VYMEZENÍ RELEVANTNÍHO GEOGRAFICKÉHO TRHU MLÉKA NA ZÁKLADĚ CENOVÉ ANALÝZY

Masa rykova un iverz it a Ekonomicko-správní fakulta Studijní obor: Hospodářská politika

VYMEZENÍ RELEVANTNÍHO GEOGRAFICKÉHO TRHU MLÉKA NA ZÁKLADĚ CENOVÉ ANALÝZY Price data analysis for the delineation of relevant geographical market of milk Bakalářská práce

Vedoucí práce: Mgr. Jaroslav BIL

Autor: Ondřej LÁNÍČEK

Brno, 2015

J mé no a p ř í j me ní a ut or a:

Ondřej Láníček

Ná z e v d i pl omové p r á c e :

Vymezení relevantního geografického trhu mléka na základě cenové analýzy

Ná z e v p r ác e v a nglič t i ně:

Price data analysis for the delineation of relevant geographical market of milk

Ka t e dr a:

Ekonomie

Ve d ouc í di p l omové p r á c e:

Mgr. Jaroslav Bil

Ro k ob ha j ob y:

2015

Anotace Předmětem této bakalářské práce je vymezit relevantní geografický trh se syrovým kravským mlékem pro Českou republiku. K vymezení trhu jsou využity metody cenové analýzy. Empirický průzkum byl proveden na časových řadách cen kravského mléka zemí Evropské unie v letech 2003 – 2013. Na základě výsledků ekonometrických testů byl následně vymezen relevantní geografický trh České republiky a popsány kauzální vztahy.

Annotation The subject of this bachelor thesis is to define the relevant geographic market with raw cow milk for the Czech Republic. The market definition is based on price analysis methods. The empirical survey was conducted on time series of cow’s milk prices of European Union countries in the period 2003 – 2013. Based on the results of econometric tests the relevant geographic market of Czech Republic and causal relations were subsequently defined.

Klíčová slova Cenová analýza, relevantní trh, mléko, kointegrace, Grangerova kauzalita

Keywords Price analysis, relevant market, milk, cointegration, Granger causality

Prohlášení Prohlašuji, že jsem bakalářskou práci Vymezení relevantního geografického trhu mléka na základě cenové analýzy vypracoval samostatně pod vedením Mgr. Jaroslava Bila a uvedl v ní všechny použité literární a jiné odborné zdroje v souladu s právními předpisy, vnitřními předpisy Masarykovy univerzity a vnitřními akty řízení Masarykovy univerzity a Ekonomicko-správní fakulty MU. V Brně dne 22. dubna 2015 vlastnoruční podpis autora

Poděkování Na tomto místě bych rád poděkoval Mgr. Jaroslavu Bilovi za cenné připomínky a odborné rady, kterými přispěl k vypracování této bakalářské práce.

Obsah ÚVOD .......................................................................................................................................13 1

METODY VYMEZENÍ RELEVANTNÍHO GEOGRAFICKÉHO TRHU ..............14 1.1

RELEVANTNÍ TRH ........................................................................................................14

1.2

PRODUKCE MLÉKA V EVROPSKÉ UNII ..........................................................................15

1.2.1 Krize na trhu s mlékem ...........................................................................................18 1.3

METODY VYMEZENÍ TRHU ...........................................................................................18

1.3.1 Test Stacionarity .....................................................................................................18 1.3.1.1 Rozšířený Dickey-Fullerův test.......................................................................19 1.3.1.2 KPSS test .........................................................................................................19 1.3.2 Korelační analýza...................................................................................................20 1.3.3 Kointegrační analýza..............................................................................................21 1.3.3.1 Engle-Grangerův test kointegrace ...................................................................22 1.3.3.2 Johansenova metodologie ...............................................................................23 1.3.3.2.1 Test řádu kointegrace ..................................................................................23 1.3.3.2.2 Model korekce chyb ....................................................................................24 1.3.4 Grangerovy kauzality .............................................................................................24 1.3.4.1 Testy Grangerovy kauzality ............................................................................25 2

EMPIRICKÉ VYMEZENÍ RELEVANTNÍHO TRHU ..............................................27 2.1

DATA ..........................................................................................................................27

2.2

TEST STACIONRARITY .................................................................................................27

2.3

KORELAČNÍ ANALÝZA .................................................................................................30

2.3.1 Grafy časových řad.................................................................................................31 2.4

TESTY KOINTEGRACE ..................................................................................................32

2.5

TEST GRANGEROVÝCH KAUZALIT ...............................................................................37

ZÁVĚR ....................................................................................................................................46 SEZNAM POUŽITÝCH ZDROJŮ .......................................................................................48 SEZNAM TABULEK .............................................................................................................50 SEZNAM GRAFŮ ..................................................................................................................50 SEZNAM POUŽITÝCH ZKRATEK ...................................................................................51 SEZNAM PŘÍLOH.................................................................................................................52

Úvod Vymezení relevantního trhu je nezbytnou součástí téměř každé soutěžní analýzy. Zejména se jí věnují úřady a další instituce s oblastí působnosti soutěžní politiky nebo její ochrany. V praxi se využívá mnoho metod vymezení trhu, jejichž náročnost, metodická nebo datová, se různí.

Cílem bakalářské práce je vymezit relevantní geografický trh s mlékem pro Českou republiku mezi ostatními zeměmi Evropské unie. Metody vymezení trhu využité v této práci vychází z cenové analýzy. Dále se v práci budou zkoumat kauzální vztahy působící mezi Českou republikou a ostatními vybranými zeměmi.

Tato práce je rozdělena na dvě hlavní části, část teoretickou a část praktickou. V teoretické části se vysvětlí co je to relevantní trh a popíše se trh s mlékem v Evropské unii. Dále se pak tato práce zaměří na popis jednotlivých ekonometrických metod, které budou aplikovány v praktické části při cenové analýze.

Praktická část se bude zabývat vlastní cenovou analýzou. Přesněji aplikací ekonometrických metod spojených s cenovou analýzou. Analýza vychází z dat Evropské komise pro Zemědělství a regionální rozvoj. Prvním krokem analýzy budou testy stacionarity a korelační analýza. Tyto odhalí potenciální státy, u kterých lze předpokládat existence závislosti s Českou republikou. Nejdůležitější analýza, která se bude provádět je testování kointegrace. Nalezení kointegračního vztahu je dostatečným důkazem pro zařazení na společný trh. Jako poslední analýza se provede test Grangerových kauzalit, které odhalí kauzální vztahy mezi státy.

V závěru práce se vyhodnotí dosažené ekonometrické výsledky a určí se, které země náleží na stejný geografický trh jako Česká republika.

13

1 Metody vymezení relevantního geografického trhu První kapitole se zaměří na definování relevantního trhu a jeho význam v hospodářské soutěži. Dále se popíše trh mléka v Evropské unii. V další části se vysvětlí jednotlivé ekonometrické metody, které se využívají při cenové analýze.

1.1 Relevantní trh Vymezení relevantního trhu je nezbytná součást při posuzování hospodářské soutěže. Slouží jako základ pro rozhodnutí úřadů o fúzích společností, využívání dominantního postavení firem na trhu, popř. kartelových dohod. Smysl definování relevantního trhu spočívá v nalezení všech substitutů (nabídky, poptávky), které vyvíjejí značný konkurenční tlak na pozorovaný statek nebo službu.[6, s.3]

„Substituovatelnost poptávky resp. nabídky popisuje, do jaké míry mohou kupující resp. prodávající reagovat na nárůst cen přechodem k jinému produktu nebo změnou místa, kde budou kupující poptávat.“ [2, s. 163]

Pojem relevantní trh je v české legislativě definován v Zákoně č. 143/2001 Sb. O ochraně hospodářské soutěže:

„Relevantním trhem je trh zboží, které je z hlediska jeho charakteristiky, ceny a zamýšleného použití shodné, porovnatelné nebo vzájemně zastupitelné, a to na území, na němž jsou soutěžní podmínky dostatečně homogenní a zřetelně odlišitelné od sousedících území.“[10, §2 ods. 2]

Z této definice vyplívá, že relevantní trh, na němž se stanovuje míra dominance, lze vymezovat z hlediska věcného (trh výrobkový) a prostorového (trh geografický). Vhodný způsob vymezení trhu je provést oba tyto způsoby současně, ovšem v praxi se nejprve vymezuje trh produktový a následně trh geografický. [2, s. 163]

14

Geografický trh se obvykle vymezuje podle reálných možností dostupnosti pro spotřebitele nebo odbytu pro výrobce s ohledem na náklady (dopravní, atd.), otevřenost ekonomiky, hospodářskou politiku (celní, obchodní, kurzová, atd.) a mezinárodní integrační uskupení. Dělí se na trhy lokální, regionální, republikové, evropské a světové. [9, s. 195]

„Nejběžnější metodou vymezení relevantního trhu je využití testu hypotetického monopolisty (HMT). Tento test měří, jestli je výrazný tlak na ceny daných produktů, který nepochází z konkurence na daném trhu, ale z dostupnosti jiných produktů pocházejících z rozdílného trhu a poskytující přijatelné alternativy pro spotřebitele. HMT předpokládá, že všechny produkty na daném trhu jsou vyprodukovány jedním výrobcem, monopolistou, který se snaží maximalizovat svůj zisk. Pokud by se tento hypotetický monopolista rozhodl zvýšit ceny, tak tlak zboží mimo navrhovaný trh není dostatečný, aby bylo zvýšení cen neziskové.“ [2, s. 201-202]

Small but Significant Non-transitory Increase of Price test (SSNIP test) je jedna z metod aplikace testu hypotetického monopolisty. Tento test odhaduje elasticitu zbytkové poptávky hypotetického monopolisty. Tato metoda se vzhledem ke své komplikovanosti a velké náročnosti na data používá jen zřídka. V omezeném rozsahu tuto metodu využívá například Evropská komise. Alternativní, velmi často aplikovanou metodou vymezení trhu je vzhledem k dostupnosti dat cenová analýza. Tato umožňuje využít moderní ekonometrické metody, zejména Johansenův test kointegrace nebo Grangerovy kauzality. [6, s.3-4]

1.2 Produkce mléka v evropské unii Mlékárenství je v zemích Evropské unie (EU) důležitým odvětvím. Představuje asi 15 % celkové zemědělské produkce Evropské unie, na které se podílí všechny členské státy. Ročně se v EU vyprodukuje zhruba 152 milionů tun mléka (data r. 2011). Hlavními producenty jsou Německo, Francie, Spojené království, Nizozemsko, Itálie a Polsko vytvářející 70 % produkce. V grafu č. 1 je podíl jednotlivých zemí Evropské unie na celkové produkci mléka. Ve světovém měřítku patří EU k předním vývozcům mléka a mlékárenských výrobků. [14]

15

Graf č. 1: Podíl produkce mléka 27 zemí Evropské unie

Zdroj: Evropská komise, Zemědělství a rozvoj venkova

V grafu č. 2 je vyneseno 5 největších světových exportérů plnotučného čerstvého kravského mléka podle dat Organizace pro výživu a zemědělství (FAO) z roku 2011. Export České republiky se v roce 2011 pohyboval kolem 600 tisíc tun mléka a řadí se tak na 5. místo.

