Vliv společného zemědělského trhu EU na český trh s mlékem a mléčnými produkty

Transkript

1 Mendelova univerzia v Brně Provozně ekonomická fakula Vliv společného zemědělského rhu EU na český rh s mlékem a mléčnými produky Bakalářská práce Vedoucí práce: doc. Ing. Václav Adamec, Ph.D. Auorka: Vendula Konvalinová Brno 2015

2 Poděkování Ráda bych poděkovala vedoucímu mé bakalářské práce doc. Ing. Václavu Adamcovi, Ph.D. za odborné vedení práce, vsřícný přísup a za cenné a věcné rady a připomínky, keré mi při zpracování mé bakalářské práce velmi pomohly.

3 Česné prohlášení Prohlašuji, že jsem uo práci: Vliv společného zemědělského rhu EU na český rh s mlékem a mléčnými produky vypracovala samosaně a veškeré použié prameny a informace jsou uvedeny v seznamu použié lieraury. Souhlasím, aby moje práce byla zveřejněna v souladu s 47b zákona č. 111/1998 Sb., o vysokých školách ve znění pozdějších předpisů, a v souladu s planou Směrnicí o zveřejňování vysokoškolských závěrečných prací. Jsem si vědoma, že se na moji práci vzahuje zákon č. 121/2000 Sb., auorský zákon, a že Mendelova univerzia v Brně má právo na uzavření licenční smlouvy a užií éo práce jako školního díla podle 60 ods. 1 Auorského zákona. Dále se zavazuji, že před sepsáním licenční smlouvy o využií díla jinou osobou (subjekem) si vyžádám písemné sanovisko univerziy o om, že předměná licenční smlouva není v rozporu s oprávněnými zájmy univerziy, a zavazuji se uhradi případný příspěvek na úhradu nákladů spojených se vznikem díla, a o až do jejich skuečné výše. V Brně dne 21. kvěna 2015

4 Absrac Konvalinová, V. The effecs of he EU s Common Agriculural Policy on he Czech marke in milk and milk producs. Bachelor hesis. Brno: Mendel Universiy, This bachelor hesis deals wih he effecs of he EU s Common Agriculural Policy on Czech marke in milk and milk producs. Causal relaions beween agriculural producer prices of raw cow s milk in he Czech Republic, in Bavaria and in he Slovak Republic are invesigaed by using a VAR model. The Granger causaliy is also verified beween differen kinds of milk and buer prices in he Czech Republic. For he amoun of purchased milk ino he dairies in he Czech Republic are creaed forecass based on a SARIMA model. All he ime series are processed for he period from January 2008 o December 2013 and properly characerized. Keywords Milk, dairy producs, buer, prices, ime series, sacionariy, ADF es, Granger causaliy, VAR model, forecass, SARIMA model. Absrak Konvalinová, V. Vliv společného zemědělského rhu EU na český rh s mlékem a mléčnými produky. Bakalářská práce. Brno: Mendelova univerzia v Brně, Tao bakalářská práce se zabývá vlivy společného zemědělského rhu EU na český rh s mlékem a mléčnými produky. Za pomocí VAR modelu jsou zkoumány kauzální vzahy mezi průměrnými cenami zemědělských výrobců za syrové kravské mléko v České republice, v Bavorsku a na Slovensku. Grangerova kauzalia je aké ověřována mezi jednolivými průměrnými cenami mléka a másla v České republice. Pro množsví nakoupeného syrového mléka do mlékáren v České republice jsou vyvořeny předpovědi založené na modelu SARIMA. Všechny časové řady jsou zpracovány pro období od ledna 2008 do prosince 2013 a pařičně charakerizovány. Klíčová slova Mléko, mléčné produky, máslo, ceny, časové řady, sacionaria, ADF es, Grangerova kauzalia, VAR model, předpovědi, model SARIMA.

5 Obsah 5 Obsah 1 Úvod 13 2 Cíl práce 15 3 Lierární přehled Vývoj mlékárenského průmyslu Český rh s mlékem a mléčnými produky Zpracovaelský průmysl Produkce mléka a mléčných produků Spořeba mléka a mléčných produků Ceny mléka a mléčných produků Zahraniční obchod s mlékem a mléčnými produky Vývoz Dovoz Bilance Evropská unie Regulace rhu s mlékem a mléčnými produky Maeriál a meodika Maeriál Časové řady Srovnaelnos údajů Základní charakerisiky Modelování časových řad Popis rendové složky Volba modelu rendu Popis sezónní složky Popis náhodné složky Boxova-Jenkinsova meodologie Sacionaria...37

6 Obsah Základní modely Boxovy-Jenkinsovy meodologie Vekorová auoregrese Grangerova kauzalia Odezva na impuls Regresní analýza Regresní model a regresní funkce Volba regresní funkce Saisická verifikace Ekonomerická verifikace Výsledky a diskuse Ceny mléka a másla v České republice Ceny syrového mléka v Bavorsku a na Slovensku Vzahy mezi jednolivými cenami za mléko a máslo Rozšířený Dickey-Fullerův es Vzah mezi cenami zemědělských výrobců v ČR a v Bavorsku Vzah mezi cenami zemědělských výrobců v ČR a na Slovensku Vzah mezi cenami zemědělských a průmyslových výrobců za mléko v ČR Vzah mezi cenami zemědělských výrobců a spořebielskými cenami za mléko v ČR Vzah mezi cenami zemědělských výrobců za mléko a cenami průmyslových výrobců za máslo v ČR Vzah mezi cenami zemědělských výrobců za mléko a spořebielskými cenami za máslo v ČR Předpovědi množsví nakoupeného mléka Závěr 63 7 Lieraura 66 A Zdrojová daa 70 B Kombinované grafy reakcí na impulzy 74

7 Seznam obrázků 7 Seznam obrázků Obr. 1 Vývoj celkové produkce mléka v České republice 17 Obr. 2 Vývoj průměrných savů dojnic a průměrné roční užikovosi 18 Obr. 3 Vývoj nákupu syrového mléka do mlékáren na území ČR 19 Obr. 4 Vývoj jednolivých průměrných cen mléka 21 Obr. 5 Vývoj jednolivých průměrných cen másla 22 Obr. 6 TOP 10 zemí z hlediska vývozu (uny) vybraných mlékárenských výrobků z ČR 23 Obr. 7 TOP 10 zemí z hlediska hodnoy vývozu (Kč) vybraných mlékárenských výrobků z ČR 23 Obr. 8 Podíly vybraných mlékárenských výrobků na finanční hodnoě vývozu 24 Obr. 9 TOP 10 zemí z hlediska dovozu (uny) vybraných mlékárenských výrobků do ČR 25 Obr. 10 TOP 10 zemí z hlediska hodnoy dovozu (Kč) vybraných mlékárenských výrobků do ČR 25 Obr. 11 Podíly vybraných mlékárenských výrobků na finanční hodnoě dovozu 26 Obr. 12 Porovnání vývozu a dovozu 27 Obr. 13 Průměrné ceny syrového kravského mléka v zemích EU za rok 2012 a Obr. 14 Časové řady průměrných cen zemědělských výrobců, průmyslových výrobců a spořebielů za mléko v České republice 44 Obr. 15 Časové řady průměrných cen průmyslových výrobců a spořebielů za máslo v ČR 45 Obr. 16 Časové řady průměrných cen mléka zemědělských výrobců v Bavorsku a na Slovensku 46

8 Seznam obrázků 8 Obr. 17 Časové řady množsví nakoupeného mléka od výrobců 59 Obr. 18 Graf reziduí modelu SARIMA (0, 1, 0) (1, 1, 0)12 60 Obr. 19 Předpověď množsví nakoupeného mléka pro model SARIMA 61 Obr. 20 Kombinovaný graf reakcí na impulzy (CZV za mléko v ČR a v Bavorsku) 74 Obr. 21 Kombinovaný graf reakcí na impulzy (CZV za mléko v ČR a na Slovensku) 74 Obr. 22 Kombinovaný graf reakcí na impulzy (CZV a CPV za mléko v ČR) 75 Obr. 23 Kombinovaný graf reakcí na impulzy (CZV a SC za mléko v ČR) 75 Obr. 24 Kombinovaný graf reakcí na impulzy (CZV za mléko a CPV za máslo v ČR) 76 Obr. 25 Kombinovaný graf reakcí na impulzy (CZV za mléko a SC za máslo v ČR) 76

9 Seznam abulek 9 Seznam abulek Tab. 1 Produkce mléka podle krajů za rok Tab. 2 Vývoj produkce vybraných mlékárenských výrobků 19 Tab. 3 Vývoj celkové domácí spořeby vybraných mlékárenských výrobků v unách 20 Tab. 4 Vývoj jednolivých průměrných cen mléka v Kč/l 21 Tab. 5 Vývoj jednolivých průměrných cen másla v Kč/kg 22 Tab. 6 Vývoj vývozu vybraných mlékárenských výrobků v unách 24 Tab. 7 Vývoj dovozu vybraných mlékárenských výrobků v unách 26 Tab. 8 Vývoj obchodní bilance vybraných mlékárenských výrobků v unách 27 Tab. 9 Nabídka a užií mléka v EU Tab. 10 Bilance čersvých mléčných výrobků v EU-27 v is. 28 Tab. 11 Průměrné elemenární charakerisiky průměrných cen zemědělských výrobců, průmyslových výrobců a spořebielů za mléko a máslo v České republice 45 Tab. 12 Průměrné elemenární charakerisiky průměrných cen zemědělských výrobců za mléko v Bavorsku a na Slovensku 47 Tab. 13 P-hodnoy z rozšířeného Dickey-Fullerova esu 48 Tab. 14 Výběr zpožděných proměnných (CZV za mléko v ČR a v Bavorsku) 48 Tab. 15 VAR model (CZV za mléko v ČR a v Bavorsku) 49 Tab. 16 Tesování VAR modelu (CZV za mléko v ČR a v Bavorsku) 50 Tab. 17 Výběr zpožděných proměnných (CZV za mléko v ČR a na Slovensku) 50 Tab. 18 VAR model (CZV za mléko v ČR a na Slovensku) 51

10 Seznam abulek 10 Tab. 19 Tesování VAR modelu (CZV za mléko v ČR a na Slovensku) 52 Tab. 20 Výběr zpožděných proměnných (CZV a CPV za mléko v ČR) 52 Tab. 21 VAR model (CZV a CPV za mléko v ČR) 53 Tab. 22 Tesování VAR modelu (CZV a CPV za mléko v ČR) 54 Tab. 23 Výběr zpožděných proměnných (CZV a SC za mléko v ČR) 54 Tab. 24 VAR model (CZV a SC za mléko v ČR) 55 Tab. 25 Tesování VAR modelu (CZV a SC za mléko v ČR) 55 Tab. 26 Výběr zpožděných proměnných (CZV za mléko a CPV za máslo v ČR) 56 Tab. 27 VAR model (CZV za mléko a CPV za máslo v ČR) 56 Tab. 28 Tesování VAR modelu (CZV za mléko a CPV za máslo v ČR) 57 Tab. 29 Výběr zpožděných proměnných (CZV za mléko a SC za máslo v ČR) 57 Tab. 30 VAR model (CZV za mléko a SC za máslo v ČR) 58 Tab. 31 Tesování VAR modelu (CZV za mléko a SC za máslo v ČR) 59 Tab. 32 Model SARIMA (0, 1, 0) (1, 1, 0)12 60 Tab. 33 Tesování modelu SARIMA (0, 1, 0) (1, 1, 0)12 61 Tab. 34 Predikované hodnoy množsví nakoupeného mléka v is. l pro rok 2014 a Tab. 35 Ceny zemědělských výrobců za syrové mléko v Kč/l 70 Tab. 36 Ceny průmyslových výrobců za rvanlivé poloučné mléko v Kč/l 70 Tab. 37 Spořebielské ceny za rvanlivé poloučné mléko v Kč/l 70 Tab. 38 Ceny průmyslových výrobců za čersvé máslo v Kč/kg 71 Tab. 39 Spořebielské ceny za čersvé máslo v Kč/kg 71

11 Seznam abulek 11 Tab. 40 Ceny zemědělských výrobců za syrové mléko v Bavorsku v Kč/kg 72 Tab. 41 Ceny zemědělských výrobců za syrové mléko na Slovensku v Kč/kg 72 Tab. 42 Množsví nakoupeného mléka v is. lirech 72 Tab. 43 Kalendářně očišěné hodnoy množsví nakoupeného mléka v is. lirech 73

12 Seznam použiých zkraek 12 Seznam použiých zkraek ACF ADF es AIC AR ARCH ARIMA ARMA BIC CPV CZV ČR ČSÚ ES EU EU-15 EU-27 HQC LM es MA MZe NLS OLS PACF RESET es SARIMA SC UHT VAR auokorelační funkce rozšířený Dickey-Fullerův es Akaikeho informační kriérium auoregresní proces auoregresní podmíněná heeroskedasicia inegrovaný proces smíšený proces Bayesovské informační kriérium ceny průmyslových výrobců ceny zemědělských výrobců Česká republika Český saisický úřad Evropské společensví Evropská unie 15 členských sáů Evropské unie 27 členských sáů Evropské unie Hannanovo-Quinnovo informační kriérium es Lagrangeových muliplikáorů proces klouzavých součů Minisersvo zemědělsví meoda nelineárních nejmenších čverců meoda nejmenších čverců parciální korelační funkce Ramseyho specifikační es sezónní inegrovaný proces spořebielské ceny vysokoeploní úprava vekorová auoregrese

