Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniků polní výroby

Acta Univ. Bohem. Merid. 2013, 16(2), 169-183, ISSN 1212-3285 Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby Zdeňa Malá, Gabriela Trnová 1 Abstrat: Cílem příspěvu je zhodnocení nerovnosti hrubé přidané hodnoty podniů polní výroby, včetně vymezení determinantů, teré zmíněnou nerovnost vyvolávají, či naopa eliminují. Naplnění uvedeného cíle je založeno na vantifiaci a deompozici Giniho oeficientu a na vantifiaci modelu náhodných efetů. Panelová data pochází z databáze Creditinfo a z databáze Státního zemědělsého intervenčního fondu a reprezentují hospodaření cca 140 podniů polní výroby v letech 2005-2010. Výsledy příspěvu doládají nerovnost hrubé přidané hodnoty, terá je dána zejména rozdílnou veliostí podniu a rozdílnými přírodními podmínami, v nichž podni hospodaří. Nerovnost je eliminována zejména důchodovými dotacemi, nižší měrou jí odstraňují rovněž agroenvironmentální dotace. Klíčová slova: Rostlinná výroba Hrubá přidaná hodnota Dotace Účetní přidaná hodnota Nerovnost Giniho oeficient Deompozice Eonometricý model JEL Classification: Q18 Q12 D30 1 Úvod a literární přehled Analýza nerovnoměrné distribuce eonomicých výsledů zemědělsých podniů či příjmu zemědělsých domácností je líčovým problémem agrární eonomiy, jež řeší řada autorů např. Von Witze & Noleppa (2006), Chrastinová, (2009), Trnová & Malá (2012). Mnoho publiací v uvedené souvislosti analyzuje vliv zemědělsé politiy a jejích nástrojů na zmíněnou nerovnost, viz Allanson (2006), Allanson & Rocchi, (2008), Keeney (2000), Schmid, Hofreither & Sinabell (2006), von Witze (1984), von Witze & Noleppa, (2006) Mishra et al. (2009). Přestože tvůrci politiy zasahují do odvětví zemědělství za účelem dosažení celé řady socioeonomicých cílů, uvedené publiace doládají, že snaha o ovlivnění výše příjmu a jeho distribuci je jedním z nejdůležitějších. Napřílad Kaditi & Nitsi (2011) zoumali za pomocí Giniho oeficientu a jeho vertiální i horizontální deompozice dle Lermana & Yitzhaiho (1985) distribuční dopady reforem Společné zemědělsé politiy na příjem farem v Řecu. Pomocí vertiální deompozice rozdělili celový příjem na příjem z dotací a příjem generovaný trhem, podobně jao von Witze & Noleppa (2006), Keeney (2000) či Mishra, El-Osta & Gillespie (2009). Kaditi & Nitsi (2011) přitom dospěli závěru, že se v roce 2007 dotace z 15 % až 34,2 % podílely na celovém příjmu řecých farem, v závislosti na regionu, a přispěly ve všech regionech e snížení příjmové nerovnosti. Z hledisa jednotlivých reforem Společné zemědělsé politiy se nejvíce pozitivně projevila reforma spojená s přijetím Agendy 2000. I většina ostatních autorů dochází závěru, že dotace snižují nerovnost v rozdělení příjmu, viz Allanson (2006), Keeney (2000), Mishra El-Osta & Gillespie (2009), Moreddu (2011). Převážná část publiací v uvedené oblasti analyzuje dopad dotací na příjem zemědělsých domácností, ale napřílad von Witze & Noleppa (2006) zoumali dopad dotací na zis němecých 1 Ing. Zdeňa Malá, Ph.D., Ing. Gabriela Trnová, Ph.D. Česá zemědělsá univerzita v Praze, Katedra eonomiy, Provozně-eonomicá faulta Kamýcá 129, Praha 6, Česá republia, e-mail: trnovag@pef.czu.cz

Z. Malá, G. Trnová 170 podniů právnicých osob za využití dat z databáze FADN. Efet zemědělsého hospodaření lze vyjádřit i uazatelem hrubé přidané hodnoty (HPH), terý představuje sumu celové zemědělsé produce a provozních dotací po odpočtu výrobní spotřeby a daní. Charaterizuje ta veliost zdrojů na porytí výrobních fatorů. Veliost hrubé přidané hodnoty zásadně determinuje výši podniatelsého přebytu. Podstatnou součástí hrubé přidané hodnoty jsou tedy dotace provozního charateru, teré představují odměnu za posytování veřejných statů a podporu příjmu. Uazatel hrubé přidané hodnoty je ta možné, podobně jao příjem, deomponovat na hodnotu vytvořenou podniem a na dotace. Tento uazatel, jao míru výonnosti zemědělsých podniů, používá řada autorů, např. Podruzsi, Hubbard, Keszthelyi & Hubbard (2008), Štolbová & Hlavsa (2008). Dopadem dotací, onrétně plateb v méně příznivých oblastech, na eonomicé výsledy zemědělsých podniů se v Česé Republice zabývají např. Štolbová & Hlavsa (2008). Jao uazatel eonomicých výsledů zemědělsých podniů využívají právě uazatele hrubá přidaná hodnota. Ve svém článu se vša již nezabývají vlivem dotací na nerovnost hrubé přidané hodnoty či jiného uazatele eonomicých výsledů. Trnová & Malá (2012) analyzovaly nerovnost eonomicé výonnosti česých zemědělsých podniů, včetně dopadu dotací. Eonomicá výonnost byla měřena za pomocí výsledu hospodaření. Jejich výsledy doládají vysoou nerovnost výsledu hospodaření za účetní období, terá je vša jen nepatrně snižována dotační politiou. Hlavním cílem tohoto článu je analyzovat vývoj a současný stav nerovnosti v rozdělení hrubé přidané hodnoty zemědělsých podniů rostlinné výroby v období 2005 2010. Ve srovnání s předchozím výzumem bude dále provedena deompozice Giniho oeficientu hrubé přidané hodnoty na dotace a účetní přidanou hodnotu a tím ta vantifiován vliv těchto slože na celovou nerovnost. Rovněž budou determinovány fatory, teré ovlivňují samotnou veliost účetní přidané hodnoty. 2 Materiál a metodia Záladním metodicým aparátem tohoto článu je vantifiace Giniho oeficientu, terý je běžně používanou mírou nerovnosti ve výzumech, zabývající se příjmovou nerovností ve společnosti. Stuart (1954) navrhl vantifiovat uvedenou relativní míru pomocí ovariance mezi příjmovou úrovní,. a umulativní distribuční funcí příjmu F(Y) při vzestupném uspořádání domácností dle výše jejich příjmu, viz vzorec 1., (1) Giniho oeficient vantifiovaný výše uvedeným vzorcem nabývá pro nezáporný příjem hodnoty v intervalu <0,1>. V případě výsytu záporného příjmu v analyzovaném datovém souboru vša Giniho oeficient vantifiovaný pomocí vzorce 1 nadhodnocuje nerovnost a může dosáhnout doonce hodnoty vyšší než 1 (viz Chen, Tsaur & Rhai, 1982). Zmíněný problém záporné veličiny je typicý pro zoumání nerovnosti v důchodu ze zemědělsé činnosti, či v rozložení výsledu hospodaření podniatelsých subjetů. Jeho řešení navrhl Chen, Tsaur & Rhai (1982) v podobě adjustovaného Giniho oeficientu (G*), terý později upravili Berrebi & Silber (1985): (2) (3) 0. (4)

