-Box test sér. kor. vyššího řádu není identifikována Whiteův test chybový člen je homoskedastický Breuch-Paganův chybový člen je homoskedastický Chí-kvadrát chybový člen má normální rozdělení Zdroj: vlastní výpočet

Testová stat. p-hodnota



Porovnání

Výsledek

0,460497 0,636 0,05 
Jednotlivé testy pro ověření předpokladů modelu uvedené v tabulce 13 po porovnání p-hodnot a hodnot  nezamítají nulovou hypotézu. Z tohoto důvodu můžeme model označit za správně specifikovaný, vztah mezi proměnnými je lineární, nejsou identifikovány sériové korelace 1. ani vyššího řádu a chybový člen je homoskedastický a má normální rozdělení. Tímto považuji vlastní model za ověřený, a tudíž za statisticky významný.

5.1.5. Ukrajina Ukrajina je zemí pátou v pořadí v podílu na příjmech z incomingového cestovního ruchu České republiky, jejíž podíl činí 4,61% z celkových příjmů. Svými výdaji již nedosahuje takové výše, jako země zkoumané v předcházejících podkapitolách, ovšem i podíl Ukrajiny je stále významný pro náš cestovní ruch. Zvolenou závisle proměnnou jsou neustále příjmy z incomingového cestovního ruchu v tomto případě od návštěvníků z Ukrajiny v období 2004/Q1 – 2012/Q4. Časová řada příjmů byla zvolena čtvrtletně, v milionech národní měny a sezónně neočištěná. Vývoj hodnot uvádí graf 9.

Graf 9: Příjmy v mil. CZK z Ukrajiny do ČR z incomingového CR v období 2004/Q1 – 2012/Q4

Vlastní práce

47

Při první pohledu na graf znázorňující příjmy je zřetelný skokový vývoj v celém sledovaném období. Průběh příjmů se v porovnání s ostatními zeměmi vyvíjí opravdu nestandardně a nebylo příliš snadné určit příčinu těchto výkyvů. Některý z výkyvů mohl být zapříčiněn sezónností, což je dle mého názoru málo pravděpodobné. Pokud se zaměříme na počátek sledovaného vývoje časové řady, důvodem vysokého nárůstu výdajů od ukrajinských turistů u nás začátkem roku 2005 mohlo být zapříčiněno upuštěním od zpoplatňování turistických víz vůči ukrajinským občanům od 1. května téhož roku. V důsledku tohoto rozhodnutí Ministerstvem zahraničních věcí ušetřil každý ukrajinský turista cca 1200 Kč, což mohlo podpořit návštěvnost ČR z Ukrajiny a zvýšit příjmy z incomingového cestovního ruchu. Od roku 2005 docházelo k pozvolnému růstu sledovaných příjmů, ovšem po roce 2008 a začátkem roku 2009 nastalo snižování, které lze opět vztahovat k finanční krizi. Bylo tedy nutné otestovat, zda výkyvy časové řady závisle proměnné způsobují sezónní vlivy či nikoli. Abychom dosáhli správných výsledných hodnot, časová řada závislé proměnné vykazující změny v průměru i variabilitě byla stacionarizována a následně bylo provedeno odhadnutí parametrů pro jednotlivá čtvrtletí prostřednictvím metody umělých proměnných. Statistická významnost jednotlivých parametrů nám ukáže vliv sezónnosti na závisle proměnnou v jednotlivých čtvrtletích kromě čtvrtletí prvního, které jsem zvolila jako základní. 1. čtvrtletí se tedy ve výsledné tabulce 14 nevyskytuje a veškeré odhady jsou prováděny vůči tomuto čtvrtletí. Tabulka 14: Sezónní proměnné


koeficient t-statistika významnost 0,277045 1,2420 0,2238 -0,218809 -0,7138 0,4809 -0,104844 -0,3420 0,7347 -0,304353

-0,9648

0,3423


Tabulka 14 s výslednými sezónními proměnnými neprokázala statistickou významnost ani u jednoho čtvrtletí sledované časové řady. Byla tedy potvrzena má domněnka o ne výskytu sezónnosti, kde sezónnost nebyla příčinou výkyvů časové řady závislé proměnné zřetelné v grafu 9, ale dostatečným vlivem mohlo být již zmíněné upuštění od zpoplatňování turistických víz ukrajinským občanům. Zahrnutí sezónní proměnné do vlastního modelu tedy nepovažuji za vhodné. Dále je nutné identifikovat nezávisle proměnné potřebné pro konstrukci vlastního poptávkového modelu. Za nezávisle proměnné jsem zvolila hodnoty HDP Ukrajiny a relativní ceny mezi ČR a Ukrajinou, jež bylo nutné stacionarizovat v důsledku projevu změny průměru i variability. Již stacionarizované časové řady závislé i nezávisle proměnných zobrazuje v období 2004/Q2 – 2012/Q3 graf 10.

Vlastní práce

48

Graf 10: Stacionarizovaná data Ukrajiny v období 2004/Q2 - 2012/Q3

Vývoj časových řad proměnných, z nichž budu konstruovat vlastní model, je velice těžko zhodnotitelný. V grafu 10 jsou nejviditelnější dva šoky časové řady příjmů začátkem roku 2005 a 2012, průběh proměnných mezi těmito roky je vyrovnanější. Shodný vývoj mezi závisle proměnnou a nezávisle proměnnými lze identifikovat velice těžko. V průběhu časových řad k některým shodným okamžikům dochází, například o období 2006/Q3 došlo ke shodě HDP se závisle proměnnou, ovšem následný vývoj je rozdílný. Konstrukcí vlastního modelu za pomoci software vybavení Gretl, jsem dospěla k poptávkovému modelu cestovního ruchu ČR z Ukrajiny uváděný v tabulce 15. Tabulka 15: Model poptávky incomingového cestovního ruchu v ČR


+ 1,7057 ln HDP (t-4) (0,828314) 2,059 0,0492 Radj2 = 0,130752

+ 2,19266 ln RC(t-4) (0,595935) 1,361 0,1848 F = 2,120729

-0,196121 ln Y(t-2) (0,102302) -1,917 0,0659 DW = 1,598294


Výsledný model udávaný tabulkou 15 byl konstruován pro období 2004/Q2 – 2012/Q3 a považuji jej za statisticky nevýznamný. Po mnoha navržených modelech, kdy v některých případech jsem uvažovala i o zkráceném období bez odlehlých pozorování závislé proměnné znatelných v grafu 10, jež mohou zhoršovat kvalitu výsledného modelu, je zde uváděný poptávkový model s nejlepšími možnými výsledky i když statisticky nevýznamný. Svědčí o tom i hodnota adjustovaného koeficientu determinace, která vykazuje velice nízké číslo. Pokud se zaměříme na p-hodnoty pro jednotlivé proměnné, nezávisle proměnná relativních cen vykazuje statistickou nevýznamnost na 5% hladině významnosti. Zkvalitnění

Vlastní práce

49

modelu se neprojevilo ani při zvolení dvojité logaritmické funkční formy, ani při zahrnutí zpoždění. Tabulka 16 uvádí testy ověřující předpoklady vlastního modelu. Tabulka 16: Klasické předpoklady regresního modelu Test

Nulová hypotéza

Reset test model je správně specifikován Nelinearity vztah mezi prom. je lineární Durbin-Watsonův sér. kor. 1.řádu není identifikována Ljung-Box test sér. kor. vyššího řádu není identifikována Whiteův test chybový člen je homoskedastický Chí-kvadrát chybový člen má normální rozdělení Zdroj: vlastní výpočet

Testová stat. p-hodnota 6,94819 9,85308 1,59829 2,80426 7,797701 32,152

0,003985 0,019857 0,15708 0,591 0,453477 0,00000

 0,05 0,01 0,05 0,05 0,05 0,05

Porovnání

Výsledek

>p-hodnota p-hodnota

H0 zamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 zamítáme

Již první zvolený test ověřující, zda je model správně specifikován, vykazuje hodnotu  větší než p-hodnotu, což zamítá nulovou hypotézu a model označuje za špatně specifikovaný. i když některé další testy ověřující například sériovou korelaci nebo homoskedasticitu chybového členu nulovou hypotézu nezamítly, zmíněný Reset test, adjustovaný koeficient determinace nebo p-hodnota nezávisle proměnné jsou rozhodujícími ukazateli statistické nevýznamnosti tohoto modelu. Tento zvolený model neprokazuje statistickou významnost, a tudíž nebyla prokázána závislost mezi závisle proměnnou, tedy příjmy a relativními cenami jako nezávisle proměnnou.

5.1.6. USA Předposlední zemí, jež se z větší míry podílí na příjmech z incomingového cestovního ruchu České republiky a pokusím se o modelaci její poptávkové funkci, můžeme zařadit Spojené státy americké, dále jen USA. Podíl USA na celkových příjmech z incomingového cestovního ruchu činí 4,46%, což je číslo velice blízké podílu Ukrajiny. Dle mého názoru je velice potěšující zjištění, že země obsazující 6. místo v oblasti příjmů z cestovního ruchu nacházející se na druhé straně zeměkoule, navštěvují naší zemi velice často i přes značnou vzdálenost. Časová řada závislé proměnné zahrnuje již zmiňované příjmy z incomingového cestovního ruchu České republiky v období 2004/Q1 – 2012/Q4 v milionech národní měny a sezónně neočistěné. Vývoj hodnot znázorňuje graf 11.

Vlastní práce

50

Graf 11: Příjmy v mil. CZK z USA do ČR z incomingového CR v období 2004/Q1 – 2012/Q4

Vývoj příjmů pocházejících od amerických turistů zobrazený v grafu 11 vykazuje téměř v celém sledovaném období rovnoměrný průběh. Menší výkyvy v průběhu období mohly být způsobeny sezónními vlivy, ovšem náhlý nárůst příjmů v 1. a 2. čtvrtletí roku 2012 nelze jednoznačně odůvodnit. Při následném modelování poptávkové funkce působily zmíněné výkyvy v roce 2012 problémy, a z tohoto důvodu byl rok 2012 z časové řady závislé proměnné odstraněn. i prováděná stacionarizace časové řady příjmů zahrnovala pouze období 2004/Q2 – 2011/Q4. Zjištění sezónních vlivů provedeme pomocí metody umělých proměnných, také pro zkrácené období bez problémových výkyvů. Pro jednotlivá čtvrtletí metodou zjistíme, zda jsou statisticky významná, tedy ukáže ovlivnění příjmů sezónností. 1. čtvrtletí tabulka 17 nezahrnuje, jelikož bylo zvoleno jako základní a od něhož se odvozovala ostatní čtvrtletí. Tabulka 17: Sezónní proměnné

proměnná koeficient t-statistika významnost konstatnta -0,1063060 -3,307 0,00270000 2. čtvrtletí (D 1 ) 0,2615450 5,942 0,00000246 3. čtvrtletí (D 2 ) 0,1472230 3,345 0,00240000 4. čtvrtletí (D 3 ) 0,0369967 0,841 0,40800000 Zdroj: vlastní výpočet

Prokazatelná statistická významnost ukazuje kormě úrovňové konstanty na 2. a 3. čtvrtletí, jarní a letní období nejvhodnější pro cestování a navštěvování historických památek a přírodních krás. Ve srovnání s 1. čtvrtletí se projevují výkyvy vlivem sezónnosti ve 2. a 3. čtvrtletí, což bude zohledněno při konstrukci vlastního modelu.

