Prognozowanie cen surowców rolnych na podstawie zależności przyczynowych nr 52 2012 Prognozowanie cen surowców rolnych na podstawie zależności przyczynowych Prognozowanie cen surowców rolnych na podstawie zależności przyczynowych Autorzy: dr inż. Mariusz Hamulczuk dr hab. Stanisław Gędek, prof. nadzw. PRz mgr Cezary Klimkowski dr hab. Stanisław Stańko, prof. nadzw. SGGW, IERiGŻ-PIB Dr hab. Stanisaw Gdek jest pracownikiem Politechniki Rzeszowskiej Pozostali Autorzy s pracownikami Instytutu Ekonomiki Rolnictwa i Gospodarki ywnociowej – Pastwowego Instytutu Badawczego Prac zrealizowano w ramach tematu Zastosowanie modelowania ekonomicznego w analizie przesanek konkurencyjnego rozwoju sektora rolno-ywnociowego w zadaniu System prognostyczny sucy podnoszeniu konkurencyjnoci sektora rolno-ywnociowego Celem opracowania byo przedstawienie metod i uwarunkowa prognozowania cen surowców rolnych na podstawie zalenoci przyczynowych. Recenzenci prof. dr hab. Bolesaw Borkowski, SGGW dr in. Janusz Majewski, SGGW Korekta Barbara Walkiewicz Redakcja techniczna Leszek lipski Projekt okadki AKME Projekty Sp. z o.o. ISBN 978-83-7658-246-7 Instytut Ekonomiki Rolnictwa i Gospodarki ywnociowej – Pastwowy Instytut Badawczy 00-950 Warszawa, ul. witokrzyska 20, skr. poczt. nr 984 tel.: (22) 50 54 444 faks: (22) 50 54 636 e-mail: [email protected] http://www.ierigz.waw.pl Spistreci Wstp ........................................................................................................................................ 7 1. Mechanizmy ekonomiczne ksztatowania cen surowców rolnych ...................11 1.1. Uwarunkowania popytowe ....................................................................... 11 1.2. Uwarunkowania podaowe ....................................................................... 18 1.3. Ceny krajowe a ceny wiatowe................................................................. 22 1.4. Polityka ekonomiczna a ceny surowców rolnych..................................... 27 1.5. Interakcje midzyrynkowe ........................................................................ 34 2. Modele analizy i krótkookresowego prognozowania cen na podstawie zalenoci przyczynowych .........................................................................................39 2.1. Modele statyczne a modele dynamiczne .................................................. 39 2.1.1. Model statyczny – model regresji wielorakiej ................................... 40 2.1.2. Modele dynamiczne – model ADL .................................................... 46 2.2. Procesy stochastyczne i testowanie ich waciwoci ................................ 48 2.2.1. Badanie stacjonarnoci ....................................................................... 49 2.2.2. Zalenoci dugookresowe ................................................................. 51 2.2.3. Przyczynowo ................................................................................... 54 2.3. Modele dynamiczne – modele VAR i VECM .......................................... 56 2.3.1. Konstrukcja modeli VAR i VECM .................................................... 56 2.3.2. Egzogeniczno i wnioskowanie ........................................................ 59 3. Modele równowagi czstkowej sektora rolnego .....................................................63 3.1. Istota modeli równowagi czstkowej........................................................ 63 3.2. Model AGLINK-COSIMO ....................................................................... 67 3.3. Model FAPRI ............................................................................................ 73 3.4. Model AGMEMOD .................................................................................. 77 4. Prawidowoci w ksztatowaniu si miesicznych cen produktów rolnych.....83 4.1. Waciwoci szeregów czasowych ........................................................... 83 4.1.1. Makroekonomiczne determinanty zmian cen surowców rolnych...... 84 4.1.2. wiatowe ceny surowców rolnych ..................................................... 87 4.1.3. Ceny surowców rolnych w Polsce ..................................................... 90 4.2. Testowanie przyczynowoci w sensie Grangera ...................................... 93 4.3. Testowanie wystpowania zalenoci dugookresowych ......................... 