13 Úvod 13 1 Úvod Poravinářský průmysl je významnou čásí českého zpracovaelského průmyslu. Zabývá se zpracováním komodi roslinného či živočišného původu a zabezpečuje ak výživu obyvaelsva. Jeho klíčovou součásí je oddíl výroby mléčných výrobků, kerý zahrnuje zpracování mléka, výrobu mlékárenských výrobků a sýrů a dále výrobu zmrzliny. Tao skupina se z 18 % podílí na celkových ržbách poravinářsví v České republice za rok Jedná se ak o řeí nejvěší podíl po odvěví z výroby masa a masných výrobků a výroby osaních poravinářských výrobků. Je o zároveň i jeden z mála poravinářských oborů, ve kerém vzrosla zaměsnanos v roce [24] Mlékárenský průmysl má přímou vazbu na zemědělskou prvovýrobu a je ak spja i se zemědělsvím. Zemědělsví paří v České republice k radičním odvěvím národního hospodářsví. V minulosi byla naše republika v éo oblasi soběsačná a díky omu se i proslavila ve svěě. Se vsupem do Evropské unie přišla však celá řada omezení v oblasi zemědělské výroby a Česká republika ak zraila přední pozici v éo oblasi. Rok od roku poče zaměsnanců v éo sféře i výměra orné půdy neusále klesá. I přeso je zemědělsví v naší zemi sále důležié, jelikož více jak polovina rozlohy sáu je vořena právě zemědělskou půdou. Mezi nejdůležiější komodiy v exporu pak paří právě mléko a dále živá zvířaa, obiloviny, cukr a slad. [28] Mléko je ekuým sekreem mléčné žlázy savců. Období vyměšování mléka se nazývá lakací, začíná porodem, končí zv. zaprahnuím a u skou rvá kolem 305 dní. Jedná se o zcela přírodní poravinu obsahující éměř všechny nuričně významné živiny. Složení mléka je ovlivněno živočišným druhem, lakací, výživou, zdravoním savem, ročním obdobím, apod. Kravské mléko se průměrně skládá z 87,5 % vody, 3,3 % bílkovin, 3,8 % uku, 4,7 % mléčného cukru a z 0,7 % minerálních láek. [10] Mléko a mléčné výrobky jsou nedílnou součásí lidské výživy již po mnoho le. Jedná se o nedocenielný nápoj, se kerým se člověk sekává ihned po narození. Velký význam má však v průběhu celého živoa. Díky vysokému obsahu vápníku podporuje růs kosí v období dospívání a v pokročilém věku působí zase jako prevence proi oseoporóze. Denní doporučená dávka vápníku se rovná přibližně jednomu liru mléka, což odpovídá např. konzumaci jedné sklenky mléka, jednoho joguru a 50 g sýru. Právě sýry paří mezi nejradičnější mléčné produky, jejichž dochované výrobní posupy jsou mnohem sarší než výroba osaních mléčných výrobků. [10] O významnosi mléka exisuje celá řada publikací, i přeso se však můžeme v dnešní době seka se spousou nepravdivých a mylných informací o éo komodiě. Ty vznikají především vlivem moderních komunikačních echnologií a silného konkurenčního boje v poravinářsví. Lidé jsou ak rozděleni na dvě skupiny, kdy jedna zasává konzumaci mléka a mléčných výrobků a druhá, menšinová, označuje mléko za cizí láku, kerá lidskému organismu pouze ubližuje. Posupně se yo dezinformace rozšířily i na další mléčné výrobky. Mnoho odborníků se v dnešní

14 Úvod 14 době snaží yo mýy o mléku vyvrái. Odkazují i na o, že důležios mléka pro člověka si uvědomovali již naši předci a jedna z prvních odborných knih o mléce, jako významné poravině, byla napsána již v 16. soleí. [10] Mlékárenské odvěví bylo velmi ovlivněno vsupem České republiky do Evropské unie. Aby byla zajišěna bezpečná výroba mléka, musí bý sjednocena poravinová legislaiva v rámci všech členských zemí. Na výrobky živočišného původu ze řeích zemí pak dohlíží orgány veerinární služby ČR. Tao bezpečnosní opaření jsou velice důležiá, jelikož mléko na cesě od zemědělských prvovýrobců až k samoným spořebielům čelí celé řadě rizikových fakorů, keré by mohly ovlivni jeho zdravoní nezávadnos. Proo Evropská unie zavedla jednoná výrobní a hygienická pravidla pro všechny výrobce a zpracovaele mléka a mléčných výrobků. Na dodržování ěcho podmínek u nás dohlíží Sání veerinární správa ČR. Pokud podnik splňuje veškeré podmínky, pak všechny produky živočišného původu nesou oválnou veerinární značku zdravoní nezávadnosi. To plaí ve všech členských zemích EU a český výrobek je označen kódem země CZ a číslem výrobního závodu. [10]

15 Cíl práce 15 2 Cíl práce Cílem éo bakalářské práce je za pomocí údajů Českého saisického úřadu, Minisersva zemědělsví, Eurosau a z dalších zdrojů charakerizova časové řady nakoupeného mléka, průměrných výkupních cen mléka, množsví a průměrných cen prodaného zpracovaného mléka a másla. Dále zhodnoi siuaci na evropském a českém rhu s mlékem a mléčnými výrobky a popsa vliv cenových výkyvů v sousedních zemích na výkupní ceny mléka v České republice. Jejím cílem je aké charakerizova pravděpodobné dopady deregulace rhu s mlékem v EU od roku Na základě uvedených cílů éo bakalářské práce byly aké sanoveny následující dílčí cíle. 1. Na základě grafů a průměrných elemenárních charakerisik popsa časové řady průměrných cen mléka a másla v České republice a průměrných cen syrového mléka v Bavorsku a na Slovensku. 2. Pomocí VAR modelu posoudi kauzální vzah mezi výkupními cenami mléka v České republice a v Bavorsku, výkupními cenami mléka v České republice a na Slovensku, výkupními a průmyslovými cenami mléka v České republice, výkupními a spořebielskými cenami mléka v České republice, výkupními a průmyslovými cenami másla v České republice, výkupními a spořebielskými cenami másla v České republice. 3. Na základě grafu a průměrných elemenárních charakerisik popsa časovou řadu množsví nakoupeného mléka v České republice a pomocí SARIMA modelu vyvoři předpovědi pro další dva roky.

16 Lierární přehled 16 3 Lierární přehled 3.1 Vývoj mlékárenského průmyslu O mlékárenském průmyslu můžeme hovoři až v průběhu 19. soleí, kdy došlo k mnoha významným objevům pro oo odvěví. Díky nim mohlo bý mléko průmyslově zpracováno a zároveň se vyvářely i přebyky. Nejvěší krize zažilo mlékárensví v období dvou svěových válek. Po druhé svěové válce došlo k posupnému znárodňování mlékárenských podniků, keré bylo ukončeno v roce V omo období se české mlékárensví vzpamaovalo z války a naše země se sala soběsačnou v omo odvěví. Po roce 1989 došlo k ransformaci věšiny podniků a jejich vlasnických práv. To mělo za následek úpadky někerých podniků na jedné sraně a vzesup dalších na sraně druhé. [4] Další významné změny nasaly v roce 2004, kdy se Česká republika sala členem Evropské unie. Mlékárenské podniky ím byly velmi zasaženy, jelikož musely splňova spousu přísných hygienických norem. Tím však byla zabezpečena vyšší ochrana spořebiele a zdravoní nezávadnos poravin. Velké změny aké nasaly v rámci zahraničního obchodu. Byly odbourány bariéry k novým členským sáům a vyvořena nová zahraniční poliika vůči řeím zemím. Pro české podniky o znamenalo možnos rozšíření své působnosi, ale aké silný konkurenční boj. [12] 3.2 Český rh s mlékem a mléčnými produky Zpracovaelský průmysl Od roku 1989 se poče zpracovaelských kapaci v České republice snížil o více než 60 %. České mlékárenské firmy musí čeli silnému konkurenčnímu prosředí. Z TOP 20 nejvěších svěových zpracovaelů mléka působí na našem území šes nadnárodních společnosí. Jedná se o francouzský Lacalis, Danone, Bongrain a Bel, německý Theo Müller a americký Schreiber Foods. Tyo společnosi mají velký vliv na ceny na českém rhu i na jeho samoný vývoj. Pro české podniky je velmi důležiá konkurenceschopnos, proo mezi mnoha dochází k fúzím a akvizicím. Jako příklad můžeme uvés koncern Agrofer, kerý je vlasníkem mlékáren Olma a Mlékárna Hlinsko nebo společnos Lacalis, jež vlasní Mlékárnu Klaovy a Mlékárnu Kunín. Podle poču zpracovaných dodávek v roce 2012 paří k nejvýznamnějším českým mlékárenským podnikům jihočeská MADETA se 14,2 %. Za ní následuje Pragolakos, Mlékárna Hlinsko, Olma, Orrero, Mlékárna Klaovy, Mlékárna Kunín, Moravia Laco, Danone a Bohemilk. Těcho 10 nejvýznamnějších společnosí zpracovalo 66 % mléčných dodávek v roce [22]

17 mil. l Lierární přehled Produkce mléka a mléčných produků Produkce a jakos mléka jsou ovlivněny celou řadou fakorů. Jedná se o geneické fakory (druh, plemeno, individualia), fyziologické fakory (věk, zdravoní sav, lakace) a o fakory vnějšího prosředí, kam paří např. klimaické podmínky, echnologie usájení, způsob dojení či výživa. [9] Na obr. 1 můžeme vidě vývoj produkce mléka v České republice od roku 2008 do roku Z počáku ohoo období měla produkce mléka klesající charaker a nejvýraznější pokles nasal v leech 2009 a 2010, což bylo důsledkem ekonomické krize. Ta se v mlékárenském odvěví projevila poklesem popávky a cen zemědělských výrobců. [26] Po omo období došlo k opěovnému růsu produkce mléka. I přes nepříznivé klimaické podmínky v první polovině roku 2013 bylo v České republice za eno rok vyprodukováno 2 774,5 mil. l mléka, edy o 1,2 % více než v předchozím roce. [27] Obr. 1 Vývoj celkové produkce mléka v České republice Zdroj: Zemědělsví, 2013 [27] V roce 2013 došlo po delší době ke zvýšení poču dojných krav. Do é doby se jejich poče několik le neusále snižoval. I přes eno rend však nadále rosla jejich užikovos, což je zapříčiněno zdokonalováním echnologií a posupů v produkci mléka. Tuo siuaci můžeme aké vypozorova z následujícího grafu. [27]

18 Lierární přehled 18 Obr. 2 Vývoj průměrných savů dojnic a průměrné roční užikovosi Zdroj: Zemědělsví, 2013 [27] Z následující abulky vidíme, že nejvěším producenem kravského mléka je kraj Vysočina. Chov skou je zde hlavním odvěvím živočišné výroby a nachází se zde cca 16 % z celkového poču kusů skou v naší zemi. [25] Tab. 1 Produkce mléka podle krajů za rok 2012 Produkce mléka za rok 2012 (is. l) Podíl kraje v roce 2012 (%) Praha + Sředočeský ,8 Jihočeský ,6 Plzeňský ,7 Karlovarský ,7 Úsecký ,0 Liberecký ,6 Královehradecký ,9 Pardubický ,2 Vysočina ,6 Jihomoravský ,7 Olomoucký ,1 Zlínský ,3 Moravskoslezský ,8 Zdroj: Siuační a výhledová zpráva MLÉKO 2013 [25] Sejně jako produkce mléka, ak i nákup syrového mléka do mlékáren byl v roce 2009 a 2010 zasažen krizí. Propad však nasal aké v roce 2013, kdy oproi roku

19 Lierární přehled bylo nakoupeno o 62,3 mil. l mléka méně, konkréně 2 319,5 mil. l mléka. Tao siuace je dána především rosoucími cenami, keré omezují domácí popávku a vysokou spořebou dovážených mléčných výrobků. Výkyvy v množsví nakoupeného mléka v jednolivých leech znázorňuje následující graf. [27] Obr. 3 Vývoj nákupu syrového mléka do mlékáren na území ČR Zdroj: Zemědělsví, 2013 [27] V porovnání s rokem 2012 vzrosla v roce 2013 produkce u éměř všech mléčných výrobků. Nejvíce pak vzrosla výroba varohů o 8,1 %, a nejméně u kysaných výrobků o 3 %. Meziroční pokles produkce byl v porovnání s rosoucím rendem mírnější a nasal u jogurů a másla. Zvýšení produkce můžeme přičís rosoucí popávce po daných produkech a pokles zase vysokým dovozům uvedených produků ze zahraničí. V ab. 2 jsou rozepsány konkréní hodnoy vyprodukovaného množsví vybraných produků. [27] Tab. 2 Vývoj produkce vybraných mlékárenských výrobků MJ Meziroční změna Mléko is. l , ,3 +5,0 % Smeana is. l , ,4 +7,2 % Jogury is. l , ,3 3,0 % Kysané výrobky is. l , ,3 +3,0 % Tvarohy uny , ,3 +8,1 % Sýry uny , ,0 +6,3 % Máslo uny , ,0 2,2 % Sušená mléka uny , ,3 +5,1 % Zdroj: Zemědělsví, 2013 [27]

20 Lierární přehled Spořeba mléka a mléčných produků Jak můžeme vidě v následující abulce, spořeba mléka a mléčných výrobků měla v roce 2013 spíše klesající charaker. Hlavním důvodem je růs spořebielských cen u všech mlékárenských výrobků. Jedinou výjimkou byly mléčné konzervy (sušená a zahušěná mléka a smeany), u kerých vzrosla spořeba o 18,1 %. I přes eno fak však paří k mléčným výrobkům, jejichž spořeba je v porovnání s osaními poměrně nízká. [27] Tab. 3 Vývoj celkové domácí spořeby vybraných mlékárenských výrobků v unách Meziroční změna Konzumní mléko, smeana , ,0 0+0,1 % Mléčné konzervy , ,8 +18,1 % Kysané mléčné výrobky , ,1 0 8,1 % Sýry, varohy , ,2 0 2,6 % Máslo , ,9 0 3,5 % Zdroj: Zemědělsví, 2013 [27] Ceny mléka a mléčných produků Cenový vývoj v českém mlékárensví je z velké čási ovlivněn siuací na zahraničních rzích, především ěch evropských. Jelikož na českém rhu působí několik nadnárodních společnosí, musí české podniky čeli silné konkurenci, kerá má aké značný vliv na cenový vývoj. V cenách mlékárenských produků se rovněž promínou i vniřní fakory na domácím rhu. [25] V mlékárensví rozlišujeme ři druhy cen. První skupinou jsou ceny zemědělských výrobců (CZV), za keré mlékárenské podniky nakupují syrové mléko od zemědělců. Druhou skupinou jsou ceny průmyslových výrobců (CPV). Za yo ceny prodávají mlékárny své zpracované mléko a mléčné výrobky svým odběraelům (např. maloobchodníkům). Poslední skupinou jsou spořebielské ceny (SC). Jak už z názvu vyplývá, za yo ceny nakupují mlékárenské produky koneční spořebielé. [11] V ab. 4 je zobrazen vývoj výše uvedených cen za mléko od roku 2008 do roku 2013 včeně jednolivých meziročních změn. V průběhu ohoo období ceny sřídavě rosly a klesaly. V roce 2013 došlo k nárůsu u všech ří cenových skupin. Ceny producenů mléka za syrové kravské mléko se oproi předchozímu roku zvýšily o 10,8 %. Hlavním důvodem je nárůs nákladů na jednoku produkce, a o především u krmiv. Ceny mlékáren pak vzrosly o 16,6 % a spořebielské ceny o 9,3 %. Tyo dvě cenové kaegorie se již vzahují k rvanlivému poloučnému mléku. Jak můžeme vidě, fakory působící na cenu mléka v roce 2013 se nejvíce promíly u cen průmyslových výrobců. Česká republika aké zaznamenala poprvé od vsupu do Evropské unie nejrychlejší zvýšení spořebielských cen ve skupině poravin v celé EU. [27]