Vlastní práce

51

Za nezávisle proměnné zakomponované do vlastního modelu jsem zvolila hodnoty HDP USA a relativní ceny mezi ČR a USA ve zkráceném období 2004/Q2 – 2011/Q4, sezónně očištěné a stacionarizované. Vývoj hodnot těchto nezávisle proměnných ale i závislé proměnné udává graf 12.

Graf 12: Stacionarizovaná data USA v období 2004/Q2 – 2011/Q4

Po vynechání problémového období lze rozpoznat ve vývoji časových řad určité okamžiky shody. Pokud se zaměříme na průběh hodnot HDP a závislé proměnné, relativně shodný vývoj můžeme pozorovat od počátku sledovaného období až do začátku roku 2008. Naopak shodný vývoj relativních cen se závisle proměnnou nastává začátkem roku 2008 a pokračuje až do konce sledovaného období. Také by se zde mohlo projevit zpoždění některých proměnných, které by bylo zahrnuto do poptávkového modelu. Identifikovaný poptávkový model incomingového cestovního ruchu České republiky z USA v období 2004/Q2 – 2011/Q4 za využití programového software Gretl zobrazuje tabulka 18. Tabulka 18: Model poptávky incomingového cestovního ruchu v ČR ln Yt = -0,153859 + 3,50238 ln HDP (t-4) (1,96535) t= 1,782 p-hodnota = 0,0001 0,0892 n = 27 Zdroj: vlastní výpočet

Radj2 = 0,651063

+ 3,89730 ln RC(t-4) (1,99698) 1,952 0,0645

+ 0,441636 ln Y(t-2) (0,163783) 2,696 0,0135 F = 10,7024

+ 0,361290 D1 (0,0566768) 6,375 0,00000255

+ 0,223947 D2 (0,0536813) 4,172 0,0004 DW = 2,516722

Tabulka 18 uvádí statisticky významný poptávkový model, ve kterém se vyskytují zpožděné proměnné i umělé proměnné vystihující sezónnost časové řady závislé proměnné. Zpoždění bylo identifikováno u nezávisle proměnných, ale i u závislé proměnné, tedy u příjmů. Tento fakt potvrzuje, že změna některé z nezávisle proměnných okamžitě neovlivní závisle proměnnou, ale dochází

Vlastní práce

52

k určitému zpoždění. Zakomponování sezónních proměnných 2. a 3. čtvrtletí časové řady příjmů do modelu jsem zvolila v důsledku prokázání jejich významnosti uvedených v tabulce 17. Vybral jsem dvojitou logaritmickou funkční formu, jelikož výsledné hodnoty modelu vykazovaly v případě této funkční formy nejlepší výsledky. Také p-hodnoty pro jednotlivé proměnné ve formě uváděné tabulkou 18 dosahují statistické významnosti, což potvrzuje i vcelku vysoká hodnota adjustovaného koeficientu determinace. Výsledné ověření správnosti a statistické významnosti uváděného modelu poskytuje tabulka 19. Tabulka 19: Klasické předpoklady regresního modelu Test

Nulová hypotéza

Reset test Nelinearity Durbin-Watsonův Ljung-Box test Whiteův test Breuch-Paganův

model je správně specifikován vztah mezi prom. je lineární sér. kor. 1.řádu není identifikována sér. kor. vyššího řádu není identifikována chybový člen je homoskedastický chybový člen je homoskedastický


Testová stat. p-hodnota 2,981848 2,72357 2,51672 2,59821 22,075633 6,629242

0,0748 0,436236 0,838211 0,918067 0,181828 0,249706

0,343

0,84259



Porovnání


Výsledek H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme H0 nezamítáme

Pomocí Reset testu zkoumáme správnost specifikovaného modelu, pokud tedy testová statistika dosahuje hodnoty 2,982 a p-hodnota 0,0748, můžeme po porovnání s 5% hladinou významnosti posoudit tento model za správně specifikovaný. Dalším testem jsem zkoumala vztah linearity mezi proměnnými, u kterého vyšla testová statistika 2,724 a p-hodnota 0,436. Jelikož je p-hodnota větší než hodnota , nulovou hypotézu nezamítáme a vztah mezi proměnnými můžeme označit za lineární. Durbin-Watsonův test zjišťuje sériovou korelaci 1. řádu chybového členu. Když porovnáme p-hodnotu ve výši 0,838 s 5% hladinou významnosti, kde p-hodnota převyšuje hodnotu 0,05, můžeme pozorování chybového členu označit za nekorelovaný se sebou samým. Dále byla příslušným testem vyvrácena sériová korelace vyššího řádu. Otestování chybového členu, zda je homoskedastický, potvrdili dva testy, přesněji Whiteův a Breuch-Paganův. Posledním testem na ověření vlastního modelu byl Chí-kvadrát zjišťující normalitu rozdělení chybového členu. i u tohoto testu nebyla nulová hypotéza zamítnuta, jelikož p-hodnota 0,843 převyšuje hodnotu 0,05, lze tedy potvrdit normální rozdělení chybového členu poptávkového modelu. Po ověření uváděnými testy považuji výsledný poptávkový model za prokazatelný a statisticky významný. Při změně HDP USA nebo při změně relativních cen mezi ČR a USA dochází k ovlivnění příjmů z incomingového cestovního ruchu ČR od amerických turistů.

5.1.7. Itálie V této práci poslední zkoumanou zemí, jejíž turisté se podílí na příjmech incomingového cestovního ruchu, je Itálie s podílem 4,2%. Italští turisté u nás utratí

Vlastní práce

53

přibližně stejnou sumu jako návštěvníci z USA a Ukrajiny. i když výdaje italských turistů jsou ve sledovaném období relativně rovnoměrné (graf 14), tak například u ukrajinských turistů tomu tak nebylo (viz graf 10). Závislá proměnná tedy zahrnuje čtvrtletní příjmy z incomingového cestovního ruchu získané od italských turistů v milionech národní měny v období 2004/Q1 – 2012/Q4 sezónně neočištěné. Vývoj časové řady příjmu zachycuje graf 13.

Graf 13: Příjmy v mil. CZK z Itálie do ČR z incomingového CR v období 2004/Q1 – 2012/Q4

Průběh časové řady závislé proměnné lze označit vcelku za rovnoměrný, i když menší výkyvy jsou v grafu 13 patrné. Pokud se na časovou řadu příjmů zaměříme podrobněji, můžeme ve zmíněných výkyvech spatřovat pravidelnost, což může být zapříčiněno sezónností. Sezónní vlivy lze z časové řady eliminovat za využití umělých proměnných, ovšem nejprve je zapotřebí hodnoty závislé proměnné stacionarizovat. Pro následující kroky a výpočty je stacionarizace dat důležitá z důvodů kvalitnějších a lepších výsledných hodnot. Parametry zobrazující vliv sezónnosti na příjmy v jednotlivých čtvrtletích získáme pomocí metody umělých proměnných. Jednotlivá čtvrtletí znázorňuje tabulka 20, ovšem bez čtvrtletí 1., které jsem zvolila za základní. Od základního čtvrtletí jsou odvozována ostatní čtvrtletí. Tabulka 20: Sezónní proměnné

proměnná koeficient konstatnta -0,11255963 2. čtvrtletí 0,25401251 3. čtvrtletí 0,15862007 4. čtvrtletí 0,05702074

t-statistika -2,63405413 4,32507820 2,70082837 0,97089367

významnost 0,01304731 0,00014689 0,01110814 0,33911615


Statistická významnost na 1% hladině významnosti byla prokázána u 2., u 3. čtvrtletí na 5% hladině významnosti. Tato čtvrtletí jsou velice často označována

Vlastní práce

54

za sezónně významná, jelikož se zabýváme oblastí cestovního ruchu a návštěvností České republiky, kdy období jara a léta jsou nejvhodnější pro navštěvování zajímavých míst. Po identifikaci nezávisle proměnných budou zmíněná čtvrtletí zakomponována do vytvářeného poptávkového modelu. Za nezávislé proměnné jsem zvolila HDP Itálie a relativní ceny mezi Českou republikou a Itálií v období 2004/Q1 – 2012/Q4 sezónně očištěné. i tyto proměnné bylo třeba stacionarizovat, aby při konstrukci vlastního modelu nedocházelo k nepravé regresi, a tudíž k výsledkům s lepší vypovídající hodnotou než kterých ve skutečnosti dosahují. Stacionarizované časové řady nezávisle proměnných, ale i závislé proměnné ukazuje graf 14 v období 2004/Q2 – 2012/Q4.

Graf 14: Stacionarizovaná data Itálie v období 2004/Q2 – 2012/Q4

Vývoj hodnot příjmů a HDP lze označit v celém sledovaném období za převážně shodný, je ovšem možné zpoždění některé z proměnných, což se projeví při modelaci poptávkové funkce. Průběh hodnot relativních cen se ovšem za shodný s průběhem příjmu označit nedá. Opět je možné, že při zpoždění některé proměnné dojde ke sblížení vývoje v uvažovaném období. Po několika konstrukčních pokusech jsem dospěla dle mého názoru k modelu popisující poptávku po incomingovém cestovním ruchu České republiky ze strany italských turistů za využití počítačového software Gretl. Výsledný model uvádí tabulka 21.