99 5. Krótkookresowe prognozy cen surowców rolnych z modeli przyczynowych (VAR i VECM) .......................................................................................................... 105 5.1. Koncepcja prognozowania cen surowców rolnych ................................ 105 5.2. Prognozy zmiennych makroekonomicznych .......................................... 108 5.3. Prognozy cen wiatowych surowców rolnych........................................ 112 5.4. Modele cen skupu surowców rolnych w Polsce oparte na powizaniach z cenami wiatowymi ..................................................... 116 5.4.1. Model cen skupu pszenicy i yta w Polsce ...................................... 116 5.4.2. Model cen skupu pszenicy, yta i kukurydzy w Polsce ................... 118 5.4.3. Model cen skupu surowców pochodzenia zwierzcego w Polsce ... 120 5.5. Modele cen surowców rolnych w Polsce oparte na zalenociach midzyrynkowych w kraju .................................................................... 123 5.5.1. Model cen skupu pszenicy, yta oraz ywca wieprzowego i drobiowego w Polsce .................................................................... 123 5.5.2. Model cen skupu ywca i mleka w Polsce........................................ 125 6. Projekcje wiatowych cen surowców rolnych z modeli równowagi czstkowej – ocena ex post ..................................................................................... 129 6.1. Ksztatowanie si cen surowców rolnych w latach 2004-2011 .............. 131 6.2. Projekcje cen produktów rolinnych ...................................................... 137 6.3. Projekcje cen misa ................................................................................ 144 6.4. Projekcje cen artykuów mleczarskich ................................................... 150 6.5. Trafno projekcji dugookresowych – uwagi kocowe ........................ 155 7. Przykady prognozowania dugookresowego cen skupu surowców rolnych w Polsce ........................................................................................................ 161 7.1. Kwestie estymacji, kalibracji i zaoe .................................................. 161 7.2. Przykady prognoz uzyskanych z wykorzystaniem prostych modeli ..... 166 7.2.1. Modele i prognozy cen skupu zbó w Polsce .................................. 167 7.2.2. Modele i prognozy cen skupu ywca w Polsce ................................ 170 7.2.3. Modele i prognozy cen produktów mlecznych i cen skupu mleka .. 174 7.3. Prognozy cen na podstawie modelu AGMEMOD ................................. 180 7.3.1. Prognozy cen zbó............................................................................ 180 7.3.2. Prognozy cen misa .......................................................................... 182 7.3.3. Prognozy cen produktów mlecznych i cen skupu mleka ................. 183 Podsumowanie .................................................................................................................. 185 Literatura ............................................................................................................................ 191 Wstp Prognozowanie zjawisk gospodarczych stanowi jeden ze sposobów sucy minimalizacji ryzyka towarzyszcego dziaalnoci gospodarczej. Std te czsto podkrela si mikroekonomiczny charakter prognoz i zwizany z tym fakt, e prognozowanie jest sposobem zdobywania przewagi konkurencyjnej nad innym uczestnikami rynku. Kady uczestnik rynku ma wasne oczekiwania co do przyszoci, podejmuje dziaania majce na celu wykorzystanie szans rynkowych ryzykujc przy tym swoim kapitaem. Prognozami i symulacjami zainteresowane s równie instytucje rzdowe tym bardziej, im wiksze s moliwoci ingerencji w rynek. Jednak z uwagi na moliwo wywierania wpywu na rynek rzadko takie prognozy s publikowane. Jeeli nawet, to wówczas okrela si je mianem projekcji. Podstaw do przewidywa stanowi wiedza o naturze danych zjawisk, ich wzajemnych powizaniach oraz mechanizmach i czynnikach je ksztatujcych. Do zbudowania prognozy niezbdna jest poprawnie przeprowadzona diagnoza rzeczywistoci, czyli stwierdzenie przeszego oraz tera niejszego stanu prognozowanych zjawisk, istniejcych wspózalenoci i sprze, ogranicze oraz kierunków oddziaywania czynników wewntrznych i zewntrznych. Pozwala to okreli czynniki ksztatujce prognozowane zjawisko i na ich podstawie dokona szacunku przyszoci. Dowiadczenie pokazuje, e w poznaniu rzeczywistoci oraz przy prognozowaniu przyszoci w sektorze rolno-ywnociowym relatywnie rzadko wykorzystuje si aparat