Graf č. 2: 5 největších exportérů plnotučného kravského mléka (r. 2011)

Zdroj: FAOstat

16

Odvětví produkce mléka je součástí společné zemědělské politiky (SZP). Hlavním cílem této politiky je zvýšit zemědělskou produktivitu, tak aby byly zajištěny dodávky potravin za přiměřené ceny a zajistit zemědělcům dostatečnou životní úroveň. Společná zemědělská politika má tři hlavní rozměry: podporu trhu, podporu příjmů a rozvoj venkova. Tyto rozměry jsou vzájemně propojené a celková udržitelnost této struktury závisí na jejich vzájemné součinnosti. [12, s. 6 – 7]

Několik důležitých dat spojených s politikou Evropské unie [13]:

60. léta 20. stol. – začátek politiky Evropské unie spojené s produkcí mléka. Hlavním cílem bylo pomáhat vytvářet stabilní tržní podmínky pro producenty a zpracovatele mléka v EU 1970 – 1980 – systém garantovaných cen, mnohem vyšších než světových. Evropská komise je povinna odkupovat nadprodukci (až milion tun) duben 1984 – vzhledem k obrovské nadprodukci byl zaveden systém produkčních kvót 90. léta 20. stol. – postupné reformy systému garantovaných cen, využití přímých plateb ne však na podporu produkce 2003 –

snížení garantovaných cen, využití jiných politik a programů SZP (podpora znevýhodněných oblastí, rozvoj venkova) jako nástroj podpory zemědělství; schválení zrušení kvót v roce 2015

2012 – schválen tzv. mléčný balíček („Milk Package“) jako reakce na krizi trhu s mlékem z roku 2009 2013 – reforma SZP zahrnující významné změny v systému přímých plateb, včetně možnosti pro dobrovolné vázané podpory (Voluntary Coupled Support) 31. březen 2015 – konec fungování systému kvót

Mléčný balíček představuje opatření zaměřená na posílení postavení producentů mléka v dodavatelském řetězci a připravit tak sektor pro více tržně orientovanou a udržitelnou budoucnost. Především umožňuje uzavírat smlouvy mezi producenty a zpracovateli a kolektivně vyjednávat o smluvních podmínkách prostřednictvím producentských organizací. Stanovuje také nová pravidla pro mezioborové organizace v mlékárenském dodavatelském řetězci, kterým dovoluje vyjednávat a provádět určité činnosti. Balíček také zahrnuje řadu opatření na posílení transparentnosti na trhu. Tyto opatření budou platit do poloviny roku 2020. [15] 17

1.2.1 Krize na trhu s mlékem „V období let 2007 až 2009 došlo na trzích mléka a mléčných výrobků k výjimečnému vývoji, jehož konečným důsledkem bylo zhroucení cen na přelomu let 2008 a 2009. Nejprve přinesly zvláště

nepříznivé

povětrnostní

podmínky

v

Oceánii

výrazný

pokles

dodávek,

což způsobilo rychlý a výrazný růst cen. Přestože se světové dodávky začaly obnovovat a ceny se začaly vracet k běžnějším cenovým hladinám, následná finanční a hospodářská krize měla negativní dopad na producenty mléka v Unii, neboť zhoršovala cenovou nestálost. V důsledku vyšších komoditních cen došlo k výraznému zvýšení cen krmiva a dalších vstupních nákladů včetně energií. Následný celosvětový pokles poptávky, a to i v Unii, který zasáhl i mléko a mléčné výrobky, vedl při zachování stabilní produkce v Unii ke zhroucení cen v Unii až na spodní úroveň záchranné sítě. Tento prudký pokles komoditních cen mléka a mléčných výrobků se však úplně neodrazil v nižších cenách mléka a mléčných výrobků na spotřebitelské úrovni, což mělo ve většině zemí a u většiny produktů v odvětví mléka a mléčných výrobků za následek zvýšení hrubého ziskového rozpětí navazujících odvětví, zamezilo přizpůsobení poptávky po těchto výrobcích nízkým komoditním cenám, zpomalilo zotavení cen a zhoršilo dopad nízkých cen na producenty mléka, což v mnohých případech vážně ohrožuje jejich rentabilitu.“ [11, (2)]

1.3 Metody vymezení trhu Tato kapitola se zabývá jednotlivými ekonometrickými metodami, které budou aplikovány v praktické části při cenové analýze. Konkrétně to jsou testy stacionarity, které slouží jako diagnostické testy. Dále pak metody přímo spojené s vymezením trhu, korelační analýza a kointegrační analýza, a metodu Grangerových kauzalit, zkoumající kauzální vlivy působící mezi jednotlivými státy.

1.3.1 Test Stacionarity Otestování stacionarity je důležitým krokem k určení, zda mohou produkty příslušet na stejný trh. Pouze produkty, jejichž časové řady jsou integrované ve stejném řádu (stacionární I(0), s jednotkovým kořenem I(1)) mohou patřit na společný trh. Stacionarita řad je rovněž nezbytná podmínka pro výpočet korektních hodnot korelačních koeficientů a sestavení 18

modelů Grangerových kauzalit, naopak pouze řady s jednotkovým kořenem lze testovat na kointegraci.

Stacionární časové řady jsou určeny průměrnou hodnotou, od které se krátkodobě odchylují, ale postupně se této hodnotě zase přibližují. Naopak nestacionární řady nemají žádnou průměrnou hodnotu. Regrese na nestacionárních řadách vede k nalezení neexistujícího vztahu na nesouvisejících časových řadách a tedy k chybné interpretaci odhadnutých parametrů. Metod odstranění jednotkového kořene je mnoho, mezi nejpoužívanější patří diferencování nebo detrendování řad. [5, s. 11-13] 1.3.1.1 Rozšířený Dickey-Fullerův test

Rozšířený Dickey-Fullerův test (ADF test) patří mezi základní a nejpoužívanější testy jednotkového kořene. Testuje hypotézu α = 1, proti alternativě α < 1. Nulová hypotéza tvrdí, že je časová řada nestacionární I(1), alternativní naopak, že je řada stacionární I(0). Test se provádí na modelech

∆ 1 ∆

∆ 1 ∆

které zahrnují i konstantu resp. konstantu a trend. Při platnosti nulové hypotézy se t-rozdělění, , řídí Dickey-Fullerovým rozdělení, které je tabelováno ve Fuller (1976). Pro praktické použití, vzhledem ke konečným výběrům časových řad je doporučeno používat kritické hodnoty v MacKinnon (1991). [5, s. 13-14]

1.3.1.2 KPSS test

Kwiatkowski, Phillips, Schmidt a Shin (1992) odvodili test stacionarity, který je podle autorů označován jako KPSS test. Na rozdíl od ADF testu testuje nulovou hypotézu, že časová řada je I(0), proti alternativní hypotéze, že proces je I(1). Kritické hodnoty testu tabelovali Kwiatkowski, Phillips, Schmidt a Shin (1992). [1, s. 65]

19

„KPSS test je konstruován jako kde je stacionární, zatímco je složka náhodné procházky určená jako

) ~ ". ". $0, '(

,

Nulová hypotéza je formulována jako test rozptylu složky náhodné procházky, tedy za předpokladu, že H0 : '() = 0 náhodná složka ceny není přítomna. Testová statistika KPSS testu: *+,, -

)

.

,) /0 ) 1

Kde 0

) 1

-

.

2)

2-

6

.

5

57

456 2 25

, ∑: 2̂: , t = 1,2, …, T 456 1

; 1 1

a et jsou rezidua z regrese pt na konstantu (a trend). Funkce wτl je váhová funkce, známá jako tzv. Bartlettovo okénko, která se nejčastěji používá v empirických analýzách. Výraz s2(l) je estimátor rozptylu představující fakt, že jsou časové řady sériově korelovány. “ [5, s.17]

1.3.2 Korelační analýza Základní a velmi často používaná metoda vymezení trhu je korelační analýza. Vychází ze zákonu jedné ceny („law of one price“), tedy že ceny produktů patřící na stejný trh by se měly pohybovat stejně.

20

„Zákon jedné ceny říká, že prodejci stejného zboží jej musí prodávat za stejné ceny. Pokud se jeden prodávající rozhodne snížit cenu, tak všichni kupující přejdou k němu a ostatní prodávající neprodají nic. Pokud by se prodávající rozhodl zvýšit cenu, tak by naopak neprodal nic. Vzhledem k tomu, že pouze prodávající s nejnižší cenou prodá své zboží, jsou všichni prodávající v rovnováze, kdy všichni prodávají za stejnou cenu a dělí se o zákazníky“ [2, s. 170]

Korelační analýza porovnává dvě časové řady ve stejném čase. Výstupem je korelační koeficient popisující míru lineární závislosti mezi těmito časovými řadami, avšak nedokáže vystihnout nelineární závislost. Proto je vhodné tuto analýzu rozšířit o grafy časových řad a porovnat s výsledky korelační analýzy. Jak bylo řečeno v předchozí kapitole, může být tato analýza aplikována jen na stacionární řady, jinak dochází ke zkreslení. Korelační koeficient dvou časových řad p = a p)= s celkovým počtem pozorování T se vypočítá jako: ρ )

∑C A ?B@ ? AB

@D?@ ?

E∑C A B ∑ C A B B @D?@ ? @D?B@ ?

, pF ∑G= p = , pF) ∑G= p)= G

G

Hodnota korelačního koeficientu je bezrozměrné číslo, které leží v intervalu -1 ≤ H ) ≤ 1. Hodnoty koeficientu blížící se 1 resp. -1 popisují přímou resp. nepřímou lineární závislost mezi dvěma časovými řadami. Hodnoty blízké 0 indikují slabou lineární závislost. Neexistují žádné přesně určené meze, podle kterých lze jednoznačně určit, že jsou dvě časové řady natolik navzájem závislé, aby patřily na společný trh.

Vysoká korelovanost dvou řad může být způsobena jejich společným vývojem. Avšak může být způsobena i společnou závislostí na třetí proměnné, která vytváří zdánlivý vztah mezi dvěma pozorovanými řadami. [5, s. 18 - 19]

1.3.3 Kointegrační analýza Testy

kointegrace

patří

mezi

nejdůležitější

metody

vymezení

relevantního

trhu.

Na rozdíl od ostatních použitý testů, které vyžadovaly pro svou přesnost stacionaritu časových řad, kointegrace testuje vztahy mezi řadami I(1). Vznik kointegračního vztahu 21

předpokládá, že časové řady obsahují stejné, resp. velmi podobné stochastické trendy a tedy že se v čase chovají velmi podobně. Lineární kombinací těchto řad dochází k eliminaci trendu a vytvoření stacionárního modelu s korektními výsledky. Pokud jsou dvě nebo více řad kointegrovány, existuje mezi těmito řadami dlouhodobý vztah. Nejpoužívanější metody testování kointegrace jsou Engle-Grangerův test a Johansenův test. [5, s. 24 - 25]

Definice kointegrace:

„Říkáme, že vektor typu q × 1 procesu Pt = (p1t, p2t, …, pqt)’ je kointegrovaný v řádu 1,1 (Pt ~ CI(1,1)), jestliže je řada Pt ~ I(1), zatímco existuje matice β typu q × r taková, že β’ Pt ~ I(0). Matice β se označuje jako matice kointegračních vektorů, r označuje celkový počet stacionárních kointegračních vztahů.“ [5, s.38]

1.3.3.1 Engle-Grangerův test kointegrace

Engle-Grangerův test je základní, ale velmi často používaný test kointegrace. Tento test se standardně provádí ve dvou krocích. V prvním kroku se provede regrese na nestacionárních časových řadách a ve druhém kroku se testuje stacionarita reziduí z tohoto regresního modelu. [5, s. 26 – 27]

„Uvažujme časové řady p1t a p2t, které jsou I(1). Testování jestli jsou dvě řady kointegrovány s obecným kointegračním vektorem je běžně prováděno s použitím pomocné regrese I) a otestování jestli je řada reziduí vt I(0). Pokud je toto splněno jsou řady kointegrovány s kointegračním vektorem (1, -b).“ [5, s. 26 - 27]

Testování stacionarity se obvykle provádí ADF testem, ale ve většině případů nelze použít kritické hodnoty Dickey-Fullerova testu. Problém je, že vt je generováno z regresní rovnice metodou OLS a známe tedy jen jeho odhad v= , který je vzhledem k metodě odhadován jako nejmenší a stacionární. Proto je nutné použít kritické hodnoty Engle-Grangerova testu tabelované v MacKinnon (1991). [3, s. 374]

22

Tato metoda je limitována na existenci jen jednoho kointegračního vztahu. Vzhledem k rozsahu datového souboru je vhodnější aplikovat Johansenovu metodologii pro zjištění počtu kointegračních vztahů a Engle-Grangerův test použít jako kontrolní test a na sestavení kointegrovaných modelů.

