JAKÉ DETERMINANTY OVLIVŇUJÍ VÝBĚR

Vysoká škola ekonomická v Praze Národohospodářská fakulta Hlavní specializace: Ekonomie JAKÉ DETERMINANTY OVLIVŇUJÍ VÝBĚR SPOTŘEBNÍ DANĚ Z POHONNÝCH HMOT? bakalářská práce Autor: David Šubrt Vedoucí práce: Ing. Aleš Rod Rok: 2014

Prohlašuji na svou čest, že jsem bakalářskou práci vypracoval samostatně a s použitím uvedené literatury. David Šubrt V Praze, dne 18. 8. 2014

Poděkování Rád bych na tomto místě poděkoval vedoucímu své práce Ing. Alešovi Rodovi za cenné rady, připomínky a komentáře. Dále bych chtěl poděkovat Davidu Šimoníkovi ze společnosti MYTO CZ za pomoc se získáváním dat. Za psychickou podporu děkuji své rodině.

Abstrakt: Bakalářská práce pomocí regresní analýzy kvantifikuje vlivy determinantů na výběr spotřební daně z motorové nafty v České republice. K tomu je použita metoda nejmenších čtverců, aplikovaná na měsíční časové řady z let 2008-2012. Uvažovanými hlavními determinanty výběru SPD z motorové nafty v ČR jsou: sazba spotřební daně z motorové nafty ČR, Rakouska, Německa a Polska, hustota provozu, vliv zimy a sazba DPH České republiky. Z práce vyplývá, že zvýšení sazby spotřební daně v ČR o 1 % vede ke zvýšení výběru spotřební daně z motorové nafty v ČR o 1,57 %. Zvýšení sazby spotřebních daní Rakouska, Německa a Polska o 1 % vede - překvapivě - ke snížení výběru spotřební daně z motorové nafty v ČR o 1,36 % v případě Rakouska, o 2,74 % v případě Německa a o 0,32 % v případě Polska. Zvýšení hustoty provozu o 1 % vede k růstu výběru spotřební daně z motorové nafty v ČR o 0,53 %. V zimních měsících se na spotřební dani z motorové nafty v ČR vybere o 0,06 % méně. Zvýšení sazby DPH v ČR mělo za následek pokles výběru spotřební daně z motorové nafty o 0,29 %. Klíčová slova: spotřební daň, nafta, výběr daně, regresní analýza Abstract: This bachelor s thesis uses regression analysis to quantify the effects of determinants of gas oil excise duty collection in Czech Republic. In order to do that, ordinary least squares are applied on monthly time series from years 2008-2012. Considered main determinants of Czech gas oil excise duty collection are: gas oil excise duties in Czech Republic, Austria, Germany and Poland, density of traffic, influence of winter and VAT rate in Czech Republic. Results of the thesis are that 1% increase of Czech gas oil excise duty leads to 1,57% increase of Czech gas oil excise duty collection. An increase in Austria, Germany or Poland gas oil excise duty by 1 % leads - surprisingly - to 1,36 %, 2,74 % or 0,32 % increase in Czech gas oil excise duty collection respectively. An increase in traffic density by 1 % leads to an increase of Czech gas oil excise duty collection by 0,53 %. In winter months, the Czech gas oil excise duty collection is lower by 0,06 %. An increase in Czech VAT rate resulted in lowering the Czech gas oil excise duty collection by 0,29 %. Key words: excise duty, gas oil, tax collection, regression analysis JEL klasifikace/ Jel classification: F400, H210, H300

Obsah Úvod... 1 1. Teoretická část... 3 1.1 Vysvětlení důležitých pojmů... 3 1.1.1 Spotřební daň... 3 1.1.2 Motorová nafta... 4 1.1.3 Významní zahraniční obchodní partneři ČR... 4 1.2 Rešerše literatury... 7 1.3 Teoretický model... 8 2. Analytická část... 12 2.1 Data... 12 2.1.1 Výběr spotřební daně v ČR (SPD_PREDPIS)... 12 2.1.2 Sazba SPD z motorové nafty v ČR a v zahraničí (SPD_země)... 13 2.1.3 Sazba DPH v ČR a v zahraničí (DPH_země)... 14 2.1.4 Cena motorové nafty v ČR a v okolních zemích (P_země)... 14 2.1.5 Výkonnost tuzemské a zahraničních ekonomik (HDP_země)... 14 2.1.6 Hustota provozu (HUSTPROV)... 15 2.1.7 Sazba mýta v ČR a na objízdných trasách (MYTO)... 15 2.1.8 Období (ZIMA, LETO)... 18 2.1.9 Deskriptivní statistiky... 18 2.2. Ekonometrický model... 20 2.2.1 Funkční forma proměnných... 20 2.2.2 Odhadová technika... 20 2.2.3 Model 1... 21 2.2.4 Model 2... 23 2.2.5 Model 3 - očištěný... 25 2.3 Interpretace výsledků... 26 Závěr... 29 Seznam tabulek, grafů a obrázků... 31 Použité zdroje... 32

Velká Británie Itálie Švédsko Irsko Německo Finsko Dánsko Česká republika Holandsko Belgie Francie Řecko Rakousko Estonsko Maďarsko Malta Slovinsko Slovensko Portugalsko Lucembursko Španělsko Polsko Kypr Lotyšsko Bulharsko Rumunsko Litva Sazba (EUR/1000 l nafty) Úvod V listopadu 2012 viceprezident Sdružení automobilových dopravců ČESMAD BOHEMIA a.s. Jiří Povolný mj. uvedl, že zbytečně velké prostředky téměř 10 korun z každého litru necháváme v zahraničí, když se v ČR potýkáme s problémem jak sestavit rozpočet. 1 Celkové daňové zatížení motorové nafty v České republice na konci roku 2012 činilo celkem 47,3 % z její koncové ceny 35,71 Kč/litr, z toho 10,95 Kč tvořila spotřební daň (SPD) a 5,95 Kč tvořila 20% daň z přidané hodnoty (DPH). 2 V porovnání s ostatními zeměmi Evropské unie jsme v polovině roku 2012 měli u této komodity osmou nejvyšší spotřební daň, jak je možné vidět v Grafu 1. Graf 1 Přehled sazeb spotřebních daní z nafty v zemích EU k 1. červenci 2012 700 600 500 400 442,9 300 200 100 0 Zdroj: vlastní vypracování, data: Evropská Komise Petr Kužel, tehdejší prezident Hospodářské komory České republiky, která zastupuje největší část podnikatelů v zemi, ve svém tiskovém prohlášení z roku 2012 vyjádřil podporu snížení spotřebních daní z paliv. 3 1 Zdroj: MFČR 2 Zdroj: Evropská komise, vlastní výpočet 3 Zdroj: Hospodářská komora ČR 1

V České republice se ročně vybere na spotřební dani z minerálních olejů (pohonných hmot) cca 80 mld. Kč. Z těchto pohonných hmot se na výběru velkou měrou podílí právě motorová nafta, jejíž podíl např. v roce 2012 tvořil 65 % z celkového výběru spotřební daně z pohonných hmot. 4 Z důvodu absence jakékoliv empirické analýzy, která by praktické rozhodování o nastavení spotřební daně v České republice mohla značně ulehčit, jsem se rozhodl tuto analýzu vypracovat. Cílem mé bakalářské práce je kvantifikovat vlivy nejvýznamnějších determinantů na výběr spotřební daně z motorové nafty 5 v České republice. Možné determinanty určuji na základě literatury v kombinaci s obecnou ekonomickou teorií. Ke kvantifikaci jejich vlivů používám lineární regresní analýzu. Jako důležité determinanty se ukazují sazby spotřebních daní z motorové nafty v ČR, Rakousku, Německu a Polsku, hustota provozu v ČR, vliv zimního období a sazba DPH v ČR. Část informací v práci jsem čerpal z trhu a expertních odhadů, které nejsou součástí vědecké literatury. Práce je členěna následovně: První část je čistě teoretická, obsahuje vysvětlení základních pojmů, přehled literatury a také v ní vytvářím teoretický model, ze kterého vycházím v druhé, analytické části. V té se nejprve zabývám daty a jejich úpravou, dále v ní vytvářím ekonometrický model a poté interpretuji jeho výsledky. V závěru diskutuji zjištěné výsledky. 4 Zdroj: Celní správa ČR 5 Zaměření se na motorovou naftu má logické opodstatnění, které je diskutováno v kapitole 1.3 2

1. Teoretická část 1.1 Vysvětlení důležitých pojmů V této kapitole přiblížím pojmy, které používám napříč celou prací a jejichž zahrnutí mi připadá důležité. 1.1.1 Spotřební daň Spotřební daň (SPD) je řazena mezi nepřímé daně. Podle zákona o spotřební dani je plátcem daně právnická nebo fyzická osoba, která je provozovatelem daňového skladu, oprávněným příjemcem, oprávněným odesílatelem nebo výrobcem, jíž vznikla povinnost daň přiznat a zaplatit. 6 Ten, na koho dopadá daňové břemeno je však spotřebitel, protože spotřební daně zvyšují náklady plátcům, kteří je posléze přenesou do vyšších cen. Spotřební daň tak přímo zvyšuje koncovou cenu statku, čímž logicky ovlivňuje chování spotřebitelů, kteří daný statek poptávají. Pokud se jedná o běžný statek, dá se předpokládat, že růst jeho ceny povede, ceteris paribus, ke snížení poptávaného množství. Spotřební daně jsou z tohoto důvodu často využívaným prostředkem k omezení spotřeby konkrétních statků. Jsou uvalovány na statky, jejichž spotřeba je zákonodárci vnímána jako škodlivá a snaží se ji tedy omezit v rámci ochrany životního prostředí či veřejného zdraví. Jako příklad poslouží situace v ČR, kde jsou předmětem spotřebních daní následující komodity: minerální oleje, pivo, líh, víno a meziprodukty a tabákové výrobky. 7 Velmi zjednodušeně se tyto komodity dají zařadit do tří skupin: pohonné hmoty, alkohol a tabákové výrobky. U všech tří skupin je možné lehce najít argumenty, volající po jejich regulaci, ať už se jedná o škodlivost spotřeby pro samotného spotřebitele (tabák), či negativní externality, spojené se spotřebou - především vysoké náklady na léčení nemocí, souvisejících s nadměrnou konzumací alkoholu a kouřením, dále znečištění životního prostředí v důsledku vypouštění skleníkových plynů, které je spojené se spotřebou pohonných hmot. Spotřební daně jsou však především dobrým zdrojem příjmů do státního rozpočtu, jak je možné vidět v Tabulce 1. 6 Zákon č. 353/2003 Sb. o spotřebních daních, ve znění pozdějších předpisů, 4 Plátce daně, odst. 1, písm. a) 7 Zdroj: Celní správa ČR 3

V tuzemsku jsou spotřební daně používány od vzniku České republiky v lednu 1993. Sazby spotřební daně jsou stanoveny pevnou částkou na daný objem komodity, přičemž Evropská unie v případě nafty stanovila minimální spotřební daň, která činí 330 eur/1000 litrů. 8 V České republice činí od 1. ledna 2010 sazba spotřební daně z motorové nafty částku 10 950 Kč na 1 000 litrů. 9 Tabulka 1 Podíly výnosů spotřebních daní na příjmech státního rozpočtu Rok 2008 2009 2010 2011 Celkový výnos spotřebních daní (mld. Kč) 133,0 131,1 138,3 140,6 Příjmy státního rozpočtu (mld. Kč) 1 063,9 974,6 1 000,4 1 012,8 Podíl SPD na příjmech státního rozpočtu 12,5 % 13,5 % 13,8 % 13,9 % Zdroj: vlastní úprava, data: MFČR 1.1.2 Motorová nafta Protože cílem bakalářské práce je odhadnutí vlivů determinantů na výběr spotřební daně z motorové nafty, zmíním se nyní o této komoditě. Motorové nafty jsou směsi ropných kapalných uhlovodíků, vroucích převážně v rozmezí 150 až 360 C. Používají se jako paliva pro vznětové motory, případně pro některé typy plynových turbín. 10 Na českém trhu se, stejně jako ve většině ostatních států EU, distribuuje motorová nafta s rozdílnými nízkoteplotními vlastnostmi v závislosti na ročním období. Pro úpravu těchto vlastností na požadovanou úroveň se široce využívá celá škála aditiv různých renomovaných firem. 11 V Grafu 2 uvádím vývoj ceny této komodity v letech 2008 2012. 1.1.3 Významní zahraniční obchodní partneři ČR V textu častokrát zmiňuji významné zahraniční obchodní partnery ČR. Při výběru států, které budou zařazeny do této skupiny, jsem vycházel z dat ohledně exportu a importu České republiky prostřednictvím silniční nákladní dopravy v tisících tun v roce 2012, jejichž zdrojem je statistická databáze Eurostat. 8 Zdroj: Rada Evropské unie, směrnice č. 2003/96 ze dne 27. 10. 2003 9 Zákon č. 353/2003 o spotřebních daních, ve znění všech předpisů, Portál veřejné správy 10 Zdroj: ČEPRO a.s. 11 tamtéž 4

Cena Kč/litr Graf 2 Vývoj ceny nafty v ČR v letech 2008-2012 40 38 36 34 32 30 28 26 24 22 7.1.2008 5.1.2009 4.1.2010 3.1.2011 9.1.2012 7.1.2013 Zdroj: vlastní vypracování, data: Evropská Komise Tato data tedy nezohledňují cenu exportovaného a importovaného zboží, nýbrž jeho hmotnost. Uvažuji následovně: čím větší objem zboží je vyvezen nebo přivezen do ČR pomocí silniční nákladní dopravy, tím více dopravců bude tankovat buď v ČR nebo v zemi exportu/importu zboží. Pokud v jejich rozhodování kde natankovat hraje roli pouze koncová cena nafty, budou optimalizující dopravci tankovat v té zemi, kde je tato cena nižší. Čím větší podíl na exportu a importu ČR konkrétní země má, tím více dopravců bude muset činit stejné rozhodnutí. Tím spíše se tedy dá předpokládat, že faktory ovlivňující koncovou cenu motorové nafty v dané zemi budou mít nepřímo vliv i na výběr spotřební daně z motorové nafty v ČR. Z tohoto důvodu se domnívám, že použití podílů jednotlivých zemí na exportu a importu ČR prostřednictvím silniční nákladní dopravy v tunách je vhodnou aproximací významnosti konkrétních zemí a v práci ho využívám pro výběr zemí, jejichž proměnné analyzuji. Podíly jednotlivých evropských zemí na exportu a importu ČR prostřednictvím silniční nákladní dopravy znázorňuje Graf 3. 5

Podíl (%) Graf 3 Podíly jednotlivých zemí na export a importu ČR prostřednictvím silniční nákladní dopravy v tisících tun v roce 2012 40% 35% 30% 25% 20% 15% 10% 5% 0% Export Import Zdroj: vlastní zpracování, data: Eurostat Největší podíly má čtveřice sousedních zemí České republiky: Německo, Slovensko, Polsko a Rakousko. Součet jejich podílů na českém exportu je 76,4 % a 75,1 % na českém importu. 12 Podíly ostatních, v grafu uvedených států se pohybují v rozmezí 1 4,5 %, státy s podílem na exportu a importu ČR prostřednictvím silniční nákladní motorové dopravy nižším než 1 % nejsou součástí grafu. Podíly Rakouska jsou poněkud menší než u ostatních sousedních zemí, i přesto však zemi zahrnuji, protože s námi sdílí hranice. Další státy jsem se rozhodl nezahrnout z následujícího důvodu. Každý stát v modelu bude reprezentován několika proměnnými. Přidání dalších n zemí by zvýšilo počet proměnných o součin n a počtu proměnných, které zahrnují více zemí 13, což při relativně malém počtu pozorování 14 není vhodné z hlediska specifikace modelu, a navíc by to zbytečně zkomplikovalo samotnou analýzu. Přestože si uvědomuji, že ostatní zahraniční obchodní partneři mohou mít nezanedbatelný vliv, v práci se jim věnovat nebudu. 12 Zdroj: Eurostat, vlastní výpočet 13 Např. sazba SPD, DPH, výkonnost, cena motorové nafty. 14 n = 60 6

1.2 Rešerše literatury Ekonometrickou analýzou vlivů determinantů na výběr spotřební daně se, pokud vím, dosud nikdo nezabýval. Existující literatura se většinou zaměřuje na spotřebu pohonných hmot a z ní vyplývající nutnost potlačení negativních externalit. Vzrůstající spotřebu benzínu v 80. letech 20. století se pomocí množství automobilů ve vlastnictví lidí a pomocí intenzity řízení (roční počet ujetých km jedním automobilem) pokoušejí vysvětlit Uusitalo a Djerrf (1983). Jako data jim slouží časové řady pro USA a vybrané evropské země (zvláštní pozornost věnují Finsku) z let 1970 až 1979. Dochází k závěru, že zvyšování cen benzínu může vést ke snižování intenzity řízení, ale bude více než vynahrazeno zvyšováním množství automobilů ve vlastnictví lidí. Výsledkem je předpoklad rostoucí spotřeby benzínu do budoucna, na základě čehož autoři navrhují možné způsoby, jak spotřebu snížit s cílem šetřit energie a snížit negativní externality. Podle autorů by více pozornosti mělo být věnováno zdanění pohonných hmot. To činí Decker a Wohar (2007), kteří se zabývají sazbou spotřební daně z nafty v USA, kterou se snaží vysvětlit. Využívají k tomu ekonometrickou analýzu, kterou uplatňují na panelová data, zahrnující všechny americké státy v letech 1992-2001. Endogenní proměnnou je sazba spotřební daně z nafty a exogenními proměnnými jsou: inflace; ceny nafty v jednotlivých státech; federální daně z nafty; délka udržovaných silnic a dálnic v daném státě; populace státu; financování dálnic z jiných zdrojů než z daní; podíl dálnic na celkovém množství komunikací; podíl zaměstnanosti v těžebním a stavebním sektoru hospodářství na celkové zaměstnanosti; poměr zaměstnanosti v nákladní autodopravě na celkové zaměstnanosti; podíl populace žijící v okresech se špatnou kvalitou ovzduší a průměr spotřebních daní pro všechny sousední státy konkrétního státu. Na základě výsledků modelů se dle autorů jako důležitý jeví podíl nákladní autodopravy na celkovou zaměstnanost daného státu. Čím vyšší je tento podíl, tím nižší bude sazba spotřební daně z nafty v daném státě, ceteris paribus. To dle Deckera a Wohara naznačuje velkou politickou moc tohoto sektoru (nákladní autodoprava) v USA. Parry a Small (2005) odvozují optimální sazbu spotřební daně z benzínu pro USA a Velkou Británii. Nejdříve vytvářejí teoretický model, do kterého posléze dosazují hodnoty získané z různých studií. Docházejí k závěru, že optimální sazba daně z benzínu ve Spojených státech je více než dvojnásobná oproti skutečnosti. 7

To je v přímém kontrastu se situací ve Velké Británii, kde autory odvozená optimální sazba daně je méně než poloviční oproti skutečnosti. Parry a Small spatřují nejpravděpodobnějšího viníka v rozdílné politické situaci v obou zemích. Diskutují, že v USA je mnohem silnější politický tlak na udržení nízké sazby spotřební daně. To vysvětlují mj. existencí silných zájmových skupin okolo těžby ropy, stavebnictví a výroby aut, které v USA vždy podporovaly využívání motorové dopravy. Podobně silné zájmové skupiny ve stejných odvětvích velká Británie postrádá. Ve své práci vycházím především z odborné studie (Ševčík & Rod, 2010). Autoři v ní citlivostní analýzou zkoumají sazby spotřební daně z motorové nafty a chování části spotřebitelů této komodity (autodopravců). Dochází mj. k závěru, že tito spotřebitelé mají značné možnosti substituce motorové nafty, což činí jejich poptávku po naftě více elastickou než u ostatních skupin, využívajících tuto pohonnou hmotu. To je podle autorů relativně nová změna, se kterou se státy ještě nenaučily pracovat a jejímž důsledkem jsou nevhodně nastavená sazba spotřební daně z motorové nafty v České republice a její suboptimální výběr. 1.3 Teoretický model Trh motorové nafty a trh benzinu jsou odlišné. Jak uvádějí Ševčík a Rod (2010), poptávka po motorovém benzinu je méně elastická, než poptávka po motorové naftě, protože poptávku po benzinu tvoří takřka výhradně osobní automobily, kdežto poptávka po motorové naftě je přibližně z 60 % tvořena autodopravci. Ti mají s ohledem na podstatu své ekonomické aktivity širší možnosti substituce tuzemské nafty za naftu zahraniční (dokonalé substituty). Existuje tedy mnohem více faktorů, které vstupují do jejich rozhodování kde tankovat, a tedy kde odvést daň. Z tohoto důvodu se v práci zabývám pouze motorovou naftou a benzin úplně opomíjím. Níže uvádím teoretický model: Předmětem zkoumání, a v modelu endogenní proměnnou, je výběr spotřební daně z motorové nafty v České republice v čase t (vyber_spd t ). Z teoretického hlediska je výběrem daně množství spotřebovaného statku vynásobené sazbou daně. 8

Spotřebované množství motorové nafty v ČR a tuzemská sazba spotřební daně z motorové nafty jsou tedy bezesporu kruciálními faktory, které mají přímý vliv na výběr daně a jsou tedy prvními kandidáty na exogenní proměnné. Spotřebované množství motorové nafty v ČR bude v modelu zprostředkováno nepřímo skrze set faktorů, které ho ovlivňují. Bylo by možné zahrnout tuto proměnnou přímo, s její pomocí vytvořit model s výběrem spotřební daně jako endogenní proměnnou a poté vytvořit další model, ve kterém by spotřebované množství bylo jako endogenní proměnná vysvětleno ostatními proměnnými. To by vedlo k tomu, že by se značná část práce věnovala odhadu poptávky po naftě, což není přímo předmětem zkoumání. Zahrnutí spotřebovaného množství v jednom modelu společně s ostatními exogenními proměnnými by dle mého názoru způsobovalo problémy kvůli silné korelaci mezi touto a ostatními vysvětlujícími proměnnými. Spotřebované množství motorové nafty tedy bude v modelu zprostředkováno nepřímo skrze set faktorů, které ho mohou ovlivňovat. Dle ekonomické teorie má velký vliv na spotřebované množství statku především jeho cena. Předpokládám, že stejně je tomu tak i u motorové nafty, tedy že vyšší tuzemská cena povede k nižšímu spotřebovanému množství a tudíž i k nižšímu výběru daně. Koncová cena motorové nafty je však tvořena několika složkami. V první řadě cenou suroviny, ze které je vyráběna, tedy cenou ropy. Ta je stejná pro celou EU a pro analýzu tím pádem nezajímavá. Předpokládám, že změna ceny ropy v České republice bude stejná jako změna ceny ropy např. v Německu. Druhou složkou jsou prodejní marže prodejců nafty. Na základě dostupných informací od tržních subjektů a také dle (Ševčík & Rod, 2010) se průměrné marže v jednotlivých zemích střední a západní Evropy nijak dramaticky neodlišují a jsou spíše stabilní. Proto ani odhady marží prodejců nafty nejsou v práci uvažovány. Třetí složku tvoří tzv. inland premium, což je složka ceny, která je tvořena náklady na dopravení ropy z rafinérie či přístavu, jak uvádějí Ševčík a Rod (2010). Tyto náklady jsou dány geograficky a pro potřeby práce nejsou stěžejní, protože nelze předpokládat, že by se v čase měnily. Čtvrtou složku koncové ceny motorové nafty tvoří její zdanění. Jak již bylo zmíněno v úvodu, spotřební daň a daň z přidané hodnoty tvoří v České republice téměř polovinu koncové ceny této komodity. Sazby SPD a DPH si jednotlivé státy EU mohou 9

zčásti volně nastavit 15. Tato kontrola koncové ceny motorové nafty zemím poskytuje prostor pro cenovou konkurenci prostřednictvím daní. Předpokládám, že vyšší sazby zahraniční spotřební daně z nafty budou činit tuzemskou motorovou naftu dostupnější, v důsledku čehož budou autodopravci substituovat zahraniční motorovou naftu tuzemskou, což povede ke zvýšení výběru její spotřební daně v České republice. V teoretickém modelu jsou sazby spotřebních daní značeny jako SPD i,t, kde i představuje jednotlivé země - tedy ČR a všechny významné obchodní partnery 16 v čase t. Daň z přidané hodnoty je značena obdobně DPH i,t, kde i opět představuje jednotlivé země v čase t. Pro úplnost bude součástí modelu i cena po odečtení daní, jakožto zbytková složka koncové ceny. Zahrnutí koncové ceny jako takové není vhodné, protože by poté v modelu bylo zdanění zahrnuto dvakrát - jednou samostatně a jednou jako složka koncové ceny. V teoretickém modelu je značena jako cena_bezdane i,t, kde i představuje jednotlivé země a t představuje čas. Výkonnost tuzemské ekonomiky je další proměnnou. Předpokládám, že s rostoucí výkonností české ekonomiky poroste i spotřeba motorové nafty, a tím pádem bude i výběr její spotřební daně vyšší. Vzhledem k závislosti České republiky na exportu zároveň předpokládám důležitost vlivu výkonnosti ekonomik jejích významných zahraničních obchodních partnerů 17. Výkonnost je v teoretickém modelu značena vykon_ek i,t, kde i značí konkrétní zemi a t značí čas. Počet autodopravců, kteří projíždějí přes Českou republiku je další proměnnou v teoretickém modelu. Zdá se logické, že čím více dopravců projede přes ČR, tím více jich zde také natankuje a tím větší tedy bude výběr spotřební daně z nafty v tuzemsku. V teoretickém modelu je proměnná značena hustota_pr t, kde t značí čas. Nákladní automobily musí při průjezdu vybraných komunikací platit mýtné, které od roku 2007 funguje i v České republice. Mýtné zvyšuje náklady firem na přepravu. Je stanovováno na úrovni států, předpokládám tedy, že státy si mohou sazbou mýta konkurovat. Jak ukazují (Ševčík & Rod, 2010) vliv této proměnné se nezdá být příliš velký z důvodu časové náročnosti, kterou s sebou případná změna trasy autodopravce (nutnost objet stát) přináší, i přes to bude v modelu zahrnut vliv tuzemského mýta a mýta na objízdných trasách. U tuzemského mýta očekávám 15 EU stanovuje minimální sazbu SPD i DPH, takže volnost není absolutní. Např. v roce 2012 činila minimální sazba SPD z nafty v EU 330 eur na 1000l nafty a minimální sazba DPH na většinu zboží a služeb byla 15 %. 16 Viz kapitola 1.1.3 17 tamtéž 10

negativní vliv na výběr spotřební daně. Uvažuji tak, že zvýšení mýta přímo zvýší náklady dopravců na cestování po české dálniční sítí a budou ji substituovat sítí jiné země, což povede, ceteris paribus, ke snížení výběru spotřební daně z motorové nafty v České republice. Zde může nastat problém, protože substituce české silniční sítě zahraniční se pravděpodobně projeví i na hustotě tranzitního provozu. Sazba mýtného v ČR je poslední proměnnou teoretického modelu, kde je značena mýto t, přičemž t značí čas. Domnívám se, že některá období roku budou příznivější pro výběr spotřební daně z motorové nafty. Předpokládám, že vlivem počasí bude v létě i v zimě výběr spotřební daně z motorové nafty vyšší, a to vlivem prázdninového provozu v letních měsících a v zimě vlivem nízkých teplot. 11

2. Analytická část 2.1 Data V této kapitole popisuji proměnné, použité v ekonometrickém modelu. Vysvětluji, kde jsem získal data ke konkrétním proměnným, jakým způsobem je upravuji a v závěru kapitoly uvádím jejich deskriptivní statistiky. Vzhledem k tomu, že endogenní proměnná je k dispozici pouze po měsících, zbytek modelu je tomu přizpůsoben a protože data o endogenní proměnné jsou za období 2008-2012, je celá práce vztažena na toto období. Počet pozorování je 60. Pokud v textu uvádím, že využívám hodnoty očištěné o inflaci, očištění je vždy provedeno za pomocí harmonizovaného indexu spotřebitelských cen (HICP), konkrétně s rokem 2005 jako bází. Zdrojem dat o HICP je statistická databáze Eurostat. 2.1.1 Výběr spotřební daně v ČR (SPD_PREDPIS) Dle (Ševčík & Rod, 2010) nastávají dva zásadní problémy při využívání těchto dat. Prvním problémem je využívání dvou odlišných způsobů reportování daně Celní správou ČR. Ta zveřejňuje pouze předpis daně a její inkaso. Na základě výše zmíněné studie se, pro účely této práce, jeví jako vhodnější předpis daně, protože více odpovídá reálné tržní situaci. Inkaso je v podstatě sumou plateb na účet správce daně a jeho problémem je především časový posun dat, způsobený dobou splatnosti spotřební daně. Data o inkasu tedy nereflektují skutečný vývoj cen motorové nafty tak dobře jako data o předpisu spotřební daně. Z tohoto důvodu bude v práci výběr spotřební daně z motorové nafty aproximován jejím předpisem. Druhým problémem je, že Celní správa ČR nevybírá daň z motorové nafty, nýbrž daň z minerálních olejů. Ta je rozdělená na celkem 22 podskupin - tzv. nomenklatur. Po vzoru (Ševčík & Rod, 2010) jsem pro určení předpisu daně z motorové nafty vybral celkem 6 nomenklatur, jejichž kombinace dle autorů z tržního hlediska nejvíce odpovídá motorové naftě. Jejich seznam je možné najít v Tabulce 2. Výběr spotřební daně z motorové nafty v ČR v datovém souboru označuji jako SPD_PREDPIS. Jednotky proměnné jsou Kč. Všechny hodnoty této proměnné jsem očistil o inflaci, čímž jsem získal hodnoty reálné. Zdrojem dat o předpisu spotřební daně z motorově nafty v České republice je Celní správa ČR. 12

Tabulka 2 Přehled nomenklatur motorové nafty Kód nomenklatury 271 020 Popis střední oleje pro pohon motorů bez přídavku biopaliva (kód platný od 1. 4. 2009) 271 035 směsná nafta (do 31. 12. 2009 byl kód 271 034) 271 040 motorová nafta bez přídavku biopaliva (kód platný od 1. 4. 2009) 271 053 motorová nafta s přídavkem FAME v rozmezí 5 % - 7 % objemu 271 085 motorová nafta s přídavkem FAME do 5 % objemu čistě FAME, použité pro pohon motorů, pokud nebyly dodrženy podmínky 382 401 pro osvobození Zdroj: Celní správa ČR 2.1.2 Sazba SPD z motorové nafty v ČR a v zahraničí (SPD_země) Zdrojem dat o sazbách spotřební daně z motorové nafty jsou časové řady, ve kterých Evropská komise agreguje vlastní data z tzv. Oil bulletins, které sama jednou týdně vydává a které zahrnují jak koncové ceny motorové nafty s daněmi, tak ceny po odečtení daní pro všechny země EU. Součástí časových řad jsou i změny sazeb spotřebních daní z pohonných hmot v EU, včetně nafty. Evropská komise vždy reportuje datum změny a novou sazbu. Až na Rakousko, které v roce 2012 změnilo svou sazbu spotřební daně z nafty 23. dubna, proběhla změna vždy k 1. dni konkrétního měsíce. Bylo tedy možné bez větších obtíží doplnit sazby pro měsíce, ve kterých se sazba daně neměnila. Změnu rakouské sazby z 23. 4. 2012 jsem počítal až od 1. května onoho roku. Sazby v časových řadách jsou uvedeny vždy v národní měně, hodnoty všech sazeb jsem přepočítal na euro. K přepočtu jsem využil měsíční kurzy. Ty jsem získal zprůměrováním týdenních kurzů, které jsou součástí výše zmíněných časových řad Evropské komise. Protože sazby spotřebních daní nejsou vyjádřeny procentuálně, nýbrž fixní částkou, je možné je očistit o inflaci, což jsem také učinil. Hodnoty všech sazeb spotřebních daní z motorové nafty jsou v eurech na 1000 litrů pohonné hmoty. V datovém souboru se vyskytuje celkem 5 variant této proměnné, jedna pro ČR a jedna pro každého významného zahraničního obchodního partnera ČR 18. Proměnná 18 Viz kapitola 1.1.3 13

pro ČR je v datovém souboru označena SPD_CZ, pro Rakousko SPD_AT, pro Německo SPD_DE, pro Polsko SPD_PL a pro Slovensko SPD_SK. 2.1.3 Sazba DPH v ČR a v zahraničí (DPH_země) Sazby DPH jsem, stejně jako sazby spotřebních daní z motorové nafty, získal z časových řad, kde jsou agregována data z Oil bulletins, které jednou týdně vydává Evropská komise. Sazba DPH je vyjádřena procentuálně. Sazba DPH se však už v tomto místě ukazuje jako velmi problematická proměnná, protože v celém sledovaném období jsou její sazby ve dvou z pěti sledovaných zemí konstantní. Konkrétně se jedná o Německo (19 %) a Rakousko (20 %). Tyto dvě proměnné jsem zahrnul do datového souboru, ale očekávám, že nebude možné s nimi v modelu pracovat. Sazby DPH České republiky, Polska a Slovenska se za celé sledované období změnily vždy pouze jednou, navíc sazby DPH Polska a Slovenska se změnily ve stejný okamžik. Z tohoto důvodu očekávám u sazeb DPH ČR, Slovenska a Polska vysokou multikolinearitu, způsobenou strukturou získaných dat ve sledovaném období. Kvůli jediné změně v proměnné za celé sledované období bude nutné případné odhadnuté hodnoty interpretovat opatrně. Hodnoty sazeb DPH uvádím v procentech. Proměnná pro Českou republiku je v datovém souboru označena DPH_CZ, pro Rakousko DPH_AT, pro Německo DPH_DE, pro Polsko DPH_PL a pro Slovensko DPH_SK. 2.1.4 Cena motorové nafty v ČR a v okolních zemích (P_země) Zdrojem pro měsíční data o cenách motorové nafty jsou rovněž Oil bulletins vydané Evropskou komisí. Používám ceny nafty po odečtení DPH a spotřební daně. Z týdenních dat jsem vytvořil měsíční průměry, se kterými dále pracuji. Ceny jsou vždy v eurech za 1000 litrů nafty. Pro získání reálných hodnot jsem ceny očistil o inflaci. Proměnná pro ČR je v datovém souboru označena P_CZ, pro Rakousko P_AT, pro Německo P_DE, pro Polsko P_PL a pro Slovensko P_SK. 2.1.5 Výkonnost tuzemské a zahraničních ekonomik (HDP_země) Výkonnost ekonomiky je poměrně neurčitý pojem, který aproximuji přes hrubý domácí produkt. Předpokládám, že čím výkonnější je ekonomika dané země, tím vyšší 14

je její HDP. Zdrojem dat je statistická databáze Eurostat. Používám hodnoty sezónně upravené a očištěné od vlivu pracovních dní. HDP jednotlivých zemí jsou v národních měnách v milionech jednotek. HDP České republiky je tedy v milionech Kč, HDP Polska v milionech PLN a HDP Rakouska, Německa a Slovenska jsou v milionech eur. Problémem je, že data ohledně HDP jsou dostupná pouze čtvrtletně či ročně. Převést hodnoty ostatních proměnných na čtvrtletní by sice bylo možné, ale snížil by se tím počet pozorování z 60 na 20, což je ze statistického hlediska pro analýzu neúnosné. Měsíční hodnoty jsem tedy dopočetl sám pomocí metody cubic spline interpolation. 19 Tyto hodnoty jsem očistil o inflaci. Proměnná pro ČR je v datovém souboru označena HDP_CZ, pro Rakousko HDP_AT, pro Německo HDP_DE, pro Polsko HDP_PL a pro Slovensko HDP_SK. 2.1.6 Hustota provozu (HUSTPROV) Protože se zajímám o hustotu provozu těch automobilů, které využívají jako pohonnou hmotu motorovou naftu, rozhodl jsem se tuto proměnnou z teoretického modelu aproximovat skrze údaje z reprezentativní mýtné brány. Mýto v České republice platí nákladní automobily s nosností od 3,5 tuny výše 20, které, pokud vím, takřka výhradně využívají motorovou naftu. Jako reprezentativní jsem zvolil mýtnou bránu dálnice D1 Humpolec Větrný Jeníkov, které je pro její geografickou polohu velmi těžké se vyhnout. Přesná lokalita této brány na mapě ČR je vyznačena v Obrázku 1. Hodnoty proměnné jsem vypočítal na základě dat od společnosti MYTO CZ. Jedná se o součty počtů transakcí jednotlivých dnů dané brány v konkrétním měsíci, tedy kolik nákladních automobilů s hmotností nad 3,5 tun projelo mýtnou branou v obou směrech. Proměnnou v datovém souboru značím HUSTPROV. 2.1.7 Sazba mýta v ČR a na objízdných trasách (MYTO) Data o této proměnné pro Českou republiku poskytla společnost MYTO CZ. Bohužel, podobné instituce v zahraničních zemích, na rozdíl od MYTO CZ, nenabízí 19 Využil jsem modul do MS Excel od SRS1 Software nazvaný Cubic spline interpolation. Dostupný z: http://www.srs1software.com/srs1cubicsplineforexcel.aspx 20 Zdroj: MYTO CZ 15

historická data o mýtných sazbách. Z tohoto důvodu používám pouze mýtné sazby v tuzemsku. Obrázek 1 Mapa sítě zpoplatněných komunikací, stav k 20. 12. 2013 Zdroj: MYTO CZ, vlastní úprava V České republice ve sledovaném období existovalo v jednom okamžiku až 36 různých mýtných sazeb 21. Ty jsou rozděleny do dvou skupin v závislosti na tom, jedná-li se o dálnici nebo rychlostní silnici, anebo o silnici první třídy, přičemž v každé skupině se nachází 18 proměnných. Orientační přehled mýtných sazeb ke konci roku 2012 je možné nalézt v Tabulce 3. Tabulka 3 Mýtné sazby v České republice k 13. 12. 2012 v Kč/km Dálnice a rychlostní silnice Ostatní dny v týdnu Pátek od 15.00 hod. do 21.00 hod. 2 nápravy 3 nápravy 4 a více 2 nápravy 3 nápravy 4 a více EURO 0-2 3,34 5,67 8,24 4,24 8,10 11,76 EURO 3-4 2,61 4,45 6,44 3,31 6,35 9,19 EURO 5+ 1,67 2,85 4,12 2,12 4,06 5,88 EURO 0-2 1,58 2,74 3,92 2,00 3,92 5,60 Silnice I. třídy EURO 3-4 1,23 2,14 3,06 1,56 3,06 4,38 EURO 5+ 0,79 1,37 1,96 1,00 1,96 2,80 Zdroj: MYTO CZ, vlastní úprava tabulky 21 Analýza problematiky mýtných sazeb a jejich cenotvorby by vydala na samostatnou kvalifikační práci. 16

Podíl mýtem zatížených silnic první třídy na všech mýtem zatížených komunikacích je minimální, jak je patrné z Obrázku 1, kde jsou tyto silnice označeny modrou barvou. Z tohoto důvodu sazbu mýta na silnicích první třídy ignoruji. Dále existují speciální zvýšené sazby, které platí pouze v pátek od 15 do 20 hodin. Tyto sazby se zdají mít především odrazující efekt s cílem snížit hustotu dopravy v době, kdy lidé tradičně před víkendem cestují. Z tohoto důvodu ignoruji i tyto sazby. Těmito kroky se počet sazeb snížil na 9, které se liší dle počtu náprav a dle emisní třídy automobilu. Počet náprav je podle mého názoru především odrazem toho, jaký typ nákladu automobil převáží. Domnívám se, že dopravci nejsou schopni s automobilem s méně nápravami převážet stejné množství nákladu jako s automobilem, který má náprav více. Předpokládám tedy, že změny sazeb dle počtu náprav, ceteris paribus, neovlivňují chování autodopravců, a proto jsem sazby dle počtů náprav zprůměroval tak, aby vznikly pouze 3 jedna pro každou skupinu emisních tříd. V první sazební skupině jsou vozidla emisních tříd EURO 0,1 a 2, ve druhé skupině jsou vozidla emisních tříd EURO 3 a 4 a ve třetí skupině jsou vozidla emisních tříd EURO 5+. Čím vyšší číslo třídy, tím méně vozidlo znečišťuje životní prostředí emisemi. Tím pádem jsou sazby první skupiny nejvyšší, sazby druhé skupiny nižší a sazby třetí skupiny nejnižší. Zajímavé je, že podíl všech transakcí třetí skupiny (5+) byl na začátku sledovaného období (2008) pouhých 12,2 %, přičemž na jeho konci (2012) to bylo již 49,6 %. 22 To patrně souvisí s přidáním samostatné sazby pro skupinu EURO 5+ v roce 2011. Do té doby byla součástí skupin EURO 3 a 4 (tehdy 3+). Podíl všech transakcí skupin EURO 0, 1 a 2 byl na začátku období 21,1 %, avšak pouhých 7,3 % na jeho konci. 23 Jako nejdůležitější se tedy jeví skupiny EURO 3 a 4, počet transakcí těchto dvou skupin byl 66,7 % na začátku a 43,1 % na konci sledovaného období. 24 Domnívám se, že toto značí přesun dopravců k novějším, životnímu prostředí přívětivějším automobilům s cílem ušetřit na mýtném. Z tohoto důvodu se mi skupina EURO 0,1 a 2 jeví jako nereprezentativní a v datovém souboru není zařazena. Skupina EURO 5+ se mi také jeví jako problematická, především kvůli tomu, že její samostatná sazba existuje pouze ve 2 posledních letech sledovaného období. První tři roky jsou tedy její hodnoty naprosto totožné se sazbou EURO 3,4. Z tohoto důvodu jsem jako 22 Zdroj: MYTO CZ, vlastní výpočet 23 tamtéž 24 tamtéž 17

proměnnou, aproximující výši sazeb mýta použil průměr sazeb skupiny EURO 3,4 a EURO 5+. Hodnoty proměnné jsou uvedeny v Kč/km. Proměnnou v datovém souboru značím MYTO. 2.1.8 Období (ZIMA, LETO) V modelu zohledňuji vliv zimy a léta, a sice za pomoci zkonstruovaných dummy proměnných. Období zima charakterizuje prosinec, leden a únor a v datovém souboru je označena ZIMA. Létem je myšleno období červen, červenec a srpen a v datovém souboru je označeno LETO. Problémem těchto proměnných může být fakt, že každá z nich nabývá nenulové hodnoty v celé čtvrtině pozorování a pravděpodobně tedy budou zahrnovat další vlivy - tento fakt budu respektovat při intepretaci výsledků. 2.1.9 Deskriptivní statistiky Deskriptivní statistiky proměnných, které používám v modelech, uvádím v Tabulce 4. Ze statistik vyplývá, že mezi jednotlivými pozorováními výběru spotřební daně z motorové nafty v ČR po očištění o inflaci jsou značné rozdíly v čase. Nejnižší výběr SPD z nafty ve sledovaném období byl v lednu roku 2010 (minimum), nejvyšší v srpnu roku 2011 (maximum). Mezi nejnižšími hodnotami se pravidelně objevují zimní měsíce. Nejnižší, o inflaci očištěnou, sazbu SPD z nafty mělo Polsko v březnu roku 2009 a nejvyšší mělo Německo na začátku roku 2008. Sazby DPH pro naftu jednotlivých zemí se, s výjimkou sazby DPH Německa a Rakouska změnily vždy jednou za sledované období. Zběžný průzkum všech hodnot proměnných odhaluje, že změna sazby byla vždy směrem nahoru, nikdy dolů. Žádný stát tedy sazbu DPH ve sledovaném období nesnížil. To přičítám faktu, že sledované období 2008-2012 zahrnuje ekonomickou krizi. Její možný vliv na celou analýzu komentuji v závěru. Nejnižší ceny nafty - po odečtení spotřební daně a DPH - všech sledovaných zemí byly zaznamenány v prvních měsících roku 2009. Nejvyšší ceny u všech zemí vyjma Německa (2012) jsou z roku 2008. Tento propad byl pravděpodobně také způsoben ekonomickou krizí. 18

HDP jednotlivých zemí není příliš možné porovnávat, protože hodnoty v datovém souboru uvádím v národních měnách. I zde je možné vysledovat vliv krize, např. u proměnné Německa, Rakouska a Slovenska, které mají nejnižší HDP v celém sledovaném období v počátečních měsících roku 2009. Tabulka 4 Deskriptivní statistiky datového souboru (počet pozorování = 60) Proměnná Minimum Maximum Průměr Medián Směr. odch. SPD_PREDPIS (v tis.) 2 613 810 4 277 350 3 725 870 3 763 220 382 997 SPD_CZ 311,15 393,55 364,03 364,81 19,54 SPD_AT 348,13 393,45 366,26 359,95 12,42 SPD_DE 409,76 445,88 430,06 433,95 10,15 SPD_PL 220,85 338,30 273,47 276,62 28,62 SPD_SK 316,36 433,42 367,68 330,92 50,61 DPH_CZ 19 20 20 20 0 DPH_AT 20 20 20 20 0 DPH_DE 19 19 19 19 0 DPH_PL 22 23 22 22 0 DPH_SK 19 20 19 19 0 P_CZ 346,94 738,62 555,06 582,98 99,62 P_AT 346,83 730,85 542,28 564,51 100,16 P_DE 343,73 725,04 561,24 589,63 113,40 P_PL 337,97 749,63 526,81 548,57 100,49 P_SK 360,73 686,46 549,60 570,97 101,20 HDP_CZ 794 965 869 390 830 396 829 765 20 596 HDP_AT 63 422 66 838 65 309 65 654 963 HDP_DE 544 770 590 552 575 742 580 566 13 460 HDP_PL 291 686 323 069 307 232 306 119 10 888 HDP_SK 13 779 15 222 14 667 14 676 360 HUSTPROV 154 028 262 258 214 977 216 416 26 279 MYTO 2,52 3,09 2,73 2,63 0,19 ZIMA 0 1 0,25 0 0,44 LETO 0 1 0,25 0 0,44 Zajímavostí, vyplývající ze statistik proměnné HUSTPROV je, že měsíčně průměrně přes zvolenou reprezentativní mýtnou bránu projede přibližně 19

215 tis. kamionů (nad 3,5 tun). Při zaokrouhlení počtu dnů v měsíci na 30 je to přibližně 7 167 kamionů denně, 300 kamionů za hodinu, či přibližně 1 kamion každých 12 vteřin. Ze statistik proměnné MYTO vyplývá, že ve sledovaném období platili průměrně autodopravci, využívající nákladní automobily tříd EURO 3,4 a 5+ 2,73 Kč za ujetý kilometr dálnice či rychlostní silnice. 2.2. Ekonometrický model V této části představím konkrétní ekonometrický model a odhadnu ho za použití ekonometrického softwaru Gretl. 2.2.1 Funkční forma proměnných Pro zjednodušení interpretace výsledků modelů provádím u všech proměnných, kromě dummy proměnných ZIMA a LETO, logaritmickou transformaci. Zlogaritmované proměnné jsou označeny přidaným písmenem l před jejich název, tedy např.: l_spd_predpis, l_spd_cz, l_hdp_cz, l_p_cz, l_myto, či l_hustprov. Díky této transformaci bude možné interpretovat výsledky zlogaritmovaných proměnných jako relativní změny, nikoliv v absolutních hodnotách. 2.2.2 Odhadová technika Mým cílem je kvantifikovat vlivy významných determinantů na výběr spotřební daně z motorové nafty v České republice. Tento cíl, jak bylo popsáno v úvodu, vychází zejména z absence podobných vstupů při praktickém rozhodování o nastavení spotřebních daní v České republice. Pro kvantifikaci vlivů determinantů využívám metodu nejmenších čtverců. Můj postup je následující. Nejprve vytvářím velký základní model, který obsahuje všechny mnou získané proměnné. Z něj poté postupně odstraňuji jednotlivé proměnné, případně se je pokouším nahradit jinými proměnnými s cílem získat model, který bude významný jako celek, který nebude obsahovat nadbytečné proměnné a který bude možné dále interpretovat. Poslední zmíněný požadavek se týká především multikolinearity, kterou v modelu očekávám vzhledem k charakteru dat, která využívám. 20

2.2.3 Model 1 Model 1 obsahuje všechny proměnné až na DPH_AT, DPH_DE a DPH_SK, které byly z modelu kvůli perfektní kolinearitě automaticky odstraněny softwarem. Odhady modelu jsou obsaženy v Tabulce 5. Tabulka 5 Odhady Modelu 1 Metoda nejmenších čtverců, 60 pozorování, endogenní proměnná: l_spd_predpis proměnná koeficient směr. chyba t-podíl p-hodnota const 26,15370 20,55800 1,27220 0,21104 l_spd_cz 0,82451 0,54061 1,52510 0,13550 l_spd_at 4,96622 3,11750 1,59300 0,11944 l_spd_de -14,94190 5,39068-2,77180 0,00859 *** l_spd_pl 0,11270 0,29945 0,37640 0,70873 l_spd_sk -0,13612 0,22973-0,59250 0,55703 DPH_CZ -0,36575 0,06644-5,50490 <0,00001 *** DPH_PL -0,66185 0,36463-1,81510 0,07741 * l_p_cz 0,22075 0,40312 0,54760 0,58716 l_p_at -0,27997 0,56900-0,49200 0,62552 l_p_de -0,30165 0,37221-0,81040 0,42275 l_p_pl 0,22862 0,37781 0,60510 0,54870 l_p_sk -0,55280 0,31177-1,77310 0,08422 * l_hdp_cz 2,07186 1,73622 1,19330 0,24014 l_hdp_at -6,20043 2,05270-3,02060 0,00449 *** l_hdp_de 9,81224 3,51100 2,79470 0,00810 *** l_hdp_pl -0,04940 1,59077-0,03110 0,97539 l_hdp_sk -1,64071 1,62533-1,00950 0,31914 l_hustprov 0,53875 0,15796 3,41080 0,00155 *** l_myto -1,07679 0,72295-1,48940 0,14463 ZIMA -0,06940 0,03023-2,29540 0,02732 ** LETO 0,01070 0,02106 0,50820 0,61422 Koeficient determinace: 0,901165; p-hodnota (F-test): 3,72e -13 ; */**/*** značí statistickou významnost na 10%/5%/1% hladině významnosti. Dle koeficientu determinace se modelem podařilo vysvětlit přibližně 90 % z celkové variability endogenní proměnné. Jako významné proměnné se na 1% hladině významnosti jeví SPD_DE, DPH_CZ, HDP_AT, HDP_DE a HUSTPROV. Proměnná ZIMA je statisticky významná na 5% hladině významnosti a proměnné DPH_PL, P_SK na 1% hladině významnosti. Výsledek F-testu (p-hodnota < 0,001) značí, že i model jako celek je statisticky významný. Pro otestování modelu na heteroskedasticitu jsem použil Whitův test, který Gretl obsahuje. P-hodnota 0,1024 značí, že nemohu zamítnout nulovou hypotézu o homoskedasticitě na 10% hladině významnosti, heteroskedasticitu v modelu se tedy nepodařilo prokázat. 21

Dále jsem model testoval na autokorelaci. K tomu jsem využil Durbin-Watson statistiku reportovanou Gretlem, která vyšla 2,4710. Ze statistických tabulek jsem zjistil příslušné kritické hodnoty: du činí 2,4874 a dl 0,8362. Tyto hodnoty jsem odečetl od čísla 4, čímž jsem získal krajní body horního intervalu nerozhodnosti, tedy intervalu, kde není jasně prokazatelné, jestli se autokorelace v modelu skutečně vyskytuje. Tyto krajní body jsou 1,5126 a 3,1638. Protože D-W hodnota reportovaná softwarem leží v tomto intervalu, nedá se tímto testem prokázat existence nebo neexistence autokorelace v modelu. Proto jsem využil Breusch-Godfreyho test na autokorelaci, který Gretl také obsahuje. S p-hodnotou menší než 0,01 jsem zamítl nulovou hypotézu o žádné autokorelaci. Zdá se tedy, že autokorelace reziduí problémem modelu je. Dále jsem testoval multikolinearitu pomocí tzv. Variačních Inflačních Faktorů (dále VIF), jejichž výpočet Gretl nabízí. Hodnoty vyšší než 10 jsou brány jako indikující problém s multikolinearitou. Přehled hodnot pro jednotlivé proměnné v Modelu 1 obsahuje Tabulka 6. Jak je z tabulky patrné, multikolinearita v modelu je neúnosná. To může negativně ovlivnit odhady modelu a statistické ukazatele jednotlivých proměnných, což znemožňuje jejich interpretaci. Proměnné se totiž mohou zdát významné, i když ve skutečnosti nejsou. Multikolinearitu je možné řešit dvěma způsoby. Buď zvýšením počtu pozorování, což však vzhledem ke zdrojům některých stěžejních dat není možné, nebo odstraněním problematických proměnných. Vzhledem k neúnosné multikolinearitě nemá příliš velký smysl se dále zabývat tímto modelem. Prvně je nutné snížit multikolinearitu na únosnou míru (určitá multikolinearita je v modelu přítomná vždy). Multikolinearitu z modelu odstraňuji tak, že postupně odstraňuji problematické proměnné, přičemž sleduji, jak se mění statistiky, především VIF, proměnných. Nepočítaje proměnné DPH_DE, DPH_AT a DPH_SK, které byly z modelu odstraněny automaticky softwarem, jsem jako první proměnnou odstranil DPH_PL. S VIF > 1000 byla tato proměnná z hlediska multikolinearity nejvíce problematickou, následovaná proměnnými SPD_DE a SPD_AT. Po odstranění DPH_PL klesly VIF u proměnných SPD_DE a SPD_AT pod hodnoty 100. Nově se z hlediska multikolinearity ukázaly jako nejproblematičtější proměnné pro ceny po odečtení zdanění. Tyto proměnné, tedy P_CZ, P_AT, P_DE, P_PL a P_SK, jsem z modelu odstranil jako další. Jak zmiňuji v teoretickém modelu, tyto ceny byly součástí modelu především pro úplnost, předpokládám spíše důležitost sazby spotřební daně z nafty a sazby DPH. Ceny 22

se v Modelu 1 jevily jako nevýznamné (až na cenu SK, avšak ta byla významná pouze na 10% hladině významnosti) a jejich VIF byly (i po odstranění DPH_PL) větší než 120. Tabulka 6 Testování únosnosti multikolinearity v Modelu 1 (VIF > 10 signalizuje problém) Proměnná VIF Proměnná VIF l_spd_cz 28,06 l_p_sk 120,91 l_spd_at 354,55 l_hdp_cz 59,77 l_spd_de 527,93 l_hdp_at 29,69 l_spd_pl 31,58 l_hdp_de 221,77 l_spd_sk 31,06 l_hdp_pl 102,09 DPH_CZ 34,69 l_hdp_sk 51,97 DPH_PL 1 044,92 l_hustprov 13,00 l_p_cz 193,41 l_myto 75,05 l_p_at 397,09 ZIMA 5,61 l_p_de 204,18 LETO 2,72 l_p_pl 185,63 2.2.4 Model 2 Odhady upraveného modelu obsahuje Tabulka 7. Koeficient determinace značí, že modelem se podařilo vysvětlit přibližně 86,7 % z celkové variability endogenní proměnné. Koeficient klesl přibližně o 3,3 % vlivem odstranění proměnných. Vzhledem k tomu, že jsem jich dohromady odstranil celkem 6 (a tři proměnné nebyly nikdy součástí Modelu 1 kvůli perfektní kolinearitě), nepřijde mi toto snížení koeficientu determinace drastické. Na základě výsledku F-testu (p-hodnota < 0,001) se Model 2 jeví statisticky významný i jako celek. Jako statisticky významné proměnné se nově jeví SPD_CZ (na 1% hladině významnosti), SPD_AT (na 10% hladině) a SPD_SK (na 5% hladině). Oproti Modelu 1 se jako statisticky nevýznamné ukazují SPD_DE a HDP_DE (předtím významné na 1% hladině). HDP_AT a HDP_PL se nově ukazují jako statisticky významné na 10% hladině významnosti, první zmíněná tedy na významnosti ztratila, druhá zmíněná se naopak ukazuje statisticky významnější než v Modelu 1. HUSTPROV je méně statisticky významná než v Modelu 1 (předtím na 1% hladině, nyní na 5%). DPH_CZ a ZIMA si zachovaly svou statistickou významnost z Modelu 1. 23

Tabulka 7 Odhady Modelu 2 Metoda nejmenších čtverců, 60 pozorování, endogenní proměnná: l_spd_predpis proměnná koeficient směr. chyba t-podíl p-hodnota const 19,30600 19,75910 0,97710 0,33388 l_spd_cz 1,26583 0,40709 3,10950 0,00328 *** l_spd_at -0,99284 0,53778-1,84620 0,07160 * l_spd_de 0,28991 1,84863 0,15680 0,87610 l_spd_pl -0,13374 0,27857-0,48010 0,63353 l_spd_sk -0,46928 0,20976-2,23730 0,03038 ** DPH_CZ -0,41888 0,06862-6,10440 <0,00001 *** l_hdp_cz -1,15794 1,49920-0,77240 0,44402 l_hdp_at -2,86998 1,62875-1,76210 0,08500 * l_hdp_de 1,61616 2,28418 0,70750 0,48296 l_hdp_pl 2,26659 1,32884 1,70570 0,09512 * l_hdp_sk 0,52268 1,39556 0,37450 0,70981 l_hustprov 0,32865 0,14214 2,31210 0,02551 ** l_myto -0,41269 0,68359-0,60370 0,54914 ZIMA -0,07352 0,02905-2,53070 0,01504 ** LETO 0,02799 0,01739 1,60920 0,11473 Koeficient determinace: 0,866559; p-hodnota (F-test): 1,83e -14 ; */**/*** značí statistickou významnost na 10%/5%/1% hladině významnosti. Heteroskedasticitu jsem zjišťoval opět pomocí Whitova testu. Vzhledem k p-hodnotě 0,3141 nemohu zamítnout nulovou hypotézu o homoskedasticitě, heteroskedasticitu v modelu se tedy nepodařilo prokázat. Autokorelaci jsem napřed opět testoval pomocí Durbin-Watsonovy statistiky, jejíž hodnota pro Model 2 vyšla 2,3394. Kritické hodnoty pro zmenšený počet proměnných v modelu jsou dl = 1,0289 a du = 2,2271. Po odečtení těchto hodnot od čísla 4 jsem získal krajní body intervalu nerozhodnosti 1,7729 a 2,9711. D-W hodnota reportovaná softwarem leží v tomto intervalu, bylo tedy nutné opět použít Breusch-Godfreyho test. P-hodnota testové statistiky vyšla 0,306, nemohu tedy zamítnout nulovou hypotézu o žádné autokorelaci, autokorelaci se tedy nepodařilo prokázat, což je oproti Modelu 1, kde se autokorelace vyskytovala, posun dobrým směrem. Výsledky testování únosnosti multikolinearity pomocí VIF jsou k vidění v Tabulce 8. Hodnoty VIF všech zbývajících proměnných se podařilo dostat pod 100, ale protože hodnoty vyšší než 10 jsou brány jako problematické, multikolinearita v modelu je pořád neúnosná. Jako nejproblematičtější proměnné se v Modelu 2 jeví HDP jednotlivých zemí, těsně následované proměnnými MYTO a SPD_DE. 24

Tabulka 8 Testování únosnosti multikolinearity v Modelu 2 (VIF > 10 signalizuje problém) Proměnná VIF Proměnná VIF l_spd_cz 13,646 l_hdp_de 80,501 l_spd_at 9,048 l_hdp_pl 61,095 l_spd_de 53,245 l_hdp_sk 32,86 l_spd_pl 23,436 l_hustprov 9,025 l_spd_sk 22,209 l_myto 57,543 DPH_CZ 31,736 ZIMA 4,444 l_hdp_cz 38,219 LETO 1,593 l_hdp_at 16,033 Nejprve jsem z modelu odstranit HDP_DE a HDP_PL. Tímto krokem ztratily jakoukoliv statistickou významnost i všechny ostatní proměnné pro HDP, proto, a pro jejich setrvávající vysoké VIF, jsem je odstranil také. Dále jsem odstranil proměnné MYTO a LETO. První ze jmenovaných pro vysoký VIF a protože se zatím pokaždé ukázala jako statisticky nevýznamná. Druhou jmenovanou proměnnou, kterou jsem z modelu odstranil, je LETO, která se prozatím v celé analýze jeví jako statisticky naprosto nevýznamná. Ve vzniknuvším modelu byla neúnosná multikolinearita stále přítomna, avšak nyní pouze kvůli proměnným SPD_SK a DPH_CZ. VIF ostatních proměnných klesly pod 10. SPD_SK i DPH_CZ měly VIF > 15. Vyšší VIF měla proměnná SPD_SK (19,42), z tohoto důvodu jsem z modelu odstranil ji. 2.2.5 Model 3 - očištěný Odhady modelu 3 obsahuje Tabulka 9. Tabulka 9 Odhady Modelu 3 Metoda nejmenších čtverců, 60 pozorování, endogenní proměnná: l_spd_predpis proměnná koeficient směr. chyba t-podíl p-hodnota const 38,34010 4,87641 7,86230 <0,00001 *** l_spd_cz 1,57007 0,26901 5,83650 <0,00001 *** l_spd_at -1,36090 0,29968-4,54120 0,00003 *** l_spd_de -2,73781 0,61170-4,47570 0,00004 *** l_spd_pl -0,32432 0,08602-3,77030 0,00042 *** l_hustprov 0,53602 0,11241 4,76850 0,00002 *** ZIMA -0,05982 0,02385-2,50850 0,01528 ** DPH_CZ -0,28949 0,03992-7,25110 <0,00001 *** Koeficient determinace: 0,819982; p-hodnota (F-test): 3,29e -17 ; */**/*** značí statistickou významnost na 10%/5%/1% hladině významnosti. 25