21 Lierární přehled 21 Tab. 4 Vývoj jednolivých průměrných cen mléka v Kč/l CZV 08,45 06,15 07,42 08,26 07,67 08,50 % Δ CZV - 27,2 % +20,7 % +11,3 % 7,1 % +10,8 % CPV 11,03 08,53 09,83 10,30 09,79 11,42 % Δ CPV - 22,7 % +15,2 % +4,8 % 5,0 % +16,6 % SC 17,00 13,87 14,81 16,40 16,61 18,16 % Δ SC - 18,4 % +6,8 % +10,7 % +1,3 % +9,3 % Zdroj: Zemědělsví, 2013; Měsíční výkazy o nákupu mléka, o výrobě a užií vybraných mlékárenských výrobků (MZe); osobní komunikace [20], [23], [27] Z následujícího grafu je parná posloupnos velikosí jednolivých průměrných cen. Nejnižší hodnou mají ceny zemědělských výrobců, po nich následují ceny průmyslových výrobců a dále spořebielské ceny. Fakory, keré ovlivňují rh s mlékem a mléčnými produky, mají ve věšině případů sejný dopad na vývoj všech ří cenových skupin (nárůs či pokles). Zároveň však ovlivňují každou cenovou skupinu jiným způsobem. To zapříčiní jejich různé empo růsu či poklesu za sejné časové období. Není o ale vždy pravidlem, jako např. v roce 2012, kdy CZV a CPV klesly oproi roku 2011, naopak SC vzrosly. Tyo skuečnosi jsou aké povrzeny v následujícím grafu. [25] Obr. 4 Vývoj jednolivých průměrných cen mléka Zdroj: Zemědělsví, 2013; Měsíční výkazy o nákupu mléka, o výrobě a užií vybraných mlékárenských výrobků (MZe); osobní komunikace [20],[17], [23], [27] Sejně jako u mléka, ak i u másla byly cilivější na změny ceny průmyslových výrobců, keré v roce 2013 vzrosly o 16,2 %, přičemž spořebielské ceny o 13,1 %. Jednolivé hodnoy jsou uvedeny v následující abulce. [25]

22 Lierární přehled 22 Tab. 5 Vývoj jednolivých průměrných cen másla v Kč/kg CPV 080,93 71,29 090,44 102,80 091,63 106,44 % ΔCPV - 11,9 % +26,9 % +13,7 % 10,9 % +16,2 % SC 114,48 96,10 119,03 138,73 136,04 153,92 % Δ SC - 16,1 % +23,9 % +16,6 % 1,9 % +13,1 % Zdroj: Měsíční výkazy o nákupu mléka, o výrobě a užií vybraných mlékárenských výrobků (MZe); ČSÚ [17], [23] Na obr. 5 je vyobrazen souběžný vývoj obou průměrných cen u másla, jež můžeme pozorova na levé ose grafu. Graf je dále doplněn o vývoj cen za syrové mléko (pravá osa grafu), kerý se rovněž shoduje s vývojem cen másla. Opě je zde parná závislos cen mlékárenských výrobků na cenách zemědělců. [25] Obr. 5 Vývoj jednolivých průměrných cen másla Zdroj: Měsíční výkazy o nákupu mléka, o výrobě a užií vybraných mlékárenských výrobků (MZe); ČSÚ [17], [23] 3.3 Zahraniční obchod s mlékem a mléčnými produky Očekávaný vývoj mlékárensví po celém svěě je velmi poziivní. Neusálý růs poču obyvael, hospodářský růs a silná popávka z jihovýchodní Asie jsou jedněmi z hlavních fakorů, keré se podílí na růsu svěové popávky po mléku a mléčných výrobcích. V dnešní době je velmi populární zdravý syl sravování a díky omu jsou i mléčné výrobky čím dál více oblíbené. Produceni se snaží odliši od silné konkurence a neusále ak rozšiřují sorimen ěcho produků. Dochází ak k dalšímu růsu svěových mléčných rhů, čímž by mohl bý podpořen vývoz Evropské unie a sabilia cen mlékárenských výrobků. [25]

23 Lierární přehled Vývoz Za rok 2013 bylo podle Daabáze zahraničního obchodu vyvezeno celkem un mléka a mléčných výrobků (kód zboží 0401, 0402, 0403, 0404, 0405, 0406) a Česká republika yo produky exporovala celkem do 74 zemí svěa. Oproi roku 2012 došlo ke snížení objemu vývozu o 1,5 %. Nejvíce se vyváželo do Německa, Slovenska a Iálie, kde se expor do ěcho ří zemí podílí ze 78,1 % na celkovém vývozu mléka a mléčných produků. Z finančního hlediska se však celková hodnoa vývozu oproi roku 2012 zvýšila o 13,6 % na Kč, což je zapříčiněno cenovým růsem syrového kravského mléka. [16] Obr. 6 TOP 10 zemí z hlediska vývozu (uny) vybraných mlékárenských výrobků z ČR Zdroj: ČSÚ Daabáze zahraničního obchodu [16] Obr. 7 TOP 10 zemí z hlediska hodnoy vývozu (Kč) vybraných mlékárenských výrobků z ČR Zdroj: ČSÚ Daabáze zahraničního obchodu [16]

24 Lierární přehled 24 V grafech uvedených výše je uveden seznam zemí z hlediska významnosi vývozu pro Českou republiku, přičemž na obr. 6 je vývoz vyjádřen v unách a na obr. 7 v korunách. Pořadí zemí na vzdálenějších příčkách se vzájemně liší. Je o dáno především srukurou vývozu, kde jednolivé komodiy mají různé cenové úrovně. První příčky jsou zachovány díky vysokým objemům exporu, kde cenové rozdíly nehrají ak velkou roli. [16] V následujícím výsečovém grafu můžeme vidě, že nejvýznamnější vyváženou komodiou z finančního hlediska byla v roce 2013 skupina nezahušěného mléka a smeany o hodnoě Kč. I přes menší objem vývozu, měly velmi významný podíl aké sýry a varohy, jejichž vývoz odpovídal Kč. Malý podíl másla na peněžním vyjádření vývozu vypovídá o velmi malém objemu vývozu éo komodiy vzhledem k jeho vysokým cenám. [16] Obr. 8 Podíly vybraných mlékárenských výrobků na finanční hodnoě vývozu Zdroj: ČSÚ Daabáze zahraničního obchodu [16] Jak uvádí ab. 6, v porovnání s rokem 2012 došlo v roce 2013 ke zvýšení objemu exporu syrováky, sýrů a varohů. U zbylých komodi nasal pokles, kerý se nejvíce projevil u zahušěného mléka a smeany. [16] Tab. 6 Vývoj vývozu vybraných mlékárenských výrobků v unách Meziroční změna Mléko a sme. nezah. (0401) ,0 % Mléko a sme. zahuš. (0402) ,5 % Jogury, kefíry apod. (0403) ,2 % Syrováka (0404) ,2 % Máslo (0405) ,2 % Sýry a varohy (0406) ,4 % Zdroj: ČSÚ Daabáze zahraničního obchodu [16]

25 Lierární přehled Dovoz Podle saisických údajů za rok 2013 z Daabáze zahraničního obchodu bylo do České republiky dovezeno un mléka a mléčných výrobků z celkem 34 zemí svěa. V porovnání s rokem 2012 se dovoz snížil o 5,2 %. Sejně jako u vývozu se však zvýšila jeho finanční hodnoa o 10,5 % na hodnou Kč. Opě je o způsobeno rosoucími cenami za mléčnou surovinu. Nejvíce mlékárenských produků bylo dovezeno z Německa, Polska a Slovenska. Dovozy z ěcho ří zemí předsavují 85,1 % celkového dovozu mléka a mléčných produků. Následující země jsou uvedeny na obr. 9. [16] Obr. 9 TOP 10 zemí z hlediska dovozu (uny) vybraných mlékárenských výrobků do ČR Zdroj: ČSÚ Daabáze zahraničního obchodu [16] Obr. 10 TOP 10 zemí z hlediska hodnoy dovozu (Kč) vybraných mlékárenských výrobků do ČR Zdroj: ČSÚ Daabáze zahraničního obchodu [16]

26 Lierární přehled 26 Také z hlediska finančního vyjádření dovozu na prvních mísech dominují Německo, Polsko a Slovensko. Další pořadí se mírně liší, což je opě způsobeno rozdílnými cenami dovážených komodi jako u vývozu. Umísění zbylých zemí je znázorněno na obrázku výše č. 10. [16] Nejvěší podíl na dovozu ve finančním i množsevním vyjádření měly v roce 2013 sýry a varohy, jejichž dovoz měl hodnou Kč. Po nich následuje máslo v čásce Kč, což je důsledek především jeho vysoké ceny, nikoliv dovezeného množsví. Procenuální podíly jednolivých komodi na finanční hodnoě dovozu zobrazuje následující výsečový graf. [16] Obr. 11 Podíly vybraných mlékárenských výrobků na finanční hodnoě dovozu Zdroj: ČSÚ Daabáze zahraničního obchodu [16] V ab. 7 vidíme, že v roce 2013 se v porovnání s předchozím rokem výrazněji zvýšil objem dovozu u zahušěného mléka a smeany o 17,1 %. Mírně aké vzrosl dovoz u sýrů a varohů, a o o 1,2 %. U osaních mléčných komodi došlo k poklesu jejich dovozu. Nejvěší propad pak nasal u nezahušěného mléka a smeany, kerých bylo dovezeno o 12,7 % méně. [16] Tab. 7 Vývoj dovozu vybraných mlékárenských výrobků v unách Meziroční změna Mléko a sme. nezah. (0401) ,7 % Mléko a sme. zahuš. (0402) ,1 % Jogury, kefíry apod. (0403) ,1 % Syrováka (0404) ,8 % Máslo (0405) ,5 % Sýry a varohy (0406) ,2 % Zdroj: ČSÚ Daabáze zahraničního obchodu [16]

27 Lierární přehled Bilance U mléka a mléčných výrobků je ypická akivní obchodní bilance, edy že jejich vývoz je věší než jejich dovoz. Tao siuace je samozřejmě pro Českou republiku velmi příznivá a vidielná v dalším grafu. V roce 2013 byl pak rozdíl mezi dovozem a vývozem nejvěší. [16] Vývoz Dovoz Obr. 12 Porovnání vývozu a dovozu Zdroj: ČSÚ Daabáze zahraničního obchodu [16] Jak můžeme ale vidě v následující abulce, ne všech komodi se akivní obchodní bilance ýká. Záporná obchodí bilance, kdy naopak dovoz je věší jak vývoz, se pravidelně vyskyuje u másla, sýrů a varohů. U másla se saldo zvyšuje, přičemž u sýrů a varohů se v posledních leech snižuje. [16] Tab. 8 Vývoj obchodní bilance vybraných mlékárenských výrobků v unách Mléko, sme. nezah Mléko, sme. zahuš Jogury, kefíry apod Syrováka Máslo Sýry a varohy Zdroj: ČSÚ Daabáze zahraničního obchodu [16]

28 Lierární přehled Evropská unie Produkce mléka v Evropské unii byla v první polovině roku 2013 velmi ovlivněna chladným a vlhkým počasím, keré se promílo do kvaliy pasvin a pícnin. Týkalo se o především sáů v západní a sřední Evropě, zejména v Irsku, Velké Briánii, severním Německu a v severní a východní Francii. Chovaelé museli upravi krmné dávky, čímž urpěla především užikovos dojnic. Od druhé poloviny roku 2013 se siuace výrazně zlepšila a počáeční klimaické podmínky se v užikovosi krav ani v produkci mléka příliš neprojevily. Počy dojnic v roce 2013 v porovnání s rokem 2012 klesly. V rámci EU-15 došlo však po dlouhé době k jejich zvýšení, a o především v Německu, Iálii a v Nizozemsku. Too navyšování sád je aké spojeno s přípravou na konec mléčných kvó. V kvóovém roce 2012/2013 překročily sanovenou hranici sáy Rakousko, Německo, Dánsko, Polsko a Kypr, keré zároveň musely zaplai sankci v celkové výši cca 46 mil. EUR. Saisiky pro jednolivé roky nalezneme v následující abulce. [25] Tab. 9 Nabídka a užií mléka v EU-27 EU Savy krav (mil. ks) 23,1 22,9 23,0 22,9 Užikovos (kg mléka na dojnici) Produkce mléka (mil. ) 149,3 151,2 151,9 151,6 Nákup mléka (mil. ) 136,3 139,0 139,6 139,8 Zdroj: Siuační a výhledová zpráva MLÉKO 2013 [25] Výroba čersvých mléčných výrobků se v roce 2013 oproi předchozímu roku výrazně nezměnila. K nárůsu došlo pouze u smean a někerých dalších čersvých výrobků. Naopak pokles nasal u konzumního mléka a jogurů. Příznivá je aké akivní obchodní bilance se snižujícím se dovozem a zvyšujícím se vývozem, což můžeme aké vidě v ab. 10. [25] Tab. 10 Bilance čersvých mléčných výrobků v EU-27 v is. EU Výroba Dovoz Vývoz Spořeba Zdroj: Siuační a výhledová zpráva MLÉKO 2013 [25] Změny cen mléka v členských zemích Evropské unie za prosinec 2012 a 2013 můžeme vidě v grafu níže. V daném měsíci průměrné ceny vzrosly éměř u všech sáů kromě Maly, kde došlo k poklesu. Česká republika byla v prosinci 2013 zemí