1.3.3.2 Johansenova metodologie Johansenova metodologie testu kointegrace vychází z metody maximální věrohodnosti. Na rozdíl od Engle-Grangerova testu, může tento test nalézt v M časových řadách až M-1 kointegračních vztahů. Jedna z metod hledání kointegračních vztahů se nazývá test stopy matice. Výchozím krokem této kointegrační analýzy je vytvoření VAR(k) modelu, který se převede do tvaru modelu korekce chyb

ΔL MLNO PQ LNQ RN

Matice Π vystihuje kointegrační vlastnosti analyzovaných řad, proto je třeba odhadnout hodnost této matice. Pro n rovnic se hodnost matice Π pohybuje v rozmezí 0 až n a představuje počet kointegračních vztahů v modelu. Uvažujme, že hodnost matice Π je r (0 < r < n). V tomto případě M STU Kde α a β jsou matice rozměru n × r. Sloupce matice α jsou vektory korekce chyb a sloupce matice β jsou kointegrační vektory. [5, s. 40 – 41]

1.3.3.2.1 Test řádu kointegrace

Test řádu kointegrace lze provést využitím testu stopy matice zahrnutém v Johansenově testu. Testová statistika testu stopy: ]

2VWVX - ln 1 [\:

:^7

Na rozdíl od ostatních testů věrohodnostního poměru (LR) se test stopy neřídí χ2 rozložením. Místo toho se řídí vícerozměrnou verzí Dickey-Fullerova rozložení. Způsob testování probíhá v několika krocích.

23

Nejprve se testuje r = 0 proti alternativě r > 0, pokud je nulová hypotéza zamítnuta, tak se v dalším kroku testuje r = 1 proti alternativě r > 1. Toto se opakuje, dokud test nezamítne hodnotu r. Tato hodnota určuje počet kointegračních vztahů. [5, s. 42]

1.3.3.2.2 Model korekce chyb

Dynamika kointegrovaných časových řad může být reprezentována pomocí modelu korekce chyb, který lze zapsat jako:

∆L ST′ LNO PQ LNQ RN

kde α a β jsou q × r matice a Гj je q × q. Sloupce matice α se nazývají vektory korekce chyb nebo též adjustační vektory a lze je interpretovat jako rychlost eliminace krátkodobého vychýlení od dlouhodobé rovnováhy. Sloupce matice β jsou kointegrační vektory a popisují dlouhodobé vztahy mezi kointegrovanými řadami.

Případná interpretace VEC modelů o dvou proměnných: Pokud v minulém období nastala kladná (záporná) odchylka od dlouhodobé rovnováhy, tak se očekává v následujícím období nárůst (pokles) řady p1t a pokles (nárůst) řady p2t. Neboli časové řady se v VEC modelu chovají tak, aby docházelo k eliminaci rozdílu p1t – p2t v následujícím období. [5, s. 39]

1.3.4 Grangerovy kauzality Časové řady mohou být korelovány v čase, ve smyslu že se vliv změny jedné ceny projeví na dalších cenách s časovým zpožděním. Nejběžnější metoda zkoumající vliv časových řad s časovým zpožděním je test Grangerových kauzalit. Podstata Grangerových kauzalit je testování, jestli zpožděné hodnoty jiných proměnných mohou vést k lepšímu vysvětlení chování jiné proměnné. [5, s. 21]

Definice Grangerových kauzalit:

„Nechť p1t(h|Ωt) je předpověď jednorozměrného procesu {p1t} konstruovaná v čase t, založená na všech možných informacích dostupných v čase t, Ωt, která má minimální střední čtvercovou chybu MSE[p1t(h|Ωt)]. Nechť dále {p2t-s, s ≥ 0} je součástí Ωt. Jednorozměrný proces {p2t} kauzálně působí v Grangerově smyslu na proces {p1t}, jestliže 24

MSE [p1t(h|Ωt)] < MSE [p1t(h|Ωt\ {p2t-s, s ≥ 0})] pro minimálně jeden z horizontů h = 1, 2, …, přičemž Ωt\ {p2t-s, s ≥ 0} znamená všechny možné informace s výjimkou informací obsažených v minulosti a přítomnosti procesu {p2t}.“ [1, s. 175] Definice tedy říká, že řada p2t kauzálně působí v Grangerovském smyslu na řadu p1t jestliže přidání minulých pozorování řady p2t vede k menší střední čtvercové chybě (MSE) a tedy lepšímu odhadu řady p1t. Tuto definici lze velmi podobným způsobem rozšířit na n-rozměrný proces řady P2t a m-rozměrný proces řady P1t. [1, s. 175] Proces {P2t } kauzálně působí na proces {P1t }, jestliže rozdíl MSE [P1t(h|Ωt)] - MSE [P1t(h|Ωt\ {P2t-s, s ≥ 0})] je pozitivně definitní matice. Jestliže proces {P2t} kauzálně působí na proces {P1t} a proces { P1t } kauzálně působí na proces {P2t }, proces {P} = ({P2t}‘,{P1t}‘)‘ se označuje jako systém zpětné vazby.“ [1, s. 175]

1.3.4.1 Testy Grangerovy kauzality Testování Grangerových kauzalit je založeno na vektorových autoregresních modelech (VAR modelech). Důležitým předpokladem pro správnost tohoto testu je stacionarita časových řad, nebo existence kointegračního vztahu mezi řadami nestacionárními.

Příklad modelu Grangerových kauzalit pro dvě časové řady ve VAR(k) modelu

_ )

) ) ) ) _) )

25

Způsob testování se provádí pomocí F-testu na sdružené hypotéze β1j = 0 pro j = 1,…, k. Zamítnutí této hypotézy vede k závěru, že existuje Grangerova kauzalita mezi časovými řadami. Modely Grangerových kauzalit je možno rozšířit na n proměnných a lze připojit exogenní časové řady nebo různé umělé proměnné. [5, s. 35]

Jak bylo zmíněno již výše, popisuje Grangerova kauzalita vliv zpožděných hodnot na cenovou dynamiku proto je častým rozšířením těchto modelů analýza impulzní odezvy. Impulzní odezva popisuje chování časové řady na impulz v řadě jiné. Pokud dochází k významné reakci na impulz, můžeme říct, že je první řada kauzální pro druhou. [5 s. 24]

26

2 Empirické vymezení relevantního trhu 2.1 Data Data pochází z internetových stránek Evropské komise pro zemědělství a rozvoj venkova aktualizovaných 14. 05. 2014 [16]. Datový soubor obsahuje měsíční ceny mléka 28 členských států Evropské unie. Všechny hodnoty jsou ve stejných jednotkách, euro/100kg. Původní délka dostupných časových řad se liší a závisí na roce vstupu konkrétní země do Evropské unie, proto byl vzhledem k počtu zemí a dostatku pozorování vybrán časový rozsah od ledna 2003 do prosince 2013. Vzhledem k nedostatku pozorování byly z analýzy vyřazeny státy Bulharsko, Rumunsko, Malta a Chorvatsko.

2.2 Test Stacionrarity Prvním krokem cenové analýzy je otestování stacionarity všech časových řad. Jako výchozí test jsem zvolil ADF test s konstantou a také s konstantou a trendem. Jako doplňkový test jsem použil KPSS test. Tabulka 1 zobrazuje hodnoty testových statistik a jim odpovídajících p-hodnot ADF testů a testové statistiky KPSS testu.

27

Tabulka č. 1: Testy stacionarity cen mléka Země

Zpoždění

Belgie

6

Česká republika

1

Dánsko

6

Německo

Estonsko Irsko Řecko Španělsko Francie Itálie Kypr Lotyšsko

ADF test Konst.

k+trend

-1,70233

-2,18831

(0,4301)

(0,4956)

-1,78285

-2,26556

(0,3895)

(0,4524)

-1,30888

-2,28219

(0,6278)

(0,4432)

-2,31829

-2,95415

1 (0,1662)

(0,1454)

-1,40075

-2,3814

KPSS test 0,44962

2,12957

6 1 5 9 1 6 1

(0,5836)

(0,3893)

-1,95922

-2,42998

(0,3053)

(0,3638)

-1,36904

-2,33457

(0,5991)

(0,4145)

-1,80785

-1,86867

(0,3771)

(0,6707)

-1,38316

-1,72516

(0,5922)

(0,7403)

-1,39486

-1,98517

(0,5865)

(0,6089)

-0,394513

-2,031

(0,9079)

(0,5837)

-1,56902

-2,33281

(0,4985)

(0,4154)

8

Nizozemsko

Rakousko

0,570583 4,02986

Litva

Maďarsko

3,5467

1

Zpoždění

Lucembursko

0,648643

1,55372

Země

Polsko Portugalsko

0,208207

Slovinsko

0,296026

Slovensko

1,67271

Finsko

1,88409

Švédsko

3,65734

Spojené království

ADF test Konst.

k+trend

-1,20543

-2,37848

(0,6745)

(0,3909)

-1,4121

-1,40015

(0,578)

(0,8613)

-1,66777

-2,31009

(0,4478)

(0,4278)

-0,978681

-2,20391

(0,763)

(0,4868)

-1,60818

-2,39101

(0,4784)

(0,3842)

-1,76497

-2,60033

(0,3985)

(0,2802)

-2,24136

-2,21698

7

1

10

1 6 1 1 1 8 1 8

(0,1917)

(0,4795)

-1,42282

-1,98305

(0,5727)

(0,61)

-1,61319

-2,39693

(0,4758)

(0,3811)

-0,391936

-2,13443

(0,9083)

(0,5259)

-1,59676

-2,33637

(0,4842)

(0,4135)

0,0997267

-1,17791

(0,9658)

(0,9139)

KPSS test 1,12804

0,0867621

1,47117

0,57721

1,94912

1,06796 0,255432 1,18631 2,73588 1,19662 2,09343 0,95988

Tučně jsou zvýrazněny hodnoty zamítající H0 na 5% hladině. V závorkách jsou odpovídající p-hodnoty ADF testu. Řád zpoždění je odvozen na základě modifikovaného AIC. Kritické hodnoty KPSS testu jsou 0,349(10%) 0,465(5%) 0,736(1%). Zdroj: Autor

Z p-hodnot ADF testů v Tabulce č. 1 je zřejmé, že všechny časové řady jsou I(1). Toto až na pár výjimek potvrdil i KPSS test. Vzhledem k nestacionaritě nelze očekávat korektnost výsledků korelační analýzy ani Grangerových kauzalit. Proto je nutné řady transformovat

na

tempa

růstu,

aproximovaných

logaritmickými

diferencemi.

Tyto transformované řady jsou označeny předponou „ld_“ (např. ld_Belgie). Stacionaritu nových řad následně znovu otestujeme.