Vlastní práce

55

Tabulka 21: Model poptávky incomingového cestovního ruchu v ČR


2,53010 ln HDP (0,893629) 2,831 0,0085

- 1,90241 ln RC(t-3) (0,749466) -2,538 0,017

- 0,375159 ln Y(t-3) (0,147597) - 2,542 0,0168

Radj2 = 0,446016

F = 6,989564

DW = 2,56173

+ 0,224283 D1 (0,0467644) 4,796 0,0000484


Při konstrukci vlastního modelu popisující poptávku po incomingovém cestovním ruchu jsem se rozhodla pro dojitou logaritmickou funkční formu, která zajistila nejlepší výsledné hodnoty. Dále byla z důvodů dosahování lepších výsledků modelu odstraněna konstanta. Do modelu byly zakomponovány již dříve uvažované sezónní proměnné časové řady příjmů, ovšem zvolena byla pouze proměnná pro 2. čtvrtletí. Při dosazení umělé proměnné 3. čtvrtletí do poptávkového modelu, došlo v konečných výsledcích ke zhoršení, a tudíž tato proměnná nebyla zahrnuta do vlastního modelu. Model vykazuje statistickou významnost, což potvrzují i p-hodnoty pro jednotlivé proměnné. Ověření základních předpokladů modelu příslušnými testy podává tabulka 22. Tabulka 22: Klasické předpoklady regresního modelu Test

Nulová hypotéza

Reset test model je správně specifikován Nelinearity vztah mezi prom. je lineární Durbin-Watsonův sér. kor. 1.řádu není identifikována Ljung-Box test sér. kor. vyššího řádu není identifikována Whiteův test chybový člen je homoskedastický Chí-kvadrát chybový člen má normální rozdělení Zdroj: vlastní výpočet

Testová stat. p-hodnota 1,447269 0,254 6,94494 0,0736735 2,56173 0,962273 6,47538 0,166 14,108434 0,293838 2,341 0,31014

 0,05 0,05 0,05 0,05 0,05 0,05

Porovnání

Výsledek


Celkovou správnost modelu testuje Reset test. Abychom nezamítli nulovou hypotézu testu, musí být p-hodnota větší než hodnota  (0,05). Po dosazení čísel za uvedené hodnoty, tedy 0,254 je větší než 0,05, nulovou hypotézu nezamítáme a model hodnotíme jako správně specifikovaný. Test nelinearity prokazuje lineární vztah mezi proměnnými a opět porovnáním p-hodnoty s hodnotou . P-hodnota dosahuje výše 0,0737, což je větší než 0,05, a tudíž nulovou hypotézu nezamítáme, tedy vztah mezi proměnnými je lineární. Testy hodnotící přítomnost sériové korelace 1. a vyššího řádu v obou případech prokázali p-hodnoty vyšší než 0,05, tudíž sériovou korelaci z poptávkového modelu můžeme vyloučit. K ověření homoskedasticity chybového členu jsem využila Whiteův test. Při testové statistice 14,108 vyšla p-hodnota 0,294, která je větší než 0,05, a tudíž nulovou hypotézu o homoskedasticitě chybového členu nezamítáme. Poslední test ověřující významnost vlastního modelu, přesněji normalitu rozdělení chybového členu, uvádí testovou statistiku 2,341 s p-hodnotou 0,31. P-hodnota převyšuje hodnotu , nulovou hypotézu nezamítáme a chybový člen má normální rozdělení.

Vlastní práce

56

Testy jsem ověřila statistickou významnost modelu, který popisuje poptávku po incomingovém cestovním ruchu ČR ze strany italských turistů.

5.1.8. Dílčí závěr Pro jednotlivé země vybrané dle jejich podílu na příjmech z incomingového cestovního ruchu České republiky jsem zkonstruovala vlastní modely popisující poptávku po cestovním ruchu ČR ze strany jednotlivých zemí. Většina poptávkových modelů byla vytvářena pro období 2004/Q2 – 2012/Q4, pouze model USA jsem zkonstruovala pro zkrácené období z důvodu odlehlých pozorování v roce 2012. Modelováním těchto poptávkových funkcí jsem se pokusila prokázat vztah mezi závislou proměnnou a nezávisle proměnnými. Správně specifikovaný model pak dokáže popsat směr závislosti a kvantifikuje intenzitu vtahů mezi ekonomickými veličinami pomocí odhadnutých parametrů modelu. Téměř všechny modely pro jednotlivé země jsem označila za statisticky významné a správně specifikované, pouze u jednoho modelu se mi jeho významnost prokázat nepodařila. Uvažovaný model Ukrajiny měl velice nestandartní vývoj závisle proměnné ve srovnání s ostatními zkoumanými zeměmi. Ale i přes tento jediný model neprokazující závislost mezi proměnnými, považuji výsledné poptávkové modely za prokazatelné, a tudíž mohu uvažovat o závislosti mezi příjmy z incomingového cestovního ruchu ČR a nezávisle proměnnými, tedy HDP jednotlivých zahraničních zemí a relativními cenami mezi ČR a zahraničními zeměmi. Pokud dojde v zahraniční zemi k nárůstu HDP, navýší úroveň reálných příjmů obyvatel a tím zvýší dostupnost finančních prostředků využitelných například pro cestování. Jestliže dojde v České republice k nárůstu cen například v oblasti ubytování, stravování či pohonných hmot vůči zkoumané zahraniční zemi, nastane pokles návštěvnosti z této země, a tudíž i pokles příjmů z cestovního ruchu pro ČR. Ovšem při zvýšení cen zmiňovaných komodit v zahraniční zemi vzhledem k ČR, může být pro tamní obyvatele výhodnější strávení dovolené u nás. To způsobí zvýšení příjmů ČR v oblasti cestovního ruchu.

5.2. Predikce pro rok 2013 V důsledku zjištění z předcházející kapitoly se mohu pokusit o predikci budoucího vývoje celkových příjmů z incomingového cestovního ruchu pocházejících od zahraničních návštěvníků a zkonstruování vhodného modelu. Po ověření existence vztahu a závislosti mezi příjmy a HDP v modelech popisujících poptávku po incomingovém cestovním ruchu České republiky ze zahraničních zemí, výslednou predikci porovnám s dostupnými informacemi o vývoji HDP pro budoucí období u jednotlivých modelovaných zemí. Dle těchto informací zjistím, zda je mnou odhadovaná predikce správná či nikoli.

Vlastní práce

57

V grafu 15 je zobrazen vývoj celkových příjmů z incomingového cestovního ruchu České republiky ze zahraničních zemí v milionech národní měny, sezónně neočištěné a v období 2004/Q1 – 2012/Q4.

Graf 15: Celkové příjmy ČR v mil. CZK z incomingového CR v období 2004/Q1 - 2012/Q4

Průběh časové řady celkových příjmu nevykazuje příliš významné výkyvy, i když při srovnání počátku a konce sledovaného vývoje, můžeme pozorovat celkem významné navýšení. Také je viditelný menší propad hodnot v období let 2008 a 2009, jelikož toto období lze považovat za počátek projevů finanční krize v naší zemi. Menší výkyvy vyskytující se v průběhu celé časové řady budou s velkou pravděpodobností zapříčiněny sezónními vlivy, jež se odstraní při predikci časové řady celkových příjmů. Vlastní predikce časové řady celkových příjmů z incomingového cestovního ruchu ČR v období 2004/Q1 – 2012/Q4 bude provedena pro jednotlivá čtvrtletí roku 2013. Již dříve byla uváděna nestacionarita časových řad příjmů z jednotlivých zahraničních zemí, je tedy opodstatněné uvažovat o ní i v tomto případě. Z průběhu uvažované časové řady zobrazené v grafu 16 jsem usoudila přítomnost sezónních vlivů, jež znesnadňují konstrukci předpovědi. Po posouzení těchto informací, považuji za nejvhodnější výběr sezónní integrovaný smíšený proces SARIMA, prostřednictvím kterého provedu predikci časové řady celkových příjmů pro jednotlivá čtvrtletí roku 2013. Prostřednictví počítačového programu Statgraphics jsem po několika pokusech zkonstruovala predikci hodnot uvažované časové řady. Tabulka 23 uvádí nejvýznamnější výsledné hodnoty modelu SARIMA (0,1,1)(2,1,0)4 bez konstanty.

Vlastní práce

58

Tabulka 23: Model SARIMA

Parametr Odhad Směr. chyba t-podíl p-hodnota MA (1) 0,517745 0,159682 3,24234 0,003058 SAR (1) -0,65187 0,170014 -3,8342 0,000654 SAR (2) -0,70689 0,142722 -4,9529 0,000032 Zdroj: vlastní výpočet

Odhady jednotlivých parametrů modelu vykazují statistickou významnost na 1% hladině významnosti. Pro dosažení stacionární časové řady byl využit integrovaný proces řádu 1, kterým bylo možné nestacionaritu odstranit. Stacionarizovanou časovou řadu jsem tedy získala prostým diferencováním 1. řádu. Po několika dalších pokusech identifikace modelu byl model rozšířen o proces klouzavých průměrů (MA) řádu 1, jehož p-hodnota vycházela nejvýznamněji. Jak už bylo zmíněno, časová řada vykazuje sezónnost, kterou je nutné odstranit. Model byl tedy rozšířen nejprve o sezónní autoregresní proces (SAR) řádu 1, ovšem po rozšíření modelu o sezónní autoregresní proces (SAR) řádu 2 dosahoval model větší významnosti. V důsledku těchto výsledků byl pro predikci čtvrtletních příjmů jako nejvíce vyhovující zvolen model SARIMA (0,1,1)(2,1,0)4 bez konstanty. Grafy 16 a 17 zobrazují reziduální autokorelační a parciální autokorelační funkce, které ověřují správnost zvoleného modelu.

Graf 16: Autokorelační funkce

Vlastní práce

59

Graf 17: Parciální autokorelační funkce

Hodnoty funkcí ACF a PACF nepřekračují 95% interval spolehlivosti, tudíž indikuje nesystematickou složku typu bílého šumu. Tyto hodnoty také prokazují stacionaritu časové řady a vyřešení sezónnosti identifikované na počátečních hodnotách. Výsledný odhadnutý model má následující formu: (

(

)

)(

(

)

)(

)

(

) .

kde: B = operátor zpětného posunu, at = náhodná veličina. Vývoj časové řady celkových příjmů z incomingového cestovního ruchu s vyrovnanými hodnotami a předpověďmi pro jednotlivá čtvrtletí roku 2013 zachycuje graf 18.

Graf 18: Model SARIMA (0,1,1)(2,1,0)4

Vlastní práce

60

V grafu jsou viditelné aktuální hodnoty čtvrtletních celkových příjmů z incomingového cestovního ruchu České republiky od roku 2004, od kterých jsou odvozeny hodnoty predikované i pro budoucí čtvrtletí roku 2013. Jednotlivá predikovaná čtvrtletí roku 2013 jsou zachycena v intervalu spolehlivosti, v němž se s 95% pravděpodobností budou předpovídané hodnoty vyskytovat. Tabulka 24 podává podrobnější výklad vývoje predikovaných čtvrtletí roku 2013. Tabulka 24: Vývoj čtvrtletních změn příjmů v roce 2013

Predikce 2012Q4 2013Q1 2013Q2 2013Q3 2013Q4

35405,1 30552,6 36380,1 34492,1 35629,5

Mezičtvrtletní změna -4852,5 5827,5 -1888,0 1137,4


Mezi čtvrtletím 1. a 2. roku 2013 dochází k nárůstu celkových příjmů o 5827,5 mil. CZK, poté by mělo dojít k menšímu poklesu celkových příjmů mezi 2. a 3. čtvrtletím o 1888 mil. CZK a mezi posledními čtvrtletími předpovídaného roku by se měli celkové příjmy opět navýšit o 1137,4 mil. CZK. Tyto vlastní předpovědi posoudím v následující podkapitole se získanými informacemi o budoucím vývoji HDP jednotlivých uvažovaných zahraničních zemí, jejichž obyvatelé navštěvují Českou republiku.