29 Lierární přehled 29 s nejnižší průměrnou cenou za kravské syrové mléko v hodnoě 33,57 EUR/100 kg. U Chorvaska, keré se salo členem až v roce 2013, je uvedena cena pouze za eno rok. [18] Obr. 13 Průměrné ceny syrového kravského mléka v zemích EU za rok 2012 a 2013 Zdroj: ec.europa.eu [18] 3.4 Regulace rhu s mlékem a mléčnými produky Mléko v porovnání s jinými poravinami je náročnější na přepravu a skladování a aké snadno podléhá zkáze. Zároveň je nedílnou součásí lidské sravy, a proo musí bý mlékárenské odvěví určiým způsobem regulováno a podporováno. Právní rámec ohoo sysému je vořen nařízeními Rady (ES), kerá sjednocují organizaci rhu pro celou společnou zemědělskou poliiku. Mezi hlavní cíle pak paří ochrana příjmů producenů mléka a ochrana domácího rhu před vlivy sezónních a srukurálních přebyků. Vnější agrární rh s mlékem a mléčnými výrobky je regulován prosřednicvím celních sazeb, dovozních a vývozních licencí, záruk (jiso), vývozních subvencí (náhrad) a různých konrolních mechanismů. Vniřní agrární rh je regulován pomocí mléčných kvó, inervenčních nákupů, prodejů a skladování másla a pomocí různých podpůrných programů. Významnou insiucí v éo oblasi je Sání zemědělský inervenční fond, kerý má na saros veškerou adminisraivu spojenou s regulací ohoo rhu. [25] K 31. březnu leošního roku nasala však významná změna v podobě zrušení mléčných kvó po jednařicei leech. Mléčné kvóy byly zavedeny v roce 1984, kdy nabídka mléka vysoce převyšovala jeho popávku a vořily se ak obrovské srukurální přebyky. Všechny členské země EU ak mohly vyprodukova jen omezené množsví mléka a při překročení éo hranice musely zaplai penále. Česká repub-

30 Lierární přehled 30 lika přijala mléčné kvóy již před vsupem do EU v roce 2001, aby si posupně na eno režim navykla. Již v roce 2003 se však rozhodlo o jejich budoucím zrušení, což bylo definiivně povrzeno v roce Hlavním důvodem bylo o, že mléčné kvóy neumožňovaly Evropské unii pružnou reakci na rosoucí popávku směřující především z asijských zemí. Právě asijské rhy jsou zároveň i jedním z východisek pro překonání obížné siuace vyplývající ze zrušení kvó. Očekává se, že ceny mléka během několika měsíců poklesnou. Jelikož však ceny mléka značně poklesly již vlivem ruského embarga, jejich další pokles by mohl znamena konec pro někeré výrobce. Ohrožení pro české produceny mléka aké plyne ze silné konkurence zahraničních firem. Pomoci by jim naopak mohly přímé plaby a opaření Programu rozvoje venkova. Žádný ze sáů však přesně neví, jaký dopad na něj bude liberalizace rhu s mlékem mí. [20] K émaice konce mléčných kvó se aké vyjádřil majiel jihočeské Madey Milan Teplý: Podle mého názoru v Německu, Nizozemsku a Belgii značně soupne produkce syrového mléka ( ) Když je nadbyek, ak by měla jí cena dolů. Češí zemědělci však rvají na om, že cena bude nadále aková, jaká zde byla před půl rokem ( ) Zpracovaelé jim odpovídají, že za akové ceny není možné zboží proda. ( ) Zemědělci se přece aké musí přizpůsobi rhu. ( ) V případě rvanlivého mléka je o ješě renabilní, v případě sušení se však una prodává se zráou 22 isíc korun ( )buď o mléko od zemědělců nikdo nebude chí, nebo pouze za nižší cenu. [14] Na růs produkce mléka v Německu upozorňuje aké předseda Svazu chovaelů holšýnského skou Karel Horák: Němci se na zrušení kvó připravují dlouhodobě. ( ) posupně navyšují kapaciu sád a s produkcí půjdou nahoru. ( ) zaplavení rhu může nasa. [15] Podle akuálních informací však v prvních dnech po ukončení kvó k žádným velkým cenovým výkyvům ani k nadměrnému dovozu levného mléka nedošlo. Tím se povrdil názor někerých příznivců konce mléčné regulace, mezi keré aké paří řediel mlékárenské skupiny Bongrain a mísopředseda Českomoravského svazu mlékárenského Oldřich Obermaier. Nesalo se a nesane se nic. ( ) Ve svěě soupá popávka po mléku a EU je nejvěším vývozcem. Proo by o pro nás všechny měla bý velká příležios ( ), řekl Obermaier. Nelze však s přesnosí říci, jesli ao siuace vydrží i nadále. [19] Konec mléčných kvó by mohl bý ohrožující především ve spojení s důsledky ruského embarga z roku 2014, keré způsobilo mnoha mísním mlékárnám značné problémy. Jednou z nich je i Madea. Odhadovali jsme, že přijdeme asi o 150 milionů korun, pokud sankce budou rva do leošního léa ( ) Tomu odhadu jsme docela blízko, vyjádřil se majiel Madey Milan Teplý. Značný objem vývozu do Ruska vořil vývoz sýru Niva. O en objem jsme přišli. Bylo o přiom 60 un měsíčně, uvedl Teplý. [14]

31 Maeriál a meodika 31 4 Maeriál a meodika 4.1 Maeriál V éo práci byla použia daa v měsíčním vyjádření pro období leden 2008 až prosinec Věšina da byla získána z měsíčních výkazů o nákupu mléka, o výrobě a užií vybraných mlékárenských výrobků, keré zpracovává Minisersvo zemědělsví České republiky. Jedná se o množsví nakoupeného mléka od výrobců do mlékáren a o průměrné ceny zemědělských a průmyslových výrobců za mléko a máslo. [23] Průměrné spořebielské ceny másla pochází ze sránek Českého saisického úřadu a průměrné spořebielské ceny rvanlivého poloučného mléka z ové korespondence s ouo insiucí. [17], [21] Pracuje se zde aké s průměrnými cenami zemědělských výrobců za syrové mléko v Bavorsku a na Slovensku, keré jsou přepočeny na českou měnu. Pro Bavorsko byla daa získána z oficiálních sránek Bavorského zemského úřadu pro zemědělsví a pro Slovensko ze siuační a výhledové zprávy 2013 zpracované Minisersvem zemědělsví a rozvoje venkova Slovenské republiky. [13], [30] Formální sránka bakalářská práce je zpracovaná podle jednosranné šablony pro závěrečné práce pro rok 2013 od doc. Ing. Dr. Jiřího Rybičky. [29] 4.2 Časové řady Hindls, Hronová, Seger a Fischer definují časovou řadu jako posloupnos věcně a prosorově srovnaelných pozorování uspořádaných v čase směrem od minulosi do příomnosi. Analýzou časových řad rozumíme jejich popis pomocí různých meod a prognózou časových řad předvídání jejich budoucího vývoje. [7] V ekonomerii nás zajímají především ekonomické časové řady. Mnohé z nich však mají specifické vlasnosi, kerými se od osaních časových řad liší a je pořeba k nim přisupova diferencovaně. [7] Arl a Arlová člení ekonomické časové řady podle ypu ekonomického ukazaele na inervalové a okamžikové. U inervalových časových řad hodnoy ukazaelů závisí na délce časového inervalu. Paří sem např. časové řady objemu výroby či spořeby surovin. Ukazaelé okamžikových časových řad se vzahují ke konkréním časovým okamžikům, např. ke konkrénímu dau. [1] Dále ekonomické časové řady klasifikují podle periodiciy sledování na dlouhodobé (inerval delší jak jeden rok), krákodobé (inerval kraší jak jeden rok) a vysokofrekvenční (inerval kraší jak jeden ýden) časové řady. [1] Jiné členění podle periodiciy uvádí např. Hindls, Hronová a Novák, keří je dělí pouze na roční a krákodobé. Dále aké rozlišují ekonomické časové řady podle způsobu vyjádření ukazaelů na časové řady naurálních ukazaelů (např. produkce v unách) a časové řady peněžních ukazaelů (např. ržby). [6]

32 Maeriál a meodika 32 Hindls, Hronová, Seger a Fischer uvádí ješě jedno rozdělení podle druhu ukazaelů na časové řady primárních (prvoních) ukazaelů a časové řady sekundárních (odvozených) ukazaelů. [7] Srovnaelnos údajů Abychom mohli s časovými řadami správně pracova, musíme nejdříve zajisi věcnou, prosorovou a časovou srovnaelnos jednolivých údajů. Věcně srovnaelné jsou časové řady, jejichž ukazaelé jsou sejně obsahově vymezené. Prosorově srovnaelné jsou y časové řady, jejichž údaje se vzahují ke sejným geografickým územím. Časově srovnaelné jsou časové řady se sejně dlouhými inervaly. Teno problém bývá především u inervalových krákodobých časových řad, kdy porovnáváme údaje v měsíčním vyjádření, přiom měsíce se od sebe mohou liši počem dnů. V akovémo případě je pořeba daná daa kalendářně očisi, nejčasěji přepočem na kalendářní dny pomocí následujícího vzorce y (0) y k k, (1) kde je ukazael, kerý chceme očisi, je poče kalendářních dní v daném období roku a je průměrný poče kalendářních dní v daném období roku. V rámci časové srovnaelnosi ukazaelů v peněžních jednokách je důležié hlída i cenovou srovnaelnos. Změny cen mají vliv na velikos údajů časové řady. Buď je ovlivňují přímo, anebo působí na chování ekonomických subjeků, čímž nepřímo působí opě na jejich velikos. [7] Základní charakerisiky Společně s grafickým zobrazením časové řady nám základní charakerisiky umožní získa elemenární informace o časové řadě a rychle ak poskynou orienační předsavu o charakeru procesu. [6] Arl, Arlová a Rublíková je dělí na popisné charakerisiky a míry dynamiky. Popisné charakerisiky časových řad využíváme pro získání jejich průměrných hodno. Více však budeme využíva míry dynamiky, keré jsou následující [2]: absoluní přírůsek (první diference): průměrný absoluní přírůsek: y y y, (2) 1 koeficien růsu: y T y1, (3) T 1

33 Maeriál a meodika 33 průměrný koeficien růsu: y k, (4) y 1 k T 1 k 2 k 3 y y y 2 3 T T kt T 1 T 1, (5) y1 y2 yt 1 y1 y relaivní přírůsek: průměrný relaivní přírůsek: y y y 1 y 1, (6) y y y Modelování časových řad 1 1 k 1. (7) Model časové řady může bý jednorozměrný či vícerozměrný. Jednorozměrný model je nejjednodušší a nejužívanější. Analyzovaný ukazael je ovlivňován pouze fakorem času. Teno model zapisujeme ve formě y f,, (8) kde y je modelová hodnoa ukazaele v čase, 1,2,, n a je hodnoa náhodné složky v čase. Vícerozměrný model zapisujeme v podobě y f, x1, x2,, x n i,. (9) U vícerozměrného modelu je analyzovaný ukazael ovlivňován nejen fakorem času, ale i jinými ukazaeli. Tyo ukazaele označujeme x 1, x2,, xn a mohou bý příčinné či fakorové. [7] Základní kvaniaivní meodou analýzy jednorozměrných časových řad je meoda dekompozice časové řady. Pomocí ní dekomponujeme časovou řadu na čyři složky, a sice na rendovou T, sezónní S, cyklickou C a náhodnou. Rozklad časové řady pak může bý dvojího ypu [2]: adiivní (variabilia hodno časové řady je konsanní v čase): y T S C, (10) muliplikaivní (variabilia hodno časové řady se v čase mění):

34 Maeriál a meodika 34 y T S C. (11) Trend znázorňuje endenci dlouhodobého vývoje zkoumaného ukazaele. Vyjadřuje edy změny v chování časové řady způsobené dlouhodobým vlivem určiých fakorů, keré působí sejným směrem. Trend může bý rosoucí, klesající nebo konsanní, srmý či mírný. [1] Sezónnos je sysemaické, pravidelně se opakující kolísání v časové řadě okolo rendu. Může bý způsobeno např. sřídáním ročních období nebo různými společenskými zvyky. Pozorova ji můžeme u krákodobých či vysokofrekvenčních časových řad. Někdy ji můžeme snadno vyčís i z grafického vyobrazení časové řady. [1] Cykličnosí rozumíme kolísání okolo rendu vlivem ekonomických i neekonomických fakorů, kdy se sřídá fáze růsu a poklesu. Jednolivé cykly jsou delší jak jeden rok a nemusí bý sejně dlouhé. [2] Náhodnou (sochasickou) složku nejsme schopni vyjádři pomocí žádné funkce času. Získáme ji po vyloučení řech předešlých skupin a časo ji vyjadřujeme pomocí pravděpodobnosi. Obvykle zahrnuje chyby měření či drobné a vzájemně nezávislé výkyvy. [7] Popis rendové složky Popis rendové složky paří mezi nejdůležiější kroky při analýze časových řad. Exisuje několik funkcí rendu, z nichž ři nejjednodušší jsou lineární rend parabolický rend T 1, (12) 0 T, (13) exponenciální rend T 0 1, (14) kde písmenem jsou označeny neznámé paramery a 1,2,, n je časová proměnná. Tyo funkce obvykle nemají asympou a mají jednoduchý průběh. Jejich paramery pak nejčasěji odhadujeme pomocí meody nejmenších čverců. Exponenciální funkci je však nejdříve pořeba převés na funkci lineární v paramerech pomocí vhodné ransformace, např. logarimizací. [7] Složiější průběh má modifikovaný exponenciální rend, logisický rend a Gomperzova křivka. Tyo funkce mají asympou a jsou přesnější. K odhadu jejich paramerů je však pořeba využí různých složiějších meod a echnik. [7]

35 Maeriál a meodika Volba modelu rendu Při analýze časových řad je nezbyné vhodně zvoli někerou z výše uvedených funkcí rendu. K omu nám mohou pomoci následující kriéria [6]: 1. Věcně ekonomická analýza, pomocí keré zkoumáme, jesli je funkce rosoucí či klesající, zdali má inflexní bod a je nekonečně rosoucí nebo rose jen ke konečné limiě, apod. Tao věcná kriéria nám pomohou urči základní endence vývoje analyzovaného ukazaele, nikoliv konkréní yp hledané funkce rendu. 2. Vizuální analýza grafu, kerá však není příliš spolehlivá. Každý člověk může v jednom a éže grafu vypozorova různé funkce rendu. 3. Saisická kriéria jsou ze všech možnosí nejpřesnější, jelikož zde není problém subjekiviy a neúplnosi. Pokud chceme popsa minulý vývoj analyzovaného ukazaele, využíváme k omu inerpolační kriéria. Tao kriéria zkoumají charaker rozdílů skuečných a vyrovnaných hodno (reziduí) a paří sem sřední chyba, sřední čvercová chyba, sřední absoluní chyba, sřední absoluní procenní chyba a sřední procenní chyba. Pokud chceme popsa budoucí vývoj analyzovaného ukazaele, používáme exrapolační kriéria. Ta zahrnují koeficieny nesouladu, z nichž nejznámější je Theilův koeficien Popis sezónní složky Sezónnos, jak už bylo zmíněno, je další významnou složkou časové řady, kerou je pořeba analyzova. K odhadu sezónní složky slouží několik meod, z nichž nejjednodušší jsou model konsanní sezónnosi a model proporcionální sezónnosi. [6] Model konsanní sezónnosi předpokládá, že se sezónní výkyvy pravidelně opakují a jsou sále konsanní. Můžeme ho zapsa ve varu y ij T S, kde i 1,2,, m, j 1,2,, r. (15) ij ij ij Dále předpokládáme, že Sij pro j-ou sezónu v leech i 1,2,, m, (16) j kde j pro j 1,2,, r jsou neznámé sezónní paramery, přičemž r r S ij j 1 j 1 0 pro všechny roky i 1,2,, m. (17) j Model proporcionální sezónnosi předpokládá, že se sezónní výkyvy mění přímo úměrně (proporcionálně) rendové složce. Zapisujeme ho ve varu

36 Maeriál a meodika 36 S ij T pro i 1,2,, m, j 1,2,, r, (18) ij ij kde ij pro j 1,2,, r jsou sezónní paramery. Měříkem sezónního kolísání je zv. sezónní index, kerý můžeme vyjádři na základě vzahu mezi sezónní a rendovou složkou jako Yij ( 1 ij ), (19) T ij ij přičemž > 0 značí sezónní vzesup, < 0 značí sezónní pokles a 0 znamená nepříomnos sezónních vlivů. Využiím meody nejmenších čverců se správným posupem dopracujeme ke vzahu, pomocí kerého vypočeme odhady sezónních indexů [6]: m (0) yij Tij r i 1 ( 1 j ), kde plaí m j r (0) 2 j 1 Tij i Popis náhodné složky Náhodnou složku časové řady můžeme zapsa ve varu ij 1. (20) y Y, (21) kerý vyjadřuje rozdíl mezi hodnoami časové řady y a rendovou, sezónní a cyklickou složkou Y. Odhadem náhodné složky je reziduum ve varu ˆ y Yˆ. (22) Náhodná složka časové řady může mí aké podobu bílého šumu. Musí však splňova ři základní předpoklady. [7] 1. Sřední hodnoa náhodné složky je nulová: 2. Náhodná složka má konsanní rozpyl: E( ) 0, kde 1,2,, n. (23) ij 2 D ( ), kde 1,2,, n 3. Hodnoy náhodné složky jsou sériově nezávislé:. (24)

37 Maeriál a meodika 37 C( ) 0, kde i j. (25) i j Pokud má náhodná složka normální rozdělení, pak hovoříme o normálním bílém šumu. [7] 4.3 Boxova-Jenkinsova meodologie Boxova-Jenkinsova meodologie se zabývá sochasickým modelováním rendu a sezónnosi a její posupy vychází z (auo)korelační analýzy. Důležiým předpokladem éo meodologie je sacionaria časové řady. [3] Sacionaria Sacionární časová řada je aková, jejíž chování je sochasicky usálené. Její úroveň, rozpyl a kovarianční srukura jsou edy konsanní v čase. Zároveň ao řada nesmí obsahova rend, sezónnos či proměnný rozpyl, keré jsou se sacionariou v rozporu. [3] Sacionariu dělíme na srikní a slabou. Srikní sacionaria je ojedinělá a znamená, že pravděpodobnosní rozdělení je invarianní vůči posunům v čase. Slabá sacionaria je méně omezující, jelikož pravděpodobnosní rozdělení je invarianní vůči posunům v čase pouze v rámci momenů do druhého řádu. V rámci Boxovy-Jenkinsovy meodologie je obvykle pracováno právě se slabou sacionariou. [3] Sacionárnos časových řad je velmi důležiá pro kvaliu ekonomerické analýzy a predikce. Je edy pořeba její exisenci esova pomocí zv. esů jednokového kořene. Nejpoužívanější je rozšířený Dickey-Fullerův es (ADF). [8] Nesacionární časovou řadu původních pozorování převedeme na sacionární nejčasěji pomocí prvních, druhých či logarimických diferencí. V rámci Boxovy- Jenkinsovy meodologie je můžeme aké modelova např. pomocí procesu ARIMA. [8] Základní modely Boxovy-Jenkinsovy meodologie Rozlišujeme ři hlavní modely Boxovy-Jenkinsovy meodologie. Auoregresní proces řádu p značíme jako AR (p) a zapisujeme ve varu y y y y 1 y y B y, (26) 1 1 p p, j. 1 p p p 1 p jsou paramery a B 1B p B kde,, 1 je auoregresní operáor. [3] Proces klouzavých součů řádu q značíme jako MA (q) a zapisujeme ve varu

38 Maeriál a meodika 38 y B 1 1 q q, (27) kde q 1, q jsou paramery a B 1B q B, 1 je operáor klouzavých součů. [3] Smíšený proces řádu p a q značíme jako ARMA (p, q) a zapisujeme ve varu y B y B. (28) 1 y 1 p y p 1 1 q q, j. Konsrukce modelů Boxovy-Jenkinsovy meodologie probíhá nejčasěji ve řech krocích. [3] 1. Idenifikace modelu: yp a řád modelu idenifikujeme podle varu průběhu auokorelační (ACF) a parciální auokorelační (PACF) funkce nebo aké pomocí informačních kriérií. 2. Odhad modelu: pro předběžné odhady slouží porovnání vzahů mezi paramery a auokorelacemi daného modelu a pro finální odhady můžeme použí např. OLS-odhad či NLS-odhad. 3. Diagnosika modelu: pomocí různých diagnosických násrojů konrolujeme sacionariu, srukuru ARMA, bílý šum, reziduální rozpyl, ad. Kromě již zmíněných ří základních modelů, rozlišujeme další dva velmi významné procesy. [3] Inegrovaný proces ARIMA (p, d, q) je určen pro nesacionární časové řady, keré po diferencování můžeme popsa modelem ARMA (p, q). Zapisujeme ho ve formě kde w B w B, (29) d y je d -á diference modelované časové řady Sezónní inegrovaný proces SARIMA (p, d, q) (P, D, Q)s je určen pro y časové řady, s délkou sezóny s, keré po prosých i sezónních diferencích můžeme popsa modelem ARMA (p, q). [3] V rámci Boxovy-Jenkinsovy meodologie je aké velmi využívaná konsrukce předpovědí, kerá je velmi jednoduchá. Modely dávají poměrně kvaliní předpovědi a snadno se přizpůsobují zkoumaným časovým řadám. [3] 4.4 Vekorová auoregrese Vekorovou auoregresi označujeme zkrakou VAR. Model vekorové auoregrese je zobecněním jednorozměrného AR procesu. Všechny jeho proměnné jsou endogenní a závisí nejen na svých vlasních zpožděných hodnoách a bílém šumu, ale i na zpožděných hodnoách dalších endogenních proměnných. Předpokladem VAR modelu je sacionaria všech jeho složek. Nevýhoda je však a, že při převodu na sacionární časovou řadu můžeme zrai důležié informace. Dalším problémem může aké bý volba vhodného řádu zpoždění. [3] y.

39 Maeriál a meodika 39 Konsrukci VAR modelu můžeme popsa v následujících několika krocích. [8] 1. Oesujeme sacionariu časových řad (např. pomocí ADF esu) a případně převedeme nesacionární časové řady na sacionární (např. diferenciací nebo logarimickou diferencí). 2. Zvolíme endogenní proměnné v modelu. 3. Zvolíme maximální řád zpoždění a na základě informačních kriérií vybereme opimální délku zpoždění, kerá minimalizuje daná kriéria. Řád zpoždění volíme zároveň ak, aby se v žádné rovnici nevyskyovala sériová korelace. 4. Odhadneme model pro jednolivé rovnice prosřednicvím meody nejmenších čverců. 5. Oesujeme auokorelaci, normaliu a heeroskedasiciu náhodné složky Grangerova kauzalia Při esování Grangerovy kauzaliy ověřujeme, zda změny jedné proměnné předcházejí změně jiné proměnné. Zkoumáme, jesli jedna proměnná může zvěši přesnos předpovědi jiné proměnné. Nejedná se edy pouze o příčinnou závislos, kdy zkoumáme, kerá veličina je příčinou a kerá následkem. K ověření kauzaliy v Grangerově pojeí používáme výše uvedené VAR modely. [8] Odezva na impuls Odezvou na impuls zjisíme reakci vybrané vysvělované proměnné na impuls (inovační šok) ve zvolené rovnici VAR modelu. Od začáku impulsu můžeme 2 v m -rozměrném VAR modelu sledova celkem m odezev. U sacionárního VAR 2 modelu pak vliv impulsů ve všech m případech posupně odezní. [8] 4.5 Regresní analýza Hlavním úkolem regresní analýzy je popis a kvanifikace závislosi mezi ekonomickými veličinami pomocí regresní funkce. Nejdříve je velmi důležié vhodně zvoli závislou a nezávislou proměnnou. Závislá (vysvělovaná) proměnná je a, jejíž hodnoy či sřední hodnoy jsou odhadovány a budeme ji znači písmenem y. Nezávislá (vysvělující) proměnná je a, pomocí keré odhadujeme závislou proměnnou a budeme ji znači písmenem x, přičemž jich může bý i více. V případě jedné nezávislé proměnné hovoříme o jednoduché regresi. Pokud však pracujeme s více proměnnými x, jedná se o regresi vícenásobnou. Věší množsví nezávislých proměnných poskyuje lepší odhady hodno proměnné y, ale zvyšuje riziko příomnosi nepodsaných proměnných, keré analýzu zbyečně komplikují. [6]

40 Maeriál a meodika Regresní model a regresní funkce Regresní model nám slouží ke znázornění závislosi proměnných a výchozích předpokladů regresní analýzy. V éo bakalářské práci bude pracováno se sochasickým modelem.. Sochasický model zahrnuje působení vedlejších vlivů, keré ve věšině případů nelze odsrani. Skládá se ze dvou čásí. První složka je funkcí hodnoy x a nazýváme ji deerminisickou. Druhá složka je výslednicí dalších vlivů a označujeme ji jako náhodnou. Model můžeme vyjádři ve varu y i i i xi i, kde i 1,2,, n. (30) i Funkci x nazýváme regresní funkcí. Každá regresní funkce má určiý poče paramerů, kde paramery značíme písmenem s příslušným indexem a jejich poče písmenem p. Tyo paramery jsou neznámými konsanami a jejich odhady získáváme z výběrových da nejčasěji pomocí meody nejmenších čverců. Ta je založena na minimalizaci souču čvercových odchylek empirických hodno od eoreických (minimalizaci reziduí). Jedná se o oblíbenou meodu, jelikož je jednoduchá, vhodná i pro menší soubory da a přináší opimální výsledky. [6], [7], [8] Regresní funkce můžeme z hlediska paramerů děli na lineární a nelineární. Mezi nejpoužívanější lineární regresní funkce paří lineární, kvadraická, inverzní, lineárně-logarimická, logarimicko-lineární a dvojiá logarimická funkční forma. Nelineární regresní funkcí je např. exponenciální funkční forma, kerou však můžeme pomocí ransformace převés na lineární a uplani ak opě meodu nejmenších čverců. [8] Volba regresní funkce Volba správného ypu regresní funkce je velmi důležiým krokem regresní analýzy. Základem jsou věcně ekonomická kriéria, graf a maemaicko-saisická kriéria. [7] V rámci věcně ekonomických kriérií bychom měli vycháze z ekonomické eorie. Získáme ak předběžné poznaky o om, keré nezávislé proměnné jsou nepodsané, jaká jsou znaménka paramerů modelu či bližší informace o zakřivení, inflexním bodu, růsu nebo poklesu funkce. Pomocí ěcho kriérií však obvykle nejsme schopni urči jednoznačně konkréní yp regresní funkce. Pouze nám o pomůže zúži výběr na y funkce, se kerými přichází v úvahu dále pracova. [7] Velmi užiečná je i grafická meoda, u níž je závislos vyobrazena pomocí bodového diagramu. Na základě jeho průběhu se můžeme pokusi urči, o jaký yp regresní funkce se jedná. [7]

41 Maeriál a meodika 41 Maemaicko-saisická kriéria nám slouží spíše ke zhodnocení kvaliy volby regresní funkce, než k samonému výběru. Proo je vhodné yo ři meody správně kombinova. [7] Saisická verifikace Pomocí saisické verifikace ověřujeme saisickou průkaznos jednolivých paramerů i celého regresního modelu. Nejčasěji k omu využíváme koeficien vícenásobné deerminace, -es, F-es a informační kriéria. [8] Koeficien deerminace slouží jako kriérium shody odhadnuého modelu s day. Vychází z rozkladu celkového rozpylu vysvělované proměnné TSS RSS ESS, (31) kde celkový souče čverců (TSS) proměnné y můžeme rozloži na souče čverců vysvělený všemi vysvělujícími proměnnými (RSS) a na nevysvělený (reziduální) souče čverců (ESS). [5], [8] Koeficien vícenásobné deerminace značíme R 2 RSS 1 TSS ESS TSS 2 R a vyjadřujeme ve formě. (32) 2 Hodnoa R se pohybuje v inervalu od 0 do 1 a čím vyšší je jeho hodnoa, ím lépe zvolený model popisuje daná daa. [5] Porovnáváme-li modely, keré mají různý poče pozorování nebo různé množiny nezávislých proměnných x, pak je vhodnější použí adjusovaný koeficien 2 deerminace. Ten získáme korekcí poču supňů volnosi R ve varu R 2 ESS / n k 1 TSS / n R 2 n 1, (33) n k 2 2 kde k je poče paramerů, n je rozsah výběrového souboru a R R. Výsledky ěcho koeficienů nejsou však vždy 100%. Proo je vhodné využí i následující esy. [5], [8] T-es používáme k esování saisické významnosi jednolivých paramerů a můžeme ho zapsa jako b j j ~ n k sbj, kde j 0,1,2,, k, (34) kde b j je odhad j -ého regresního parameru a s bj je odhad sřední chyby j -ého regresního parameru. Tesovaná nulová hypoéza má podobu 0, což znamená, že vysvělující proměnná x j nemá vliv na vysvělovanou proměnnou y. Pokud j

42 Maeriál a meodika 42 absoluní hodnoa vypočeného j je menší než abelovaná kriická hodnoa pro n k supňů volnosi, pak na 5% hladině významnosi nezamíáme nulovou * hypoézu a daný paramer není saisicky významný. Naopak pokud, pak nulovou hypoézu zamíáme a daný paramer je saisicky významný. [8] F-es slouží k esování saisické významnosi modelu jako celku a má podobu j 1 2 * R n k F. (35) 2 1 R k 1 Uvedený podíl má rozdělení F s k 1 a n k supni volnosi. Pokud je eno F * poměr věší než abulková hodnoa F pro dané počy supňů volnosi, pak na 5% hladině významnosi zamíáme nulovou hypoézu a model není saisicky významný. Pokud však F < F, nulovou hypoézu nezamíáme a model je saisicky * významný. [8] Informační kriéria nám pomáhají při volbě nejlepšího modelu z několika akcepovaelných varian. Jsou založena na porovnání reziduí jednolivých modelů. Nejlepší model je en, kerý minimalizuje hodnoy ěcho kriérií. Nejpoužívanějšími informačními kriérii jsou: Akaikeho kriérium AIC Bayesovské kriérium BIC 2k AIC( k) ln s 2 k, (36) T Hannanovo-Quinnovo kriérium HQC kde k je poče regresorů, T je poče pozorování a [1], [3] Ekonomerická verifikace k lnt BIC( k) ln s 2 k, (37) T 2k ln lnt HQC( k) ln s 2 k, (38) T 2 sk je rozpyl reziduální složky. V rámci ekonomerické verifikace nejčasěji ověřujeme správnos specifikace modelu, příomnos heeroskedasiciy chybového členu, sériovou korelaci či normální rozdělení chybového členu. [5]

43 Maeriál a meodika 43 Jesli byl model správně specifikován, můžeme urči pomocí Ramseyho RESET esu. Španá specifikace modelu může bý zapříčiněna opomenuou proměnnou či nevhodně zvolenou funkční formou. Nevýhoda RESET esu je a, že přesně nevíme, kde nasala chyba. Jeho alernaivou je LM es, kerý je založen na Lagrangeových muliplikáorech. [5] Heeroskedasicia předsavuje variabilní rozpyly náhodných složek, a udíž i reziduí modelu. Nejčasěji posihuje modely s průřezovými day, kde hodnoy vysvělujících proměnných se výrazně mění. Důsledkem heeroskedasiciy jsou špané odhady pomocí meody nejmenších čverců. K jejímu odhalení můžeme využí Whieův es, Breusch-Paganův es či ARCH es. [5], [8] Auokorelaci můžeme chápa jako vzájemný vzah (korelaci) mezi jednolivými členy posloupnosi jedné proměnné, uspořádaných v čase nebo v prosoru. Někeří auoři nazývají auokorelaci aké jako sériovou korelaci. Důsledky auokorelace pro odhady meodou nejmenších čverců jsou obdobné jako u heeroskedasiciy. Ke zjišění auokorelace můžeme využí Durbinův-Wasonův es nebo Ljung-Boxův Q' es. [5] Normální rozdělení je nejznámější ze všech eoreických rozdělení a vyznačuje se ypickým zvoncoviým varem. Je dáno pouze dvěma paramery, a o sřední hodnoou a rozpylem. Tesů k ověření normaliy je celá řada. Nejpoužívanější jsou Chí-kvadrá dobré shody, Shapiro-Wilkův es, Jarque-Berův es či Doornik- Hansenův es. [5]

44 Výsledky a diskuse 44 5 Výsledky a diskuse 5.1 Ceny mléka a másla v České republice V éo podkapiole se budeme zabýva vývojem časových řad průměrných cen mléka a másla v České republice od ledna roku 2008 do prosince roku Nejnižší hodnou mají ceny zemědělských výrobců za syrové kravské mléko. Maximální cenové hladiny bylo dosaženo hned na začáku naší časové řady, a o v lednu 2008, kdy cena vzrosla na 10,04 Kč/l. Od ohoo měsíce však nasal hluboký propad a v červenci 2009 se cena syrového mléka dosala zároveň na nejnižší úroveň, a o na 5,89 Kč/l. Teno pokles byl zapříčiněn především hospodářskou krizí, kdy se snížil zahraniční obchod a vyvářely se ak značné přebyky mléka. Ke zlepšení došlo až ve druhé polovině roku 2009 především vlivem nových opaření Evropské komise. Další pokles nasal začákem roku 2012, ale rval pouze půl roku. Posupným růsem nákladů v mlékárensví se ceny zemědělských výrobců opě začaly zvyšova. Uvedený vývoj časové řady můžeme vidě i na obr. 14. Podobný vývoj nasal i u cen průmyslových výrobců a spořebielských cen za rvanlivé poloučné mléko a čersvé máslo. Jak můžeme vidě z následujících grafů na obr. 14 a obr. 15, u ěcho dvou cenových kaegorií jsou parnější drobné výkyvy. Celkový charaker časových řad je však velmi podobný průběhu časové řady cen zemědělských výrobců. Můžeme edy usuzova určiý vzah mezi ěmio proměnnými. V následujících kapiolách se o zároveň budeme snaži dokáza. Konkréní hodnoy ěcho časových řad najdeme v abulkách v příloze A. Jelikož pracujeme s průměrnými cenami, není je pořeba kalendářně očišťova. U žádné časové řady nebyla zjišěna sezónnos, proo další úpravy nejsou pořeba. Obr. 14 Časové řady průměrných cen zemědělských výrobců, průmyslových výrobců a spořebielů za mléko v České republice

45 Výsledky a diskuse 45 Obr. 15 Časové řady průměrných cen průmyslových výrobců a spořebielů za máslo v ČR Vývoj jednolivých časových řad popisují nejenom výše uvedené grafy, ale i základní elemenární charakerisiky. Pro popis řady jako celku použijeme průměrný absoluní přírůsek, průměrný koeficien růsu a průměrný relaivní přírůsek, jejichž vzorce čísel 3, 5 a 7 jsme uvedli v kapiole meodiky práce. Jednolivé hodnoy jsou vypočeny v následující ab. 11. Tab. 11 Průměrné elemenární charakerisiky průměrných cen zemědělských výrobců, průmyslových výrobců a spořebielů za mléko a máslo v České republice Δ k δ CZV mléko 0,0077 0,9992 0,0008 CPV mléko 0,0099 0,9992 0,0008 SC mléko 00,0186 1, ,0010 CPV máslo 00,3061 1, ,0030 SC máslo 00,4869 1, ,0033 U CZV a CPV hovoříme o průměrném absoluním meziměsíčním poklesu, kerý je v obou případech velmi malý a v procenním vyjádření odpovídá poklesu o 0,08 %. U SC za mléko došlo k nárůsu cen. V absoluním vyjádření se SC zvýšily o pouhých 0,0186 Kč, což odpovídá nárůsu o 0,1 %. Nárůs nasal aké u obou cen za čersvé máslo. CPV průměrně meziměsíčně vzrosly o 0,3061 Kč, edy o 0,3 % a SC vzrosly o 0,4869 Kč, edy o 0,33 %. Ve všech případech hovoříme o velmi mírných průměrných meziměsíčních poklesech či růsech. Průměrné meziměsíční změny nejsou edy nijak výrazné, což povrzují i jednolivé průměrné koeficieny růsu, uvedené v abulce.

46 Výsledky a diskuse Ceny syrového mléka v Bavorsku a na Slovensku Německo a Slovensko paří k nejvýznamnějším obchodním parnerům České republiky v rámci mlékárenského odvěví, a o jak z hlediska vývozu, ak i dovozu. Proo se v následujících kapiolách budeme zabýva průměrnými cenami zemědělských výrobců za syrové kravské mléko v ěcho dvou sáech a hleda případné vzahy s českými cenami. Jelikož je však rozloha Německa poměrně velká, siuace se v jednolivých spolkových zemích může značně liši. Nebudeme edy pracova s cenami za celé Německo, nýbrž jen za Bavorsko, keré je nejvěší a nejbohaší spolkovou zemí Německa a přímo sousedí s naší republikou. Proo údaje za uo zemi budou zcela dosačující. Na obr. 16 vidíme průběhy jednolivých časových řad v Bavorsku a na Slovensku od ledna roku 2008 do prosince roku Pro lepší porovnávání jsou hodnoy přepočeny dle pařičných kurzů na českou měnu. Jejich vývoj je velmi podobný vývoji CZV za syrové mléko v České republice. To povrzuje propojenos rhů jednolivých sáů Evropské unie. Od roku 2008 nasal i v ěcho zemích prudký pokles cen, kerý rval sejně jako u nás zhruba do poloviny roku Opě o bylo zapříčiněno především hospodářskou krizí, kerá posihla věšinu svěa. Na Slovenku ceny dokonce padly v přepoču na 4,72 Kč/kg a v Bavorsku na 6,26 Kč/kg. Naopak maximální cenové hladiny dosáhlo Slovensko, sejně jako Česko, v lednu 2008, a o 10,21 Kč/kg. V Bavorsku byla nejvyšší průměrná cena za mléčnou surovinu zpozorována v prosinci 2013, a o 11,72 Kč/kg. Z grafu je aké parné, že ceny za syrové kravské mléko v Bavorsku jsou všeobecně vyšší než na Slovensku, přičemž Česká republika sojí zhruba mezi ěmio dvěma cenovými úrovněmi. Sejně jako u cen v České republice, i zde nebyla prokázána sezónnos a jelikož pracujeme s průměrnými cenami, nebudeme je ani kalendářně očišťova. Konkréní hodnoy ěcho dvou časových řad nalezneme opě v abulkách v příloze A. Obr. 16 Časové řady průměrných cen mléka zemědělských výrobců v Bavorsku a na Slovensku

47 Výsledky a diskuse 47 V ab. 12 jsou opě vypočíané jednolivé průměrné elemenární charakerisiky. Tab. 12 Průměrné elemenární charakerisiky průměrných cen zemědělských výrobců za mléko v Bavorsku a na Slovensku Δ k δ Bavorsko 00,0096 1,0008 0,0008 Slovensko 0,0061 0,9994 0,0006 Průměrný meziměsíční nárůs nasal u CZV za mléko v Bavorsku o 0,0096 Kč, edy o 0,08 %. Naopak u CZV za mléko na Slovensku došlo průměrně meziměsíčně k poklesu o 0,0061 Kč, což v relaivním vyjádření znamená pokles o 0,06 %. Sejně jako u jednolivých průměrných cen za mléko a máslo v České republice, i zde nejsou meziměsíční průměrné ceny nijak výrazné, což opě povrzuje i průměrný koeficien růsu uvedený v abulce. 5.3 Vzahy mezi jednolivými cenami za mléko a máslo Cílem éo kapioly bude zkoumání kauzálního vzahu v Grangerově pojeí, kdy na jedné sraně budou vždy průměrné ceny zemědělských výrobců za syrové kravské mléko v České republice a na sraně druhé budou posupně průměrné ceny zemědělských výrobců za mléko v Bavorsku, ceny zemědělských výrobců za mléko na Slovensku, ceny průmyslových výrobců za mléko v ČR, spořebielské ceny za mléko v ČR, ceny průmyslových výrobců za máslo v ČR a spořebielské ceny za máslo v ČR. To, zda mezi proměnnými exisuje závislos, kerou můžeme pokláda za příčinný (kauzální) vzah, ověříme pomocí VAR modelu. Předpokladem jsou však sacionární daa, proo budeme nejdříve ve všech případech ověřova sacionariu jednolivých proměnných pomocí rozšířeného Dickey-Fullerova esu. Dále na základě informačních kriérií určíme vhodné řády zpoždění, kde hvězdička označuje nejlepší (minimalizované) hodnoy příslušného informačního kriéria. Poé jsme schopni sesroji jednolivé VAR modely, ze kerých však vyřadíme konsany, keré nebyly ani v jednom případě průkazné. K posouzení Grangerovy kauzaliy pak využijeme F-esy ve VAR modelech, jelikož pracujeme s řády zpoždění vyššími než jedna. Výsledky VAR modelů nám aké povrdí grafy reakcí na impulzy na 5% hladině významnosi. V nich jsou znázorněny odezvy cílové proměnné na náhlou dočasnou (šokovou) změnu zdrojové proměnné. V závěru jednolivých podkapiol je pořeba každý VAR model oesova. K ověření příomnosi auokorelace využijeme Ljung-Box Q' es, pro zjišění podmíněné heeroskedasiciy použijeme ARCH es, pro esování normaliy Doornik-Hasenův es a pro ověření vícerozměrného bílého šumu Pormaneův es. U ARCH esu a Ljung-Boxova Q' esu byly vždy zvoleny řády zpoždění 12, keré nám Grel doporučil pro naše měsíční daa.

48 Výsledky a diskuse Rozšířený Dickey-Fullerův es K oesování sacionariy da využijeme rozšířený ADF es na příomnos jednokového kořene. U všech proměnných nám vyšla nejvýhodnější variana s konsanou a rendem a naše původní časové řady ak můžeme pokláda za nesacionární. Teno výsledek nám povrzují i všechny p-hodnoy uvedené v následující abulce, keré jsou vyšší než 0,05 a my nezamíáme nulovou hypoézu o příomnosi jednokového kořene. Nesacionariu povrzují i grafy časových řad vykreslených v kapiolách 5.1 a 5.2. Abychom měli všechny časové řady sacionární, budeme dále pracova s jejich logarimickými diferencemi. Tab. 13 P-hodnoy z rozšířeného Dickey-Fullerova esu proměnná p-hodnoa CZV za mléko v ČR 0,5171 CPV za mléko v ČR 0,0672 SC za mléko v ČR 0,6748 CPV za máslo v ČR 0,2557 SC za máslo v ČR 0,2762 CZV za mléko v Bavorsku 0,3270 CZV za mléko na Slovensku 0, Vzah mezi cenami zemědělských výrobců v ČR a v Bavorsku Při volbě vhodného řádu zpoždění modelu VAR se budeme řídi dle Bayesovského informačního kriéria, keré je ze všech nejpřísnější, a zvolíme řád zpoždění modelu VAR dva. Vysoké řády zpoždění by v našem případě nedávaly velký smysl. Hodnoy jednolivých informačních kriérií jsou uvedeny v ab. 14. Tab. 14 Výběr zpožděných proměnných (CZV za mléko v ČR a v Bavorsku) Zpoždění AIC BIC HQC 1 11, , , , * 10,946922* * 11,149453* 3 11, , , , , , * 11,285990* 10, , , , , Hodnoy koeficienů VAR modelu se zpožděním 2 jsou uvedeny v následující abulce.

49 Výsledky a diskuse 49 Tab. 15 VAR model (CZV za mléko v ČR a v Bavorsku) Rovnice 1: ld_czv_cr proměnná koeficien p-hodnoa ld_czv_cr_1 01,2932 2,96e-016 *** ld_czv_cr_2 0,4380 0,0003 *** ld_czv_bavorsko_1 0,0047 0,9186 ld_czv_bavorsko_2 00,0198 0,6711 Koeficien deerminace 0,8712 Adjusovaný koeficien deerminace 0,8653 P-hodnoa (F) 3,45e-28 Všechny zpožděné proměnné ld_czv_cr F (2, 65) = 112,13 [0,0000] Všechny zpožděné proměnné ld_czv_bavorsko F (2, 65) = 0,0961 [0,9085] Rovnice 2: ld_czv_bavorsko proměnná koeficien p-hodnoa ld_czv_cr_1 00,6304 0,0774 * ld_czv_cr_2 0,2370 0,4869 ld_czv_bavorsko_1 00,5153 0,0003 *** ld_czv_bavorsko_2 0,1057 0,4428 Koeficien deerminace 0,4640 Adjusovaný koeficien deerminace 0,4393 P-hodnoa (F) 2,53e-08 Všechny zpožděné proměnné ld_czv_cr F (2, 65) = 2,8436 [0,0655] Všechny zpožděné proměnné ld_czv_bavorsko F (2, 65) = 7,7353 [0,0010] V první rovnici je vysvělovanou proměnnou CZV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV za mléko v ČR a v Bavorsku. P-hodnoa F-esu pro všechny zpožděné CZV za mléko v ČR je menší než 0,05. Zamíáme nulovou hypoézu a Grangerova kauzalia byla prokázána. Změna CZV za mléko v ČR je edy závislá na svém vlasním předchozím vývoji. Jelikož se eno vzah vyskyuje v každém následujícím esování a jeho výsledky jsou sále sejné, nebudeme ho již dále komenova. Naopak p-hodnoa F-esu pro všechny zpožděné CZV za mléko v Bavorsku je vyšší než 0,05. Nebyl zde prokázán kauzální vzah a změna CZV v Bavorsku nemá ve zpoždění 2 měsíců žádný vliv na změnu CZV u nás. V druhé rovnici je vysvělovanou proměnnou CZV za mléko v Bavorsku a vysvělujícími proměnnými jsou zpožděné CZV za mléko v ČR a v Bavorsku. P-hodnoa F-esu pro všechny zpožděné CZV za mléko v Bavorsku je nižší než 0,05. Zamíáme nulovou hypoézu a změnu CZV za mléko v Bavorsku můžeme pokláda za závislou na svém vlasním předchozím vývoji. P-hodnoa F-esu pro všechny zpožděné CZV za mléko v ČR je však vyšší než 0,05. Nebyl zde prokázán

50 Výsledky a diskuse 50 kauzální vzah a změna CZV v ČR neovlivňuje se zpožděním dvou měsíců CZV v Bavorsku. Zajímavého výsledku bychom dosali při snížení řádu zpoždění na jedna, kdy by p-hodnoa vyšla menší než 0,05 a Grangerova kauzalia by byla prokázána. Tao siuace by byla pravděpodobně zapříčiněna velkým objemem vývozu mléčné suroviny z ČR do Bavorska. V omo případě by nám ovšem vyšly horší výsledky jednolivých esů, proo se budeme řídi doporučením Bayesovského kriéria, keré doporučuje řád zpoždění dva. Výsledky VAR modelu povrzují aké grafy reakcí na impulzy na obr. 20 uvedené v příloze B. V ab. 16 máme uvedeny p-hodnoy jednolivých esů. U jediného Doornik- Hansenova esu vyšla p-hodnoa nižší než 0,05. V omo případě zamíáme nulovou hypoézu o normálním rozdělení chybového členu. Může o bý důsledkem odlehlého pozorování či práce s průměrnými měsíčními cenami. U zbylých esů vyšla p-hodnoa vyšší než 0,05 a jejich nulové hypoézy nezamíáme. Auokorelace ani heeroskedasicia nejsou v našem VAR modelu příomny a byl prokázán vícerozměrný bílý šum. Tab. 16 Tesování VAR modelu (CZV za mléko v ČR a v Bavorsku) Tes p-hodnoa Ljung-Box Q' Rovnice 1 0,471 Rovnice 2 0,201 ARCH Rovnice 1 0,710 Rovnice 2 0,748 Doornik-Hansenův es 0,001 Pormaneův es 0, Vzah mezi cenami zemědělských výrobců v ČR a na Slovensku Při volbě vhodného řádu zpoždění modelu VAR se opě budeme řídi dle nejpřísnějšího Bayesovského informačního kriéria a zvolíme řád zpoždění modelu VAR dva. Hodnoy jednolivých informačních kriérií jsou uvedeny v ab. 17. Tab. 17 Výběr zpožděných proměnných (CZV za mléko v ČR a na Slovensku) Zpoždění AIC BIC HQC 1 10, , , , * 10,670216* 10, , , , , , , , , , * 11,408852* 10, * 11,065678*

51 Výsledky a diskuse 51 Hodnoy koeficienů VAR modelu se zpožděním dva jsou uvedeny v následující abulce. Tab. 18 VAR model (CZV za mléko v ČR a na Slovensku) Rovnice 1: ld_czv_cr proměnná koeficien p-hodnoa ld_czv_cr_1 01, ,08e-018 *** ld_czv_cr_2 0,5127 2,52e-05 *** ld_czv_slovensko_1 0,0438 0,2370 ld_czv_slovensko_2 00,0813 0,0289 ** Koeficien deerminace 0,8801 Adjusovaný koeficien deerminace 0,8746 P-hodnoa (F) 3,37e-29 Všechny zpožděné proměnné ld_czv_cr F (2, 65) = 128,21 [0,0000] Všechny zpožděné proměnné ld_czv_slovensko F (2, 65) = 2,5254 [0,0879] Rovnice 2: ld_czv_slovensko proměnná koeficien p-hodnoa ld_czv_cr_1 00,7699 0,0500 ** ld_czv_cr_2 0,0786 0,8451 ld_czv_slovensko_1 00,4545 0,0009 *** ld_czv_slovensko_2 0,0609 0,6387 Koeficien deerminace 0,5357 Adjusovaný koeficien deerminace 0,5143 P-hodnoa (F) 2,73e-10 Všechny zpožděné proměnné ld_czv_cr F (2, 65) = 5,4135 [0,0067] Všechny zpožděné proměnné ld_czv_slovensko F (2, 65) = 6,7804 [0,0021] V první rovnici je vysvělovanou proměnnou CZV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV za mléko v ČR a na Slovensku. P-hodnoa F-esu pro všechny zpožděné CZV za mléko na Slovensku je vyšší než 0,05. Nebyl zde prokázán kauzální vzah a změna CZV na Slovensku nemá ve zpoždění 2 měsíců žádný vliv na změnu CZV u nás. V druhé rovnici je vysvělovanou proměnnou CZV za mléko na Slovensku a vysvělujícími proměnnými jsou zpožděné CZV za mléko v ČR a na Slovensku. P-hodnoa u obou F-esů vyšla nižší než hladina významnosi 0,05. Změna CZV za mléko na Slovensku je závislá na svém vlasním předchozím vývoji, a sejně ak i na vývoji CZV v ČR. Pokud se edy změní CZV v ČR, na slovenské CZV se o projeví se zpožděním 2 měsíců.

52 Výsledky a diskuse 52 Tyo výsledky VAR modelu povrzují aké grafy reakcí na impulzy na obr. 21 uvedené v příloze B. Výsledky všech esů, uvedených v ab. 19, nebyly velmi příznivé. Druhá rovnice našeho VAR modelu je posižena jak auokorelací, ak i heeroskedasiciou. U celého VAR modelu pak nebylo prokázáno normální rozdělení chybového členu ani vícerozměrný bílý šum. P-hodnoy vyšly vyšší než 0,05 pouze u prvních rovnic, u kerých jsme nulové hypoézy nezamíli a auokorelace ani heeroskedasicia nejsou příomny. Tab. 19 Tesování VAR modelu (CZV za mléko v ČR a na Slovensku) Tes p-hodnoa Ljung-Box Q' Rovnice 1 0,190 Rovnice 2 0,001 ARCH Rovnice 1 0,660 Rovnice 2 0,000 Doornik-Hansenův es 0,000 Pormaneův es 0, Vzah mezi cenami zemědělských a průmyslových výrobců za mléko v ČR Při volbě vhodného řádu zpoždění modelu VAR se opě budeme řídi dle nejpřísnějšího Bayesovského informačního kriéria a zvolíme řád zpoždění modelu VAR dva. Hodnoy jednolivých informačních kriérií jsou uvedeny v ab. 20. Tab. 20 Výběr zpožděných proměnných (CZV a CPV za mléko v ČR) Zpoždění AIC BIC HQC 1 11, , , , * 10,866127* * 11,068658* 3 * 11,206159* 10, , , , , , , , , , , Hodnoy koeficienů VAR modelu se zpožděním 2 vidíme v následující abulce. V první rovnici je vysvělovanou proměnnou CZV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV a CPV za mléko v ČR. P-hodnoa u daného F-esu vyšla vyšší než hladina významnosi 0,05. Můžeme edy říci, že změna cen průmyslových výrobců za mléko nemá se zpožděním 2 měsíců žádný vliv na ceny zemědělských výrobců za mléko. V druhé rovnici je vysvělovanou proměnnou CPV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV a CPV za mléko v ČR. P-hodnoy obou F-esů nám říkají, že změna CPV není závislá na svém vlasním předešlém

53 Výsledky a diskuse 53 vývoji, ale na předešlém vývoji CZV za mléko. Změny v cenách zemědělských výrobců se odrazí i v cenách průmyslových výrobců se zpožděním 2 měsíců. Tyo výsledky VAR modelu povrzují aké grafy reakcí na impulzy na obr. 22 uvedené v příloze B. Tab. 21 VAR model (CZV a CPV za mléko v ČR) Rovnice 1: ld_czv_mleko proměnná koeficien p-hodnoa ld_czv_mleko_1 01,3249 7,18e-017 *** ld_czv_mleko_2 0,4035 0,0011 *** ld_cpv_mleko_1 0,0285 0,5016 ld_cpv_mleko_2 0,0255 0,5470 Koeficien deerminace 0,8728 Adjusovaný koeficien deerminace 0,8669 P-hodnoa (F) 2,30e-28 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 119,72 [0,0000] Všechny zpožděné proměnné ld_cpv_mleko F (2, 65) = 0,5082 [0,6040] Rovnice 2: ld_cpv_mleko proměnná koeficien p-hodnoa ld_czv_mleko_1 01,1483 0,0029 *** ld_czv_mleko_2 0,3597 0,3369 ld_cpv_mleko_1 00,1825 0,1735 ld_cpv_mleko_2 0,1805 0,1782 Koeficien deerminace 0,4008 Adjusovaný koeficien deerminace 0,3732 P-hodnoa (F) 8,26e-07 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 8,9452 [0,0004] Všechny zpožděné proměnné ld_cpv_mleko F (2, 65) = 1,5727 [0,2153] Výsledky všech esů, uvedených v ab. 22 jsou velmi příznivé. Žádnou nulovou hypoézu nezamíáme, jelikož u všech esů vyšla p-hodnoa vyšší než hladina významnosi 0,05. Ve VAR modelu se nenachází sériová korelace ani heeroskedasicia. Dokonce zde ani nezamíáme nulovou hypoézu o normálním rozdělení, jak omu bylo v předešlých případech. Výsledná p-hodnoa Pormaneova esu nám aké povrzuje příomnos vícerozměrného bílého šumu.

54 Výsledky a diskuse 54 Tab. 22 Tesování VAR modelu (CZV a CPV za mléko v ČR) Tes p-hodnoa Ljung-Box Q' Rovnice 1 0,494 Rovnice 2 0,505 ARCH Rovnice 1 0,791 Rovnice 2 0,950 Doornik-Hansenův es 0,076 Pormaneův es 0, Vzah mezi cenami zemědělských výrobců a spořebielskými cenami za mléko v ČR V ab. 23 máme uvedena informační kriéria, kerá nám doporučují zvoli řád zpoždění modelu VAR dva. Tab. 23 Výběr zpožděných proměnných (CZV a SC za mléko v ČR) Zpoždění AIC BIC HQC 1 11, , , * 11,299943* * 10,965422* * 11,167953* 3 11, , , , , , , , , , , , V první rovnici našeho VAR modelu je vysvělovanou proměnnou CZV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV a SC za mléko v ČR. P-hodnoa u příslušného F-esu vyšla vyšší než 0,05. Nulovou hypoézu nezamíáme a kauzální vzah zde nebyl prokázán. Změna SC nemá se zpožděním 2 měsíců žádný vliv na CZV za mléko. V druhé rovnici je vysvělovanou proměnnou SC za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV a SC za mléko v ČR. Obě p-hodnoy vyšly nižší než hladina významnosi a v obou případech hovoříme o Grangerově kauzaliě. Spořebielské ceny mléka jsou závislé na svém vlasním předchozím vývoji, ale i na vývoji CZV se zpožděním 2 měsíců. Konkréní hodnoy koeficienů VAR modelu nalezneme v ab. 24 a grafy reakcí na impulzy v příloze B na obr. 23. Výsledné hodnoy ohoo VAR modelu jsme opě podrobili i několika esům. Jejich výsledky jsou zase velmi příznivé a najdeme je v ab. 25. U všech esů vyšla p-hodnoa vyšší než 0,05 a jejich nulové hypoézy nezamíáme. Můžeme edy říci, že náš VAR model má normální rozdělení bez příomnosi auokorelace a heeroskedasiciy. Vícerozměrný bílý šum byl v našem modelu aké prokázán.

55 Výsledky a diskuse 55 Tab. 24 VAR model (CZV a SC za mléko v ČR) Rovnice 1: ld_czv_mleko proměnná koeficien p-hodnoa ld_czv_mleko_1 01,2993 2,20e-018 *** ld_czv_mleko_2 0,4002 0,0005 *** ld_sc_mleko_1 0,0021 0,9638 ld_sc_mleko_2 0,0550 0,2214 Koeficien deerminace 0,8739 Adjusovaný koeficien deerminace 0,8681 P-hodnoa (F) 1,73e-28 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 159,75 [0,0000] Všechny zpožděné proměnné ld_sc_mleko F (2, 65) = 0,7985 [0,4544] Rovnice 2: ld_sc_mleko proměnná koeficien p-hodnoa ld_czv_mleko_1 00,6070 0,0401 ** ld_czv_mleko_2 00,1678 0,5743 ld_sc_mleko_1 0,3094 0,0140 ** ld_sc_mleko_2 0,2166 0,0774 * Koeficien deerminace 0,2842 Adjusovaný koeficien deerminace 0,2511 P-hodnoa (F) 0,0002 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 12,658 [0,0000] Všechny zpožděné proměnné ld_sc_mleko F (2, 65) = 3,9184 [0,0247] Tab. 25 Tesování VAR modelu (CZV a SC za mléko v ČR) Tes p-hodnoa Ljung-Box Q' Rovnice 1 0,554 Rovnice 2 0,810 ARCH Rovnice 1 0,896 Rovnice 2 0,575 Doornik-Hansenův es 0,467 Pormaneův es 0, Vzah mezi cenami zemědělských výrobců za mléko a cenami průmyslových výrobců za máslo v ČR Ačkoliv Bayesovské kriérium doporučuje řád zpoždění modelu VAR jedna, my se nyní budeme řídi dle Akaikeho kriéria a zvolíme řád zpoždění modelu VAR dva. Při volbě řádu zpoždění modelu VAR jedna bychom dosáhli nižších koeficienů de-

56 Výsledky a diskuse 56 erminace a horších výsledků esů. Hodnoy jednolivých informačních kriérií jsou uvedeny v ab. 26. Tab. 26 Výběr zpožděných proměnných (CZV za mléko a CPV za máslo v ČR) Zpoždění AIC BIC HQC 1 10, * 9,976957* 10, * 10,280651* 9, * 10,148661* 3 10, , , , , , , , , , , , Hodnoy koeficienů VAR modelu se zpožděním 2 jsou uvedeny v ab. 27. Tab. 27 VAR model (CZV za mléko a CPV za máslo v ČR) Rovnice 1: ld_czv_mleko proměnná koeficien p-hodnoa ld_czv_mleko_1 01,1666 3,67e-013 *** ld_czv_mleko_2 0,3607 0,0024 *** ld_cpv_maslo_1 00,0362 0,1717 ld_cpv_maslo_2 00,0324 0,2080 Koeficien deerminace 0,8766 Adjusovaný koeficien deerminace 0,8709 P-hodnoa (F) 8,72e-29 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 100,76 [0,0000] Všechny zpožděné proměnné ld_cpv_maslo F (2, 65) = 1,5122 [0,2281] Rovnice 2: ld_cpv_maslo proměnná koeficien p-hodnoa ld_czv_mleko_1 02,7066 7,51e-05 *** ld_czv_mleko_2 2,1276 0,0004 *** ld_cpv_maslo_1 0,1837 0,1637 ld_cpv_maslo_2 0,0378 0,7665 Koeficien deerminace 0,2460 Adjusovaný koeficien deerminace 0,2112 P-hodnoa (F) 0,0009 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 8,9421 [0,0004] Všechny zpožděné proměnné ld_cpv_maslo F (2, 65) = 0,9943 [0,3756] V první rovnici je vysvělovanou proměnnou CZV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV za mléko a CPV za máslo v ČR. Podobně jako

57 Výsledky a diskuse 57 v předešlých případech ani zde není CZV za mléko ovlivněna předešlým vývojem CPV za máslo, jelikož p-hodnoa u F-esu vyšla vyšší než 0,05. V druhé rovnici je vysvělovanou proměnnou CPV za máslo v ČR a vysvělujícími proměnnými jsou zpožděné CZV za mléko a CPV za máslo v ČR. Na základě p-hodno příslušných F-esů můžeme říci, že změna CPV másla není závislá na svém vlasním předchozím vývoji, ale na předchozím vývoji CZV mléka. Pokud se změní ceny zemědělských výrobců syrového kravského mléka, ak v cenách průmyslových výrobců za čersvé máslo se o projeví se zpožděním 2 měsíců. Tyo výsledky VAR modelu povrzují aké grafy reakcí na impulzy na obr. 24 uvedené v příloze B. V ab. 28 máme uvedeny p-hodnoy jednolivých esů. U jediného Doornik- Hansenova esu vyšla p-hodnoa nižší než 0,05. V omo případě zamíáme nulovou hypoézu o normálním rozdělení. U zbylých esů vyšla p-hodnoa vyšší než 0,05. Nulové hypoézy edy nezamíáme a auokorelace ani heeroskedasicia nejsou v našem VAR modelu příomny. Pormaneův es opě povrzuje příomnos vícerozměrného bílého šumu. Tab. 28 Tesování VAR modelu (CZV za mléko a CPV za máslo v ČR) Tes p-hodnoa Ljung-Box Q' Rovnice 1 0,651 Rovnice 2 0,676 ARCH Rovnice 1 0,792 Rovnice 2 0,413 Doornik-Hansenův es 0,013 Pormaneův es 0, Vzah mezi cenami zemědělských výrobců za mléko a spořebielskými cenami za máslo v ČR Všechna informační kriéria, uvedená v ab. 29, doporučují řád zpoždění modelu VAR dva. Tab. 29 Výběr zpožděných proměnných (CZV za mléko a SC za máslo v ČR) Zpoždění AIC BIC HQC 1 10, , , * 11,077462* * 10,742941* * 10,945472* 3 11, , , , , , , , , , , , Hodnoy koeficienů VAR modelu se zpožděním 2 jsou uvedeny v následující abulce.

58 Výsledky a diskuse 58 Tab. 30 VAR model (CZV za mléko a SC za máslo v ČR) Rovnice 1: ld_czv_mleko proměnná koeficien p-hodnoa ld_czv_mleko_1 01,2620 4,26e-016 *** ld_czv_mleko_2 0,3974 0,0005 *** ld_sc_maslo_1 00,0444 0,2740 ld_sc_maslo_2 0,0318 0,4307 Koeficien deerminace 0,8741 Adjusovaný koeficien deerminace 0,8683 P-hodnoa (F) 1,65e-28 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 115,99 [0,0000] Všechny zpožděné proměnné ld_sc_maslo F (2, 65) = 0,8454 [0,4340] Rovnice 2: ld_sc_maslo proměnná koeficien p-hodnoa ld_czv_mleko_1 00,8884 0,0214 ** ld_czv_mleko_2 0,2735 0,4386 ld_sc_maslo_1 00,1668 0,2020 ld_sc_maslo_2 0,2118 0,1053 Koeficien deerminace 0,2634 Adjusovaný koeficien deerminace 0,2294 P-hodnoa (F) 0,0005 Všechny zpožděné proměnné ld_czv_mleko F (2, 65) = 5,6364 [0,0055] Všechny zpožděné proměnné ld_sc_maslo F (2, 65) = 1,9910 [0,1448] V první rovnici je vysvělovanou proměnnou CZV za mléko v ČR a vysvělujícími proměnnými jsou zpožděné CZV za mléko a SC za máslo v ČR. Ani v omo případě není CZV mléka kauzálně ovlivněna SC másla, jelikož p-hodnoa daného F-esu je věší než hladina významnosi a my nezamíáme nulovou hypoézu. V druhé rovnici je vysvělovanou proměnnou SC za máslo v ČR a vysvělujícími proměnnými jsou zpožděné CZV za mléko a SC za máslo v ČR. Grangerova kauzalia byla prokázána pouze v prvním případě, kdy změna CZV mléka ovlivňuje ve zpoždění dvou měsíců SC másla. Naopak p-hodnoa u F-esu pro všechny zpožděné SC másla je vyšší než 0,05 a v omo případě Grangerova kauzalia nebyla prokázána. SC másla nejsou ovlivněny svým předešlým vývojem. V ab. 31 máme uvedeny p-hodnoy jednolivých esů. U Doornik-Hansenova esu vyšla p-hodnoa nižší než 0,05. V omo případě zamíáme nulovou hypoézu o normálním rozdělení chybového členu. U osaních esů vyšly p-hodnoy vyšší jak 0,05. Nulové hypoézy nezamíáme, auokorelace ani heeroskedasicia nejsou příomny a vícerozměrný bílý šum byl prokázán.

59 Výsledky a diskuse 59 Tab. 31 Tesování VAR modelu (CZV za mléko a SC za máslo v ČR) Tes p-hodnoa Ljung-Box Q' Rovnice 1 0,599 Rovnice 2 0,384 ARCH Rovnice 1 0,731 Rovnice 2 0,999 Doornik-Hansenův es 0,002 Pormaneův es 0, Předpovědi množsví nakoupeného mléka Na obr. 17 je vyobrazena časová řada množsví nakoupeného mléka od výrobců do mlékáren v České republice od ledna roku 2008 do prosince roku Tao časová řada je očišěna o kalendářní variace podle vzorce č. 1 a její hodnoy, jak v původní, ak v očišěné formě, jsou uvedeny v abulkách v příloze A. Obr. 17 Časové řady množsví nakoupeného mléka od výrobců Nejvíce mléka bylo nakoupeno v roce 2012 a nejméně v roce Průběh časové řady se ale v jednolivých leech příliš neliší. Objem nakoupeného mléka obvykle rose od lisopadu do kvěna, kdy v lisopadu dosahuje minima a v kvěnu naopak maxima. Výjimkou je rok 2011, kdy nejvíce mléka bylo nakoupeno v červenci. Od kvěna do lisopadu pak opě množsví nakoupeného mléka klesá. Je zde edy parná sezónnos. Určiou roli hraje zvýšená popávka po mléce v období Vánoc a Velikonoc. V dnešní době už však eno fakor není ak významný, jelikož mléko lze pomocí meody UHT skladova i několik měsíců. Pokud se podíváme na výsledky průměrných elemenárních charakerisik uvedených níže, můžeme říci, že množsví nakoupeného mléka od výrobců se průměrně meziměsíčně snížilo o 160, 2239 is. lirů. V relaivním vyjádření o odpovídá poklesu o 0,08 %, kerý je velmi mírný.

60 Výsledky a diskuse , ,5 160, (39) ,6 k , ,5 (40) 0, ,0008 (41) Pro predikce časové řady množsví nakoupeného mléka použijeme model SARIMA (0, 1, 0) (1, 1, 0)12 bez konsany. Hodnoy koeficienu Phi_1 ohoo modelu jsou uvedeny v ab. 32. Teno koeficien je saisicky průkazný, jelikož jeho p-hodnoa je menší než 0,05. Tab. 32 Model SARIMA (0, 1, 0) (1, 1, 0) 12 koeficien směr. chyba z p-hodnoa Phi_1 0, , ,012 5,39e-07 *** Teno model nám aké dává bílý šum, což je ověřeno v následujícím exu. Prvním předpokladem bílého šumu je nulová sřední hodnoa náhodné složky. Jak můžeme vidě na obr. 18, rezidua se pohybují kolem nuly a eno předpoklad můžeme považova za splněný. Obr. 18 Graf reziduí modelu SARIMA (0, 1, 0) (1, 1, 0) 12 Druhým předpokladem je konsanní rozpyl náhodné složky, edy že v modelu není heeroskedasicia. Ověříme ho pomocí ARCH esu s řádem zpoždění 12. Jeho p-hodnoa je věší než hladina významnosi 5 %. Nulovou hypoézu o nepříomnosi efeku ARCH v modelu nezamíáme a předpoklad o konsanním rozpylu považujeme za splněný. Posledním předpokladem pro bílý šum je nepříomnos sériové korelace v modelu. Ověříme ho prosřednicvím Ljung-Boxova Q' esu, u kerého jsme zvo-

61 Výsledky a diskuse 61 lili řád zpoždění aké 12. P-hodnoa zde aké vyšla věší než 0,05 a my nezamíáme nulovou hypoézu o neexisenci auokorelace. Poslední předpoklad byl aké splněn a chybový člen modelu SARIMA (0, 1, 0) (1, 1, 0)12 má vlasnosi bílého šumu. Nejedná se však o normální bílý šum, jelikož p-hodnoa u esu normaliy vyšla menší než 0,05 a nulovou hypoézu o normálním rozdělení chybového členu zamíáme. P-hodnoy všech esů jsou uvedeny v následující abulce. Tab. 33 Tesování modelu SARIMA (0, 1, 0) (1, 1, 0) 12 Tes p-hodnoa Ljung-Box Q' 0,125 ARCH 0,973 Chí-kvadrá es normaliy 0,000 Na obr. 19 jsou predikce pro období od ledna 2014 do prosince 2015 na 5% hladině významnosi. V obou leech by měl bý dodržen rend, kdy objem nakoupeného mléka rose od lisopadu do kvěna a naopak od kvěna do lisopadu zase klesá. Přičemž v lisopadu dosahuje minima a v kvěnu naopak maxima. Rok 2014 by měl bý z hlediska množsví nakoupeného mléka obdobný jako rok Věší snížení nákupů mléka od výrobců oproi předchozím rokům lze očekáva v roce V ab. 34 můžeme vidě konkréní měsíční predikce pro oba roky. Je zde však velká pravděpodobnos, že se yo predikované hodnoy budou od ěch reálných poměrně liši. Důvodem jsou dvě velké událosi, keré měly na mlékárenský průmysl obrovský vliv. První nasala v druhé polovině roku 2014, kdy Rusko uvalilo embargo na vývoz poravin včeně mléčných výrobků z EU do Ruska. Druhou událosí je zrušení mléčných kvó ke konci března roku Obr. 19 Předpověď množsví nakoupeného mléka pro model SARIMA