28

Tabulka č. 2: Testy stacionarity temp růstu cen mléka ADF test Země

Zpoždění

ld_Belgie

1

ld_Česká republika

1

ld_Dánsko

1

ld_Německo

1

ld_Estonsko

2

ld_Irsko

1

ld_Řecko ld_Španělsko

7 1

ld_Francie

1

ld_Itálie

5

ld_Kypr

3

konst

k+trend

-5,03978

-5,0065

(1,691E-05)

(0,0001)

-4,5977

-4,57291

ADF test KPSS test 0,129241 0,0782149

(0,0001261) (0,001095)

-5,6676

-5,72929

(7,24E-07)

(5,09E-06)

-4,90517

-4,9142

(3,179E-05)

(0,0001)

-4,05509

-4,03486

(0,001148)

(0,007763)

-5,72962

-5,69262

(5,21E-07)

(6,18E-06)

-3,53654

-3,52159

(0,007128)

(0,03705)

-4,38667

-4,37337

(0,0001)

(0,002356)

-7,44021

-7,41029

0,184613 0,166941 0,0862137

0,124903 0,0341065

(2,025E-11) (1,49E-10)

-3,31942

-3,35627

(0,01407)

(0,05743)

-5,47773

-5,45618

Zpoždění

ld_Litva

1

ld_Lucembursko

11

ld_Maďarsko

2

ld_Nizozemsko

1

ld_Rakousko

11

ld_Polsko

2

0,0749054 0,0418923

Země

ld_Portugalsko

11

ld_Slovinsko

2

ld_Slovensko

1

ld_Finsko

1

0,12287

0,0421469

ld_Švédsko

1

(1,945E-06) (2,08E-05)

-5,63329

ld_Lotyšsko

-5,61895

1

konst

k+trend

-7,12593

-7,09809

(1,505E-10

1,29E-09)

-1,88191

-5,20505

(0,3412)

(7,05E-05)

-5,35603

-5,39319

KPSS test 0,0401672 0,161362 0,11601

(3,606E-06) (2,85E-05)

-5,97593

-5,9617

0,0551793

(1,369E-07) (1,44E-06)

-2,06584

-2,08987

(0,2588)

(0,5509)

-4,34117

-4,32646

(0,0003715)

(0,0028)

-2,05163

-2,16887

(0,2648)

(0,5065)

-4,18538

-4,28012

0,102751 0,0841492 0,130053 0,210956

(0,0006937) (0,003315)

-4,21583

-4,20092

0,0803753

(0,0006152) (0,004396)

-5,49789

-5,46421

(1,754E-06)

(2E-05)

-5,20782

-5,22294

0,0339889

0,143345

(7,522E-06) (6,48E-05)

0,0928063

ld_Spojené království

(8,674E-07) (9,08E-06)

-6,90351

-6,89225

1

0,0832988

(6,014E-10) (5,07E-09)

Tučně jsou zvýrazněny hodnoty zamítající H0 na 5% hladině. V závorkách jsou odpovídající p-hodnoty ADF testu. Řád zpoždění je odvozen na základě modifikovaného AIC. Kritické hodnoty KPSS testu jsou 0,349(10%) 0,465(5%) 0,736(1%). Zdroj: Autor

V tabulce č. 2 jsou výsledky testů stacionarity na transformovaných časových řadách. ADF test zamítl nulovou hypotézu o nestacionaritě u všech zemí, všechny řady jsou tedy stacionární a lze na nich provádět korelační analýzu i testy Grangerových kauzalit.

29

2.3 Korelační analýza Dalším bodem při cenové analýze je korelační analýza. Tato analýza se provádí na všech časových řadách a slouží k nalezení závislých časových řad s podobným vývojem. Není tedy použita jako přímý nástroj definice trhu, ale slouží jako nástroj pro vymezení množiny států, které budou dále testovány silnějšími testy.

Tabulka č. 3: Korelační koeficienty cen mléka vybraných zemí EU s ČR Belgie

0,8002 Španělsko

0,7188 Lucembursko

0,6671 Slovinsko

0,6606

Dánsko

0,7808 Francie

0,6409 Maďarsko

0,8612 Slovensko

0,9518

Německo

0,8382 Itálie

0,7569 Nizozemsko

0,7477 Finsko

0,5325

Estonsko

0,9017 Kypr

0,5172 Rakousko

0,8559 Švédsko

0,7504

Spojené království

0,7543

Irsko

0,8218 Lotyšsko

0,8856 Polsko

0,8778

Řecko

0,7673 Litva

0,8775 Portugalsko

0,4893

Zdroj: Autor

V tabulce č. 3 jsou hodnoty korelačních koeficientů, tyto hodnoty jsou velmi vysoké a dalo by se uvažovat o silné závislosti většiny zemí EU, ale jak již bylo zmíněno výše, jsou tyto výsledky ovlivněny nestacionaritou časových řad a tedy nekorektní. Proto je nutné tuto analýzu provádět na stacionárních tempech růstu cen.

Tabulka č. 4: Korelační koeficienty temp růstu cen mléka vybraných zemí EU s ČR ld_Belgie

0,3314 ld_Španělsko 0,3994 ld_Lucembursko 0,3998 ld_Slovinsko

0,3557

ld_Dánsko

0,372

ld_Francie

0,1424 ld_Maďarsko

0,4154 ld_Slovensko

0,4832

ld_Německo 0,3676 ld_Itálie

0,4418 ld_Nizozemsko

0,1768 ld_Finsko

0,0057

ld_Estonsko 0,4521 ld_Kypr

0,0893 ld_Rakousko

0,2951 ld_Švédsko

0,3601

ld_Irsko

0,2986 ld_Lotyšsko

0,3348 ld_Polsko

0,5633 království

ld_Řecko

0,2703 ld_Litva

0,4224 ld_Portugalsko

0,2804

ld_Sojené

0,2567

Zdroj: Autor

Hodnoty korelačních koeficientů počítaných na tempech růstu cen v tabulce č. 4 jsou podstatně nižší a naznačují spíše mnoho menších trhů.

Z výsledků korelační analýzy je zřejmé, že některé státy mohou patřit na společný geografický trh s Českou republikou. Pro další analýzu se použijí státy, které mají hodnotu korelačního koeficientu alespoň 0,40. U států se stejným nebo vyšším koeficientem lze 30

předpokládat vyšší pravděpodobnost existence společného trhu. Naopak u států s nižším koeficientem nelze očekávat nalezení dlouhodobého vztahu.

Státy s korelačním koeficientem alespoň 0,4 jsou Estonsko, Španělsko, Itálie, Litva, Lucembursko, Maďarsko, Polsko a Slovensko. Vzhledem ke geografické blízkosti bude do analýzy zahrnuto i Německo a Rakousko, i když nedosahují vysokých hodnot korelačních koeficientů.

2.3.1 Grafy časových řad Výsledky korelační analýzy jsou dle očekávání, až na několik výjimek. Především jsou to vysoké hodnoty korelačních koeficientů u relativně vzdálenějších zemí jako Španělsko, Itálie, Litva, Lucembursko a Estonsko. Jako doplnění korelační analýzy se použijí grafy vybraných zemí a porovnají se s Českou republikou. Graf č. 3a: Vývoj cen mléka 50 45 40 35 ČR

30

Estonsko Polsko

25 Slovensko Španělsko

20

VII…

I-13

VII…

I-12

VII…

I-11

VII…

I-10

VII…

I-09

VII…

I-08

VII…

I-07

VII…

I-06

VII…

I-05

VII…

I-04

I-03

10

VII…

15

Zdroj:Autor

V grafu č. 3a jsou vyneseny země, které mají podobný vývoj jako ČR. U těchto zemí je pravděpodobnější nalezení kointegračního vztahu. Naopak státy v grafu č. 3b mají rozdílný vývoj a jsou zde patrné výrazné sezonní výkyvy. Vzhledem k těmto výkyvů se zde neočekává nalezení kointegračního vztahu s Českou republikou. 31

Graf č. 3b: Vývoj cen mléka 50

45

40 ČR

35

Německo Itálie

30

Litva Lucembursko

25

Maďarsko Rakousko

20

VII-…

I-13

VII-…

I-12

VII-…

I-11

VII-…

I-10

VII-…

I-09

VII-…

I-08

VII-…

I-07

VII-…

I-06

VII-…

I-05

VII-…

I-04

I-03

10

VII-…

15

Zdroj: Autor

2.4 Testy kointegrace Hledání kointegračních vztahů bude probíhat ve dvou krocích. Pomocí testu stopy zahrnutému v Johansenově testu se nejprve zjistí počet kointegračních vztahů mezi státy bez České republiky a následně se k těmto státům zahrne i Česká republika a bude se pozorovat změna počtu nalezených kointegračních vztahů. Země vybrané pro testování kointegrace jsou Estonsko, Španělsko, Itálie, Litva, Lucembursko, Maďarsko, Polsko a Slovensko.

Tabulka č. 5: Test stopy zemí bez ČR Hodnost kointegrace 0 1 2 3 4 5 6 7 8 9

Trace test

p-hodnota

442,82 267,52 193,01 137,51 88,89 61,86 36,26 20,34 10,86 2,54

0,0000 0,0002 0,0186 0,0228 0,6405 0,3579 0,6776 0,7907 0,3561 0,1107

Zdroj: Autor

32

Test stopy v tabulce č. 5 nalezl mezi 10 vybranými zeměmi, mezi kterými není zařazena Česká republika, 4 kointegrační vztahy. Nyní se stejný test provede znovu, ale mezi testované země bude zařazena i Česká republika.

Tabulka č. 6: Test stopy zemí s ČR Hodnost kointegrace 0 1 2 3 4 5 6 7 8 9 10

Trace test

p-hodnota

524,85 332,90 238,16 181,59 129,17 87,01 55,35 29,84 15,12 6,81 1,51

0,0000 0,0000 0,0001 0,0015 0,0284 0,1713 0,4072 0,7282 0,7757 0,6057 0,2185

Zdroj: Autor

V tabulce č. 6 je vidět, že přidáním České republiky se počet kointegračních vztahů zvýšil o 1. Z těchto dat lze předpokládat existence kointegračního vztahu mezi Českou republikou a jednou další zemí. Země, se kterou existuje kointegrační vztah se bude hledat pomocí párových Johansenových testů.