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 171 Ve vzorcích 2, 3 a 4 je n celový počet zoumaných subjetů, j značí j-tý subjet a označuje pozici subjetu v souboru uspořádaném vzestupně dle zoumané veličiny, Y j je hodnota zoumané veličiny v j-tém subjetu, y j je podíl hodnoty zoumané veličiny j-tého subjetu na celové hodnotě zoumané veličiny v souboru. Dále m je počet subjetů, pro teré je umulativní součet zoumané veličiny záporný, přičemž pro m+1 je umulativní součet zoumané veličiny již ladný. Zmíněné platí při vzestupném uspořádání subjetů dle hodnot zoumané veličiny. Dle Mishry, El-Osta & Gillespie (2009) dosahuje při nepřítomnosti záporné veličiny v analyzovaném souboru dat adjustovaný Giniho oeficient stejné hodnoty jao jeho standardní verze. V případě záporné veličiny je G* G. Mishra, El-Osta & Gillespie (2009) dále pouazuje na nevýhody adjustovaného Giniho oeficientu, terými jsou nemožnost deompozice nerovnosti dle omponent příslušné veličiny (např. druhů příjmů, tržeb, náladů) a s tím spojená problematicá alulace elasticit nerovnosti, jež měří dopad relativní změny omponenty zoumané veličiny na nerovnost. Z výše uvedeného důvodu navrhují von Witze & Noleppa (2006) nahradit záporné hodnoty v analyzovaném souboru dat nulou a namísto adjustovaného Giniho oeficientu použít lasicou verzi, terou lze dále deomponovat dle postupu Lermana & Yitzhaiho (1985). Zmínění autoři vyjadřují Giniho oeficient následovně: G S G R. (5) K 1 Výše uvedený výraz může být detailněji rozepsán jao: K cov Y, ( ) 2 F Y Y G cov, ( ), 1 cov, ( ) Y F Y (6) Y F Y Y Y de: S představuje podíl omponenty na zoumané veličině, neboli podíl např. průměrného příjmu ze zdroje Y na celovém průměrném příjmu Y, G. je Giniho oeficient měřící nerovnost v distribuci omponenty, R je Giniho orelační oeficient mezi omponentou a zoumanou veličinou Y, jenž je definován jao: cov Y, F( Y ) R, (7) cov Y, F( Y ) / přičemž 1 R 1. G R je nazýváno pseudo-gini oeficient příjmového zdroje G. Star, Taylor & Yitzhai (1986) uvádějí, že vliv určité omponenty na nerovnost zoumané veličiny závisí na tom: ja významný je podíl dané omponenty ve zoumané veličině (S ); ja rovnoměrně či nerovnoměrně je distribuována daná omponenta (G ); ja je orelována daná omponenta s distribucí zoumané veličiny (R ). Využitím výše uvedené deompozice je možné sledovat, do jaé míry je nerovnost zoumané veličiny způsobena jednotlivými omponentami a jaé změně v celové nerovnosti dojde, změníli se hodnota dané omponenty o 1 %, přičemž hodnota ostatních omponent zůstane onstantní. Příspěve -té omponenty celové nerovnosti lze vyjádřit dle Möllers (2006) následovně: / G P S *100. G (8)

Z. Malá, G. Trnová 172 Möllers (2006) dále navrhuje vantifiovat relativní oncentrační oeficient -té omponenty jao: / G R G g. (9) G G Zdroj (omponenta), jež má relativní oncentrační oeficient vyšší než 1, přispívá růstu celové nerovnosti, zatímco při hodnotě tohoto uazatele nižší než 1 přispívá e snižování celové nerovnosti. V případě, že je hodnota uazatele rovna 1, jedná se o neutrální vliv. Stanovení marginálního příspěvu příjmového zdroje celové příjmové nerovnosti může být dle Adamse (1999) vyjádřeno prostřednictvím pružnosti, terá v tomto případě vyjadřuje, o oli procent se změní nerovnost zoumané veličiny, dyž se zvýší hodnota omponenty o 1 %, viz vzorec 10. E S / ( G G). G (10) Z výše uvedeného vztahu vyplývá, že marginální zvýšení hodnoty omponenty snižuje celovou nerovnost zoumané veličiny, poud: a) R je záporný či nulový, b) R je větší než nula a zároveň /. Zoumanou veličinou, vstupující do výše uvedených vzorců, byla hrubé přidaná hodnota zemědělsého podniu. Podniový uazatel na místo uazatele vyjádřeného v orunách na hetar byl zvolen z důvodu následné analýzy vlivu množství výrobního fatoru půda na nerovnost účetní přidané hodnoty, viz následující vzorec 11. Lze předpoládat, že nerovnost vantifiovaná na záladě podniového uazatele bude nabývat vyšší hodnoty než nerovnost dle uazatele v hetarovém vyjádření. Pro určení míry uvedeného nadhodnocení byl vzorec jedna apliován rovněž na hrubou přidanou hodnotu na hetar a zísané výsledy byly v průměrném vyjádření omparovány. Fatory nerovnosti účetní přidané hodnoty byly analyzovány na záladě následujícího modelu:, (11) de: PH it je účetní přidaná hodnota i-té farmy v čase t, L it je množství výrobního fatoru půda, teré využívá i-tá farma v čase t, ON it jsou osobní nálady v i-té farmě v čase t, OA it jsou oběžná ativa využívána i-tou firmou v čase t, DOBL it je dummy proměnná loalizace i-té farmy v čase t v méně příznivé oblasti, α je onstanta modelu, α DOBL je parametr dummy proměnné, β L,ON,OA jsou regresní parametry a v it je náhodná složa modelu, obsahující v čase neměnná faremní specifia a chyby měření, opomenuté či nevantifiovatelné fatory a chyby v důsledu zjednodušení analyticého tvaru odhadované funce. V důsledu heterogenity mezi jednotlivými subjety, deteované analýzou variance (blíže Hsiao, 2003), byl výše uvedený model onstruován v podobě modelu náhodných efetů, terý byl založen na předpoladu, že faremní specifia nejsou orelována s ostatními vysvětlujícími proměnnými modelu, nýbrž jsou náhodně rozdělována mezi jednotlivé průřezové jednoty. Kvalita odhadů parametrů modelu náhodných efetů byla založena na předpoladech nulové střední hodnoty, exogenity, homosedasticity. Z důvodu neměnnosti faremního specifia v jednotlivých obdobích, nebylo možné předpoládat sériovou nezávislost náhodných slože příslušného subjetu mezi jednotlivými obdobími (viz Hsiao, 2003), proto byl model odhadován zobecněnou

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 173 metodou nejmenších čtverců s transformací proměnných nevyváženého panelu na ( yt y ) a x x ), de: ( t de: T je počet období u -té farmy. e 1, (12) 2 2 T e Kvalita zísaných odhadů byla verifiována standardními statisticými postupy. Statisticá významnost odhadnutých parametrů byla testována t-testem. Shoda odhadnutého modelu s empiricými daty byla vantifiována oeficientem vícenásobné determinace a verifiována F-testem. Správnost specifiace modelu byla testována dvěma postupy: onstruce modelu, zohledňující faremní specifia, byla testována pomocí Baltagi-Li Lagrange Multiplier testu (blíže Green, 2008) a zahrnutí faremních specifi do náhodné složy bylo testováno Hausmanovým testem (viz Wooldridge, 2003). Výše uvedené předpolady o vlastnostech náhodné složy byly dále verifiovány Baltagi-Li Joint Lagrange Multiplier testem homosedasticity a sériové orelace náhodné složy (viz Baltagi, Jung & Song, 2008), Breusch-Pagan testem homosedasticity náhodné složy (Green, 2008), Wooldridge testem sériové orelace náhodné složy (Wooldridge, 2003). Porušení předpoladů bylo napravováno robusním odhadem ovarianční matice (viz Green, 2008). Výše uvedené odhady, včetně verifiace, byly provedeny eonometricým softwarem LIMDEP, verze 9.0. Datová záladna, terá je tvořena účetními výazy zemědělsých podniů, byla zísána z databáze Creditinfo-Firemní monitor. Tato databáze umožňuje třídění podniů podle převažující zemědělsé činnosti dle CZ-NACE. Pro účely této analýzy byly využity podniy s převažující polní výrobou. Data z účetních závěre byla dále doplněna o objem zísaných dotací v členění na přímé platby, podporu méně příznivým oblastem včetně oblastí NATURA 2000, agroenvironmentální dotace a ostatní dotace z Programu rozvoje venova ČR pro roy 2007 2013 (tj. dotace, teré nejsou vypláceny na hetar na záladě jednotné žádosti - tj. dotace z I., III., a IV. pilíře). Pomocí SAPS byla dále doplněna výměra obhospodařované půdy, a to jao podíl celového objemu SAPS, zísaného farmou, a sazby vyhlášené na příslušný ro. Výsledný soubor byl dále očištěn o odlehlé hodnoty, teré se projevily v Quantile-Quantile grafu. 3 Výsledy Zoumaný soubor podniů byl tvořen panelovými daty od průměrně 140 právnicých osob s převažujícím zaměřením na polní výrobu za období let 2005-2010. Počet podniů v tomto souboru odpovídá počtu podniů zařazených do účetní datové sítě FADN. Z hledisa přírodních podmíne, teré je možné vyjádřit pomocí zemědělsých výrobních oblastí, lze onstatovat, že v roce 2010 33,1 % podniů hospodařilo v řepařsé výrobní oblasti, 26,6 % podniů v uuřičné oblasti, 25,0 % v obilnářsé oblasti a pouze 8,9 % v bramborářsé a 6,5 % podniů v pícninářsé. Rozložení podniů do výrobních oblastí se v jednotlivých letech výrazně neměnilo. Průměrný podni ve sledovaném souboru v roce 2010 hospodařil na výměře 886,3 ha a s 16,5 pracovníy. Průměrná výměra i počet zaměstnanců mezi jednotlivými lety olísal, což může být vysvětleno rozdílným zastoupením podniů v jednotlivých letech (viz tabula 1 v příloze). Ve sledovaném období došlo nárůstu hrubé přidané hodnoty přepočtené na hetar. V roce 2010 dosahovala hrubá přidaná hodnota sledovaných podniů 12 400 Kč/ha, pro srovnání podniy u

Z. Malá, G. Trnová 174 právnicých osob polní výroby zařazené do účetní datové sítě FADN dosahovaly ve stejném roce hodnoty 12 514 Kč/ha. Nejvyšší hrubá přidaná hodnota v přepočtu na jeden hetar byla dosažena v letech 2007 a 2008, teré lze hodnotit za mimořádně úspěšné. V roce 2007 se významně zvýšily ceny zemědělsých výrobců zejména u rostlinných omodit. Pozitivně lze hodnotit i nárůst odpisů dlouhodobého majetu v posledních třech letech hodnoceného období, což značí příliv investic do zemědělsých podniů. Podniové výony ve sledovaném období olísaly s maximem v roce 2008 (29 869,1 tis. Kč) a minimem v roce 2006 (21 350,8 tis. Kč). Z tabuly 1 v příloze je dále patrné, že se ve srovnání s roem 2005 zvýšil objem přímých plateb vyplacených zemědělsým podniům. Stěžejním dotačním nástrojem pro podniy polní výroby ta byly přímé platby, teré výrazně determinovaly úroveň dosažených eonomicých výsledů. V roce 2010 se zmíněné platby podílely na hrubé přidané hodnotě z 35,3 %. Čerpání agroenvironmentálních dotací a dotací na LFA vzhledem převažující zemědělsé činnosti a loalizaci farem do produčních oblastí se odvíjí od zastoupení farem využívající tyto dotace v souboru. Za pomocí Giniho oeficientů a jejich deompozice byla nejprve analyzována diferenciace výonnosti zemědělsých podniů. Dále za pomocí eonometricého modelu byly šetřeny jednotlivé fatory účetní přidané hodnoty. Výonnost zemědělsých podniů je měřena za pomoci hrubé přidané hodnoty. Rozdělení hrubé přidané hodnoty je možné označit za poměrně nerovné. Adjustovaný Giniho oeficient hrubé přidané hodnoty dosáhl průměrné výše 0,612 bodů. V jednotlivých letech sledovaného období se přitom hodnoty adjustovaného Giniho oeficientu od zmíněného průměru lišily průměrně o 0,053 bodů s maximem v roce 2005 (0,695 bodů) a minimem v roce 2007 (0,547 bodů). Vývoj zmíněného uazatele je uveden v grafu 1 jao HPHa. Obráze 1 Giniho oeficienty hrubé přidané hodnoty v letech 2005 2010 Figure 1 Gini coefficient of gross value added in 2005-2010 0,7 0,65 0,6 HPHa HPHb 0,55 0,5 2005 2006 2007 2008 2009 2010 Zdroj: Vlastní zpracování na záladě panelových dat od cca 140 podniů polní výroby v ČR Source: Own processing based on panel data from 140 field production business in Czech Republic Poznáma: HPHa Adjustovaný Giniho oeficient hrubé přidané hodnoty HPHb Standartní Giniho oeficient hrubé přidané hodnoty po nahrazení záporných hodnot nulou Za účelem další analýzy nerovnoměrnosti hrubé přidané hodnoty byly podniy rozděleny do intervalů vymezených pomocí vartilů a byla provedena jednoduchá charateristia podniů nacházející se v prvním intervalu, terý byl vymezen dolním vartilem, a čtvrtém intervalu, terý byl vymezen horním vartilem.

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 175 V roce 2005 hospodařilo 13,1 % sledovaného souboru podniů se zápornou hrubou přidanou hodnotou. Zmíněné podniy spolu s dalšími 12,2 % podniů s nejnižší ladnou hrubou přidanou hodnotou tvoří první interval vymezený dolním vartilem s průměrnou výší hrubé přidané hodnoty - 349 713 Kč/podni. Uvedená ategorie je charateristicá malou veliostí podniů s převažujícím zastoupením podniů do 500 ha (58,6 %). 24,1 % pa tvoří podniy s výměrou od 501 do 1000 ha. Převážná většina podniů (93,3 %) zaměstnává méně než dva pracovníy na 100 ha. Z hledisa produčních oblastí zastupují uvedenou supinu především podniy z řepařsé a obilnářsé výrobní oblasti, jež dohromady tvoří 62,1 % prvního intervalu. Oproti uvedenému, podniy ve čtvrtém intervalu vymezeném horním vartilem vyázaly hrubou přidanou hodnotu v průměrné výši 25 835 726 Kč. Převažovaly v nich podniy s výměrou od 1001 2000 ha (44,8 %) a podniy situované do uuřičné a řepařsé výrobní oblasti (65,5 %). 31,0 % podniů navíc zaměstnávalo více než 2 pracovníy na 100 ha. Ro 2007 se vyznačoval příznivými podmínami, což vedlo tomu, že pouze 3,9 % sledovaného souboru dosáhlo záporné hrubé přidané hodnoty. V prvním intervalu s průměrnou výší hrubé přidané hodnoty 1 538 638 Kč vša zůstaly převažujícími subjety podniy s výměrou do 500 ha (79,5 %) s méně než dvěma pracovníy na 100 ha (82,1 %), hospodařící v obilnářsé či řepařsé výrobní oblasti (51,3 %). Zvýšil se vša počet podniů z uuřičné výrobní oblasti. Ve čtvrtém intervalu s průměrem hrubé přidané hodnoty ve výši 33 541 990 Kč zůstaly převažující podniy s výměrou 1001 2000 ha (56,4 %), s více než dvěma pracovníy na 100 ha (53,9 %) hospodařící v nejúrodnějších oblastech (61,5 %). Z uvedeného vyplývá, že veliost podniu spolu s přírodními podmínami patří mezi významné fatory, ovlivňující nerovnost v hrubé přidané hodnotě podniů polní výroby. Zmíněné fatory jsou determinující pro výony podniu a tedy účetní přidanou hodnotu. Na veliost hrubé přidané hodnoty vša významnou měrou působí zísané dotační prostředy. Naoli je nerovnost hrubé přidané hodnoty dána nerovností účetní přidané hodnoty a na oli je ovlivněna vyplacenými dotacemi lze určit pomocí deompozice Giniho oeficientu. Kvantifiace adjustovaného Giniho oeficientu zmíněnou deompozici neumožňuje, proto byly záporné hodnoty hrubé přidané hodnoty nahrazeny nulou a byla provedena standardní vantifiace Giniho oeficientu. Uvedená úprava způsobila podhodnocení Giniho oeficientu. Průměrná hodnota při standardním výpočtu ta dosahuje 0,598 bodů a je přitom o 14,5 % vyšší než průměrná hodnota Giniho oeficientu vantifiovaná pro hrubou přidanou hodnotu na hetar (0,522). Podhodnocení oproti adjustované verzi je přímo úměrné počtu nahrazených hodnot. Z grafu 1 je patrné, že nejvyšší rozdíl byl dosažen v roce 2009, dy standardní Giniho oeficient (HPHb) nabýval hodnoty 0,623, zatímco hodnota adjustovaného Giniho oeficientu (HPHa) byla 0,649. V uvedeném roce došlo nahrazení 13 hodnot, tj. 8,8 % sledovaného souboru. Naopa v roce 2008 byly hodnoty obou oeficientů téměř shodné - adjustovaný Giniho oeficient dosáhl výše 0,587 bodů a standardně vantifiovaný oeficient hodnoty 0,583. V roce 2008 přitom došlo nahrazení pouze 4 hodnot, tj. 2,6 % sledovaného souboru. Deompozice standardně vyčísleného Giniho oeficientu byla provedena pro čtyři omponenty: účetní přidanou hodnotu, důchodové dotace, agroenvironmentální dotace a dotace ostatní, viz tabula 2 v příloze. Na celové výši hrubé přidané hodnoty se účetní přidaná hodnota podílela v průměru z 55,7 %, důchodové dotace pa z 36,6 % a agroenvironmentální dotace z 5,4 %. Ostatní dotace zaujímaly průměrně jen 2,3 % hrubé přidané hodnoty. Hrubý efet výrobní činnosti podniů polní výroby je ta jen z 55,7 % závislý na schopnosti podniů zhodnotit vstupy. Zbývající část je odvislá od zísaných dotací, z čehož vyplývá vysoá závislost hospodářsých výsledů zemědělsých pod-

Z. Malá, G. Trnová 176 niů na dotační politice. Nejvyšší vliv dotací je patrný v roce 2009, dy podíl účetní přidané hodnoty na hrubé přidané hodnotě byl pouze 41,0 % (S). Z výsledů deompozice (viz tabula 2 v příloze) je dále patrné, že nerovnost hrubé přidané hodnoty je z 69,7 % (v roce 2006) až z 82,8 % (v roce 2005) dána nerovností účetní přidané hodnoty (viz P). Hodnoty relativního oncentračního oeficientu (g) i pružnosti Giniho oeficientu (E) pouazují na negativní vliv účetní přidané hodnoty na vyrovnání hrubé přidané hodnoty a naopa pozitivní vliv důchodových, jaož i agroenvironmentálních dotací. V roce 2009, dy se dotace za sledované období nejvíce podílely na hrubé přidané hodnotě, by 1 % zvýšení důchodových dotací vedlo e snížení nerovnosti hrubé přidané hodnoty o 0,258 %. Zatímco 1 % zvýšení účetní přidané hodnoty by v daném roce vyvolalo prohloubení nerovnosti o 0,338 %. Při jednoprocentním zvýšení agroenvironmentálních dotací dojde e snížení nerovnosti pouze o 0,035 %. Na této sutečnosti má vša vliv zastoupení agroenvironmentálních dotací na celových dotacích. Elasticita ostatních dotací je pouze 0,003 %. Důchodové dotace ta významnou měrou přispívají vyrovnání důchodů ze zemědělsé činnosti. Ja již bylo výše uvedeno, na nerovnosti hrubé přidané hodnoty se největší měrou podílí účetní přidaná hodnota. Proto byly dále šetřeny fatory, teré ovlivňují účetní přidanou hodnotu, a tedy mohou způsobovat následné nerovnosti. Uvedené bylo provedeno za pomoci modelu náhodných efetů, pro terý vhodnost zahrnutí faremních specifi do náhodné složy doládá výslede Hausmanova testu (viz tabula 1). Tabula 1 Výsledy odhadu modelu účetní přidané hodnoty (HAC) Table 1 Results of value added model estimation (HAC) Parametr (parameter) Chyba (st. error) t-hodnota (t-value) p-hodnota (p-value) L 0,1731 0,0928 1,8644 0,0623 OA 0,5918 0,0712 8,3077 0,0000 ON 0,0863 0,0354 2,4342 0,0149 DOBL -0,3054 0,1336-2,2852 0,0223 Const -0,5006 0,2154-2,3242 0,0201 Var [e]*(1-rho) 2 0,7177 Var [u]*(1-rho) 2 0,8419 Corr [v(i,t), v (i,s)] 0,5398 LMBL J 102,8682 0,0000 AR1-0,2786 0,0000 Baltagi-Li LM test versus OLS [1] 219,5700 0,0000 Hausman [4] 3,4900 0,4799 LMPB G 1655,5687 0,0000 Součet čtverců (sum of squares) 916,0630 R 2 0,8091 F-hodnota [4, 787] (F-value) 833,7729 0,0000 Zdroj: Vlastní zpracování na záladě panelových dat od cca 140 podniů polní výroby v ČR Source: Own processing based on panel data from 140 field production business in Czech Republic Verifiace modelu prostřednictvím Joint Baltagi-Li testu (LMPLJ = 102,9 s p-hodnotou = 0,0000), Breusch-Paganova testu (LMBPG = 1655,6 s p-hodnotou = 0,0000) a Wooldridge testu sériové orelace náhodné složy, jejíž výsledy uvádí tabula 1, deteovala heterosedacticitu

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 177 i autoorelaci náhodné složy. Zmíněné porušení předpoladů bylo eliminováno robustním odhadem ovarianční matice (HAC). Hodnota oeficientu determinace indiuje shodu odhadnutého modelu s daty z 80,9 %. Statisticá významnost uvedeného oeficientu, testována F-testem byla na hladině významnosti 0,05 proázána. Rovněž parametry zahrnutých proměnných byly verifiovány jao statisticy významné, a to s výjimou parametru zemědělsé půdy na hladině významnosti α = 0,05. Parametr proměnné půda je statisticy významný pouze na hladině významnosti α = 0,1. Růst všech zoumaných fatorů (půda, oběžná ativa, práce a výrobní oblast) impliuje nárůst účetní přidané hodnoty s výjimou loalizace farmy do méně příznivé oblasti. Nejpružněji reaguje účetní přidaná hodnota na změny oběžného majetu, tedy zásob a peněžních prostředů, ať již pohotové či vázané v podobě pohledáve. Jedno procentní nárůst oběžného majetu impliuje 0,592 % zvýšení účetní přidané hodnoty. Druhým nejvýznamnějším fatorem je půda s elasticitou 0,173 %. Je zřejmé, že čím větší podni, měřeno výměrou zemědělsé půdy, tím dosahuje vyšší účetní přidané hodnoty. Úspory z rozsahu mohou zmíněnou sutečnost ovlivnit jen minimálně, neboť přidaná hodnota je tvořená producí podniu po odečtení výrobní spotřeby, terá je převážně tvořena variabilními nálady výroby. Přidaná hodnota vša nemusela být vytvořena pouze pěstováním polních plodin. Přestože jsou analyzovány výhradně podniy polní výroby, může být přidaná hodnota vytvořena i jinými ativitami podniu, např. následnou úpravou či zpracováním omodit či jinými vedlejšími činnostmi podniu, jejichž rozsah vša není možné z účetních závěre vymezit. Zmíněné ativity mohou zejména u větších podniů, teré mají potřebné apacity, hrát důležitou roli. Proto je třeba vnímat vliv výměry zemědělsé půdy jao vliv veliosti zemědělsého podniu na účetní přidanou hodnotu. Jedno procentní změna množství práce, vyjádřené pomocí osobních náladů, vede růstu účetní přidané hodnoty o 0,086 %. Lidsá práce je předpoladem pro dosažení přidané hodnoty, čemuž odpovídá pozitivní vliv vantifiovaný modelem. Nízá hodnota elasticity ve srovnání s předchozími fatory má hlavní příčinu ve výrazné mechanizaci polní výroby, terá impliuje poles vazby produce na počet pracovníů a naopa umocňuje vliv půdy a oběžných ativ. Je vša nutné onstatovat, že použití osobních náladů jao proxy proměnné množství práce naráží na problematicou interpretaci dopadu malé změny ve výši osobních náladů na produci a tedy i účetní přidanou hodnotu. Malé zvýšení osobních náladů může být totiž spojeno se mzdovou inflací a nemusí tedy znamenat zvýšení jednote práce. Model účetní přidané hodnoty byl variantně modelován rovněž s počtem pracovníů namísto osobních náladů. Verifiace zmíněné specifiace vša jednoznačně upřednostnila apliaci publiovaného modelu. Prezentovaný model rovněž doládá vliv přírodních podmíne na výši dosažené účetní přidané hodnoty. Parametr dummy proměnné plné, či částečné, loalizace farmy do méně příznivé oblasti (LFA) doládá poles účetní přidané hodnoty o 26,3 % v průměru vůči produční oblasti. 4 Disuse Tento článe navazuje a rozšiřuje předchozí výzum obou autore (Trnová & Malá, 2012), v terém se zabývají analýzou nerovnosti výsledů hospodaření podniů polní výroby. Nerovnost hrubé přidané hodnoty podniů polní výroby dosahuje průměrné výše 0,598 bodů Giniho oeficientu. Nerovnost výsledu hospodaření za účetní období vantifiovaná předešlým výzumem (Trnová & Malá, 2012) vša vyazuje vyšší nerovnost, průměrně 0,840 bodů Giniho oeficientu. Z uvedeného je patrný vliv ostatních provozních náladů, finanční i mimořádné činnosti podniu na prohloubení nerovnosti eonomicé výonnosti. Tento článe ve srovnání s předchozím výzumem využívá deompozice Giniho oeficientu hrubé přidané hodnoty za účelem stanovení vlivu

Z. Malá, G. Trnová 178 jednotlivých slože na celou nerovnost a dále za pomocí eonometricého modelu šetří fatory ovlivňující účetní přidanou hodnotu. Řada publiací, např. von Witze & Noleppa (2006), Keeney (2000), Mishra, El-Osta & Gillespie (2009), Kaditi & Nitsi (2011) či Benni, Finger, Mann & Lerman (2012), doládá redistribuční efet dotací. Witze & Noleppa (2006) analyzují nerovnost rozložení zisu němecých zemědělsých podniů právnicých osob a deomponují tuto nerovnost na přímé platby a tzv. zis generovaný trhem. Odlišná metodia, soubor podniů i použitý indiátor výonnosti zemědělsého podniu vša neumožňuje hlubší omparaci dosažených výsledů. Benni, Finger, Mann & Lerman (2012) analyzuje efety zemědělsé politiy ve Švýcarsu včetně vlivu dotací na nerovnost faremního příjmu. Dochází závěru, že dotace snižují nerovnost faremního příjmu. Analyzuje nejen přímé platby ale rovněž dotace, teré jsou vypláceny farmářům hospodařícím v nepříznivých oblastech, a onstatuje, že efet těchto dotací na vyrovnání příjmů je ještě mnohem výraznější. Komparace v této oblasti rovněž není plně možná vzhledem e sutečnosti, že Benni, Finger, Mann & Lerman (2012) analyzuje všechny farmy bez ohledu na výrobní zaměření, zatímco tento výzum byl zaměřen pouze na podniy polní výroby. Benni, Finger, Mann & Lerman (2012) rovněž využívá deompozice Giniho oeficientu dle Lermana & Yitzhaiho (1985) a vantifiace elasticit, avša využívá data z účetní datové sítě FADN, terá umožňují z hrubé přidané hodnoty odvodit celový faremní příjem. Účetní datová síť FADN v ČR neposytuje data na úrovni podniů, proto bylo nutné využít jinou databázi, což rovněž determinovalo výběr vhodného uazatele výonnosti zemědělsých podniů. Vliv dotací na snížení celové nerovnosti hrubé přidané hodnoty mezi podniy byl potvrzen i v tomto článu. U důchodových dotací, tedy přímých plateb a LFA plateb, elasticita Giniho oeficientu dosáhla v roce 2010 hodnoty 0,163 %. Rovněž výzum Trnové a Malé (2012) doládá vliv dotací na vyrovnání diference v zisu, nicméně elasticita dotací, sledovaných souhrnným uazatelem, zde dosahuje pouze 0,006 %. Redistribuční efet provozních dotací ta zřejmě není plně přesunut z hrubé přidané hodnoty do výsledu hospodaření, neboli je eliminován vysoou nerovností již zmíněných ostatních uazatelů. Závěr Z provedené analýzy vyplývá, že u podniů právnicých osob se stejným výrobním zaměřením existují výrazné rozdíly v rozložení hrubé přidané hodnoty. Hodnota Giniho oeficientu ve sledovaném období olísala, avša je patrné, že ve sledovaném období došlo e snížení rozdílů v hrubé přidané hodnotě mezi podniy polní výroby. Zatímco v roce 2005 dosahovala hodnota Giniho oeficientu 0,670 bodů, v roce 2010 již 0,574 bodů. Na vyrovnání hrubé přidané hodnoty mezi podniy působí zejména přímé platby, LFA platby a agroenvironmentální dotace. Jejich elasticita totiž vyazuje záporné znaméno. Zmíněné dotace ta plní své cíle, ať už se jedná o nástroj podpory příjmu či redistribuční nástroj. Na záladě hodnot elasticit je v případě důchodových dotací (přímé platby a LFA platby) možné onstatovat, že redistribuční efet analyzovaných důchodových dotací se v roce 2010 ve srovnání s roem 2005 zvýšil. Ro 2009 lze označit za ro s druhou nejnižší úrovní produce a zároveň za ro, dy podniy sončily s nejnižším hospodářsým výsledem za sledované období. Právě v tomto roce byl efet důchodových dotací na vyrovnání rozdílů mezi podniy nejsilnější, a to vzhledem jejich nejvyššímu podílu na hrubé přidané hodnotě. Zmíněná nerovnost je z 69,7 % (v roce 2006) - 82,8 % (v roce 2005) dána nerovností účetní přidané hodnoty, terá samozřejmě vychází mimo jiné ze schopnosti podniu zhodnotit své vstupy. Jednoprocentní nárůst účetní přidané hodnoty impliuje nárůst nerovnosti hrubé přidané hodnoty, a to v roce 2010 o 0,187 %.

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 179 Účetní přidaná hodnota podniu je ovlivněna výměrou obhospodařované půdy, počtem pracovníů, veliostí oběžných ativ a produční oblastí. Ze zmíněných fatorů vyazuje dle výsledů odhadu nejsilnější vliv veliost oběžného majetu. Je tedy patrné, že účetní přidaná hodnota podniů polní výroby pružněji reaguje na vyšší zapojení oběžného majetu, např. prostřednictvím vyšší intenzifiace výroby či použitím valitnějších materiálů, než na vyšší zapojení pracovních sil. Dalším významným fatorem determinující účetní přidanou hodnotu jsou přírodní podmíny, jež jsou vyjádřeny prostřednictvím dummy proměnné LFA oblast. Loalizace farmy do méně příznivé produční oblasti impliuje poles účetní přidané hodnoty o 26,3 % v průměru vůči farmám v produčních oblastech. Veliost podniu vyjádřená prostřednictvím obhospodařované plochy vyazuje elasticitu v úrovni 0,17 %. Je tedy zřejmé, že množství půdy je pro podniy polní výroby důležitým fatorem ovlivňující přidanou hodnotu, na druhou stranu mnohem silnější vliv vyazuje oběžný majete či loalizace farmy do produční oblasti. Tento článe i předchozí výzum (Trnová & Malá, 2012) proázal, že dotace působí na snižování rozdílu v eonomicé výonnosti zemědělsých podniů a proázal vliv přírodních podmíne na vytvořenou přidanou hodnotu. Je tedy nezbytné, aby i v následujícím programovacím období vyplácené platby refletovaly zejména přírodní podmíny, a to více veliost podniu. Vyplácení důchodových dotací spojené s plánovanou modulací povede dosažení ještě vyšší rovnosti mezi farmami, na druhou stranu lze očeávat snížení onurenceschopnosti zemědělsých podniů polní výroby. Poděování Příspěve vznil jao součást výzumného záměru MSMT 6046070906 Eonomia zdrojů česého zemědělství a jejich efetivní využívání v rámci multifunčních zemědělsopotravinářsých systémů. Literatura Adams, R.H. (1999). Nonfarm Income, Inequality, and Land in Rural Egypt. World Ban Policy Research Woring Paper 2178. Dostupné z: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=636206 Allanson, P. (2006). The redistributive effects of agricultural policy on Scottish farm incomes. Journal of Agricultural Economics, 57(1), 117-128. Allanson, P., & Rocchi, B. (2008). A comparative analysis of the redistributive effects of agricultural policy in Tuscany and Scotland. Review of agricultural and environmental studies, 86(1), 35-56. Baltagi, B.H., Jung, B.Ch., & Song, S.H. (2008). Testing for Heterosedasticity and Serial Correlation in a Random Effects Panel Data Model. Woring Paper No. 111. New Yor: Center for Policy Research. Benni, N., Finger, R., Mann, S., & Lerman, B. (2012). The distributional effects of agricultural policy reforms in Switzerland. Agricultural Economics, 58(11), 497-509. Berrebi, Z. M., & Silber, J. (1985). The Gini Coefficient and Negative Income: A Comment. Oxford Economic Papers, 347(3), 525-526. Green, W.H. (2008). Econometric Analysis. New Persey: Pearson Prentice Hall. Hsiao, Ch. (2003). Analysis of Panel Data. New Yor: Cambridge University Press. Chen, Ch.-N., Tsaur, T.-W., & Rhai, T-S. (1982). The Gini Coefficient and Negative Income. Oxford Economic Papers, 34(3), 473-478. Chrastinová, Z. (2009). Economic development in Slova agriculture. Agricultural Economics, 55(2), 67-76. Kaditi, E. A., & Nitsi, E. I. (2011). Vertical and horizontal decomposition of farm income inequality in Greece. Agricultural economic review, 12(1), 69-80. Keeney, M. (2000). The distributional impact of direct payments on Irish farm incomes. Journal of Agricultural Economics, 51(2), 252-265. Lerman, R. I., & Yitzhai, S. (1985). Income Inequality Effects by Income Source: A New Approach and Applications to the United States. Review of Economics an Statistics, 67(1), 151-156. Mishra, A., El-Osta, H., & Gillespie, J.M. (2009). Effect of agricultural policy on regional income inequality among farm households. Journal of Policy Modeling, 31, 325-340.

Z. Malá, G. Trnová 180 Möllers, J. (2006). Außerlandwirtschaftliche Diversifiation im Transformationsprozzess: Diversifiationsentscheidungen und -strategien ländlicher Haushalte in Slowenien und Mazedonien. Halle: Leibniz Institute of Agricultural Development in Central and Eastern Europe (IAMO). Moreddu, C. (2011). Distribution of Support and Income in Agriculture. OECD Food, Agriculture and Fisheries Woring Papers, 46, OECD Publishing. Dostupné z: http://dx.doi.org/10.1787/5gch21wm bx-en Star, O., Taylor, J.E, & Yitzhai, S. (1986). Remittances and inequality. Economic Journal, 96, 722-740. Stuart, A. (1954). The Correlation Between Variate-Values and Rans in Sample from a Continuous Distribution. British Journal of Statistical Psychology 7, 37-44. Schmid, E., Hofreither, M. F., & Sinabell, F. (2006). Impacts of CAP Instruments on the Distribution of Farm Incomes Results for Austria. Dostupné z: http://franz.sinabell.wifo.ac.at/papers/dp-13-2006.pdf Štolbová, M., & Hlavsa, T. (2008). The impact of the LFA payments on the FADN farms in the Czech Republic. Agricultural Economics, 54(10), 489-497. Podruzsi, S., Hubbard, C., Keszthelyi, S., & Hubbard, L. (2008). Farm income variability in Hungary: A comparison with the EU based on FADN records. Dostupné z: http://ageconsearch.umn.edu/ bitstream/4 8114/2/Farm%20income%20variability%20in%20Hungary_%20A%20comparison%20with%20the%20E U%20based%20on%20FADN%20records.pdf Trnová, G., & Malá, Z. (2012). Analysis of distribution impact of subsidies within the Common Agricultural Policy on field production businesses in the Czech Republic. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, LX(7), 415-424. Von Witze, H. (1984). A Model of Income Distribution in Agriculture: Theory and Evidence. European Review of Agricultural Economics, 11(1), 65-83. Von Witze, H. & Noleppa, S. (2006). Distributive Effects of Direct Payments in German Agriculture under the New Common Agricultural Policy of the European Union. Dostupné z: http://www.agrar.huberlin.de/faultaet/departments/daoe/ihe/veroeff/gmf_final_engl_distr.pdf Wooldridge, J.M. (2003). Econometric Analysis of Cross Section and Panel Data. Cambridge: Massachusetts Institute of Technology.

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 181 Přílohy Tabula 1 Charateristia zvoleného souboru podniů polní výroby v letech 2005 2010 Table 1 Characteristics of the selected set of field production businesses in 2005-2010 Uazatel (indicator) 2005 2006 2007 2008 2009 2010 Průměr (average) Počet podniů (number of bussines) 115 142 155 153 148 124 140 Výměra z.p. [ha] (hectare area) 916,7 847,8 892,9 883,4 821,4 886,3 874,7 Počet pracovníů (number of worers) Hrubá přidaná hodnota [tis. Kč/ha] (gross value added in thous. CZK/ha) Výony [tis. Kč] (production in thous. CZK) Výonová spotřeba [tis. Kč] (production consumption in thous. CZK) Přidaná hodnota [tis. Kč] (value added in thous. CZK) Hrubá přidaná hodnota [tis. Kč] (gross value added in thous. CZK) Mzdové nálady [tis. Kč] (wage costs in thous. CZK) Odpisy [tis. Kč] (depreciation in thous. CZK) Provozní VH [tis. Kč] (operating ER in thous. CZK) Celový VH [tis. Kč] (total ER in thous. CZK) Přímé platby [tis. Kč] (direct payments in thous. CZK) AEO [tis. Kč] (agroenvironmental payments in thous. CZK) LFA [tis. Kč] (Less favoured area payments in thous. CZK) ostatní dotace z PRV [tis. Kč] (other subsidies from rural development program in thous. CZK) 15,0 18,7 19,0 18,7 17,8 16,5 17,6 8,8 10,3 14,3 14,2 10,5 12,4 11,7 24426,1 21350,8 27293,0 29869,1 23302,4 25578,2 25303,3 19292,4 18068,5 19813,6 22357,7 20240,1 19891,6 19944,0 5724,2 4394,5 8010,5 7952,2 3423,5 6187,1 5948,7 8644,7 9088,9 13318,3 12787,6 8198,8 10556,6 10432,5 4454,2 4388,4 4847,2 5261,9 4855,0 4869,4 4779,3 1040,2 899,6 1064,1 1641,9 1649,6 1696,3 1332,0 1553,8 1990,3 4827,9 4078,1 1509,7 3598,0 2926,3 1184,8 1620,3 3850,3 3113,9 932,6 2632,2 2222,3 1957,8 3984,4 4571,2 3906,5 3898,5 3641,7 3660,0 492,0 451,1 585,2 617,1 607,1 430,4 530,5 139,6 109,8 131,4 122,3 127,1 92,6 120,5 0,0 0,0 0,7 45,8 261,6 335,2 107,2 Zdroj: Vlastní zpracování na záladě panelových dat od cca 140 podniů polní výroby v ČR Source: Own processing based on panel data from 140 field production business in Czech Republic

Z. Malá, G. Trnová 182 Tabula 2 Deompozice Giniho oeficientu Table 2 Decomposition of Gini coefficient Hrubá přidaná hodnota (gross value added) (HPHb) Účetní přidaná hodnota (value added) Důchodové dotace (income subsidies) Agroenvironmentální dotace (agroenvironmental subsidies) Ostatní dotace (other subsidies) G 0,670 G 0,851 0,356 0,398 0,735 2005 S 0,652 0,239 0,056 0,043 P 0,828 0,127 0,033 0,048 g 1,271 0,531 0,595 1,098 E 0,177-0,112-0,023 0,004 G 0,599 G 0,884 0,344 0,428 0,807 2006 S 0,472 0,444 0,049 0,023 P 0,697 0,255 0,035 0,031 g 1,475 0,575 0,715 1,347 E 0,224-0,188-0,014 0,008 G 0,540 G 0,667 0,371 0,343 0,298 2007 S 0,599 0,351 0,044 0,001 P 0,739 0,241 0,028 0,001 g 1,234 0,686 0,634 0,551 E 0,140-0,110-0,016-0,001 G 0,583 G 0,730 0,334 0,323 0,834 2008 S 0,620 0,314 0,048 0,015 P 0,776 0,180 0,027 0,021 g 1,252 0,573 0,554 1,432 E 0,156-0,134-0,021 0,006 G 0,623 G 1,137 0,290 0,321 0,719 2009 S 0,410 0,482 0,073 0,017 P 0,748 0,224 0,037 0,020 g 1,826 0,465 0,515 1,155 E 0,338-0,258-0,035 0,003 G 0,574 G 0,757 0,308 0,312 0,717 2010 S 0,585 0,351 0,041 0,019 P 0,772 0,189 0,022 0,024 g 1,319 0,537 0,543 1,250 E 0,187-0,163-0,019 0,005 Průměr (average) 0,598 Zdroj: Vlastní zpracování na záladě panelových dat od cca 140 podniů polní výroby v ČR Source: Own processing based on panel data from 140 field production business in Czech Republic

Analýza nerovnoměrnosti rozdělení hrubé přidané hodnoty podniů polní výroby 183 Analysis of Unequal Distribution of Gross Value Added in Plant Production Business Zdeňa Malá, Gabriela Trnová Abstract: The aim of this paper is the evaluation of gross value added inequality in the field production businesses, including the definition of determinants that cause or eliminate the mentioned inequality. The fulfilment of this aim is based on the quantification and decomposition of the Gini coefficient and on quantification of random effects model. Panel data for the analysis were gained from the Creditinfo database and the State Agricultural Intervention Fund and represent the economic results of 140 field production companies from 2005-2010. Results of the paper document the inequality of gross value added, which is generated mainly by the differences in farm size and by different natural conditions, in which the firm farms. The inequality is eliminated mainly by income subsidies. Agri-environmental subsidies also eliminate the inequality but in less extent. Key words: Plant production Gross farm income Subsidies Value added Inequality Gini coefficient Decomposition Econometric model JEL Classification: Q18 Q12 D30