5.2.1. Dílčí závěr Výsledné predikované hodnoty pro rok 2013 vykazují nárůst celkových příjmů mezi prvním a druhým čtvrtletím předpovídaného roku, menší pokles mezi druhým a třetím čtvrtletím a opětovný nárůst mezi čtvrtletím třetím a čtvrtým. Pokud se zaměříme na zahraniční zemi s největším podílem výdajů u nás v rámci cestovního ruchu, tedy Německo, tak dle Bundesbank (2013) dojde v 1. čtvrtletí roku 2013 k růstu německé ekonomiky. Ve 4. čtvrtletí roku 2012 dle předběžných odhadů pokleslo německé HDP o 0,5%. Pro následující celý rok odhaduje růst HDP o 0,4% a v roce 2014 předpokládají růst až k 1,9%. Tento předpokládaný vývoj německého HDP se vcelku shoduje s vlastním předpokládaným vývojem celkových příjmů pro rok 2013, jež by měl narůstat i s menšími výkyvy. Za našeho dalšího významného partnera v cestovním ruchu lze označit Slovensko. Evropská komise (2012) předpokládá růst slovenského HDP v roce 2013 o 2%, v roce 2014 až o 3% a označila jej za v pořadí druhou zemí s nejvyšším předpokládaným růstem HDP v Evropské unii. i tato prognóza potvrzuje vlastní predikci o převážně narůstajících celkových příjmech v roce 2013. Rusko je v pořadí třetí zemí s podílem na celkových příjmech z incomingového cestovního ruchu ČR ve výši 6,09%, tudíž i jeho vývoj HDP má opodstatnění vliv na vývoj celkových příjmů. Dle ruského ministra (2013) ekonomického rozvoje byl růst HDP v 1. čtvrtletí roku 2013 pouze

Vlastní práce

61

1%, což je dle tamějších předpovědí o poznání horší. i z těchto důvodů lze očekávat růst ruského HDP v tomto roce nižší než 3%. Ovšem při srovnání předpokládaných růstů HDP Ruska a zemí z Evropské unie, není tento růst HDP nijak zanedbatelný a podporuje vlastní predikci celkových příjmů. Poslední zemí výrazněji ovlivňující příjmy z incomingového cestovního ruchu ČR, u níž budu porovnávat předpokládaný vývoj HDP a vlastní predikce, je Velká Británie. Dle analytik BOSSA (2013) vzrostlo v 1. čtvrtletí tohoto roku HDP Velké Británie o 0,3% a předpokládaný roční růst je o 0,6%. Z těchto získaných informací předpokládající růst HDP ve všech čtyřech zemích s největším podílem na našich příjmech z incomingového cestovního ruchu, považuji vlastní predikci celkových příjmů za velice pravděpodobnou. V případě druhé nezávislé proměnné, tedy relativní ceny, u kterých se nepředpokládají výraznější změny v budoucím období, a tudíž nebude mít příliš podstatný vliv pro vlastní jednoroční predikci.

Diskuse

62

6. Diskuse Pokud se opět zaměřím na již zmiňované odborné studie ze zahraničních univerzit, v této práci docházím k obdobným závěrečným výsledkům. Ve studii Laurenta Bottiho (2006) francouzské univerzity v Perpignanu dospěli k takovému závěru, kde poptávka po cestovním ruchu v jejich zemi závisí převážně na disponibilním důchodu zahraničních turistů a relativních cenách. Jejich odhadnutý model zahrnoval turistické výdaje jako závisle proměnnou a nezávislé proměnné, jež zvolili hodnoty HDP a relativních cen. Výsledný vztah označili za pozitivní mezi turistickými výdaji a hodnotami HDP zahraničních zemí a za negativní mezi výdaji a relativními cenami. Odborná studie Sary Proenca (2005) zabývající se poptávkou cestovního ruchu v Portugalsku, zvolila za hlavní partnery v této oblasti země jako Španělsko, Německo, Francie a Spojené království, jež tvoří 90% celkových příjmů z cestovního ruchu Portugalska. Za hlavní determinanty poptávky po cestovním ruchu identifikovali příjem na zahraničního obyvatele a ubytovací kapacitu zkoumané země. Také posuzovali významnost dalších determinantů, jež by mohli mít vliv na rozhodování zahraničních návštěvníků, a to relativní náklady na bydlení mezi zahraniční a cílovou zemí, poměr veřejných investic v hostitelské zemi a další. Ovšem tyto faktory se projevili jako málo významné, a tudíž ovlivňují zahraniční turisty v zanedbatelné míře. Jejich poptávkový model zahrnoval výdaje zahraničních turistů jako závisle proměnnou a nezávislé proměnné, přesněji reálný příjem na obyvatele v zahraniční zemi, relativní ceny, ubytovací kapacitu Portugalska a poměr veřejných investic. Opět byl tedy prokázán statisticky významný vztah mezi výdaji zahraničních turistů a reálným příjmem na zahraničního obyvatele. V Portugalsku byla prokázána také významnost ubytovacích kapacit, ovšem pro Českou republiku méně podstatná proměnná. Další studie Dritsakise (2002) a Aktürka (2006), ze kterých jsem čerpala informace a porovnávala s vlastními dosaženými výsledky, se zabývali poptávkami po cestovním ruchu v Řecku a Turecku. Zde zvolili za závisle proměnnou modelu hodnoty příjezdů zahraničních návštěvníků, což je jiná varianta zvolené závisle proměnné v porovnání s vlastní závislou proměnnou, ovšem také často využívanou. Za nezávislé proměnné uváděli reálné příjmy zahraničních turistů, náklady na dopravu a relativní ceny. Vzájemná závislost mezi závislou a nezávislými proměnnými byla prokázána, ovšem hodnoty proměnné zachycující náklady na dopravu jsou velice těžko zjistitelné, a tudíž jen zřídka využívané. Po posouzení vlastních výsledků a výsledků odborných studií zabývajících se obdobnou problematikou, mohu označit za shodný a jednotlivé poptávkové modely za statisticky významné.

Diskuse

63

V průběhu vypracovávání této práce jsem se setkal i s určitými omezeními. Velký problém spočíval v získávání potřebných dat pro tento výzkum. Data příjmů z incomingového cestovního ruchu tříděná dle jednotlivých zahraničních zemí mi po dlouhém prohledávání nejrůznějších statistických databází poskytla Česká národní banka. Ovšem hodnoty jsem získala pouze od roku 2004, kdy Česká republika vstoupila do Evropské unie, před tímto rokem nebyla data příjmů z incomingového cestovního ruchu shromažďována. V důsledku tohoto problému jsem získala časovou řadu, jejíž pozorování nebylo příliš rozsáhlé, ale pro tuto práci vcelku dostačující. Další problém nastal při získávání dat ze zemí mimo Evropskou unii. Jelikož jsem jako hlavní partnery v oblasti cestovního ruchu identifikovala také Rusko a Ukrajinu, potřebovala jsem získat jejich data pro vlastní výzkum. Bylo nutné prozkoumat jejich statistické databáze, které se dali přeložit do angličtiny, ovšem poté byl omezen přístup k jejich statistickým údajům. Tudíž jsem musela studovat tyto databáze v ruském jazyce, což bylo velice náročné. Také se vyskytl problém při identifikaci poptávkového modelu incomingového cestovního ruchu ČR z Ukrajiny, kde ve výsledném modelu nebyl prokázán vzájemný vztah závislé a nezávisle proměnných. Tuto statistickou nevýznamnost mohla způsobit existence víz mezi ČR a Ukrajinou, kdy v určitém období bylo od zpoplatňování tohoto víza upuštěno a došlo k vysokému nárůstu příjmů z této země, což neměla za následek žádná ze zahrnutých nezávisle proměnných. Dále výsledná predikce procesem SARIMA využívá pouze historických dat, jelikož není zaručeno, že se příjmy z incomingového cestovního ruchu budou vyvíjet na základě minulých hodnot. i když jsem možnou chybu predikce minimalizovala kombinací s odhadem budoucího vývoje důchodu v Německu a dalších uváděných zemí, tak je přece jen budoucí predikce značně limitována. Z toho vyplývá i hlavní omezení této práce, které je patrné také z horní a dolní meze odhadu budoucích predikovaných hodnot, a to že predikce je velmi krátkodobá. S delším obdobím výrazně roste možná chyba odhadu. i přes některá omezení považuji výsledné hodnoty za statisticky významné a správné.

Závěr

64

7. Závěr Hlavním cíle této diplomové práce je navrhnout určitá doporučení firmám podnikajícím v oblasti cestovního ruchu. Mým doporučením by bylo využívat kombinaci technické analýzy využívající sezónních procesů a přebírat předpovědi týkající se budoucí ekonomické aktivity v Německu a dalších zemí hojně navštěvující naší zemi. Obě metody jsou relativně málo nákladné a lze prostřednictvím této kombinace řídit především zásoby a sezónní zaměstnance. Tohoto hlavního cíle bych měla dosáhnout prostřednictvím cílů dílčích, kde jedním z těchto cílů bylo odhadnutí poptávky po cestovním ruchu v České republice. Po prostudování studií na podobná témata, jako například studie Laurenta Bottiho (2006) a jeho kolegů z francouzské univerzity v Perpignanu popisující poptávku po cestovním ruchu ve Francii či studie Sary Proenca (2005) z portugalské ekonomické fakulty na univerzitě v Coimbře zkoumající poptávku po cestovním ruchu v Portugalsku, jsem odhadla vlastní model popisující poptávku po cestovním ruchu v České republice. Bylo nutné identifikovat hlavní zahraniční partnery v rámci našeho cestovního ruchu tedy, ze kterých zahraničních zemí k nám proudí nejvíce návštěvníků a hlavně, kteří zahraniční turisté u nás nejvíce utrácejí. Mezi tyto hlavní partnery, pro které jsem odhadovala vlastní poptávkové modely, můžeme tedy zařadit Německo, Slovensko, Rusko, Velkou Británii, Ukrajinu, USA a Itálii. Příjmy pocházející z těchto sedmi zahraničních zemí tvoří cca 70%, zbylých 30% příjmů tvořených incomingovým cestovním ruchem pochází ze zbylých evropských zemí, ale i z Kanady, Austrálie, Činy, Indie, Brazílie, atd., ovšem podíl jednotlivých uváděných zemí na příjmech ČR je zanedbatelně malý. Jednotlivé proměnné poptávkových modelů jsem identifikovala za pomocí již zmíněných studií ze zahraničních univerzit. Za závisle proměnnou jsem zvolila příjmy pocházející od zahraničních turistů jednotlivých uvažovaných zemí. Nezávislé proměnné modelů jsem zvolila HDP jednotlivých zahraničních zemí a relativní ceny mezi Českou republikou a zahraničními zeměmi. Dále bylo vhodné do vlastních poptávkových modelů zakomponovat umělé proměnné, které vyrovnávali sezónní výkyvy v časové řadě sezónně neočistěné závisle proměnné. Veškeré pozorování zahrnovalo období 2004/Q1 – 2012/Q4 a pro zajištění správných a kvalitních výsledků vlastních modelů jsem časové řady vybraných proměnných nejprve stacionarizovala a poté zlogaritmovala. Výsledné vlastní poptávkové modely cestovního ruchu v České republice jsem shledal statisticky významnými až na model popisující poptávku po cestovním ruchu od ukrajinských návštěvníků. V tomto jednom případě nebyla prokázána statistická významnost. i přes tento menší problém jsem usoudila, že existuje významný vztah mezi příjmy z incomingového cestovního ruchu ČR a HDP zahraničních zemí i relativními cenami, ovšem v některých případech se zpožděními. Po prostudování odborných článků a dle výsledků jednotlivých

Závěr

65

odhadnutých poptávkových modelů, považuji za stěžejní proměnnou HDP, jež největší měrou ovlivňuje závisle proměnnou. Dalším dílčím cílem byla konstrukce předpovědi vývoje celkových příjmů z incomingového cestovního ruchu ČR. Vlastní predikci jsem provedla pro období 2013/Q1 – 2013/Q4 prostřednictvím Box-Jenkinsovy metodologie, přesněji využitím procesu SARIMA. Tento proces zajistil stacionární časovou řadu, vyřešil problém identifikované sezónnosti a výsledkem byl model SARIMA (0,1,1)(2,1,0) bez konstanty. Vývoj predikovaných hodnot v jednotlivých čtvrtletích roku 2013 jsem porovnávala s předpokládaným vývojem hodnot HDP pro rok 2013 jednotlivých zkoumaných zahraničních zemí. Porovnání budoucího vývoje celkových příjmů právě s předpokládaným vývojem hodnot HDP je opodstatněný vzhledem k výsledkům vlastních poptávkových modelů po cestovním ruchu v České republice. Odborné články zabývající se vývojem HDP do budoucnosti převážně uváděli růst pro rok 2013, i když v některých zemích poměrně nízký. To tedy koresponduje s vlastním predikovaným vývojem celkových příjmů, který naznačuje růst mezi 1. a 2. čtvrtletí roku 2013, poté menší pokles, ovšem mezi 3. a 4. čtvrtletím opětovný růst. Předpověď pro celý rok 2013 značí růst celkových příjmů v důsledku růstu HDP a tedy reálných příjmů zahraničních obyvatel. Průmysl cestovního ruchu velkou měrou ovlivňuje ekonomiku většiny zemí. Pokud tedy vlastní predikce vývoje celkových incomingových příjmů pro rok 2013 naznačuje růst, a tudíž i větší příliv zahraničních turistů, lze očekávat pozitivní vliv na určité ekonomické oblasti, především zvyšovaní zaměstnanosti, zlepšování platební bilance státu, rozvoj služeb a podnikání, apod. V důsledku těchto zjištění, kdy firmy podnikající v průmyslu cestovního ruchu mohou očekávat v tomto roce zlepšení v oblasti příjezdového cestovního ruchu a tím i celkových příjmů oproti loňskému roku, lze doporučit určitá opatření. Nejprve bych se zaměřila na oblast investiční činnosti, která je v průmyslu cestovního ruchu opravdu rozmanitá. Investičních příležitostí je zde opravdu velké množství, od rozvoje nových ubytovacích a stravovacích zařízení až po provoz volnočasových aktivit. V této práci využitá technická analýza, tedy model SARIMA je vhodný pro předpověď velmi krátkého období, a tudíž nelze v tomto případě uvažovat o dlouhodobých investicích. Proto je tedy vhodné zaměřit se spíše na krátkodobější investice v podobě modernizací již postavených objektů, rozšiřování škály služeb poskytovaných daným zařízením či turistické infrastruktury. V případě větších investic a modernizací, což závisí již na individuálních potřebách daného podniku, je zapotřebí dlouhodobějších predikcí a to i predikci budoucích důchodů analyzovaných zemí, které jsem provedla kvalitativní formou prostřednictvím identifikace nejvýznamnějšího faktoru determinující příjmy z incomingového cestovního ruchu. Obrovský přínos bych také spatřovala v oblasti sezónnosti, což prokázal model SARIMA i dummy proměnné. Pokud se dané zařízení rozhodne investovat finanční prostředky

Závěr

66

do rekonstrukcí či dalších činností omezující provoz objektu, nejvhodnější období pro tyto činnosti spatřuji v průběhu prvního či čtvrtého čtvrtletí. V jedné z částí této práce, přesněji při odhadu vlastních modelů poptávek po incomingovém cestovním ruchu v České republice, jsem zjistila sezónní výkyvy časové řady příjmů z jednotlivých zahraničních zemí pravidelně se opakující ve druhém a třetím čtvrtletí. V těchto čtvrtletí můžeme tedy předpokládat největší příliv návštěvníků a s tím spojené zvýšení příjmů z cestovního ruchu. Z těchto důvodů by nebylo vhodné provádět různé modernizace či rekonstrukce právě v této době a omezovat provoz ubytovacího zařízení. Je to jednou z příležitostí jak nalákat další návštěvníky například na nové sportovní či kulturní aktivity. Dále bych doporučila, v souvislosti se zmíněnou sezónností v určitých obdobích, mnohem větší, důslednější a efektivnější propagaci naší země a jednotlivých ubytovacích zařízení v zahraničních zemích i s důrazem na období s nižší návštěvností. Například snížením cen či vytvořením akčních balíčků služeb a ucelených turistických programů s aktivitami vhodnými pro období s nižší návštěvností můžeme zvýšit atraktivnost naší země a nalákat více turistů. Další důležité opatření i v souvislosti se sezónností by mělo zajišťovat dostatek pracovních sil na každé úrovni daného zařízení v průmyslu cestovního ruchu. Pokud nastane nedostatek personálu na některé z úrovní podniku v důsledku zvýšené návštěvnosti a zahraniční návštěvník tento nedostatek pocítí, může dojít k poškození dobrého jména daného zařízení. Ať se jedná o nedostatek pokojských či sportovních instruktorů, na tyto problémy v oblasti pracovních sil by měl být management ubytovacích či jiných zařízení vždy s předstihem připraven. K získání těchto potřebných informací lze využít právě krátkodobé předpovědi vývoje celkových příjmů z cestovního ruchu či zjištěním významné sezónnosti v určitých obdobích roku uváděných v této práci. S touto problematikou úzce souvisí i otázka zásob. Pokud lze očekávat v blízké budoucnosti růst příjmů z cestovního ruchu a tím i nárůst návštěvníků ze zahraničí, management jakéhokoliv zařízení v rámci cestovního ruchu by měl tento předpoklad zahrnout do vlastního systému plánování zásob, aby nedocházelo k nedostatku surovin, spotřebního zboží a dalších produktů potřebných pro vykonávání služeb. Pro vytváření doporučení pro managementy firem podnikajících v cestovním ruchu je vhodné znát budoucí vývoj faktorů, jež ovlivňují bezproblémový provoz daných zařízení. Lze uvažovat o predikci příjmů z incomingového cestovního ruchu jak je uvedeno v této práci, ale i předpověď návštěvnosti ze zahraničí nebo domácích turistů, apod. Vždy je ovšem dobré zvolit spíše krátkodobé predikované období z důvodu přesnějších hodnot.

Literatura

67

8. Literatura [1]

ADAMEC, V., SRŘELEC, L., HAMPEL, D. (2013): Ekonometrie i – učební text. Mendelova univerzita v Brně, Brno, 162 stran, ISBN 978-80-7375-7038.

[2]

AKTÜRK, T. (2006): Tourism Demand for Turkey: Models, Analysis and Results. Middle East Technical University, Ankara [online]. Dostupné na WWW: .

[3]

ARLT, J., ARLTOVÁ, M. (2007): Ekonomické časové řady. Grada Publishing, Praha, 285 stran, ISBN 978-80-247-1319-9.

[4]

BEDÁŇOVÁ, I., VEČEREK, V. (2007): Základy statistiky pro studující veterinární medicíny a farmacie. Veterinární a farmaceutická univerzita Brno, Brno, 130 stran, ISBN 978-80-7305-026-9.

[5]

BOTTI, L., PEYPOCH, N., RANDRIAMBOARISON, R., SOLONANDRASANA, B. (2006): An Econometric Model of Tourism Demand in France. University of Perpignan [online]. Dostupné na WWW: < http://mpra.ub.uni-muenchen.de/25390/>.

[6]

BRIDA, J., G., RISSO, W., A. (2009): a SARIMA-ARCH Model for the Overnight-Stays Tourism in South Tyrol. Tourism Economics [online]. Dostupné na WWW: < http://ssrn.com/abstract=1421979>.

[7]

CROUCH, G. (1994b). The study of international tourism demand: a survey of practice. Journal of Travel Research 32 (4), 41–55.

[8]

Czech.ruvr.ru (2013): Ruská ekonomika vykázala prakticky nulový růst [online]. Dostupné z WWW: .

[9]

CzechTourism (2010): Výzkum zaměřený na motivaci potenciálních zahraničních turistů (Evropa) [online]. Dostupné z WWW: .

[10] DRITSAKIS, N. (2004): Cointegration analysis of German and British tourism demand for Greece. University of Macedonia [online]. Dostupné na WWW: < http://users.uom.gr/~drits/publications/Cointegration_Analysis_of_German_a nd_British_Tourism_Demand_for_Greece.pdf>.

Literatura

68

[11] DRITSAKIS, N., GIALETAKI, K. (2002): Seasonal Tourism Demand Models from USA to Greece. University of Macedonia [online]. Dostupné na WWW: . [12] DRITSAKIS, N., SPYROS, A. (2000). An Econometric Model of Tourist Demand: The case of Greece. University of Macedonia [online]. Dostupné na WWW: . [13] FORBELSKÁ, M. (2009): Stochastické modelování jednorozměrných časových řad. Masarykova univerzita, Brno, 251 stran, ISBN 978-80-2104812-6. [14] FRANKE, A. a kol. (2012): Statistiky cestovního ruchu. Wolters Kluwer ČR, Praha, 240 stran, ISBN 978-80-7357-717-9. [15] HAMPEL, D., BLAŠKOVÁ, V., STŘELEC, L. (2011): Ekonometrie 2. Mendelova univerzita v Brně, Brno, 147 stran, ISBN 978-80-7375-540-9. [16] HINDLS, R., HRONOVÁ, S., SEGER, J. (2002): Statistika pro ekonomy. Professional Publishing, Praha, 415 stran, ISBN 80-86419-30-4. [17] Investujeme.cz (2013): Velká Británie překvapila růstem HDP [online]. Dostupné z WWW: . [18] Kurzy.cz. (2013): Německo - HDP ve 4Q poklesl o 0,5%, v loňském roce rostl o 0,7%, méně než se čekalo [online]. Dostupné z WWW: . [19] Lejsek, Z. (2009): Satelitní účet cestovního ruchu v České republice [online]. Dostupné z WWW: < http://panda.hyperlink.cz/cestapdf/pdf09c5/lejsek.pdf>. [20] LIM, C. (1997): Review of international tourism demand models. Annals of Tourism Research, vol.24, pp.835-849. [21] LIM, C., CHAN, F. (2009): Forecasting tourist accommodation demand in New Zealand. University of Waikato [online]. Dostupné z WWW: . [22] MIDDLETON, V. T. C. (1994): Marketing in Travel and Tourism. Bath Press, Avon, 391 stran, ISBN 0-750609737. [23] Openiazoch.sk (2012): EÚ v roku 2013 predpokladá postupné zvyšovanie rastu HDP, SR je na 2. mieste [online]. Dostupné z WWW:

Literatura

69

. [24] PSILLAKIS, Z., PANAGOPOULOS, A., KANELLOPOULOS, D. (2008): Low Cost Inferential Forecasting and Tourism Demand in Accommodation Industry [online]. Dostupné z WWW: . [25] PROENCA, A. S., SOUKIAZIS, E. (2005): Demand for Tourism in Portugal: a Panel Data Approach. University of Coimbra [online]. Dostupné na WWW: . [26] QUAYSON, J., VAR, T. (1982): a tourism demand function for Okanagan BC, Tourism Management, vol.3, pp.108-115. [27] RYGLOVÁ, K. (2007): Cestovní ruch. KEY Publishing, Brno, 81 stran, ISBN 978-80-87071-44-1. [28] SEGER, J., HINDLS, R. (1995): Statistické metody v tržním hospodářství. Victoria publishing Praha, Praha, 435 stran, ISBN 80-7187-058-7.

Přílohy

70

9. Přílohy

2004Q2 2004Q3 2004Q4 2005Q1 2005Q2 2005Q3 2005Q4 2006Q1 2006Q2 2006Q3 2006Q4 2007Q1 2007Q2 2007Q3 2007Q4 2008Q1 2008Q2 2008Q3 2008Q4 2009Q1 2009Q2 2009Q3 2009Q4 2010Q1 2010Q2 2010Q3 2010Q4 2011Q1 2011Q2 2011Q3 2011Q4 2012Q1 2012Q2 2012Q3 2012Q4

Příloha 1: Příjmy z incomingového cestovního ruchu ČR v období 2004/Q2 – 2012/Q4 Příjmy z cestovního ruchu ČR (zlogaritmované a stacionarizované hodnoty) Německo Slovensko Rusko Velká Británie Ukrajina USA Itálie 0,137145 0,138437 0,142853 0,110809 0,135319 0,151855 0,117133 0,143913 0,148745 0,157187 0,180048 0,148372 0,101511 0,155786 -0,054033 -0,046884 -0,055051 -0,028026 -0,052506 -0,069595 -0,052742 -0,096135 -0,202506 -0,013105 -0,301058 3,033072 -0,184562 -0,425436 0,206836 0,196925 0,17871 0,191623 0,009806 0,16609 0,179086 0,123929 0,073025 0,31947 0,141327 -0,016225 0,124648 0,144434 -0,124964 -0,080554 -0,323698 -0,136717 -0,048018 -0,124878 -0,143767 0,188015 0,370876 0,084531 -0,072082 0,263715 -0,004853 0,181177 -0,046984 -0,086348 0,00901 -0,052129 0,020592 0,004144 -0,026793 0,086037 0,070543 0,052645 0,107221 0,068536 0,09899 0,107093 -0,145715 -0,170107 -0,109628 -0,17873 0,003792 -0,177319 -0,177901 0,042474 0,134601 0,066964 0,014561 0,183251 0,029418 0,015908 0,131726 0,107789 0,12422 0,143528 0,111101 0,150475 0,151078 -0,014236 0,029626 0,007233 -0,008367 0,0932 0,007957 -0,001632 -0,057021 -0,104615 -0,095803 -0,057956 0,063013 -0,096972 -0,078862 -0,12712 -0,129312 -0,006669 -0,153804 0,269047 -0,087889 -0,140501 0,122999 0,108524 0,112069 0,128334 0,039338 0,135199 0,132918 -0,053458 -0,028208 -0,041098 -0,059357 0,037166 -0,06038 -0,061966 -0,035359 -0,036143 -0,029017 -0,038124 0,032535 -0,038508 -0,039528 -0,163208 -0,378424 0,084439 -0,066519 0,114059 -0,030771 0,128339 0,11145 0,094836 0,098683 0,123563 -0,0382 0,128427 0,126322 0,024732 0,025852 0,017138 0,02786 -0,066076 0,031549 0,031191 -0,025935 -0,009845 -0,042648 -0,015425 -0,115098 -0,028797 -0,019517 -0,228875 -0,165717 -0,22105 -0,175926 -0,123628 -0,219751 -0,220452 0,252805 0,324337 0,278984 0,255454 0,174972 0,270027 0,269366 -0,09071 -0,049158 -0,087854 -0,096143 -0,062001 -0,099942 -0,096305 0,13828 0,128848 0,055251 -0,181897 -0,050174 0,012237 0,011598 -0,231354 -0,656797 -0,265932 -0,268749 -0,316578 -0,245732 -0,247459 0,179064 0,527494 0,144927 0,24372 -0,021241 0,235697 0,213950 0,088131 0,069078 0,069733 0,119376 0,023648 0,123002 0,112445 0,117317 0,07723 0,080784 0,003469 -0,05201 -0,03064 0,042115 -0,249798 -0,079014 -0,146823 -0,146404 -1,206578 0,440766 -0,192053 0,115183 0,066197 0,103337 0,103902 0,092441 0,062982 0,110016 0,050522 -0,195145 0,024268 -0,038485 1,32319 -0,56969 0,023498 -0,052928 0,323213 0,011699 -0,137891 -0,041246

Zdroj: statistická databáze ČNB, vlastní přepočet

Přílohy


71

Příloha 2: HDP ze zahraničních zemí v období 2004/Q2 - 2012/Q4 HDP (zlogaritmované a stacionarizované hodnoty) Německo Slovensko Rusko Velká Británie Ukrajina USA -0,0226 -0,01859 0,012744 -0,0044 0,051746 0,01734 -0,015 0,00861 0,020371 -0,0211 0,125069 -0,02041 -0,01483 0,00043 -0,068637 -0,04218 -0,126102 -0,06688 -0,03765 -0,02346 -0,021371 -0,02823 -0,048338 -0,03658 0,01034 0,02431 0,051905 0,03816 0,099126 0,04872 -0,00704 0,00155 0,058461 -0,01391 0,141355 0,02503 -0,00983 0,00145 0,005369 0,00274 0,025432 0,01826 -0,01309 -0,00112 -0,017283 -0,02859 -0,085399 -0,02343 0,00687 0,0146 0,00535 -0,00693 0,024336 -0,04916 0,00819 0,01711 0,056882 0,01234 0,085644 -0,01403 0,00238 0,0162 -0,007965 0,00881 -0,037955 -0,01485 0,00595 0,01952 -0,015378 0,01477 0,009625 -0,01575 0,0136 0,03253 0,025983 0,00849 0,049046 -0,0109 -0,0032 0,01157 0,036558 -0,00183 0,045494 -0,02339 -0,03711 0,01889 -0,044382 -0,07896 -0,088027 -0,08951 -0,03813 -0,07238 -0,07443 -0,11448 -0,077023 -0,08591 -0,03354 -0,01672 -0,028714 -0,08455 0,030817 -0,06807 -0,03409 -0,01728 0,020764 -0,0507 0,111538 -0,00216 0,0301 0,06122 0,004701 -0,02435 -0,281785 0,16002 0,04368 -0,00329 -0,21814 -0,0096 -0,264263 0,08335 -0,03152 -0,02059 -0,024217 -0,0022 -0,034216 -0,08 -0,0335 -0,02759 0,00362 -0,02921 -0,049722 -0,08586 0,02175 0,02679 0,043189 -0,02063 -0,002914 -0,01022 0,00448 0,00725 0,025931 0,02301 0,04783 0,07009 0,0111 -0,00212 0,062673 0,03682 0,146322 0,07932 -0,01925 -0,01704 0,003859 0,0028 0,04823 -0,0356 0,00043 0,001 -0,044143 -0,04114 -0,072078 -0,0505 -0,00462 -0,0086 -0,015915 -0,0059 -0,034199 -0,02376 0,00246 0,0061 -0,006568 -0,03398 0,009684 -0,04664 0,00622 0,00918 0,052227 0,01402 0,126172 0,02428 0,03435 0,04525 0,030995 0,05647 0,057785 0,09256 -0,00258 -0,00489 0,009722 0,01849 -0,019258 0,02536 0,01005 0,01112 -0,003173 0,03355 0,095862 0,03315 -0,00509 -0,00418 0,049684 0,02512 0,051535 0,02487 -0,00256 0,0053 -0,019 -0,03283

Zdroj: Eurostat, národní statistické databáze Ruska a Ukrajiny, vlastní přepočet

Itálie -0,023360 -0,010060 -0,016670 -0,035090 0,011670 -0,011120 -0,009750 -0,018590 -0,001640 0,004560 0,001020 0,000510 0,009770 -0,008280 -0,045890 -0,043030 -0,035050 -0,043280 0,034040 0,048300 -0,035980 -0,036460 0,012640 0,006510 -0,005630 -0,022670 -0,003890 -0,015570 0,000510 0,001230 0,027950 -0,016960 -0,000180 -0,009340 -0,005980

Přílohy


72

Příloha 3: Relativní ceny mezi ČR a zahraničními zeměmi v období 2004/Q2 - 2012/Q4 Relativní ceny (zlogaritmované a stacionarizované hodnoty) Německo Slovensko Rusko Velká Británie Ukrajina USA 0,024777 0,025647 -0,0198074 0,005037 -0,028588 -0,019442 0,01212 0,012629 0,0185743 0,023836 0,017482 0,028145 0,012558 0,013195 0,0232791 0,04065 0,016473 0,065641 0,037757 0,025323 -0,0203696 0,037356 -0,002192 0,047598 -0,005576 -0,003385 -0,0620527 -0,030873 -0,106451 -0,054812 0,012752 0,021577 -0,0066206 0,02425 -0,036624 -0,024724 0,015009 0,002533 -0,0156826 0,008244 -0,024759 -0,01502 0,029616 0,01017 -0,0227581 0,040476 0,016864 0,040017 0,005759 0,005298 0,0052305 0,002739 0,045263 0,041135 0,003705 0,005234 -0,0047582 -0,010593 0,004235 0,016303 0,002578 -4,2E-05 -0,0056143 -0,014658 -0,031464 0,026403 0,00609 0,005552 -0,0135697 0,008209 0,012859 0,02087 -0,002636 0,001908 -0,0038948 0,007641 0,018358 0,011674 0,012667 0,019004 0,003478 0,021807 -0,000449 0,036506 0,045639 0,04181 0,0387474 0,083846 0,061254 0,097652 0,079153 0,069047 0,0575664 0,149465 0,056628 0,108158 0,027289 0,025455 0,0132348 0,06153 -0,025732 0,050054 0,026805 0,030875 0,0029212 0,025394 -0,029664 -0,015707 -0,050332 -0,06383 -0,0953838 -0,004782 0,088237 -0,152296 -0,073661 -0,077297 0,089978 0,008856 0,115249 -0,077697 0,032666 0,037697 -0,0062315 -0,009568 0,020172 0,067633 0,033924 0,037873 0,0460557 0,021218 0,117633 0,074421 -0,018639 -0,020413 -0,0482367 0,011926 -0,001293 0,010018 0,012362 0,013469 -0,0663431 -0,010862 -0,087584 -0,057234 0,013183 0,01293 -0,0661775 -0,035568 -0,078364 -0,073365 0,024053 0,026384 0,0388748 0,001556 0,028659 0,042007 -0,000758 0,001257 0,0366518 0,024904 0,044552 0,051574 0,020231 0,003091 -0,0532856 0,007992 0,017883 0,020866 0,000883 -0,001603 0,0007905 0,026797 0,047417 0,037315 -0,004214 -0,000545 0,0209276 -0,011681 -0,009493 -0,021871 -0,034853 -0,038414 -0,0167323 -0,06348 -0,076834 -0,073302 0,025008 0,011974 -0,0436973 0,001595 0,001079 -0,004948 -0,007923 -0,009597 -0,0092389 -0,040619 -0,01841 -0,034866 0,003041 0,004566 -0,0126861 -0,018876 -0,01057 -0,02004 -0,006632 -0,009074 0,004904 0,035365

Zdroj: Eurostat, národní statistické databáze Ruska a Ukrajiny, vlastní přepočet

Itálie 0,016175 0,016530 0,005784 0,045524 -0,016650 0,022077 0,007394 0,037214 -0,005383 0,007953 -0,004555 0,018750 -0,011310 0,020669 0,038358 0,085150 0,013348 0,034266 -0,061762 -0,061352 0,018242 0,041902 -0,028399 0,024006 -0,001900 0,031942 -0,009353 0,034730 -0,017283 0,007896 -0,053621 0,038458 -0,029158 0,016203 -0,018338

Přílohy

73

Příloha 4: Příjmy z incomingového cestovního ruchu v ČR v mil. CZK období 2004/Q1 - 2012/Q4

2004Q1 2004Q2 2004Q3 2004Q4 2005Q1 2005Q2 2005Q3 2005Q4 2006Q1 2006Q2 2006Q3 2006Q4 2007Q1 2007Q2 2007Q3 2007Q4 2008Q1 2008Q2 2008Q3 2008Q4 2009Q1 2009Q2 2009Q3 2009Q4 2010Q1 2010Q2 2010Q3 2010Q4 2011Q1 2011Q2 2011Q3 2011Q4 2012Q1 2012Q2 2012Q3 2012Q4 Suma %

Příjmy z incomingového cestovního ruchu (v mil. CZK) Belgie Bulharsko Dánsko Estonsko Finsko Francie Chorvatsko Irsko 232,0 67,8 323,4 17,6 149,5 629,4 101,7 128,2 271,6 78,4 371,0 20,3 172,1 732,2 116,8 158,2 310,7 92,2 431,6 23,7 201,0 855,1 136,1 196,6 316,3 87,1 409,7 22,4 190,4 835,8 129,1 206,7 215,4 88,5 337,7 19,4 140,4 689,2 110,2 135,0 264,2 89,2 421,8 24,0 171,8 839,1 137,7 164,3 304,0 95,1 484,3 27,5 199,4 968,4 159,2 189,6 265,5 88,8 424,2 24,3 172,6 842,8 138,8 165,0 275,8 79,4 417,4 32,6 180,6 817,1 155,4 152,4 260,9 77,0 382,2 30,3 169,8 785,3 142,5 148,0 290,7 87,3 425,5 33,7 189,0 873,4 158,3 165,3 244,1 81,7 360,2 28,6 158,8 734,8 133,4 137,8 246,4 71,5 360,4 28,7 160,2 743,9 135,5 139,7 284,1 79,7 411,4 32,9 184,3 859,5 155,8 162,4 281,1 78,5 401,7 32,2 181,9 849,1 152,9 162,2 266,2 78,7 392,2 31,1 173,3 799,0 149,5 150,1 231,0 67,2 322,4 26,0 145,8 680,6 128,1 129,7 262,8 77,0 364,2 29,3 165,6 773,0 143,8 148,1 248,0 76,3 345,6 27,9 156,6 728,8 137,9 139,4 238,3 70,7 333,3 26,9 150,7 700,1 133,2 133,7 329,5 94,2 228,3 45,3 190,8 922,2 34,5 157,6 369,0 103,2 256,5 50,3 213,3 1 035,4 39,9 178,3 378,7 107,1 263,6 51,3 218,7 1 062,1 40,7 184,1 374,1 106,6 259,8 50,8 216,2 1 049,8 37,3 180,8 299,5 98,7 349,6 54,0 157,6 746,1 113,8 144,5 364,9 123,5 445,7 64,7 199,7 968,2 154,3 187,8 332,6 116,0 407,5 59,2 182,0 881,7 147,4 170,9 356,1 126,7 435,0 41,5 194,9 880,5 162,8 183,4 282,3 87,0 349,2 31,5 154,8 693,7 122,6 142,0 341,4 107,3 414,8 36,2 187,9 850,0 147,1 176,1 376,0 117,1 449,6 39,6 206,6 945,2 156,7 196,7 412,6 127,3 523,4 42,0 230,2 1 008,2 177,2 202,5 327,3 86,6 418,1 36,7 178,2 907,2 120,9 173,1 366,8 96,3 469,4 40,7 200,4 1 002,8 136,1 192,2 367,9 112,6 475,7 36,5 229,1 943,4 144,2 199,7 367,8 117,7 452,5 41,2 201,4 830,9 158,9 186,2 10 955,6 0,99%

Zdroj: statistická databáze ČNB

3 340,1 13 919,0 0,30% 1,26%

1 260,9 0,11%

6 575,7 30 464,0 0,60% 2,76%

4 650,3 0,42%

5 968,3 0,54%

Přílohy

74



Příjmy z incomingového cestovního ruchu (v mil. CZK) Itálie Kypr Litva Lotyšsko Lucembursko Maďarsko Malta Německo 1 076,8 58,5 43,0 18,3 14,4 197,3 0,0 7 653,3 1 210,6 67,7 49,3 21,0 16,7 227,0 0,0 8 778,2 1 414,7 79,7 57,4 24,5 19,6 265,0 0,0 10 137,0 1 342,0 75,3 54,5 23,2 18,5 251,1 0,0 9 603,8 877,0 51,4 44,4 19,7 12,4 199,6 0,0 8 723,5 1 049,0 60,5 55,4 25,1 14,7 245,5 0,0 10 728,0 1 212,0 67,8 64,0 29,2 17,0 281,9 0,0 12 143,4 1 049,7 59,6 56,1 25,2 14,7 246,5 0,0 10 716,9 1 258,2 57,5 76,0 27,3 29,0 310,0 28,1 12 933,7 1 224,9 57,7 69,9 24,7 34,6 290,0 25,4 12 340,1 1 363,4 63,7 78,9 27,5 38,7 321,6 27,7 13 448,8 1 141,2 51,9 61,4 23,3 31,2 272,0 24,2 11 625,2 1 159,5 53,1 60,6 23,4 33,0 274,5 24,4 12 129,6 1 348,6 62,8 69,9 26,5 40,3 314,9 27,4 13 837,4 1 346,4 64,5 68,0 25,9 42,7 311,2 26,6 13 641,8 1 244,3 56,7 66,7 25,4 33,9 297,5 26,3 12 885,7 1 081,2 55,9 54,2 20,9 33,7 250,7 21,7 11 347,5 1 234,9 63,3 61,1 23,6 39,6 283,9 24,3 12 832,7 1 160,7 59,8 58,1 22,4 36,5 268,8 23,3 12 164,7 1 115,7 57,4 56,1 21,6 34,5 258,9 22,6 11 742,1 1 268,5 38,3 167,6 2,4 38,6 348,6 9,3 9 973,9 1 439,3 44,3 183,1 2,9 46,3 387,7 10,2 11 149,8 1 484,9 46,3 186,6 3,2 48,8 396,7 10,4 11 429,0 1 456,2 44,6 187,4 2,9 46,7 392,5 10,0 11 136,4 1 168,1 74,7 129,3 19,6 67,5 337,5 0,0 8 858,2 1 529,2 58,2 162,9 25,0 89,0 434,3 0,0 11 406,1 1 388,8 53,3 149,4 22,9 80,7 396,1 0,0 10 417,0 1 405,0 57,1 159,8 24,4 86,9 379,5 0,0 11 961,8 1 097,0 37,3 130,2 20,6 67,8 301,5 4,0 9 491,2 1 358,7 57,8 151,2 24,2 81,1 359,7 0,0 11 352,4 1 520,4 66,6 160,9 27,1 92,5 391,7 0,0 12 398,3 1 585,8 62,0 198,4 32,7 82,4 447,2 0,0 13 941,6 1 308,7 43,6 140,5 2,9 85,8 346,1 0,0 10 859,9 1 460,9 46,1 159,4 6,2 93,3 389,0 0,0 12 185,7 1 495,6 6,2 170,2 4,0 116,0 411,8 0,0 12 817,1 1435,2 39,6 168,6 6,4 88,6 510,6 22,8 12156,4 46 313,3 2 000,7 3 810,5 4,20% 0,18% 0,35%


706,2 0,06%

1 767,6 0,16%

11 598,3 1,05%

368,7 410 948,1 0,03% 37,28%

Přílohy

75



Příjmy z incomingového cestovního ruchu (v mil. CZK) Nizozemí Norsko Polsko Portugalsko Rakousko Rumunsko Rusko Řecko 859,6 192,6 1 017,0 55,6 1 047,5 39,3 1 037,5 190,1 998,0 222,1 1 166,4 64,3 1 247,0 45,3 1 196,9 219,7 1 166,5 260,4 1 356,6 75,5 1 376,4 52,9 1 400,6 258,3 1 134,9 246,4 1 287,7 71,4 1 246,2 50,1 1 325,6 244,1 727,5 203,8 795,9 71,7 666,0 60,6 1 308,3 205,0 907,7 246,5 995,9 85,4 812,8 65,4 1 564,3 247,5 1 039,9 282,7 1 150,2 99,5 944,4 77,3 2 153,1 285,2 912,5 247,5 1 014,6 86,5 822,1 70,2 1 557,7 245,7 1 125,7 330,5 1 234,2 102,0 1 111,2 83,6 1 695,1 257,4 1 009,5 312,5 1 137,8 98,6 1 028,1 84,8 1 710,4 262,8 1 123,8 348,3 1 264,4 110,1 1 138,2 95,4 1 802,9 292,8 954,8 291,3 1 080,5 90,7 965,8 84,9 1 615,7 241,2 721,0 296,5 1 099,2 98,9 975,1 67,7 1 727,6 249,2 821,1 344,9 1 250,1 114,2 1 113,3 76,9 1 956,1 294,7 799,5 343,8 1 230,9 116,6 1 097,2 79,9 1 970,3 300,0 788,3 324,5 1 193,6 106,9 1 062,0 79,5 1 790,3 265,4 642,9 277,6 1 013,2 98,2 836,8 68,6 1 778,4 241,3 724,9 314,1 1 138,1 110,2 947,9 76,2 1 989,3 282,8 687,8 297,2 1 077,2 104,6 897,1 73,1 1 909,2 265,0 665,0 286,1 1 029,6 100,8 870,2 68,2 1 854,6 253,3 520,7 305,8 765,8 126,8 734,0 92,6 2 018,0 281,5 579,8 342,5 853,5 141,1 820,5 103,7 2 227,3 323,9 593,5 352,3 879,4 144,7 837,5 106,7 2 265,8 336,6 587,7 347,5 872,2 142,9 822,9 109,4 2 171,2 327,2 622,0 331,1 1 124,4 131,2 1 183,9 317,2 1 740,6 273,5 796,2 394,4 1 461,7 147,2 1 507,3 250,6 2 300,7 353,1 726,4 360,5 1 341,3 135,5 1 380,7 233,4 2 107,2 320,5 623,6 277,2 1 470,0 144,2 1 535,3 258,3 2 226,9 345,3 497,0 207,5 1 146,2 100,3 1 224,5 195,8 1 706,9 253,4 585,3 271,8 1 357,6 141,2 1 393,3 225,1 1 973,1 333,0 639,4 302,7 1 473,5 156,7 1 506,5 237,8 2 115,6 379,0 716,5 314,9 1 670,1 166,0 1 638,3 276,5 2 293,6 375,5 567,0 272,6 1 349,7 155,8 1 409,5 199,7 1 980,4 331,8 635,0 301,6 1 565,7 169,7 1 561,8 224,0 2 196,0 367,5 639,1 267,4 1 630,0 172,3 1 707,5 251,5 2 249,9 336,1 647,4 293,2 1986,5 170 1579,5 208,8 2272,7 349,6 27 787,5 10 612,3 43 480,6 2,52% 0,96% 3,94%


4 207,2 0,38%

41 048,3 3,72%

4 691,0 67 189,8 10 388,9 0,43% 6,09% 0,94%

Přílohy

76



Příjmy z incomingového cestovního ruchu (v mil. CZK) Slovensko Slovinsko Španělsko Švédsko Švýcarsko Turecko Ukrajina 1 571,0 33,2 556,9 264,2 234,0 67,2 29,9 1 804,2 38,2 643,1 304,5 270,7 77,1 34,2 2 093,6 44,7 749,5 356,4 297,5 89,7 39,7 1 997,7 42,3 713,2 337,4 282,8 85,2 37,6 1 631,5 38,6 574,1 253,5 209,0 63,8 781,4 1 986,6 47,6 710,5 308,0 251,3 78,0 789,1 2 137,1 54,7 816,9 350,9 290,5 88,1 776,4 1 971,7 47,8 716,1 306,2 252,3 77,7 740,0 2 857,0 48,2 839,2 276,9 228,9 106,8 963,3 2 620,7 44,6 786,1 263,2 221,6 107,0 983,3 2 812,2 50,5 874,4 292,5 246,3 118,8 1 053,1 2 372,3 41,9 734,9 245,5 206,7 98,5 1 057,1 2 714,1 42,1 741,0 249,1 210,0 103,6 1 269,7 3 023,0 48,2 852,9 287,5 243,3 121,4 1 418,9 3 113,9 47,3 840,4 285,1 242,3 122,4 1 557,5 2 804,6 45,7 804,1 268,5 224,9 110,0 1 658,8 2 464,4 38,0 672,3 231,6 194,5 110,6 2 170,9 2 746,9 43,0 764,0 263,0 221,9 126,5 2 258,0 2 670,5 40,7 720,4 248,5 209,0 118,7 2 343,5 2 575,7 39,2 693,1 239,0 200,7 114,6 2 421,0 1 764,2 5,2 640,7 352,4 286,1 42,8 2 713,5 1 939,7 6,9 722,2 392,9 321,2 53,9 2 611,8 1 990,5 7,5 743,4 402,6 329,8 58,1 2 444,8 1 971,0 6,8 732,3 398,2 325,3 51,8 2 179,0 1 670,0 76,8 638,7 538,6 261,1 458,8 1 925,6 2 309,8 97,2 827,1 387,0 331,2 202,1 2 293,8 2 199,0 89,0 751,8 353,4 301,9 183,0 2 155,9 2 501,4 94,9 807,5 377,7 323,3 196,5 2 050,4 1 297,0 76,7 640,9 298,7 265,7 155,6 1 494,0 2 198,0 90,2 779,6 367,5 307,8 192,5 1 462,6 2 355,2 96,9 858,1 401,5 339,7 215,0 1 497,6 2 544,3 116,6 945,6 453,9 365,4 227,4 1 421,7 2 351,0 84,6 741,5 352,8 300,0 180,1 425,4 2 511,9 95,8 832,3 396,9 334,8 201,2 466,6 2 066,6 96,1 866,9 399,4 335,4 219,1 1 752,3 2855,1 98,9 649,7 396,3 333,8 209,2 1559,3 82 493,4 7,48%

2 016,6 0,18%


26 981,4 11 901,3 2,45% 1,08%

9 800,6 0,89%

4 832,7 50 837,7 0,44% 4,61%

Přílohy

77



Příjmy z incomingového cestovního ruchu (v mil. CZK) Velká Británie Egypt Nigérie JAR Kanada USA Brazílie Čína 1 819,5 0,0 0,0 0,0 119,2 1 103,4 0,0 0,0 2 032,8 0,0 0,0 0,0 138,5 1 284,3 0,0 0,0 2 433,8 0,0 0,0 0,0 157,5 1 421,5 0,0 0,0 2 366,5 0,0 0,0 0,0 149,4 1 326,0 0,0 0,0 1 751,3 0,0 0,0 0,0 128,9 1 102,5 0,0 9,5 2 121,2 0,0 0,0 0,0 152,6 1 301,7 0,0 17,5 2 443,2 0,0 0,0 0,0 173,2 1 474,5 0,0 21,5 2 131,0 0,0 0,0 0,0 153,3 1 301,4 0,0 23,5 1 982,8 0,0 0,0 0,0 170,8 1 295,1 33,6 77,3 1 882,1 0,0 0,0 0,0 167,3 1 300,5 29,3 74,3 2 095,1 0,0 0,0 0,0 180,7 1 435,8 32,6 78,5 1 752,2 0,0 0,0 0,0 151,0 1 202,5 27,9 66,1 1 777,9 0,0 0,0 7,2 155,3 1 238,4 27,5 78,6 2 052,3 0,0 0,0 7,7 182,7 1 439,5 30,9 87,2 2 035,2 0,0 0,0 8,0 182,9 1 451,0 29,6 93,7 1 920,6 0,0 0,0 7,8 169,6 1 316,9 30,4 92,2 1 646,8 1,0 0,0 7,9 151,0 1 206,1 24,9 114,6 1 872,3 1,0 0,0 9,2 172,4 1 380,7 27,7 126,4 1 764,4 1,0 0,0 8,4 160,7 1 299,8 26,5 126,2 1 698,4 1,0 0,0 7,5 152,4 1 250,7 25,8 124,1 1 589,1 1,0 0,0 0,0 203,4 1 212,8 1,0 278,1 1 798,1 0,0 0,0 0,0 227,9 1 379,0 1,0 298,7 1 848,9 0,0 0,0 0,0 234,7 1 423,2 1,0 301,1 1 820,6 0,0 0,0 0,0 230,5 1 382,8 0,0 296,1 1 526,9 0,0 0,0 0,0 250,0 1 110,0 0,0 84,1 1 971,3 0,0 0,0 0,0 321,3 1 454,1 0,0 78,6 1 790,6 0,0 0,0 0,0 293,7 1 315,8 0,0 71,2 1 492,8 0,0 0,0 0,0 313,8 1 332,0 0,0 71,2 1 141,0 0,0 0,0 0,0 246,7 1 041,8 1,0 71,2 1 455,9 0,0 0,0 0,0 290,4 1 318,7 1,0 70,6 1 640,5 0,0 0,0 0,0 316,0 1 491,3 1,0 69,0 1 646,2 0,0 0,0 0,0 326,6 1 446,3 1,0 61,6 1 422,0 0,0 0,0 0,0 291,0 2 247,4 0,0 23,3 1 577,7 0,0 0,0 0,0 321,8 2 393,5 0,0 60,1 1 518,1 0,0 1,0 0,0 331,5 1 354,0 2,0 57,0 1536 0 1 0 347,5 1179,6 2 74 65 355,1 5,93%

5,0 0,00%


2,0 63,7 0,00% 0,01%

7 716,1 49 214,6 0,70% 4,46%

357,7 3 177,1 0,03% 0,29%

Přílohy

78



Příjmy z incomingového cestovního ruchu (v mil. CZK) Indie Japonsko Austrálie Hongkong 7,8 308,6 101,9 0,0 9,0 357,9 107,8 0,0 10,4 422,9 122,1 0,0 9,9 398,9 109,4 0,0 9,0 390,2 98,8 0,0 12,0 453,4 118,6 0,0 14,0 518,5 136,4 0,0 14,0 450,0 119,2 0,0 14,1 455,4 131,0 0,0 13,4 436,2 126,3 0,0 13,7 485,9 140,6 0,0 14,0 408,5 117,9 0,0 23,3 418,1 119,5 0,0 26,3 479,4 138,3 0,0 26,8 480,6 137,6 0,0 27,9 453,3 128,4 0,0 17,1 384,2 111,0 0,0 17,8 434,2 128,7 0,0 17,5 410,9 121,8 0,0 19,3 395,4 116,2 0,0 12,8 442,3 181,0 0,0 11,8 492,7 198,5 0,0 11,8 505,0 202,5 0,0 8,8 497,1 200,3 0,0 7,0 477,8 178,5 0,0 7,0 609,6 216,4 0,0 6,9 557,8 197,7 0,0 6,9 594,4 211,2 0,0 7,0 472,6 170,1 1,0 8,0 570,2 203,3 0,0 8,0 627,0 221,8 0,0 7,0 696,8 253,1 0,0 6,0 529,6 189,7 0,0 6,0 595,9 214,0 0,0 15,0 643,3 253,1 0,0 18,4 552 196,9 0 465,8 17 406,6 0,04% 1,58%


5 719,7 0,52%

1,0 0,00%

Vybrané problémy predikce tržeb v průmyslu cestovního ruchu

Recommend Documents