statystyczno-ekonometryczny. Wikszo analiz i prognoz dotyczcych tego sektora bazuje na dowiadczeniu ekspertów. Nie twierdzimy, e stosowana metodyka jest nieadekwatna, a efekty s zej jakoci. Problem w tym, e nie wiadomo do koca, jakie przesanki i zaoenia le u podstaw formuowanych wniosków. Zatem subiektywne opinie warto uzupenia wiedz o pewnych obiektywnych prawidowociach. Celem prowadzonych bada jest stworzenie przesanek metodycznych do wykorzystywania metod ilociowych w prognozowaniu na rynkach rolnych. Badania prowadzone s w IERIG-PIB w ramach Programu Wieloletniego 2011-2014, w zadaniu „System prognostyczny sucy podnoszeniu konkurencyjnoci sektora rolno-ywnociowego”. Niniejsze opracowanie stanowi uzupenienie bada przeprowadzonych w roku 2011 i zaprezentowanych w opracowaniu „Prognozowanie cen surowców rolnych z wykorzystaniem modeli szeregów czasowych”. Mówic o metodach szeregów czasowych mamy na myli te, 7 w przypadku których nie wykorzystujemy adnych dodatkowych informacji, np. modele ARIMA. Celem niniejszego opracowania jest przedstawienie moliwoci krótkoi dugookresowego prognozowania cen surowców rolnych z wykorzystaniem wiedzy o powizaniach z innymi zjawiskami w systemie gospodarczym. Z jednej strony chodzi tutaj o metody identyfikacji najbardziej istotnych czynników determinujcych poziom cen rolnych i ich zmiany. Z drugiej strony, o przedstawienie metod umoliwiajcych ekstrapolacj tych prawidowoci w przyszo. Efektem bada powinno by poszerzenie wiedzy przez analityków pracujcych w IERIG-PIB (i nie tylko) przy tworzeniu raportów rynkowych, w których wan rol odgrywaj prognozy. Niemniej jest to wiedza, która dziki upowszechnieniu moe by wykorzystywana przez wszystkich uczestników rynku (producenci rolni, przetwórcy, handlowcy), analityków rynkowych, doradców itp. Opracowanie obejmuje siedem rozdziaów i zakoczone jest podsumowaniem. W pierwszym rozdziale przedstawiono teoretyczne przesanki ksztatowania si cen surowców rolnych. Opisano uwarunkowania popytowe, specyfik sektorow poday surowców rolnych, rol rynków wiatowych, wpyw polityki ekonomicznej na poziom cen oraz charakter powiza midzy waniejszymi rynkami rolnymi. W rozdziale drugim omówiono metodyczne aspekty analizy i prognozowania krótkookresowych zmian cen. Przedstawiono podstawow specyfik modeli statycznych i dynamicznych, metody testowania waciwoci procesów stochastycznych oraz modele wektorowej autoregresji oraz wektorowe modele korekty bdem. Rozdzia trzeci zawiera opis modeli równowagi czstkowej, które stanowi mog podstaw prognozowania i symulacji sektora rolnego. Przedstawiono w nim teoretyczne fundamenty modeli równowagi, wady i zalety tych modeli oraz ich struktur. Szczegóowo omówiono trzy modele równowagi czstkowej, znajdujce praktyczne zastosowanie w modelowaniu sektora rolnego: model AGLINK-COSIMO, model FAPRI oraz model AGMEMOD. Rozdzia czwarty obejmuje empiryczn analiz ksztatowania si miesicznych szeregów czasowych wybranych zmiennych makroekonomicznych oraz cen surowców rolnych w wiecie i w Polsce w latach 1996-2012. Przeprowadzone badania obejmuj analiz takich waciwoci szeregów czasowych, jak: struktura szeregów czasowych, ocena stacjonarnoci, kointegracji i przyczynowoci. 8 W rozdziale pitym zawarto wybrane moliwoci aplikacji metod ilociowych do krótkookresowego prognozowania cen w Polsce. Metodyka prognozowania oparta bya na modelach VAR i VECM, które poprzez zmienne egzogeniczne poczono w pewien system, umoliwiajcy równoczesne prognozowanie cen surowców rolnych w Polsce i na wiecie. W rozdziale szóstym przedstawiono ocen ex post projekcji wiatowych cen surowców rolnych. Przedstawiono projekcje z modelu równowagi czstkowej AGLINK-COSIMO oraz modele FAPRI z lat 2004-2010 waniejszych produktów rolinnych, misa i produktów mlecznych. Oceniajc zgodno formuowanych projekcji z pó niejszym stanem faktycznym próbowano znale przyczyny wpywajce na rozbienoci midzy nimi. Ostatni rozdzia pracy przedstawia przykady rozwiza metodycznych umoliwiajcych prognozowanie dugookresowe cen w kraju na podstawie projekcji wiatowych. Najpierw zaprezentowano proste modele regresji dla wybranych surowców rolnych, w których rednie roczne cen w Polsce s funkcj cen wiatowych i kursów walutowych. Nastpnie przedstawiono projekcje cen otrzymane z wykorzystaniem modelu równowagi czstkowej AGMEMOD. Na kocu opracowania zawarto podsumowanie, w którym przestawiono najwaniejsze wnioski bdce rezultatem prowadzonych bada. Autorzy skadaj serdeczne podzikowania recenzentom opracowania, w osobach Panów Prof. dr. hab. Bolesawa Borkowskiego i dr. in. Janusza Majewskiego, za cenne uwagi i sugestie, jakie byli skoni zgosi do pierwotnej wersji tekstu. 9 1.Mechanizmyekonomiczneksztatowaniacen surowcówrolnych Prognozowanie cen surowców rolnych wydaje si by niemoliwe bez znajomoci najwaniejszych mechanizmów ekonomicznych. Zwaszcza w warunkach znacznej regulacji rynków rolnych i wielokierunkowych powiza rynkowych, z którymi mamy do czynienia w gospodarce rolno-ywnociowej. Rolnictwo i rynek surowców rolnych podlega uniwersalnym prawom gospodarki rynkowej, ale charakteryzuje si pewnymi specyficznymi cechami, które powoduj pewne odmienne zachowania rynkowe w porównaniu do rynków artykuów przemysowych czy usug, a w szczególnoci wiksz zmiennoci cen ni na rynkach innych produktów [Heijman i in. 1997]. Poniej postaramy si przybliy gówne uwarunkowania zachowa cenowych w gospodarce rolno-ywnociowej. Mona uzna, e ksztatowanie si cen surowców rolnych jest wynikiem: x dziaania prawa popytu i poday, x biologiczno-technicznego charakteru produkcji rolnej (strona podaowa), x poredniego powizania rynków z konsumentem (strona popytowa), x powiza midzyrynkowych, x powizania z cenami wiatowymi, x oddziaywania czynników makroekonomicznych, wane s tu róne rodki polityki ekonomicznej, gównie polityki rolnej i handlowej. Niezalenie od rynku, najwaniejsz regu, jaka ksztatuje poziom cen jest prawo popytu i poday. Zgodnie z nim cena jest wypadkow popytu rynkowego i poday rynkowej na dane dobro. W okresach, kiedy mamy do czynienia z niezaspokojonym w peni popytem, ceny wzrastaj, za w okresach nadwyek produkcji (poday) mamy do czynienia z obnieniem si cen. Ceny w takim ukadzie peni funkcj regulatora procesów rynkowych. Prawo to ma charakter uniwersalny. Natomiast, co jest rzecz naturaln, moe by zakócane lub osabiane przez czynniki o charakterze instytucjonalnym. 1.1. Uwarunkowania popytowe Analizujc stron popytow, naley pamita, e popyt na surowce rolnicze ma charakter poredni. To znaczy, e jest on funkcj popytu na ywno i produkty nieywnociowe rozpatrywan na poziomie konsumenta [por. np. Rembisz 2007; Tomek, Robinson 2001]. Popyt na produkty rolnicze najczciej rozpatruje si z punktu widzenia caego sektora. Na tym poziomie popyt na pro11 dukty rolnicze stanowi pewn agregatow wielko wynikajc z indywidualnych bardzo rónych zapotrzebowa na surowce rolnicze. W innym ujciu popyt mona rozpatrywa w postaci bardziej zdezagregowanej, to jest na towary o okrelonej wartoci uytkowej (np. popyt na ziarno pszenicy do produkcji pasz, ziarno wykorzystywane w mynarstwie do produkcji rónych mk gatunkowych, czy do produkcji syropów glukozowych, a take produkcji makaronów itp.). Zmiany popytu wzgldem czynników go determinujcych s zrónicowane zalenie od czynników ksztatujcych popyt, a te z kolei s zrónicowane w zalenoci od kierunku przeznaczania surowca rolniczego (rys. 1.1.1). Wedug niego popyt krajowy to suma zuycia krajowego, poday przeznaczonej na magazynowanie i eksport (nie brano pod uwag strat). Rozrónienie poszczególnych skadowych popytu na surowce rolnicze jest wane z punktu widzenia czynników ksztatujcych jego zmiany. Te róne skadowe zapotrzebowania na surowce rolnicze powoduj, e czynniki ksztatujce zmiany popytu s bardzo zrónicowane. Rysunek 1.1.1. Czci skadowe popytu na surowiec rolniczy w kraju Zuycie krajowe Magazynowanie Eksport P P P + Q Popyt P + = Q Q Q P – cena, Q – ilo ródo: opracowanie na podstawie Ferris 2005, s. 9. W przypadku surowców rolnych najwikszy udzia w popycie ma zuycie krajowe. Naley przy tym pamita, e wspóczenie wikszo produktów wytworzonych w rolnictwie nie suy do bezporedniego zaspokajania potrzeb konsumenta, lecz ma przeznaczenie porednie. Istniej przy tym róne, niekoniecznie ywnociowe, kierunki rozdysponowania produkcji rolniczej. Podstawowym elementem skadowym tego popytu jest zapotrzebowanie na surowce rolnicze do produkcji artykuów konsumpcyjnych (na przykad na ziarna zbó do produkcji pieczywa, makaronu, patków, herbatników), a take zapotrzebowanie na surowce rolinne do produkcji rónych produktów spoywczych pochodzenia zwierzcego (np. do produkcji pasz niezbdnych w chowie zwierzt). 12 Równie wtedy, gdy wytworzony produkt nie ulega przetworzeniu, konsumenci nabywaj dobra finalne (np. ziemniaki, wiee warzywa) najczciej w handlu detalicznym. Znikoma cz produktów ywnociowych jest pozyskiwana bezporednio z gospodarstwa lub dziaki. