Vliv dotací na produkci a efektivnost zemědělských podniků v Libereckém kraji The influence of subsidies on production and efficiency of farms in Liberecký region Abstrakt Cílem článku je posoud vliv zemědělských dotací z EU (jednotných plateb na plochu, doplňkových plateb, plateb na agro-environmentální opatření a méně příznivým oblastem, dotací z Programu rozvoje venkova a na společnou organizaci trhu) na produkci a efektivnost zemědělských podniků. Panel zahrnuje účetní data 44 právnických osob se sídlem v Libereckém kraji za léta 2005 2012. Pomocí stochastické hraniční analýzy, kde vysvětlovanou proměnnou je produkce a vysvětlujícími proměnnými výrobní faktory a dotace je zjištěn vliv dotací na výši produkce. Dále je dopočítána neefektivnost a efektivnost zemědělských podniků. Průměrná neefektivnost byla odhadnuta ve výši 31,46 % a průměrná efektivnost 77,26 %. Vliv dotací je analyzován pomocí modelu fixních efektů, kde je vysvětlovanou proměnnou neefektivnost či efektivnost a vysvětlujícími proměnnými dotace. Statisticky významný vliv mají dotace na méně příznivé oblasti, které však přispívají ke zvyšování neefektivnosti a snižování efektivnosti. Je tedy možné doporuč jejich snížení ke zvýšení efektivnosti a zlepšení konkurenceschopnosti zemědělských podniků. Klíčová slova zemědělské dotace, stochastická hraniční analýza, (ne)efektivnost, panelová data Abstract The aim or the paper is to assess the influence of EU s agricultural subsidies (single area payments, Top-up, agri-environmental measures and to less favoured areas, subsidies from Rural development programme and on common market organisation) on the production and efficiency of agricultural holdings. Panel includes accountant data for 44 legal enties wh seat in Liberecky region for years 2005 2012. Using stochastic frontier analysis, where the explained variable is the production and explanatory variables are production factors and subsidies, is assessed the effect of subsidies on the amount of production. The inefficiency and efficiency is calculated next. Average inefficiency was estimated at 31.46 % and average efficiency at 77.26 %. The influence of the subsidies is analysed by fixed effect model, where explained variable is inefficiency or efficiency and explanatory variables are subsidies. Statistically significant influence had subsidies on less favoured areas, which contributed to the inefficiency increase and efficiency decrease. Therefore, is possible to suggest their lowering to enhance efficiency and improving competiveness of agricultural holdings. Key Words agricultural subsidies, stochastic frontier analysis, (in)efficiency, panel data Úvod Společná zemědělská polika (SZP) Evropské unie se na svém prvopočátku soustředila výhradně na produkční funkci zemědělství. V centru zájmu SZP bylo zvýšení produkce, která
úspěšnou aplikací podpor vedla k nadprodukci a zvyšovala náklady na provádění poliky. Přes řadu dílčích reforem, byl skutečný pokrok zaznamenán až s implementací MacSharryho reformy v roce 1992, kdy došlo k oddělení plateb od produkce. Finanční náročnost poliky se sice snížila, přesto je na ni ale stále vynakládána značná část rozpočtu EU. Protože je zemědělská produkce podporována policko-ekonomickými nástroji, zejména v podobě dotační podpory, je nezbytné neustále průběžně analyzovat efektivnost vynaložených prostředků ve vztahu k získané přidané hodnotě. (Kroupová a Malý, 2010) Ve světle omezených veřejných rozpočtů je důležé, aby dotace byly využívány efektivně. Je nezbytné cílení a přizpůsobování polik, aby dosáhly maximální efektivnosti s daným rozpočtem (OECD, 2007). Článek posuzuje vliv dotací na efektivnost zemědělských podniků v ČR a je strukturován následovně: Nejprve je stručně popsán vývoj metod hodnocení technické efektivnosti podniků a výsledky výzkumu autorů, kteří se problematikou zabývali. V následující kapole jsou popsány metody konstrukce produkční funkce a posuzování efektivnosti pomocí hraniční analýzy (SFA). Praktická část odhaduje pravý model fixních efektů (True Fixed Effect model TFE) a posuzuje vliv dotací na efektivnost zemědělských podniků pomocí modelu fixních efektů (FEM). Poté jsou diskutovány výsledky a formulovány závěry. Technicky efektivní produkce je definována jako maximální množství výstupu dosaželné s daným vstupem (Pt a Lee, 1981). První přístupy k výpočtům technické efektivnosti byly založeny na lineárním a kvadratickém programování (například Aigner et al., 1977). Parametrický přístup (SFA) započal pracemi Messena a van den Broecka (1977) a Aignera et al. (1977). To první rozdělili náhodnou složku na dvě části chybu (noise term vi) a neefektivnost (inefficiency ui). Toto později umožnilo odvození neefektivnosti pro každou firmu zvlášť. Rozdělení neefektivnosti může být různé. Například Pt a Lee (1981) využili uříznuté normální, Aigner et al. (1977) polo normální, Afriat (1972) Gamma, zatímco Stevenson (1980) využil exponenciální rozdělení. Jondrow et al. (1982) byli první, kteří dopočítali neefektivnost pro každý podnik jako očekávanou hodnotu ui v závislosti na (v u), tj. E(u e). Další možnost, jak dopočítat neefektivnost je pomocí M(u e). Efektivnost může být také počítána dle návrhu Jondrowa et al. (1982) jako exp[-e(u e)] nebo podle Battese a Coelliho (1988) ve formě očekáváné hodnoty E[exp(-u) e]. SFA se dále vyvíjela s rozvojem panelových dat. Výhodou panelových dat je, že umožňují vzít do úvahy heterogenu jednotlivých podniků. Umožňují kontrolovat nepozorované proměnné nebo proměnné, které se mění v čase ale ne mezi jednotlivými zemědělskými podniky (například polika EU). Panelová data naznačují, že jednotlivci, firmy, státy nebo země jsou heterogenní. Časové řady a průřezové studie, které nekontrolují tuto heterogenu, se vystavují riziku, že obdrží zkreslené výsledky. (Baltagi, 2005) Použí panelových dat tedy přináší řadu výhod. Jak uvádí Baltagi (2005) panelová data poskytují více informativní data, více variabily, méně kolineary mezi proměnnými, více stupňů volnosti a větší efektivnost. Panelová data se lépe hodí pro studování dynamiky přizpůsobování a jsou schopna lépe identifikovat a měř efekty, které nejsou jednoduše zjistelné z prostých průřezových dat nebo časových řad. Pokud se využije mikropanelů shromážděných pro jednotlivce, firmy a domácnosti je možné dosáhnout přesnějších výsledků než v případě makro úrovně, kdy jsou data pro jednotlivce a firmy agregovaná a může dojít k vychýlení odhadů. Podle Pta a Lee (1981) panelová struktura dat umožňuje odhadnout efektivnost jednotlivých firem a posoud, jestli je neefektivnost neměnná v čase, a dále zjist strukturální změny v produkční funkci. Kumbhakar a Lovell (2010) zase zdůrazňují, že panelová data poskytují spolehlivější obraz o výkonu producentů, protože je i
sledují za více časových období. Mezi nevýhody panelových dat patří obtížnější shromažďování dat, kdy se v průběhu let může obsah jednotlivých proměnných měn či dochází k většímu výskytu chybějících pozorování. Na začátku byly modely pracující s panelovými daty zatíženy celou řadou předpokladů, jako je neefektivnost neměnná v čase (například modely Pta a Lee (1981), model náhodných efektů (REM) a fixních efektů (FEM) od Schmidta a Sicklese (1984) a homoskedastica (konstantní a konečný rozptyl) v a ui. Postupně byly tyto odstraňovány a modely přibližovány realě. Stručnou historii vývoje nabízí ve své knize například Čechura (2009), který se zabýval analýzou efektivnosti a produktivy agrárního sektoru v ČR. Pt a Lee (1981) rozšířili metodu maximální věrohodnosti pro odhad parametrů na panelová data. Nejprve počítali s neefektivností neměnnou v čase, poté dovolili změnu efektivnosti v čase, pouze část neefektivnosti přetrvávala neměnná. Heterogena mezi producenty byla řešena různými autory jinak například pomocí specifické konstanty pro každý podnik a neefektivnosti měnící se v čase ( y f ( x ; ) v u ), či byla heterogena obsažena i přímo v regresních parametrech a neefektivnost byla v čase neměnná y f ( x ; ) v u ). V případě uříznutého normálního rozdělení (N + ) lze ( i i i modelovat heterogenu jako ui =N + (μi, σ 2 u) a μi = δ zi, kdy je neměřená heterogena stále součástí produkční funkce. Případně ji lze přesunout do průměru rozdělení neefektivnosti ui =N + (μi, σ 2 u) a μi = α + δ zi. μi je průměr a σ 2 u rozptyl uříznutého normálního rozdělení neefektivnosti, δ je transponovaná matice parametrů pro matici proměnných zi, které vysvětlují průměr neefektivnosti. Dále musí být testována homoskedastica, tj. zda je rozptyl neefektivnosti (σu 2 ) a náhodné chyby (σ 2 ) konečný a konstantní. Existuje mnoho aplikací SFA v zemědělském sektoru. Například Trnková et al. (2012) analyzovali vliv dotační poliky na produkci, náklady a technickou efektivnost podniků zemědělské výroby. Došli k závěru, že přijetí dotací zemědělským podnikem vede k poklesu efektivnosti. Podniky, které přijaly dotace, dosahovaly pouze 44,6 % potenciálního produktu, zatímco podniky bez dotací 60,4 %. Obdobně Kroupová a Malý (2010) došli k závěru, že jimi analyzované policko-ekonomické nástroje dotační poliky ve formě přímé podpory produkce nemají jednoznačně pozivní vliv na zvyšování výkonnosti ekologického zemědělského podniku. Samotná existence a případné stanovení výše dotačních sazeb je klíčovým aspektem pro vyhodnocení ekonomických výsledků podniku, které ovšem neodrážejí nutnost zachování současných úrovní finanční podpory, ba naopak. Podle Čechury (2012) mohou být naopak dotace do zemědělství příčinnou zvýšení celkové produktivy faktorů (TFP) v zemědělském sektoru, protože dotace přispívají ke konkurenceschopnosti výrobců (Čechura, 2012). Metodika Cílem příspěvku je ohodnot vliv dotací poskytovaných z fondů EU (Evropského zemědělského a záručního fondu a Evropského zemědělského fondu pro rozvoj venkova) na množství produkce a na efektivnost zemědělských podniků v Libereckém kraji. Byla zvolena metoda stochastické hraniční analýzy (SFA) a odhadnuta produkční funkce v Cobb-Douglesově formě linearizovaná prostřednictvím přirozených logarmů. Vysvětlovanou proměnnou je produkce (y, kde i označuje i-tou farmu v čase t), která je vyjádřena jako tržby za prodej vlastních výrobků a služeb v tis. Kč a očištěna o inflaci indexem cen zemědělských výrobců (2005 = 100). Vysvětlujícími proměnnými jsou výrobní faktory:
materiál a služby (x1,), kapál (x2,), práce (x3,) a půda (x4,). První vysvětlující proměnná je reprezentována spotřebou materiálu a energie v tis. Kč a službami v tis. Kč. Kapálem se myslí dlouhodobý hmotný majetek v tis. Kč. Obě veličiny jsou očištěny o inflaci indexem cen průmyslových výrobců (2005 = 100). Práce je vyjádřena množstvím pracovníků, které bylo dopočítáno jako podíl mzdových nákladů a průměrných mezd v zemědělství v Libereckém kraji. Množství obdělávané půdy bylo dopočteno jako podíl dotace na plochu (SAPS), který zemědělský podnik obdržel v daném roce, k platné sazbě SAPS. Dále jsou do modelu zahrnuty následující skupiny dotací (celkový objem v Kč): přímé platby (SAPS a Top-up) a ostatní přímé platby (bahnice, kozy pasené na travních porostech, dojnice, tele masného typu x5,), agro-environmentální platby z EAFRD a HRDP x6,, platby pro méně příznivé oblasti (LFA) x7,, dotace v rámci Programu rozvoje venkova (PRV) x8, a dotace na společnou organizaci trhu a kompenzace za ptačí chřipku x9. Panelová data byla shromážděna pro zemědělské podniky (právnické osoby) v Libereckém kraji, které v letech 2005 2012 obdržely aspoň jeden z výše uvedených typů dotací. Celkem vzorek zahrnoval 42 zemědělských podniků v letech 2005 2012, tj. 213 pozorování. Počet pozorování se pohyboval od 1 do 8 pro jeden podnik. Při zahrnutí do modelu v logarmické podobě ale byly vypuštěny čtyři hodnoty. V odhadech efektivnosti jsou ještě vynechány podniky s jedním pozorováním. Celkem se pracuje s 206 pozorováními. Popisné charakteristiky proměnných jsou uvedeny v tabulce č. 1. Data jsou získána z databáze Albertina společnost Bisnode s.r.o., Státního zemědělského intervenčního fondu (SZIF) a Českého statistického úřadu. Tabulka č. 1: Popisné charakteristiky vysvětlující a vysvětlovaných proměnných modelu Proměnná Průměr Směrodatná odchylka Produkce (deflovaná) v tis. Kč 25891,55 43210,91 Materiál a služby (deflované) v tis. Kč 19098,40 30643,12 Práce (počet zaměstnanců) 23,71 36,93 Půda (výměra podniku) v ha 530,15 524,12 Přímé platby (SAPS a top-up) v Kč 3427189 3208695 AEO v Kč 616523,60 997659,90 LFA v Kč 956814,80 1036100 RDP v Kč 49784,85 292580,40 SOT v Kč 8432,01 40916,48 Zdroj: vlastní zpracování dat z databáze Albertina a ze SZIF Volbě modelu SFA předcházel odhad parametrů lineárního modelu konkrétně byl zkonstruován model fixních (FEM) a náhodných efektů (REM). A priory se předpokládá přítomnost významné heterogeny firem viz například Čechura, 2010). Pomocí Waldova modifikovaného testu heteroskedasticy bylo ověřováno, zda je rozptyl náhodné složky konstantní a konečný. Breusch-Pagan Lagrange Multiplier testem bylo zjišťováno, zda je vhodnější použít běžnou lineární regresi či REM. Pro finální rozhodnutí, zda zvol FEM nebo REM byl využ Hausmannův test, který zkoumá, zda je náhodná složka zkorelována s vysvětlujícími proměnnými. V případě, že je tomu tak, REM nelze použít, protože odhad parametrů by byl vychýlený. Předpokládá se, že vzhledem k delší časové řadě je nutné zvol model, který se v čase mění (time-varying). Po otestování byl pro výpočet technické neefektivnosti a efektivnosti vybrán pravý model fixních efektů v podobě podle Greena (2005). Ten zavedl pro každou firmu dummy proměnnou k postižení heterogeny (1).
y i Xβ v ui, (1) kde y je produkce. Neměřená heterogena mezi podniky je zahrnuta v konstantě αi. X je transponovaná matice vysvětlujících proměnných, β je vektor parametrů vysvětlujících proměnných, v představuje náhodnou složku (error term) a ui neefektivnost (inefficiency term) s exponenciálním rozdělením. Neefektivnost konkrétních firem byla dopočítána jako podmíněná střední hodnota E(u e) (Jondrow et al., 1982). Jiná metoda Jondrowa et al. (1982) odhaduje efektivnost pomocí exp[-e(u e)]. Nulová hodnota neefektivnosti (u = 0) znamená, že zemědělský podnik je efektivní ze 100 %. Pokud je u<1, podnik vyrábí méně, než jsou jeho možnosti. Vliv dotací na neefektivnost a efektivnost je zjišťován pomocí FEM s robustními chybami vůči heteroskedasticě. Konkrétně je zvolen fixed effect whin estimator model (2). tfeinef / tfeef i δkxk, (2) kde tfeinef resp. tfeef je vektor závisle proměnné neefektivnosti či efektivnosti, γi (i = 1... N) je konstanta specifická pro každou farmu, N je počet pozorování, δk jsou parametry vysvětlujících proměnných, Xk, (k = 5... 9) je matice vysvětlujících proměnných (dotací) a ε je náhodná složka. Shoda modelu s daty je posouzena koeficientem vícenásobné determinace R 2 a modifikovaným R 2 vypočteným jako R 2 = 1 (σεi²/σyi²), kde σεi² je residuální rozptyl a σyi² je celkový rozptyl. Statistická významnost odhadnutých parametrů byla testována t-testem, kde H0: parametr je statisticky nevýznamný. Testové krérium je počítáno jako z = βk /Sbi r, kde Sbi r je robustní standardní chyba odhadu. Pokud je z vyšší než příslušný kvantil normálního rozdělení, zamítá se H0 a parametr je statisticky významně odlišný od 0 na stanovené hladině významnosti α = 0,05. Výsledky Nejprve byl model odhadnut v lineární podobě jako FEM a REM a otestován. Zahrnutím dummy proměnných pro čas se zjistilo, že je nutné zvol model, které bere do úvahy čas. Rovněž dummy proměnné pro každý zemědělský podnik se ukázaly být statisticky významné. Waldův modifikovaný test pro heteroskedasticu ukázal, že je nutné počítat s robustními chybami odhadu. Breusch-Pagan Lagrange multiplier test prokázal, že je vhodnější použít REM spíše než lineární regresi. Protože v modelu byl přítomný fixní i náhodný efekt, byl proveden Hausmannův test, který potvrdil, že je vhodnější FEM než REM (tj. náhodné chyby ui a vysvětlující proměnné jsou zkorelované). Protože pro odhad parametrů je vhodný model, který bere do úvahy čas (time varying model) a obsahuje fixní efekt, je pro výpočet efektivnosti zemědělských podniků zvolen pravý model fixních efektů (True fixed effect model TFE). Protože rozptyl není konstantní a konečný, je nutné použít robustní standardní chyby. Rozdělení náhodné chyby ui je exponenciální. Odhad modelu je zobrazen v tabulce č. 2. Z hodnot parametrů vyplývá, že všechny proměnné kromě dotací AEO a SOT dotací zvyšují množství produkce. Zvýšení spotřeby materiálu a služeb, kapálu, množství pracovníků a půdy o 1 %, přinese zvýšení produkce o 0,90 %, 0,05 %, 0,08 Kč a 0,07 % (v tomto pořadí). Součet je vyšší než 1 (1,10), což implikuje, že podniky dosahují úspor z rozsahu. Zvýšení přímých plateb, plateb LFA a z PRV o 1 % přinese zvýšení produkce o 0,01 %, 0,006 % a
True fixed-effects model (exponential) Number of obs = 206 Group variable: id Number of groups = 39 0,0002 Time %. variable: Naopak zvýšení year plateb AEO a SOT o 1 % přispívá Obs per ke snížení group: produkce min = o 0,004 2 %, avg = 5.3 respektive o 0,007 %. max = 8 Tabulka č. 2: Pravý model fixních efektů (True fixed-effects Prob model), > chi2 exponenciální = 0.0000 Log pseudolikelihood = 32.2415 rozdělení neefektivnosti; Prob > χ 2 Wald = 0.0000; Wald χ 2 chi2(6) = 6.40e+17 (6) = 6,40e+17 (Std. Err. adjusted for 39 clusters in id) Robust y Coef. Std. Err. z P> z [95% Conf. Interval] Frontier x1.8971488 2.18e-09 4.1e+08 0.000.8971488.8971489 x2.0546286 2.72e-09 2.0e+07 0.000.0546286.0546286 x3.0789157 2.88e-09 2.7e+07 0.000.0789157.0789157 x4.0735128 1.86e-09 4.0e+07 0.000.0735128.0735128 x5.0119146 7.07e-10 1.7e+07 0.000.0119146.0119146 x6 -.0036994 2.60e-10-1.4e+07 0.000 -.0036994 -.0036994 x7.0062607 1.75e-10 3.6e+07 0.000.0062607.0062607 x8.0001522 7.05e-10 2.2e+05 0.000.0001522.0001522 x9 -.006719 8.29e-10-8.1e+06 0.000 -.006719 -.006719 Usigma Vsigma _cons -2.313025.2352859-9.83 0.000-2.774177-1.851873 _cons -34.36489.1863972-184.36 0.000-34.73023-33.99956 sigma_u.3145814.0370083 8.50 0.000.2498016.3961603 sigma_v 3.45e-08 3.21e-09 10.73 0.000 2.87e-08 4.14e-08 lambda 9119586.0370083 2.5e+08 0.000 9119586 9119586 Zdroj: vlastní zpracování Průměrná neefektivnost zemědělských podniků byla odhadnuta ve výši 31,46 % se směrodatnou odchylkou 38,78 %. Naopak průměrný podnik dosazoval efektivnosti 77,26 % se směrodatnou odchylkou 21,06 %. Dále lze konstatovat, že malé podniky co do počtu pracovníků i výměry půdy mají tendenci být více neefektivní. Průměrná neefektivnost farem do 50 zaměstnanců je 33,03 % a s výměrou do 500 hektarů 31,28 %. Naopak větší podniky (150 199 zaměstnanců či s výměrou vyšší než 1000 ha) mají tendenci být při využívání výrobních faktorů více efektivní. Nejmenší neefektivnost (10,82 %) a nejvyšší efektivnost (90,24 %) byla zjištěna u podniků s 50 až 99 zaměstnanci. Údaje jsou zobrazeny v tabulce č. 3. Tabulka č. 3: Neefektivnost a efektivnost zemědělských podniků Celkem Počet pozorování Průměrná neefektivnost Průměrná efektivnost 209 0,3145814 0,7726141 Počet pracovníků Počet pozorování Průměrná neefektivnost Průměrná efektivnost 0-49 182 0,3375654 0,7427177 50-99 18 0,1082466 0,9024133 100-149 1 0,3073148 0,7354190 150-199 8 0,1388898 0,8756293 Výměra půdy v ha Počet pozorování Průměrná neefektivnost Průměrná efektivnost 0-499 125 0,3203559 0,7617035 500-999 632 0,3329848 0,7308313 1000-1499 11 0,1734768 0,8567560 > 1500 11 0,2223934 0,8211350 Zdroj: vlastní zpracování
Jak je neefektivnost a efektivnost podniků ovlivněna množstvím přijatých dotací je posouzeno pomocí modelu fixních efektů (příkaz xtreg ve Stata 11.2) s robustními chybami vůči heteroskedasticě. Těsnost závislosti je měřena pomocí R 2 (příkaz areg ve Stata 11.2). Neefektivnost je vysvětlena množstvím dotací pouze z 25,42 %. Model (viz tabulka č. 4) jako celek je statisticky významný. Z vysvětlujících proměnných mají statisticky významný vliv pouze dotace LFA. Jejich růst o 1 % ovšem přispívá k mírnému zvýšení neefektivnosti o 0,006 %. K poklesu neefektivnosti přispívají pouze přímé platby (o 0,34 %) a platby z PRV between = 0.0159 avg = 5.3 (o 0,03 %), i když jejich vliv je statisticky nevýznamný na α = 0,05.. xtreg tfeinef x5 x6 x7 x8 x9, vce(robust) fe Fixed-effects (whin) regression Number of obs = 206 Group variable: id Number of groups = 39 R-sq: whin = 0.0691 Obs per group: min = 2 overall = 0.0017 max = 8 F(5,38) = 3.56 corr(u_i, Xb) = -0.5333 Prob > F = 0.0097 Tabulka č. 4: Model fixních efektů (Fixed effects whin regression model); F(5; 38) = 3,56; Prob > F = 0.0097; R 2 = 0,4106; Ṝ 2 = 0,2542 (Std. Err. adjusted for 39 clusters in id) Robust tfeinef Coef. Std. Err. t P> t [95% Conf. Interval] x5 -.0342437.0267703-1.28 0.209 -.0884373.01995 x6.0029244.0016025 1.82 0.076 -.0003196.0061685 x7.005765.0016196 3.56 0.001.0024864.0090436 x8 -.0031783.004804-0.66 0.512 -.0129035.006547 x9.0004055.0040744 0.10 0.921 -.0078427.0086538 _cons.738147.3741679 1.97 0.056 -.0193163 1.49561 sigma_u.36735486 sigma_e.33492574 rho.54607862 (fraction of variance due to u_i). xtreg tfeef x5 x6 x7 x8 x9, vce(robust) fe Zdroj: vlastní zpracování Co se týče vlivu na efektivnost (viz tabulka č. 5), FEM ji vysvětluje pouze z 32,66 %. Model jako celek je statisticky významný. Statisticky významný vliv má kromě konstanty opět dotace LFA, jejíž zvýšení o 1 % sníží efektivnost o 0,005 %. Obdobně snižují efektivnost i dotace na AEO. Ostatní typy dotací mírně zvyšují efektivnost, nicméně jejich vliv je between = 0.0538 avg = 5.3 statisticky nevýznamný na α = 0,05. Fixed-effects (whin) regression Number of obs = 206 Group variable: id Number of groups = 39 R-sq: whin = 0.0376 Obs per group: min = 2 overall = 0.0039 max = 8 F(5,38) = 6.91 corr(u_i, Xb) = -0.6816 Prob > F = 0.0001 Tabulka č. 5: Model fixních efektů (Fixed effects whin regression model); F(5; 38) = 6,91; Prob > F = 0.0001; R 2 = 0,3266; Ṝ 2 = 0,1479 (Std. Err. adjusted for 39 clusters in id) Robust tfeef Coef. Std. Err. t P> t [95% Conf. Interval] x5.014425.0126184 1.14 0.260 -.0111197.0399696 x6 -.0017653.0008924-1.98 0.055 -.003572.0000413 x7 -.0049467.0010831-4.57 0.000 -.0071393 -.0027541 x8.0012333.0024202 0.51 0.613 -.0036662.0061328 x9.0008535.0018332 0.47 0.644 -.0028576.0045647 _cons.6161113.1768592 3.48 0.001.2580786.974144 sigma_u.18080231 sigma_e.19437295 rho.4638758 (fraction of variance due to u_i) Zdroj: vlastní zpracování
Diskuse Z výsledku analýz vyplynulo, že je potřeba věnovat pozornost především dotacím na méně příznivé oblasti. Tato území dle vymezení z roku 2010 představují 4 687 tis. ha, tj. 59,4 % výměry ČR. Přesto, že jsou poskytovány pouze na travní porosty, jejich rozsah má dle předpokladů v PRV čin až 580 tis. ha. Finance vydané na toto opatření tedy nejsou zanedbatelné. Je otázkou, zda podporovat zemědělce v méně příznivých oblastech speciálními podporami, když tyto vedou ke zvyšování neefektivnosti a snižování efektivnosti. Toto zjištění je překvapivé, jelikož dotace jsou vypláceny na travní porosty nejen pro udržení příjmové stabily zemědělců hospodařících v horších přírodních podmínkách, ale mají mít také povahu restrukturalizačního opatření, které podporuje chov skotu a dalších zvířat, využívajících travní porosty. Tato restrukturalizace by měla vést k podpoře konkurenceschopnosti zemědělských podniků, jež je jedním z hlavních cílů PRV. Bez zvýšení efektivnosti výroby je ale těžké konkurenceschopnosti dosáhnout. Docházíme tedy k obdobnému závěru jako Kroupová a Malý (2010). Ti konstatovali na základě výsledků simulovaných scénářů, že k nejvyššímu navýšení zisku i produkce při zachování podpory ekologického zemědělství by přispělo zrušení sazby na trvalé travní porosty a snížení sazeb na hektar orné půdy... Pechrová a Vlašicová (2013) došly k opačnému závěru, dotace podle nich statisticky významně pomáhají snižovat neefektivnost ekologicky hospodařících zemědělců. Vliv je nicméně pouze mírný. Vzhledem k tomu, že v našem článku se zabýváme zemědělskými podniky bez rozlišení na ekologické a konvenční nejsou naše výsledky plně porovnatelné. Navíc musíme brát v úvahu, že náš vzorek zahrnuje pouze zemědělce v Libereckém kraji. Závěr Cílem článku bylo posoud vliv dotací do zemědělství z fondů Evropské unie na produkci, neefektivnost a efektivnost zemědělských podniků v Libereckém kraji. Pomocí SFA byla odhadnuta produkční funkce v Cobb-Douglasově podobě a dopočítána neefektivnost a efektivnost pro každý zemědělský podnik. Dále bylo zjišťováno modelem fixních efektů, jak je neefektivnost a efektivnost zemědělských podniků ovlivněna množstvím přijatých dotací. Zvýšení přímých plateb, plateb LFA a z PRV dle odhadnutého modelu přinese zvýšení produkce, zatímco platby AEO a SOT přispívají ke snížení produkce. Průměrná neefektivnost zemědělských podniků byla odhadnuta ve výši 31,46 % a průměrná efektivnost na úrovni 77,26 %. Malé podniky co do počtu pracovníků i výměry půdy mají tendenci být více neefektivní a méně efektivní. Nejméně neefektivní a nejvíce efektivní jsou podniky od 50 do 99 zaměstnanců a ty, které hospodaří na 1000 až 1499 hektarech půdy. Na základě výsledků lze shrnout, že vliv dotací na neefektivnosti i efektivnost je převážně mírný a statisticky nevýznamný. Výjimkou jsou dotace do méně příznivých oblastí, jejichž pokles může přinést zvýšení efektivnosti a snížení neefektivnosti. Další výzkum by se měl zaměř na podrobnější rozbor efektivnosti využívání dotací zemědělskými podniky. Je potřeba detailněji prozkoumat, jaké faktory ji ovlivňují, a zodpovědět dotazy, které typy podniků jsou schopny dotace využívat nejlépe, případně jaké typy dotací jsou nejefektivněji využívány.
Leratura Aigner, D., Lovell, C. A. K., Schmidt, P. (1977): Formulation and estimation of stochastic frontier production function models. Journal of Econometrics, 6: 21 37; ISSN 0304-4076. Afriat, S. N. (1972): The case of the vanishing Slutsky matrix. Journal of Economic Theory, 5: 208 223; ISSN 0022-0531. Baltagi, B. H. (2005): Econometric analysis of Panel Data. Wiley and Sons, Ltd., England; ISBN 0-470-01456-3. Battese, G. E., Coelli, T. J. (1988): Prediction of firm-level technical efficiencies wh a generalized frontier production function and panel data. Journal of Econometrics, 38: 387 399; ISSN 0304-4076. Čechura, L. (2009): Zdroje a limy růstu agrárního sektoru. Wolters Kluwer ČR, Praha; ISBN 978-80-7357-493-2. Čechura, L. (2010): Estimation of technical efficiency in Czech agriculture wh respect to firm heterogeney. Agricultural Economics, 56: 36 44; ISSN 0139-570X. Čechura, L. (2012): Technical efficiency and total factor productivy in Czech agriculture Agricultural Economics, 58: 147 156; ISSN 0139-570X. Greene, W. (2005): Reconsidering heterogeney in panel data estimators of the stochastic frontier model. Journal of Econometrics, 126: 269 303; ISSN 0304-4076. Jondrow, J., Lovell, C. A. K, Materov, I. S., Schmidt, P. (1982): On the Estimation of Technical Inefficiency in the Stochastic Frontier Production Function Model. Journal of Econometrics, 19: 233 238; ISSN 0304-4076. Kroupová, Z., Malý, M. (2010): Analýza nástrojů zemědělské dotační poliky aplikace produkčních funkcí. Polická ekonomie, 6: 774 794. Kumbhakar S.C., Lovell C. A. K. (2000): Stochastic Frontier Analysis. Universy Press, Cambridge; ISBN 0-521-48184-8. Meeusen, W., van den Broeck, J. (1977): Technical efficiency and dimension of the firm: Some results on the use of frontier production functions. Empirical Economics, 2: 109 122; ISSN 0377-7332. OECD (ed.) (2007): Policy design characteristics for effective targeting, Working Party on Agricultural Policies and Marktes, Paris, AGR/CA/APM(2005)32/FINAL. Available at http://www.oecd.org/tad/agricultural-policies/39283420.pdf (accessed December 2013). Pechrová, M., Vlašicová, E. (2013): Technical Efficiency of Organic and Biodynamic Farms in the Czech Republic. AGRIS on-line Papers in Economics and Informatics, 4: 143 152; ISSN: 1804-1930. Pt, M. M., Lee, L-F. (1981): The Measurement and Sources of Technical Inefficiency in the Indonesian weaving Industry. Journal of Development Economics, 9: 43 64; ISSN 0304-3878.
Schmidt, P., Sickles R. C. (1984): Production frontiers and panel data. Journal of Business and Economic Statistics, 2: 367 374; ISSN 0735-0015. Stevenson, R. E. (1980): Likelihood functions for generalized stochastic frontier estimation. Journal of Econometrics, 13: 57 66; ISSN 0304-4076. Trnková, G., Malá, Z., Vasilenko, A. (2012): Analysis of the Effects of Subsidies on the Economic Behavior of Agricultural Businesses Focusing on Animal Production. Agris on-line Papers in Economics and Informatics, 4: 115 126; ISSN: 1804-1930.