ANALÝZA SCHOPNOSTI ČESKÉ DOMÁCNOSTI VYSTAČIT S PŘÍJMY. Pavla Kafková, Jitka Bartošová. Úvod

Transkript

1 ANALÝZA SCHOPNOSTI ČESKÉ DOMÁCNOSTI VYSTAČIT S PŘÍJMY Pavla Kafová, Jita Bartošová Abstrat Většina domácností má v současné době problém platit nejen mimořádné výdaje, ale i ty, teré jsou běžné a nezbytné pro její chod. Příspěve je zaměřen na modelování schopnosti domácnosti vystačit si se svými příjmy. K modelování je použita logisticá regrese a parametry modelu budou odhadnuty prostřednictvím programu SAS Enterprise Guide 4.2. K analýze byly využity datové soubory pocházející z šetření příjmů a životních podmíne domácností a jednotlivců EU-SILC v Česé republice za ro Klíčová slova: EU-SILC, logisticá regrese, SAS EG, zadluženost domácností JEL Code: J31 Úvod V současné době má většina domácností problém s placením výdajů, především těch mimořádných. Jedním z důvodů je růst DPH i celový růst cenové hladiny v Česé republice. Cílem příspěvu je zonstruovat model, jehož odezvou bude pravděpodobnost, zda domácnost vychází se svými příjmy snadno či s obtížemi. K modelování je využita logisticá regrese a odhady jeho parametrů budou zísávány v programu SAS EG 4.2, terý tento model obsahuje. Celá analýza sestává z něolia roů, což nám umožní dosáhnout maximální výstižnosti výsledného modelu. K odhadům budou použity datové soubory pocházející z šetření příjmů a životních podmíne domácností a jednotlivců EU SILC (European Union Statistics on Income and Living Conditions) v Česé republice za ro Konečným cílem je zísat model, terý by vystihoval schopnost domácností vystačit se svými příjmy a odhalit fatory, teré tuto schopnost významně ovlivňují. Libor Vaníče, terý pracuje jao ředitel retailového banovtnictví ING Ban ČR uvádí: Každá domácnost, potažmo i jednotlivec, by měla mít vytvořenu finanční rezervu pro případ neočeávaných situací. Uvádí se, že ta by měla v ideálním případě tvořit alespoň

2 šestinásobe měsíčního příjmu 1. Ta velou rezervu má ale jen zlome domácností v Česé republice. V tomto článu je dále uvedeno, že velmi záleží na tom, zda domácnost má vůbec přehled o svých příjmech a výdajích a ja je schopna své výdaje plánovat. V průzumu provedeném společností Svět spoření se uvádí: Kdyby průměrná česá domácnost najednou přišla o vešeré příjmy, byla by schopna financovat své záladní potřeby a výdaje po dobu dvou měsíců a osmnácti dnů. Oproti prosinci v roce 2011 by domácnost vydržela o devět dní déle. 2 Z tohoto průzumu taé vyplývá, že průměrná výše úspor česé domácnosti je Kč, průměrná výše pravidelných výdajů česé domácnosti je Kč a index úspor česé domácnosti je 2,6, tj. 2 měsíce a 18 dní. Uvedený index úspor ovšem neodpovídá doporučené hodnotě uváděné společností ING Ban ČR je zde více než tří měsíční rozdíl. Proto je nutné vědět, zda domácnosti jsou či nejsou schopné se svými příjmy vystačit, protože poud se jim to nepodaří, těžo si budou moct potřebnou vytvořit finanční rezervu. 1 Datová záladna pro zjišťování platební schopnosti domácností v ČR Zdrojová data pro tento příspěve jsou čerpány ze souborů výběrového šetření EU-SILC pro Česou republiu a to za ro Tato data jsou považována za reprezentativní a zísané výsledy analýz je proto možné zobecnit. Údaje, teré se v souboru nachází, vypovídají o finanční situaci domácností, jao je jejich příjem a výdaje na jednotlivé typy zboží, jejich vybavenost předměty dlouhodobé spotřeby apod. a obsahují rovněž značně omplexní informace o sociálně eonomicé situaci jednotlivých členů domácností. Výběrové šetření probíhá aždoročně na stejných domácnostech po dobu čtyř let. Díy tomu lze postihnout i změny, nimž v průběhu let docházelo. Domácnosti jsou reprezentovány tzv. osobou v čele. V úplných rodinách se za osobu v čele domácnosti považuje muž, bez ohledu na jeho eonomicou situaci v porovnání s dalšími eonomicy ativními osobami v domácnosti. Poud se jedná o neúplnou rodinu a o domácnost, terá netvoří rodinu, rozhoduje o osobě v čele eonomicá ativita jednotlivců. EU-SILC představuje datovou záladnu pro široé spetrum výzumných záměrů. Jedná se napřílad o práce zabývající se modelováním působení různých atributů domácností na rizio monetární chudoby (ris-of-poverty rate) v Čechách a na Slovensu (viz Labudová, Vojtová a Linda, 2010, Bartošová a Forbelsá, 2010, Pauhofová (2010), Stanovičová (2010), Želinsý (2010 a 2012 a další), měřením rizia chudoby a materiální deprivace