33

Tabulka č. 7: Párový Johansenův test Země ČR - Německo ČR - Estonsko ČR - Polsko ČR - Slovensko ČR - Španělsko ČR - Itálie ČR - Litva ČR - Lucembursko ČR - Maďarsko ČR - Rakousko

Hodnost 0

Hodnost 1

15,781 0,0437 13,222 0,1068 15,601 0,0466 25,514 0,0008 19,251 0,0116 13,447 0,0991 15,013 0,0576 26,026 0,0007 22,461 0,0031 18,405 0,0162

3,4533 0,0631 0,82893 0,3626 5,8088 0,0159 3,362 0,0667 5,3856 0,0203 3,7611 0,0525 0,02486 0,8747 4,6333 0,0314 5,0756 0,0243 2,7439 0,0976

Zdroj: Autor

Výsledky párového Johansenova testu v tabulce č. 7 odhalily několik možných kointegračních vztahů. Přesněji u Německa, Slovenska a Rakouska. Tyto země se dále otestují pomocí Engle-Grangerova testu. Vzhledem k sezonním vlivům se bude testovat řád zpoždění 12, aby tak došlo k jejich eliminaci. Tabulka č. 8: Engle-Grangerův test ČR - Německo Zpoždění Země p-hodnota ADF testu Česká republika 12 0,1227 Německo 12 0,02506 Kointegrační regrese - závisle proměnná: Česká republika

const Německo

koeficient 5,20839 0,746918

směr. chyba 1,32912 0,042616

ADF test reziduí kointegrační regrese Zdroj: Autor

34

p-hodnota 0,0001 4,81E-36 0,2067

Tabulka č. 9: Engle-Grangerův test ČR - Slovensko Zpoždění Země p-hodnota ADF testu Česká republika 12 0,1227 Slovensko 12 0,1328 Kointegrační regrese - závisle proměnná: Česká republika

Const Slovensko

koeficient 5,50815 0,840521

směr. chyba 0,651947 0,0237558

ADF test reziduí kointegrační regrese

p-hodnota 5,11E-14 1,38E-68 0,03627

Zdroj: Autor

Tabulka č. 10: Engle-Grangerův test ČR - Rakousko Zpoždění Země p-hodnota ADF testu Česká republika 12 0,1227 Rakousko 12 0,02562 Kointegrační regrese - závisle proměnná: Česká republika

Const Rakousko

koeficient 1,65971 0,816359

směr. chyba 1,42138 0,0432626

p-hodnota 2,45E-01 4,80E-39

ADF test reziduí kointegrační regrese

0,1221

Zdroj: Autor

V tabulkách č. 8 - 10 jsou výsledky Engle-Grangerova testu provedeného na České republice a Německu, Slovensku resp. Rakousku. Německo a Rakousko je při zpoždění 12 vyhodnoceno jako stacionární, takže nelze uvažovat o existenci kointegračního vztahu. Následný ADF test prováděný na reziduích z kointegrační regrese naopak posoudit u obou těchto zemí jako nestacionární. Můžeme tedy tvrdit, že Německo a Rakousko nepatří na společný geografický trh s Českou republikou, avšak vzhledem k výsledným hodnotám lze říci, že je nepochybná závislost mezi těmito zeměmi. Naopak u Slovenska byl potvrzen kointegrační vztah a patří tedy na společný trh s Českou republikou. V tabulce č. 11 je odhadnutý model korekce chyb na kointegrovaných časových řadách České republiky a Slovenska a v grafu č. 4 s ním spojené impulzní odezvy.

35

Tabulka č. 11: VEC model Česká republika - Slovensko Adjustační vektor (α) Kointegrační vektor (β) Česká republika -0,60397 1 Slovensko -0,22912 -0,73292 Závislá proměnná Česká republika

Slovensko

Koeficient

Směr. chyba

p-hodnota

Koeficient

Směr. chyba

p-hodnota

const

5,11927

1,18534

0,00004

const

1,9959

1,07524

0,06649

d_CR__1

0,498592

0,13112

0,00025

d_CR__1

0,628779

0,118942

<0,00001

d_CR__2

0,73392

0,141664

d_CR__3

0,306675

0,159902

<0,00001

d_CR__2

0,497144

0,128506

0,0002

0,0581

d_CR__3

0,13201

0,14505

0,36505

d_CR__4

0,261699

0,156452

0,09764

d_CR__4

0,0379328

0,14192

0,78983

d_CR__5

0,362606

0,144875

0,01401

d_CR__5

0,353905

0,131419

0,00836

d_CR__6

0,259903

0,140142

0,06673

d_CR__6

0,199256

0,127125

0,12031

d_CR__7

0,22536

0,133617

0,09493

d_CR__7

0,356256

0,121206

0,00412

d_CR__8

0,325934

0,132267

0,01551

d_CR__8

0,304257

0,119982

0,01283

d_CR__9

0,315079

0,132951

0,01979

d_CR__9

0,138309

0,120602

0,25431

d_CR__10

-0,00834342

0,136349

0,95133

d_CR__10

-0,0296169

0,123684

0,81126

d_CR__11

-0,0969457

0,128332

0,45184

d_CR__11

0,11104

0,116412

0,34255

d_SK_1

-0,390262

0,153905

0,01284

d_SK_1

-0,267639

0,13961

0,05821

d_SK_2

-0,191347

0,154851

0,21959

d_SK_2

0,0395637

0,140468

0,77881

d_SK_3

-0,054366

0,147442

0,71314

d_SK_3

0,0243518

0,133747

0,85591

d_SK_4

-0,295902

0,131561

0,02679

d_SK_4

-0,372351

0,119342

0,00239

d_SK_5

-0,446336

0,125621

0,00059

d_SK_5

-0,380877

0,113953

0,00119

d_SK_6

-0,199215

0,134924

0,14308

d_SK_6

-0,18578

0,122392

0,13232

d_SK_7

-0,135409

0,131589

0,30605

d_SK_7

-0,146943

0,119367

0,22132

d_SK_8

-0,293817

0,129618

0,02565

d_SK_8

-0,326376

0,117578

0,00662

d_SK_9

-0,0436818

0,131602

0,74067

d_SK_9

-0,116246

0,119378

0,33262

d_SK_10

0,146791

0,118802

0,21963

d_SK_10

-0,0524052

0,107768

0,62788

d_SK_11

0,0505474

0,100261

0,61531

d_SK_11

0,123386

0,0909488

0,17807

EC1

-0,603971

0,139854

0,00004

EC1

-0,229119

0,126864

0,07405

Tučně jsou zvýrazněny významné zpožděné proměnné na 10% hladině.

Zdroj: Autor

36

Graf č. 4: Impulzní odezvy VECM ČR a Slovenska 2.5 2 1.5 1

Slovensko ČR

0.5 0 1

5

9

13

17

21

-0.5 -1

Zdroj: Autor

Z grafu impulzních odezev z VEC modelu v grafu č. 4 lze usuzovat, že vliv impulzu v českých cenách se ve slovenských projevuje méně a spíše krátkodobě. Naopak české ceny reagují na impulz ve slovenských mnohem více a odeznění vlivu impulzu trvá podstatně déle.

2.5 Test Grangerových kauzalit Výchozím krokem pro testování Grangerových kauzalit je sestavení VAR (k) modelů. Jak již bylo zmíněno v teoretické části, je nezbytné, aby byly testované časové řady buď stacionární nebo nestacionární ale kointegrované. Vzhledem k předchozím výsledkům testů kointegrace, které prokázaly, že ne všechny řady jsou kointegrované, je nezbytné použít řady transformované na tempa růstu.

Před samotným sestavením modelů je nutné stanovit řád zpoždění k. Na základě hodnot informačních kritérií jsou vybrány jako nejvhodnější sestavovat VAR (2) modely pro vybrané země Česká republika, Německo, Estonsko, Španělsko, Itálie, Litva, Lucembursko, Maďarsko, Rakousko, Polsko a Slovensko.

Výsledky VAR (2) modelů s t-testy statistické významnosti jsou v tabulkách č. 12, 15, 16 a v příloze č. 2 v tabulkách č. 19 – 26. F-testy sdružené hypotézy o nulovém vlivu na Českou republiku jsou v tabulce č. 12, F-test vlivu České republiky na ostatní vybrané země je v tabulce č. 14. 37

Tabulka č. 12: VAR (2) model se závisle proměnnou ld_ČR Koeficient Směr. t-podíl p-hodnota chyba const ld_ČR__1 ld_ČR__2 ld_Německo_1 ld_Německo_2 ld_Estonsko_1 ld_Estonsko_2 ld_Španělsko_1 ld_Španělsko_2 ld_Itálie_1 ld_Itálie_2 ld_Litva_1 ld_Litva_2 ld_Lucembursko_1 ld_Lucembursko_2 ld_Maďarsko_1 ld_Maďarsko_2 ld_Rakousko_1 ld_Rakousko_2 ld_Polsko_1 ld_Polsko_2 ld_Slovensko_1 ld_Slovensko_2

-0,00101 -0,12358 0,22778 0,20715 0,24520 0,06784 -0,02936 0,24085 0,32563 0,12271 0,01278 0,03999 -0,03821 -0,08512 -0,39477 0,09995 -0,03054 -0,02289 0,05942 0,19890 0,07774 -0,17646 -0,00218

F-test pro nulová omezení: Země F-test ld_ČR ld_Německo ld_Estonsko ld_Španělsko ld_Itálie ld_Litva ld_Lucembursko ld_Maďarsko ld_Rakousko ld_Polsko ld_Slovensko

0,00247 0,10334 0,10840 0,11114 0,11640 0,10668 0,09759 0,20130 0,19995 0,14171 0,14525 0,05232 0,05437 0,14356 0,13645 0,06561 0,06722 0,08835 0,09054 0,10245 0,10514 0,11161 0,11295

-0,40920 -1,19590 2,10130 1,86380 2,10660 0,63590 -0,30080 1,19650 1,62860 0,86600 0,08800 0,76430 -0,70280 -0,59290 -2,89320 1,52330 -0,45430 -0,25910 0,65630 1,94150 0,73940 -1,58110 -0,01930

0,68323 0,23440 0,03798 0,06512 0,03751 0,52619 0,76414 0,23418 0,10637 0,38847 0,93007 0,44636 0,48374 0,55449 0,00463 0,13067 0,65054 0,79604 0,51307 0,05486 0,46128 0,11683 0,98462

Testová statistika

P-hodnota

3,5414 3,8768 0,2419 4,2254 0,3755 0,5017 5,0371 1,6040 0,3183 2,5904 1,3131

0,0324 0,0237 0,7856 0,0172 0,6879 0,6069 0,0081 0,2059 0,7281 0,0797 0,2733

F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106) F(2, 106)

Zdroj: Autor

38

Nejprve se bude zkoumat, které státy kauzálně působí na Českou republiku. Tabulka č. 12 znázorňuje VAR (2) model s Českou republikou jako závisle proměnnou. Z hodnot F-testů, které testují vliv jednotlivých zemí na ceny v České republice, je vidět, že z vybraných zemí má významný vliv jen Německo, Španělsko, Lucembursko a Polsko. U ostatních zemí F-test nezamítl nulovou hypotézu a tedy nemají kauzální vliv na Českou republiku. Vliv Německa a Polska je vzhledem k blízkosti a objemu exportu očekávaný. Graf č. 5 popisuje, jak se změní tempo růstu cen v České republice, pokud dojde v Německu k impulzu o velikosti 0,026702 (směrodatná chyba regrese VAR(2) modelu z tabulky č. 12). Totéž, ale z pohledu Polska popisuje graf č. 6. Graf č. 5: Reakce ČR na impulz v Německu o velikosti 0,026702

Zdroj: Autor

39

Graf č. 6: Reakce ČR na impulz v Polsku o velikosti 0,026702

Zdroj: Autor

Z grafů č. 5 a 6 je patrné, že vliv Německa na Českou republiku je mnohem výraznější a vliv šoku přetrvává déle. Naopak dojde-li k šoku v Polsku je reakce českých cen menší a odeznění šoku je velmi rychlé. Vzhledem k 90% intervalu spolehlivosti vyvolá šok, kromě prvního období, téměř nevýznamnou reakci.

Naopak vliv Španělska a Lucemburska je velmi zvláštní. V příloze č. 1 jsou tabulky exportů sušeného mléka (tabulka č. 17) a sušeného odstředěného mléka (tabulka č. 18) do jednotlivých zemí Evropské unie. Z těchto je patrné, že obchod České republiky s Lucemburskem i Španělskem není s těmito komoditami žádný. Nelze tedy předpokládat, že existuje nějaký skutečný vliv na ceny v České republice.

40

Tabulka č. 13: Korelace - Španělsko, Lucembursko ld_Španělsko ld_Lucembursko ld_ČR 0,40 0,40 ld_Německo 0,62 0,79 ld_Estonsko 0,51 0,44 ld_Španělsko 1 0,73 ld_Itálie 0,33 0,36 ld_Litva 0,55 0,58 ld_Lucembursko 0,73 1 ld_Maďarsko 0,33 0,39 ld_Rakousko 0,54 0,60 ld_Polsko 0,46 0,57 ld_Slovensko 0,51 0,50

Zdroj: Autor Z hodnot korelačních koeficientů Španělska a Lucemburska v tabulce č. 13 je zřejmá vysoká vzájemná korelovanost těchto zemí a navíc i vysoká korelovanost s Německem. Tu lze částečně dovodit i z VAR (2) modelů v příloze č. 2 v tabulkách č. 19, 21 a 23. Spíše tedy než kauzální působení těchto zemí, bych předpokládal, že jde o vliv způsobený vzájemnou provázaností evropských trhů a společným vlivem Německa.

Nyní se bude zkoumat, na které země kauzálně působí Česká republika. V tabulce č. 14 jsou testové statistiky a jim odpovídající p-hodnoty F-testů z VAR (2) modelů, které měří významnost vlivu České republiky na uvedené země. Významný vliv představuje zamítnutí nulové hypotézy.

Tabulka č. 14: Vliv České republiky na vybrané země Testová Závislá proměnná F-test P-hodnota statistika F(2, 106) 1,03310 0,3595 Německo F(2, 106) 0,79354 0,4549 Estonsko F(2, 106) 0,76490 0,4679 Španělsko F(2, 106) 8,41020 0,0004 Itálie F(2, 106) 0,73848 0,4803 Litva F(2, 106) 0,06517 0,9369 Lucembursko F(2, 106) 1,81350 0,1681 Maďarsko F(2, 106) 0,20120 0,8181 Rakousko F(2, 106) 0,31465 0,7225 Polsko F(2, 106) 6,39050 0,0024 Slovensko Zdroj: Autor

41

Významný kauzální vliv České republiky, byl prokázán jen na tempa růstu cen mléka Itálie a Slovenska. U ostatních zemí je kauzální vliv nevýznamný, nedošlo k zamítnutí nulové hypotézy. Modely států, na které kauzálně nepůsobí Česká republika, jsou v příloze č. 2 v tabulkách č. 19 – 26.

V tabulkách č. 15 a 16 jsou VAR(2) modely se závisle proměnnými Slovenskem a Itálií, u kterých byl prokázán kauzální vliv České republiky. Tyto modely popisují, jak uvedené vysvětlující proměnné ovlivňují tempa růstu cen a jejich statistickou významnost. Dále v grafech č. 7 a 8 jsou reakce těchto zemí na impulz v České republice o velikosti směrodatné chyby dané regrese.

Tabulka č. 15: VAR (2) model se závisle proměnnou ld_Slovensko

const ld_ČR__1 ld_ČR__2 ld_Německo_1 ld_Německo_2 ld_Estonsko_1 ld_Estonsko_2 ld_Španělsko_1 ld_Španělsko_2 ld_Itálie_1 ld_Itálie_2 ld_Litva_1 ld_Litva_2 ld_Lucembursko_1 ld_Lucembursko_2 ld_Maďarsko_1 ld_Maďarsko_2 ld_Rakousko_1 ld_Rakousko_2 ld_Polsko_1 ld_Polsko_2 ld_Slovensko_1 ld_Slovensko_2

Koeficient

Směr. Chyba

t-podíl

p-hodnota

0,00087 0,34335 0,21336 0,01306 -0,07414 -0,07916 -0,08456 0,30902 -0,16353 -0,03149 0,05627 0,02822 -0,01950 0,08467 -0,00747 0,01213 -0,03687 0,16392 -0,09627 0,12820 0,03004 0,10277 0,16722

0,0025 0,1037 0,1088 0,1115 0,1168 0,1070 0,0979 0,2020 0,2006 0,1422 0,1457 0,0525 0,0545 0,1440 0,1369 0,0658 0,0674 0,0886 0,0908 0,1028 0,1055 0,1120 0,1133

0,3511 3,3117 1,9618 0,1171 -0,6348 -0,7396 -0,8637 1,5301 -0,8152 -0,2215 0,3861 0,5377 -0,3574 0,5879 -0,0545 0,1842 -0,5468 1,8493 -1,0598 1,2473 0,2847 0,9178 1,4756

0,7263 0,0013 0,0524 0,9070 0,5269 0,4612 0,3897 0,1290 0,4168 0,8251 0,7002 0,5919 0,7215 0,5579 0,9566 0,8542 0,5857 0,0672 0,2916 0,2151 0,7764 0,3608 0,1430

Zdroj: Autor

42

Tabulka č. 16: VAR (2) model se závisle proměnnou ld_Itálie


Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00015 0,07853 0,29687 0,01437 0,23984 -0,05007 0,00514 0,26335 -0,10375 -0,01525 -0,10317 -0,02399 -0,05242 0,04733 -0,11975 -0,02451 -0,07415 0,01923 -0,03104 -0,01249 -0,12076 0,06224 0,10207

0,0017 0,0693 0,0726 0,0745 0,0780 0,0715 0,0654 0,1349 0,1340 0,0950 0,0973 0,0351 0,0364 0,0962 0,0914 0,0440 0,0450 0,0592 0,0607 0,0687 0,0705 0,0748 0,0757

0,0922 1,1339 4,0863 0,1930 3,0745 -0,7003 0,0786 1,9521 -0,7742 -0,1605 -1,0598 -0,6843 -1,4386 0,4920 -1,3095 -0,5575 -1,6461 0,3248 -0,5116 -0,1820 -1,7137 0,8321 1,3484

0,9267 0,2594 0,0001 0,8474 0,0027 0,4853 0,9375 0,0536 0,4405 0,8728 0,2916 0,4953 0,1532 0,6238 0,1932 0,5784 0,1027 0,7460 0,6100 0,8560 0,0895 0,4072 0,1804

Zdroj: Autor

43

Graf č. 7: Reakce Slovenska na impulz v ČR o velikosti 0,026789

Zdroj: Autor

Graf č. 8: Reakce Itálie na impulz v ČR o velikosti 0,017895

Zdroj: Autor

44

Reakce tempa růstu cen Itálie na impulz v českých cenách je malá a rychle odeznívá, ale může přetrvávat i delší období. Reakce Slovenska je výraznější a šok přetrvává poněkud déle.

Test Grangerových kauzalit odhalil, že největší vliv na změnu českých cen působí Německo a Polsko. Významný byl i vliv Lucemburska a Španělska. S těmito zeměmi však neprobíhá obchod, proto byl, vzhledem k vysokým vzájemným korelačním koeficientům a korelačním koeficientům s Německem, tento vliv vyhodnocen spíše jako přenesený vliv Německa jakožto společného obchodního partnera. Velikost vlivu na změnu českých cen a jeho postupné odeznívání je popsáno v grafech reakcí na impulzy.

Vliv České republiky na ostatní zkoumané země není moc silný. Kauzální vliv byl prokázán na ceny v Itálii a Slovensku, ovšem tento vliv je podle grafů impulzních odezev velmi malý. Délka trvání reakce se ovšem lišila. Slovensko, u kterého byl v předchozí kapitole nalezen kointegrační vztah, má velmi krátkou odezvu na impulz. Toto je způsobeno právě existencí kointegrace. Naopak u Itálie dochází k odeznění impulzu mnohem pomaleji, ten přetrvává déle než půl roku po jeho začátku.

45

Závěr Cílem této bakalářské práce bylo vymezit relevantní geografický trh mléka České republiky na základě cenové analýzy. Tato analýza byla provedena na datech Evropské komise pro zemědělství a rozvoj venkova v období 2003 – 2013.

Prvním krokem při vymezení trhu byly testy stacionarity, které vyhodnotily všechny testované časové řady jako nestacionární. Proto se korelační analýza a Grangerovy kauzality prováděly na stacionárních tempech růstu cen.

Dalším krokem byla korelační analýza, která byla použita pro nalezení států, jejichž tempa růstu cen byla lineárně závislá s tempem růstu českých cen mléka. Bylo nalezeno 10 států s korelačním koeficientem vyšším než 0,4. Byly to země Německo, Estonsko, Španělsko, Itálie, Litva, Lucembursko, Maďarsko, Rakousko, Polsko a Slovensko. Tyto státy byly vybrány pro testování kointegrace a Grangerových kauzalit.

Nejdůležitější metoda aplikovaná v této práci byla kointegrační analýza, která testuje existenci kointegračního vztahu mezi řadami. Test stopy v Johansenově testu kointegrace nalezl mezi 10 vybranými státy 4 kointegrační vztahy. Po přidání České republiky mezi vybrané testované státy se počet nalezených kointegračních vektorů zvýšil na 5. Pomocí párových Johansenvých testů a Engle-Grangerových testů kointegrace byl nalezen kointegrační vztah a tedy dlouhodobý vztah mezi Českou republikou a Slovenskem. Následně byl pro kointegrované řady sestaven VEC model a graf impulzních odezev. Z těchto grafů lze říci, že impulz v českých cenách se ve slovenských projeví krátkodobě, naopak impulz ve slovenských cenách má dlouhodobější vliv na ceny české.

Posledním testem využitým v této práci byl test Grangerových kauzalit, který hledal kauzální vlivy působící mezi jednotlivými zeměmi. K testování byl použit VAR (2) model. Významný vliv na Českou republiku byl nalezen u Německa a Polska, se kterými probíhá intenzivní obchod. Analýza grafů impulzních odezev ukázala významný vliv Německa působící na Českou republiku. Vliv Polska je mnohem menší a téměř nevýznamný. Dále byl nalezen vliv u Lucemburska a Španělska, ovšem tento vliv byl vyhodnocen jako zkreslený a spíš způsobený společným vlivem Německa. 46

Naopak při testování vlivu České republiky na ceny ostatních zemí byl nalezen vliv na Slovensko a Itálii. Podle grafů impulzních odezev je vliv impulzu v České republice na Itálii menší, ale rychlost odeznění reakce na šok může být krátká, ale také až půl roku. Na rozdíl od Slovenska, kde síla odezvy je mnohem větší a vliv impulzu přetrvává delší období.

Vzhledem k nalezeným kointegračním vztahům lze zčásti vymezit geografický trh s mlékem pro Českou republiku. Stát, který má nejlepší předpoklady být zařazen na společný trh, je Slovensko. S jistotou lze toto tvrzení dokázat aplikováním podrobnější analýzy. Ovšem působí zde výrazné vlivy z okolních trhů a zemí, především z Německa a částečně i z Polska. Přestože nebyly tyto země zařazeny na společný trh s Českou republikou, nelze jejich význam opominout.

47

Seznam použitých zdrojů Literatura [1]

ARLT, Josef a Markéta ARLTOVÁ. Ekonomické časové řady. Vyd. 1. Praha: Professional Publishing, 2009, 290 s. ISBN 9788086946856.

[2]

DAVIS, Peter J a Eliana GARCÉS. Quantitative techniques for competition and antitrust analysis. Princeton: Princeton University Press, 2010, xi, 580 s. ISBN 9780691142579.

[3]

ENDERS, Walter. Applied econometric time series. 3rd ed. Hoboken: Wiley, c2010, xiv, 516 s. ISBN 9780470505397.

[4]

FULLER, Wayne A. Introduction to statistical time series. New York: Wiley, c1976, ix, 470 p. ISBN 0471287156.

[5]

HALDRUP, Niels. Empirical analysis of price data in the delineation of the relevant geographical market in competition analysis. Working Paper No. 2003-9. ISSN 1396-2426.

[6]

HALDRUP, N, P MOLLGAARD a C K NIELSEN. Sequential Versus Simultaneous Market Delineation: The Relevant Antitrust Market for Salmon. , 2008, roč. 4, s. 893-913.

[7]

KWIATKOWSKI, D., PHILLIPS, P.C.B., SCHMIDT, P., SHIN, Y., 1992, Testing the Null Hypothesis of Stacionarity against the Alternative of a Unit Root. Journal of Econometrics, 54, 159-178.

[8]

MACKINNON, J.G., 1991, Critical values for Co-integration Tests, in R.F. Engle and C.W.J. Granger (eds), Long-Run Economic Relationships, Oxford University Press, 267-276.

48

[9]

SLANÝ, Antonín. Makroekonomická analýza a hospodářská politika. Vyd. 1. Praha: C.H. Beck, 2003, xiii, 375 s. Beckovy ekonomické učebnice. ISBN 8071797383.

[10] Zákon č. 143/2001 Sb., o ochraně hospodářské soutěže.

Internetové zdroje [11] Nařízení Evropského parlamentu a Rady EU č. 261/2012 ze dne 14. března 2012 Dostupné z: http://eur-lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:2012: 094:0038:0048:CS:PDF

[12] Zemědělství a rozvoj venkova: CAP overview [online]. 2015 [cit. 2015-4-15] Dostupné z: http://ec.europa.eu/agriculture/cap-overview/2014_en.pdf

[13] Zemědělství a rozvoj venkova: A short history of milk quotas [online]. 2015 [cit.

2015-4-15]

Dostupné

z:

http://ec.europa.eu/agriculture/milk-quota-

end/history/index_en.htm

[14] Zemědělství a rozvoj venkova: Milk and milk products [online]. 2015 [cit. 2015-415] Dostupné z: http://ec.europa.eu/agriculture/milk/index_en.htm

[15] Zemědělství a rozvoj venkova: The „Milk Package“ [online]. 2015 [cit. 2015-4-15] Dostupné z: http://ec.europa.eu/agriculture/milk/milk-package/index_en.htm

Datové zdroje [16] Evropská komise, zemědělství a rozvoj venkova: EU historical prices [online].

2014 [cit. 2014-4-28] Dostupné z: http://ec.europa.eu/agriculture/milk-marketobservatory/pdf/eu-historical-price-series_en.xls

49

Seznam tabulek

Tabulka č. 1: Testy stacionarity cen mléka Tabulka č. 2: Testy stacionarity temp růstu cen mléka Tabulka č. 3: Korelační koeficienty cen mléka vybraných zemí EU s ČR Tabulka č. 4: Korelační koeficienty temp růstu cen mléka vybraných zemí EU s ČR Tabulka č. 5: Trace test zemí bez ČR Tabulka č. 6: Trace test zemí s ČR Tabulka č. 7: Párový Johansenův test Tabulka č. 8: Engle-Grangerův test ČR - Německo Tabulka č. 9: Engle-Grangerův test ČR - Slovensko Tabulka č. 10: Engle-Grangerův test ČR - Rakousko Tabulka č. 11: VEC model Česká republika - Slovensko Tabulka č. 12: VAR (2) model se závisle proměnnou ld_ČR Tabulka č. 13: Korelace - Španělsko, Lucembursko Tabulka č. 14: Vliv České republiky na vybrané země Tabulka č. 15: VAR (2) model se závisle proměnnou ld_Slovensko Tabulka č. 16: VAR (2) model se závisle proměnnou ld_Itálie

Seznam grafů Graf č. 1: Podíl produkce mléka 27 zemí EU Graf č. 2: 5 největších exportérů plnotučného kravského mléka (r. 2011) Graf č. 3: Vývoj cen mléka Graf č. 4: Impulzní odezvy VECM ČR a Slovenska Graf č. 5: Reakce ČR na impulz v Německu o velikosti 0,026702 Graf č. 6: Reakce ČR na impulz v Polsku o velikosti 0,026702 Graf č. 7: Reakce Slovenska na impulz v ČR o velikosti 0,026789 Graf č. 8: Reakce Itálie na impulz v ČR o velikosti 0,017895

50

Seznam použitých zkratek

HMT ..................................... Test hypotetického monopolisty SSNIP test ............................. Small but Significant Non-transitory Increase of Price test EU ......................................... Evropská unie ČR ......................................... Česká republika FAO ...................................... Organizace pro výživu a zemědělství SZP, CAP .............................. Společná zemědělská politika ADF test ................................ Rozšířený Dickey-Fullerův test KPSS test .............................. Kwiatkowski, Phillips, Schmidt, Shin test VAR(k) model....................... Vektorový autoregresní model řádu k VEC model ........................... Vektorový model korekce chyb AIC........................................ Akaikeho informační kriterium Konst, const .......................... Konstanta

51

Seznam příloh Příloha č. 1: Vnitřní obchod Evropské unie Tabulka č. 17: Vnitřní obchod EU se sušeným mlékem Tabulka č. 18: Vnitřní obchod EU s odstředěným sušeným mlékem

Příloha č. 2: VAR (2) modely Grangerových kauzalit Tabulka 19: VAR (2) model se závisle proměnnou ld_Německo Tabulka 20: VAR (2) model se závisle proměnnou ld_Estonsko Tabulka 21: VAR (2) model se závisle proměnnou ld_Španělsko Tabulka 22: VAR (2) model se závisle proměnnou ld_Litva Tabulka 23: VAR (2) model se závisle proměnnou ld_Lucembursko Tabulka 24: VAR (2) model se závisle proměnnou ld_Maďarsko Tabulka 25: VAR (2) model se závisle proměnnou ld_Rakousko Tabulka 26: VAR (2) model se závisle proměnnou ld_Polsko

52

Příloha č. 1: Vnitřní obchod Evropské unie Tabulka č. 17: Vnitřní obchod EU se sušeným mlékem

Croatia

727

239

526

226

6

156

3

48

0

1 490

1 569

1579

2368

462

147

202

26 302

1 116

32 351

9 186

53 30

256

2834

7 648

225

371

440

651

107

274

333

2779

3 998

5440

264

685

155

119

2

22

72

4849

604

360

168

171

1735

1

360

268

7 166

70

2

3

2

81

24

487

138

134

101

565

370

1

3

7

1639

76

27

3974

25

16

247

49

24

470

8

533

1

412 408

2

57

9

6

72

325

351

1

62

24

69

22

342

1

509

336

526

4

24

19

1

2

109

3

3 51 4

43

24

95

1

1

484

184

292

107

8

110

130

55

1

1019

10

362

5

7

19

81

65

0

0

559

406

96

201

8

273

6

0

23

9

2009

44

103

46

0

214

0

0 9

30

0

1

0

119

0

55 243

34

4

19

79

23

1

110

738

1 169

240

0 0

36

0 0

0

22

41 800

10

19

20 781

3

0

231

242

8

34

0

0

0

372 3

99

18

5 462 1 1 0

0

13

0

463

0

2

0

6

0

2

0 0

94

121

0

514

0

0

0

0 0

66 3

10

0

3

2 579 7

1 019

573 1

356

39

233

0

161 103 1

0

0

4 394

743

0 3

4 841

2 725

0

160 16

9 589 7 704

267

121

44

8

13 827

5

0

0

45 533

15 353

103 0

93

97 96

26

62

1


1

1

0 20

0

442

18

0

11

2

0

1

30 2

13

57

18

74

8

1 0

426

50 478

41

4

51

5 9

1

43

10

0

15

244

49

855

1

107

248

22

1

0 0

11

0

9

0

0

27

3

Slovenia

566

0

2

1572

1683

Grand Total

2731

Finland

4000

123

Malta

1 943

1

8

Cyprus

8239

0

1

Luxembourg

2 839

0

61

Latvia

4 494

1

0 528

Portugal

7

Croatia

20

Estonia

41

Lithuania

26

966

Slovak Republic

305

26

Hungary

2

267

Greece 495

3 729

Austria 0

5 106

Poland 268

14393

2 769

Spain 500

9 442

Romania

1982

901

394

Sweden

7 606

Denmark

187

Bulgaria

9 031

Czech Republic

7 984

Italy

10 924

Belgium

1356

4 475

United Kingdom

8 149

Ireland

39 793

Germany

Netherlands

Exporting MS Belgium France Germany United Kingdom Netherlands Poland Ireland Sweden Spain Czech Republic Portugal Austria Slovak Republic Denmark Italy Latvia Finland Romania Bulgaria Hungary Slovenia Estonia Lithuania Luxembourg Greece

France

Destination

26 1

0

6

24 16

58 38

Tabulka č. 18: Vnitřní obchod EU s odstředěným sušeným mlékem

Czech Republic

Cyprus

Latvia

Estonia

Luxembourg

Slovenia

Malta

Finland

Grand Total

20 656

5 959

7 080

12 991

11 430

2 834

3 083

637

1 340

186

945

2 248

469

371

2 543

504

26

53

226

66

64

145

211 059

1 398

7 223

196

111

33

443

841

1 194

190

424

914

98

355

152

4

203

201

3

68

15

81

101

104 763

569

4 372

69

512

631

296

954

172

74

86

137

1

1

269

0

25

339

0

25

60 313

741

17

408

266

5 895

281

16

895

839

993

236

1

1 055

0

330

84

300

776

20

425

1 358

131

256

1 347

160

212

117

0

283

54

13

0

6

0

633

1

0

0

33

0

4

89

8

0

0

2 912

11 011

1 990

1 000

1 009

11 973

3 414

3 752

4 366

16

5 582

808

25

1 245

571

430

2 585

203

597

2 117

488

8 434

177

4 398

344

942

11

33

134

162

1 378

988

860

24

899

0

1 193

176

349

700

156

3 156 2 550

138

445

779

142

145

1

2 836

1 129

268

1 130

4

245

1 689

25

141

1 147

20

128

474

245

365

214

322

35

37 3 139

4

77

26

202

4

39

71

5

2

3

0

93

2

130

147

45

32

34

35 156

21

0

28 587

69

19 026

361 0

110

20

8

699

275

1

659

1

15

1 291

0 122

0

26

72

15

14

1 658

10

5

3

620

20

0

1

2

17

290

1

1 131 1

0

8 739

50

23

0

4

2

0

24 1

21 344

11 302

0

8 150

0 423

9

36 900

60

1 996

1

2

7 522

23

0

5 131

2

4 061

46

15

3 891

22 107

8

6 026

1 183 41

5

1

10 2

1 617 0

220

1

0

216

66

0

684

2

1

0

442

61

88

78

0

0

43

7

46

46

Croatia

0

66

0


96

9

22

1

78

31

2

34

12

70

26

88

57

3

197

2 132 788

538

44

111

245

0

2

155

29

0

227

50

0

791

1

970

9

75

0

24

0

326

0

598

0

28

19

22

217

105

80

0

1

2 382

1 562

144

0

1 226

81

262

8

1 44

1 348

762

255

196

16

662

1 474

8 923

885

775

0

941

Croatia

Slovak Republic

9 274

Sweden

Hungary

4 158

Lithuania

8 466

Romania

5 986

Portugal

10 628

Greece

5 080

Bulgaria

6 519

Austria

6 358

Denmark

7 129

Ireland

2 738

17 014

United Kingdom

10 780

11 904

21 420

Poland

24 342

13 543 5 251

France

11 068

Spain

30 690

35 765

Belgium

71 791

Germany

Italy

Exporting MS Germany France Belgium Poland Netherlands United Kingdom Ireland Sweden Lithuania Finland Czech Republic Denmark Latvia Italy Estonia Spain Portugal Bulgaria Slovak Republic Austria Greece Romania Hungary Luxembourg Slovenia

Netherlands

Destination

0

15

5

24

1

2 307

1 112 8

272

3

284 359

2 307

1

1 634 0

8

0

7

1

1 254

86 32

52

1 055

0 8

1 005

0

0

379

21 0

58 1

6

45

2 1

54 1

Příloha č. 2: VAR (2) modely Grangerových kauzalit Tabulka č. 19: VAR (2) model se závisle proměnnou ld_Německo

Koeficient Směr. chyba const ld_ČR__1 ld_ČR__2 ld_Německo_1 ld_Německo_2 ld_Estonsko_1 ld_Estonsko_2 ld_Španělsko_1 ld_Španělsko_2 ld_Itálie_1 ld_Itálie_2 ld_Litva_1 ld_Litva_2 ld_Lucembursko_1 ld_Lucembursko_2 ld_Maďarsko_1 ld_Maďarsko_2 ld_Rakousko_1 ld_Rakousko_2 ld_Polsko_1 ld_Polsko_2 ld_Slovensko_1 ld_Slovensko_2

Zdroj: Autor

0,00175 0,13362 0,09792 0,10797 0,14513 -0,16531 -0,03564 0,55266 -0,29894 0,25133 0,08083 0,05528 -0,03369 0,60287 -0,28925 0,02379 -0,07091 -0,13204 -0,20056 -0,07819 0,01103 -0,06832 0,17472

0,0025 0,1046 0,1097 0,1125 0,1178 0,1079 0,0987 0,2037 0,2023 0,1434 0,1470 0,0529 0,0550 0,1453 0,1381 0,0664 0,0680 0,0894 0,0916 0,1037 0,1064 0,1129 0,1143

t-podíl

p-hodnota

0,6999 1,2780 0,8927 0,9601 1,2322 -1,5315 -0,3609 2,7134 -1,4776 1,7528 0,5500 1,0443 -0,6123 4,1503 -2,0951 0,3583 -1,0426 -1,4771 -2,1892 -0,7543 0,1037 -0,6050 1,5288

0,4855 0,2041 0,3740 0,3392 0,2206 0,1286 0,7189 0,0078 0,1425 0,0825 0,5835 0,2987 0,5416 0,0001 0,0386 0,7209 0,2995 0,1426 0,0308 0,4524 0,9176 0,5465 0,1293

Tabulka č. 20: VAR (2) model se závisle proměnnou ld_Estonsko


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00391 0,11311 0,07157 0,02133 0,16169 0,01924 -0,10535 0,17173 0,26770 0,09059 0,03883 -0,01534 -0,06238 0,14566 0,04587 0,02611 -0,10920 -0,20316 -0,04422 -0,03851 0,03742 0,27071 0,14144

0,0023 0,0973 0,1021 0,1047 0,1096 0,1004 0,0919 0,1895 0,1883 0,1334 0,1368 0,0493 0,0512 0,1352 0,1285 0,0618 0,0633 0,0832 0,0853 0,0965 0,0990 0,1051 0,1064

1,6840 1,1625 0,7012 0,2038 1,4753 0,1915 -1,1465 0,9061 1,4219 0,6790 0,2839 -0,3113 -1,2185 1,0776 0,3570 0,4227 -1,7253 -2,4423 -0,5187 -0,3993 0,3779 2,5761 1,3300

0,0951 0,2477 0,4847 0,8389 0,1431 0,8485 0,2542 0,3670 0,1580 0,4986 0,7770 0,7562 0,2257 0,2836 0,7218 0,6734 0,0874 0,0163 0,6050 0,6905 0,7062 0,0114 0,1864

Tabulka č. 21: VAR (2) model se závisle proměnnou ld_Španělsko


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00060 0,01119 -0,06150 0,16492 0,02256 0,04340 -0,07578 0,58894 0,00173 0,01257 0,02385 -0,03942 -0,05010 0,16573 -0,07991 -0,03890 -0,04742 -0,04286 -0,04189 0,06145 0,03029 0,08249 0,06433

0,0012 0,0509 0,0534 0,0548 0,0573 0,0526 0,0481 0,0992 0,0985 0,0698 0,0716 0,0258 0,0268 0,0707 0,0672 0,0323 0,0331 0,0435 0,0446 0,0505 0,0518 0,0550 0,0556

0,4924 0,2198 -1,1517 3,0118 0,3934 0,8258 -1,5762 5,9386 0,0176 0,1800 0,3333 -1,5293 -1,8703 2,3433 -1,1887 -1,2034 -1,4318 -0,9847 -0,9390 1,2175 0,5848 1,5003 1,1561

0,6234 0,8264 0,2521 0,0033 0,6948 0,4108 0,1180 <0,00001 0,9860 0,8575 0,7395 0,1292 0,0642 0,0210 0,2372 0,2315 0,1551 0,3270 0,3499 0,2261 0,5599 0,1365 0,2503

Tabulka č. 22: VAR (2) model se závisle proměnnou ld_Litva


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00305 0,12435 -0,16191 -0,00015 -0,26984 0,01718 0,01733 0,89048 0,07555 0,29045 -0,26134 0,16252 -0,38199 0,55464 0,16890 0,03010 -0,02815 -0,16249 -0,10081 0,21964 0,20878 0,10484 0,17539

0,0043 0,1813 0,1901 0,1950 0,2042 0,1871 0,1712 0,3531 0,3507 0,2486 0,2548 0,0918 0,0954 0,2518 0,2393 0,1151 0,1179 0,1550 0,1588 0,1797 0,1844 0,1958 0,1981

0,7031 0,6860 -0,8515 -0,0008 -1,3216 0,0918 0,1012 2,5220 0,2154 1,1685 -1,0258 1,7709 -4,0053 2,2026 0,7057 0,2616 -0,2387 -1,0485 -0,6348 1,2222 1,1321 0,5355 0,8852

0,4835 0,4942 0,3964 0,9994 0,1891 0,9270 0,9196 0,0132 0,8299 0,2452 0,3073 0,0795 0,0001 0,0298 0,4819 0,7942 0,8118 0,2968 0,5270 0,2243 0,2602 0,5934 0,3780

Tabulka č. 23: VAR (2) model se závisle proměnnou ld_Lucembursko


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00140 -0,02673 -0,02700 0,13055 0,19243 -0,13181 -0,15238 0,47702 -0,08805 0,37567 0,14612 0,01341 -0,03582 0,61537 -0,21090 0,02550 -0,06538 -0,02831 -0,19211 0,06370 -0,01732 -0,12214 0,14201

0,0022 0,0941 0,0987 0,1012 0,1060 0,0971 0,0889 0,1833 0,1821 0,1290 0,1323 0,0476 0,0495 0,1307 0,1242 0,0597 0,0612 0,0804 0,0824 0,0933 0,0957 0,1016 0,1028

0,6239 -0,2841 -0,2735 1,2900 1,8157 -1,3570 -1,7149 2,6026 -0,4836 2,9114 1,1048 0,2815 -0,7236 4,7077 -1,6975 0,4269 -1,0682 -0,3519 -2,3302 0,6829 -0,1809 -1,2019 1,3808

0,5340 0,7769 0,7850 0,1999 0,0723 0,1777 0,0893 0,0106 0,6297 0,0044 0,2717 0,7789 0,4709 <0,00001 0,0925 0,6703 0,2879 0,7256 0,0217 0,4962 0,8568 0,2321 0,1703

Tabulka č. 24: VAR (2) model se závisle proměnnou ld_Maďarsko


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

-0,00160 0,25337 0,26318 0,06519 -0,02164 -0,09415 -0,24045 0,58876 -0,28641 0,20850 -0,01459 -0,02820 -0,03096 0,12282 -0,25687 -0,26454 -0,15371 0,18903 0,14693 0,21194 0,12021 0,09802 0,25970

0,0041 0,1714 0,1798 0,1843 0,1931 0,1769 0,1619 0,3339 0,3316 0,2350 0,2409 0,0868 0,0902 0,2381 0,2263 0,1088 0,1115 0,1465 0,1502 0,1699 0,1744 0,1851 0,1873

-0,3898 1,4784 1,4639 0,3537 -0,1121 -0,5321 -1,4856 1,7635 -0,8637 0,8871 -0,0606 -0,3250 -0,3433 0,5158 -1,1351 -2,4310 -1,3787 1,2901 0,9784 1,2473 0,6894 0,5296 1,3863

0,6975 0,1423 0,1462 0,7243 0,9110 0,5958 0,1404 0,0807 0,3897 0,3770 0,9518 0,7458 0,7320 0,6071 0,2589 0,0167 0,1709 0,1998 0,3301 0,2150 0,4921 0,5975 0,1686

Tabulka č. 25: VAR (2) model se závisle proměnnou ld_Rakousko


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00088 -0,07934 0,00424 0,18366 0,12796 -0,04189 0,02012 0,24948 0,27139 0,04058 -0,03034 0,07075 -0,05621 0,52780 0,03205 -0,00974 -0,06950 -0,51207 -0,23090 0,07182 -0,13773 0,05666 0,27694

0,0031 0,1289 0,1352 0,1386 0,1452 0,1331 0,1217 0,2511 0,2494 0,1768 0,1812 0,0653 0,0678 0,1791 0,1702 0,0818 0,0838 0,1102 0,1129 0,1278 0,1311 0,1392 0,1409

0,2866 -0,6155 0,0313 1,3247 0,8813 -0,3148 0,1653 0,9936 1,0881 0,2296 -0,1675 1,0842 -0,8288 2,9475 0,1883 -0,1190 -0,8289 -4,6467 -2,0445 0,5620 -1,0502 0,4070 1,9657

0,7750 0,5395 0,9751 0,1881 0,3801 0,7535 0,8690 0,3227 0,2790 0,8189 0,8673 0,2808 0,4091 0,0039 0,8510 0,9055 0,4090 <0,00001 0,0434 0,5753 0,2960 0,6848 0,0520

Tabulka 26: VAR (2) model se závisle proměnnou ld_Polsko


Zdroj: Autor

Koeficient

Směr. chyba

t-podíl

p-hodnota

0,00330 0,05950 0,06210 0,24174 0,11055 -0,09622 -0,04014 0,52965 -0,10823 0,12454 -0,08282 0,16010 0,02952 0,00509 -0,20828 0,14235 -0,01886 -0,09773 -0,04567 0,30627 -0,03944 -0,23255 -0,02832

0,0026 0,1094 0,1148 0,1177 0,1232 0,1129 0,1033 0,2131 0,2117 0,1500 0,1538 0,0554 0,0576 0,1520 0,1445 0,0695 0,0712 0,0935 0,0959 0,1085 0,1113 0,1182 0,1196

1,2633 0,5439 0,5411 2,0545 0,8971 -0,8520 -0,3885 2,4854 -0,5113 0,8302 -0,5386 2,8907 0,5128 0,0335 -1,4419 2,0493 -0,2650 -1,0449 -0,4764 2,8238 -0,3543 -1,9682 -0,2368

0,2093 0,5877 0,5895 0,0424 0,3717 0,3962 0,6984 0,0145 0,6102 0,4083 0,5913 0,0047 0,6091 0,9733 0,1523 0,0429 0,7915 0,2984 0,6348 0,0057 0,7238 0,0517 0,8133

VYMEZENÍ RELEVANTNÍHO GEOGRAFICKÉHO TRHU MLÉKA NA ZÁKLADĚ CENOVÉ ANALÝZY

Recommend Documents