3 (Ivančíová a Vlačuha, 2007 a Želinsý, 2010a, 2010b, nebo 2012), staticým a dynamicým modelováním příjmové distribuce (Bílová 2012, Mare, 2010 a 2011, Malá, 2012, Pacáová a Foltán, 2011) a mnoha dalšími sociálně-eonomicými analýzami (Řezanová, Loster, 2011, Misolczi, Langhamrová, Langhamrová, 2012). 2 Zobecněné lineární modely V našem případě, dy se zabýváme modelováním závislosti pravděpodobnosti, že domácnost vystačí se svými finančními prostředy, je zoumána závislost charateristicá binární odezvou a množinou vantitativních i ategoriálních fatorů, teré ji ovlivňují, či jejich ombinacemi. Proto použijeme modelování zobecněný lineární model (GLM). Jao vysvětlující proměnné jsou zde brány ja vantitativní, ta valitativní proměnné, teré musí být navzájem nezávislé. Případná jejich nežádoucí závislost se označuje jao multiolinearitu a při neúnosné míře multiolinearitu model správně nefunguje. Testování toho předpoladu se u vantitativních proměnných provádí pomocí párových orelačních oeficientů, jejichž hodnota by se měla pohybovat nejlépe oolo 0. Za nezávislé lze považovat proměnné, u terých se hodnota oeficientu pohybuje v intervalu (-0,8; 0,8). U valitativních proměnných se nezávislost testuje χ 2 testem nezávislosti a v případě nesplnění jeho předpoladů (očeávané hodnoty ve všech supinách vyšší než 5) Fisherovým fatoriálovým testem. U valitativních proměnných se dále zoumá jejich homosedasticita v závislosti na odezvě. Testování probíhá pomocí Levenova testu nebo přes graf podmíněných průměrů. Dalším předpoladem je normalita rozložení dat. Tata podmína je nutná pouze u odezvy, ale lze ji použít i u exogenních veličin. V případě porušení normality je obvyle vhodné provést logaritmicou transformaci danné proměnné (může jít ja o přirozený ta o deadicý logaritmus). V případě, že je použita transformace, je nutné výsledný model převést zpětnou transformací do varianty, de odezva není zlogaritmovaná. V tomto příspěvu ale za odezvu (Y) není bráno lasicé číslo, jao je čistý příjem, výdaje, apod., ale pravděpodobnost vyjadřující možnost výsytu jednotlivých situací domácnost vystačí / nevystačí s penězi. Odezva tedy nabývá hodnot {0;1}. U výsledného modelu je v případě, že vysvětlující proměnné jsou ategoriální vždy jedna varianta brána jao záladní (referenční) a podle toho je model interpretován. Čím více se výsledná hodnota pravděpodobnosti blíží jedné z daných marginálních hodnot, tím více tato možnost platí. Tato charateristia tedy odpovídá logitovému modelu s alternativní odezvou.

4 3 Logisticá regrese s binární odezvou Ja již bylo uvedeno, tento model nemá lasicou číselnou odezvu, ale odezvu, terá vyjadřuje pravděpodobnost výsytu dané situace. Předpolady tohoto modelu jsou, až na normalitu odezvy, stejné jao u zobecněného lineárního modelu (více viz Hebá, 2010, Stanovičová, Vojtová, 2007). Normalita odezvy zde není, neboť odezvy nabývá pouze hodnot {0;1}. Výchozí model pro logisticou analýzu je dán vztahem [ p (1 p) ] = a + a 1 x + a x Y = ln , (1) logit ( p) = ln p (1 p) = a i x 1 i, de je přirozený logaritmus šance výsytu dané situace, [ ] i = je dán uvedenou lineární ombinací, de a 0, a1,..., a jsou neznámé (odhadované) parametry modelu a x 1,..., x jednotlivé vysvětlující proměnné (vantitativní, popř. valitativní), teré vstupují do modelu. Naonec je nutné provést zpětnou transformaci, aby danný model byl lépe interpretovaný. Doporučuje se použít šanci, tj. podíl a x a x ( ) ( x x e e ) = b b b a šance = p ( 1 p) = e (2) Odtud lze odvodit vztah pro pravděpodobnost p výsytu situace ( ) x x + = x x 1 šance b b 1... b 1 + b b 1 b p = šance (3) Po odhadu parametrů modelu lze odtud vypočítat pravděpodobnost výsytu libovolné vybrané situace. Pro odhad jednotlivých parametrů je zde použit program SAS Enterprise Guide 4.2, terý je mimo jiné schopen určit výstižnost i významnost modelu jednotlivých jeho parametrů. 4 Příprava modelu Datový soubor použitý pro naši analýzu je nutné před vložením do programu upravit. Důležité je rozšířit data pomocí přepočítacího (alibračního) oeficientu, terý udává množtví domácností daného typu, tj. počet domácností teré mají stejné vlastnosti jao vybraní domácnost. Po rozšíření dat dle tohoto oeficientu bylo v souboru domácností, což

5 odpovídá počtu domácností v ČR. V modelu byly použity následující vysvětlující proměnné (v závorce je vždy uvedena jejich definice): - vychazela (udává schopnost domácností vystačit se svými příjmy) - eu_prij (disponibilní čistý důchod domácnosti dle Evropsé unie) - nalady (celové nálady domácnosti) - matdep (úroveň materiální deprivace dle Evropsé unie) - hypotea (udává, zda domácnost má či nemá hypotéu a variantu, že se jí tato možnost netýá) - nal_zatez (za ja velou zátěž domácnoct považuje své nálady) - pujc_zatez (za ja velou zátěž domácnost považuje spláty svých půjče, případě údaj, že se jí tento údaj netýá) - dluh_najem (udává, zda domácnost měla za posledních 12 měsíců nezaplacený nájem) - dluh_platby (udává, zda domácnost měla za posledních 12 měsíců dluh na platbách), - dluh_hypo (zda domácnost měla za předchozí ro nezaplacenou splátu hypotéy, netýá se ovšem všech domácností, ale jen těch, teré jao možnost vydlení vyplnili vlastní byt či dům) - dluh_pujc (uvádí, zda domácnost za poslední ro dlužila spláty u své půjčy, opět netýá se všech domácností) - neoce_vyd (udává, zda je domácnost schopna zaplatit neočeávaný výdaj ve výšši Kč) - deti_eu (počet nezaopatřených dětí definovaných podle Evropsé unie) - nezam (počet nezaměstnaných osobv domácnosti) - ea (počet eonomicy ativních osob v domácnosti) - prduch (počet pracujících důchodců v domácnosti) - npduch (počet nepracujících důchodců v domácnosti). Pro zvýšení výstižnosti modelu je vhodné provést logaritmicou transformaci proměnné eu_prij a nalady. Obě tyto proměnné obsahují nulové hodnoty, a proto je nutné před jejich transformací nim přičíst hodnotu 1, aby se z nulové hodnoty po zlogaritmování nestalo -, ale nula. Proměnná eu_prij ovšem obsahuje i záporné hodnoty, těch je v datovém souboru pouze osm. Proto je možné tyto hodnoty vynechat, nebo je změnit na nulu. Do další analýzy bude vstupovat soubor s vynechanými zápornými příjmy, taže použitý datový soubor obsahuje domácností.

6 4.1 Charaterizace něterých proměnných Odezvou v tomto modelu je proměnná vychazela, terá udává, s ja velými obtížemi daná domácnost vychází se svými příjmy. Dle rozložení dat lze usuzovat, že většina domácností se svými příjmy vychází snadno (v této supině jsou sdruženy původní ategorie 1 3). Tyto domácnosti tvoří 64%. Zbylé domácnosti vychází se svými příjmy s obtížemi (původní supiny 4 6). Další pro nás zajímavou proměnnou je neoce_vydaj, terá sděluje, zda domácnost je či není schopna zaplatit neočeávaný výdaj ve výšši osmi tisíc orun. Celých 71% domácností se prohlásila, že je schopná tento výdaj zaplatit bez větších obtíží. Pro zbylé tři desetinny domácností by i tento relativně malý výdaj znamenal velé problémy. Dalším zajímavým fatorem z hledisa našeho šetření je hypotea. Je pozoruhodné, že největší část česých domacnosti hypotéu nemá (61%) či se jí netýá (13%) protože může bydlet ve vlastním domě či bytě nebo v pronájmu, nájmu pod. Velá část domácností v datovém souboru taé nemá dítě nezaopatřené (dle definic Evropsé unie), a to více než dvě třetiny. Tato sutečnost je nejspíše způsobena tím, že v souboru je mnoho domácností, de osoba v čele je již v důchodovém věu a děti pravděpodobně žijí odděleně. Jedno až dvě děti má zhruba 33% domácností. Tuto hodnotu lze považovat za průměr a není tedy ničím vyjímečná. V souboru se ale taé nachází výjimy, je zde jedna domácnost, terá má šest nezaopatřených dětí a jedna jich má osm. Za pozitivní lze považovat fat, že ve většině domácnosti (92%) není nezaměstnaný člen a ve velé části z nich (68%) je jeden a více eonomicy ativních členů. Co se týá vantitativních veličin, proměnná eu_prij má průměrnou hodnotu Kč, medián činí Kč, minimální hodnota je Kč a maximální hodnota dosahuje hodnoty Kč, což zvedá průměr, podobně jao další velmi vysoé příjmy, teré mají charater odlehlých hodnot. U náladů je situace relativně vyrovnanější. Minimání hodnota je zde dle předpoladu nulová, průměrná činí Kč a mediánová hodnota je opět nižší, ale již ne o toli, je to Kč. Maximální hodnota nálady jsou Kč. 5 Model platební schopnosti česých domácností Před onstrucí výsledného modelu je nutné provést jeho analýzu závislosti a v případě nezávislosti odezvy na jednotlivých fatorech, tyto fatory z modelu vyřadit. K vylučování došlo i v tomto případě. Z onečného modelu byl vyřazen parametr a 0, terý byl v modelu nevýznamný, a proměnná matdep, terá byla nevýznamná ve všech svých ategoriích. Z důvodu většího množství proměnných s mnoha ategoriemi, byla analýza něolirát

7 opaována, aby bylo dosaženo maximální výstižnosti modelu. Konečná verze modelu tedy vypadá následovně: Y = a1 log( eu _ prij + 1) + a2 log( nalady + 1) + a3 prduch + a4npduch + a5hypotea + a6dluh _ najem + a7dluh _ platby + a8dluh _ hypo + a9dluh _ pujcy + a10 de. ti _ eu + a11nezam + a12neoce _ vydaj + a13ea + a14nal _ zatez + a15 pujc _ zatez (4) Proměnné eu_prij a nalady jsou vantitativní, zbyte veličin má valitativní charater. Jednotlivé ategorie a odhady parametrů jsou uvedeny v tabulce 1. Tab. 1: Odhady jednotlivých parametrů onečné verze logisticého modelu Parameter Kategorie Odhad Standartní chyba Wald Chi- Square p-hodnota log (eu_prij+1) 1,8120 0, ,6991 <0,0001 log (nalady+1) -0,4126 0, ,9861 <0,0001 prduch 0 0,1420 0, ,7955 <0,0001 npduch 0 0,2384 0, ,7487 <0,0001 hypotea dluh_najem dluh_platby dluh_hypot dluh_pujc deti_eu ma -19,6509 0, ,7982 <0,0001 nema 9,8730 0, ,1993 <0,0001 ano -0,6945 0, ,4469 <0,0001 ne 0,4340 0, ,7403 <0,0001 ano -0,3853 0, ,5201 0,0012 ne 0,4577 0, ,0310 <0,0001 ano 9,4527 0, ,2005 <0,0001 ne 10,0139 0, ,0009 <0,0001 ano -0,9128 0, ,6995 <0,0001 ne 0,2753 0,1165 5,5845 0, ,3982 0, ,2015 <0, ,1553 0, ,3368 <0,0001 nezam 0 0,4435 0, ,3160 <0,0001 neoce_vydaj ano 0,9856 0, ,9341 <0,0001 ea 0 0,1747 0, ,8167 <0,0001 nal_zatez zatez je -1,3137 0, ,6279 <0,0001 pujc_zatez netyase -0,2815 0,1216 5,3585 0,0206 zatezje -0,5848 0, ,8265 <0,0001 Zdroj: Vlatní výpočty z dat EU-SILC pro Česou republiu za ro 2009 K této tabulce je nutné poznamenat, že se v ní neobjevuje referenční (záladní) supina, níž jsou všechny výsledy vztahovány. Za referenční byly zvoleny domácnosti, de je alespoň jeden pracující a nepracující důchodce, domácnost nemá hypotéu, z toho

8 důvodu, že pro ni není podstatná (bydlí v pronájmu apod.). Další vlastností referenční supiny je, že se jí taé netýají ani dluhy za nájem a platby, ani za spláty hypotéy a ostatní půjčy. Má alespoň dvě děti (dle definic EU) a není schopna zaplatit neočeávaný výdaj ve výši osmi tisíc orun. V dané domácnosti žije taé minimálně jeden člen, terý je eonomicy ativní. Celové nálady domácnosti nejsou ovšem považovány za zátež, a to ani spláty jednotlivých půjče. Do modelu (4) nyní zařadíme všechny ategorie valitativních proměnných. Dostaneme: logit( p) = a1 log( eu _ prij + 1) + a2 log( nalady + 1) + a3 prduch+ a4npduch+ a5hypoteama + a6hypoteanema + a7dluh _ najemano + a8dluh _ najemne + a9dluh _ platbyano + a10dluh _ platbyne + a11dluh _ hypoano + a12dluh _ hypone + a13dluh _ pujcyano + a14dluh _ pujcyne + a15deti. _ eu0 + a16deti. _ eu1 2 + a17nezam + a18neoce _ vydaj (5) + a19ea + a20nal _ zatez + a21pujc _ zateznetya _ se + a22 pujc _ zatez zatez _ je Odezva Y je zde definována jao logit, tj. přirozený logaritmus šance, ja bylo uvedeno v rovnici (2), proto je nutné celý model převést zpět. Další úpravou zísáme pravděpodobnost, že daný jev nastane, p = šance ( 1+ šance), de šance je definovaná v rovnici (6). V tomto případě je model tvořen pro hodnotu 1, což odpovídá variantě, že domácnost má problém s placením svých výdajů, resp. není schopna vystačit se svými příjmy. Do tato upravené rovnice doplníme odhady jednotlivých parametrů, aby mohl být model použit pro odhady pravděpodobnosti. Odhadnutý model pro šanci je následující: šance = p ( 1 p) = log 6, ,45 1,5804 ( eu _ prij + 1) 0,6619 hypotea nema dluh _ platby ne 0, ,52 ea nal _ zatez 1,1908 0,2688 0,7547 log( nalady + 1) prduch npduch 1,1526 1,2692 0, dluh _ najemano dluh _ hypoano 1, ,77 pujc _ zateznetya _ se dluh _ najemne dluh _ hypone dluh _ platby ano pujc _ zatez zatez _ je dluh _ pujcyano dluh _ pujcyne de. ti _ eu0 de. ti _ eu1 2 nezam neoce _ vydaj 1,3169 1,4891 0,8562 1,5582 2,6794 0,5572 0,6802 0,4014 hypoteama (6) Závěr V analýze bylo zjištěno mnoho zajímavých údajů ohledně schopnosti domácností platit své výdaje řádně a včas. Model byl zoumán logisticou regresí, de jao odezva vystupovala schopnost domácností platit své výdaje. Ta nabývala hodnot 0 a 1, dy 0 označuje, že domácnost nemá problém s placením a 1 je se svými příjmy vychází s obtížemi. Z analýzy vyplývá, že úroveň schopnosti domácností platit své výdaje závisí na disponibilním důchodu podle Evropsé unie, celových náladech domácnosti, počtu pracujících a nepracujících

9 důchodců v domácnosti a zda má domácnost hypotéu. Další fatorem, erý má vliv na model je to, zda domácnost v posledních dvanácti měsících měla dluh za nájem, ostatní platby, splávu hypotéy nebo nějaé půjčy. Důležité je taé složení domácnosti, oli v ní žije nezaopatřených dětí podle Evropsé unie, oli nezaměstnaných a eonomicy ativních členů. Posední částí modelu je to, zda domácnost považuje za zátěž své nálady a spláty půče. R 2 výsledného modelu je 35,82 %, tato hodnota je relativně nízá a možná by bylo vhodné při další analýze modelu usutečnit určitou transformaci proměnných. Nejětší vliv na model má fator hypotea a to u obou svých možností. Poud domácnost hypotéu má, je daný oeficient -19,65 u možnosti, že domácnost hyptéu nemá je jen 9,87. Oba tyto oeficienty jsou téměř rozhodující při tvorbě onečné pravděpodobnosti. Poděování Příspěve byl vytvořen s podporou vědecovýzumných projetů Interní grantové agentury Vysoé šoly eonomicé IG F6/3/2012 Kvantitativní studie sociální situace juniorů a seniorů a VEGA 1/0127/11 Prostorová distribuce chudoby v Evropsé unii. Reference BÍLKOVÁ, Diana. Recent Development of the Wage and Income Distribution in the Czech Republic. Prague Economic Papers. Roč. 21, č. 2, s HEBÁK, Petr. Vícerozměrné statisticé metody. Praha: Informatorium, HRUŠOVÁ, Monia. Nastala rize? Česá domácnost by bez příjmů vydržela soro tři měsíce. Investujeme.cz. 13. června řijna IVANČÍKOVÁ, Ľudmila a Róbert VLAČUHA. Stratégia EU 2020 a ohrozenie chudobou v regiónoch Slovensa. In: Sociálny apitál, ľudsý apitál a chudoba v regiónoch Slovensa. Košice: Technicá univerzita, 2010, s ISBN LABUDOVÁ, Viera, VOJTKOVÁ, Mária a Bohdan LINDA. Application of multidimensional methods to measure poverty. E+M Eonomie a management. Roč. 13, č. 1, s MALÁ, Ivana. Použití onečných směsí pro modelování příjmových rozdělení. Acta Oeconomica Pragensia. Roč. 20, č. 4, s MAREK, Luboš. Analýza vývoje mezd v ČR v letech Politicá eonomie. Roč. 58, č. 2, s MISKOLCZI, Martina, LANGHAMROVÁ, Jita a Jana LANGHAMROVÁ. Recognition

10 of Differentiation in Unemployment Trends among Regions in the Czech Republic. Jindřichův Hradec In: IDIMT Linz : Trauner Verlag universitat, 2011, s ISBN PACÁKOVÁ, Viera a Frantise FOLTÁN, F. Analysis of the highest wages in the Slova Republic. Scientific Papers of the University of Pardubice, Series D. Roč. 19, č. 1, s PAUHOFOVÁ, Iveta. Regionálna príjmová stratifiácia populácie Slovensa. In: Sociálny apitál, ľudsý apitál a chudoba v regiónoch Slovensa. Košice: Technicá univerzita, 2010, s ISBN ŘEZANKOVÁ, Hana a Tomáš LOSTER. Analysis of the Dependence of the Housing Characteristics on the Household Type in the Czech Republic. APLIMAT Journal of Applied Mathematics, 4(3), s STANKOVIČOVÁ, Iveta a Mária VOJTKOVÁ. Viacrozmerné štaticticé metódy s apliáciami. Vydání první. Bratislava: Iura Edition, ŽELINSKÝ, Tomáš. Changes in Relative Material Deprivation in Regions of Slovaia and the Czech Republic. Panoeconomicus. Roč. 2012, č. 3, s < Nežijte od výplaty výplatě! Podívejte se, JAK ŠETŘIT a neživořit!. Tn.cz. 2. dubna října Kontat Pavla Kafová Vysoá šola eonomicá v Praze, Faulta managementu Jarošovsá 1117/II, Jindřichův Hradec xafp03@fm.vse.cz Jita Bartošová Vysoá šola eonomicá v Praze, Faulta managementu Jarošovsá 1117/II, Jindřichův Hradec bartosov@fm.vse.cz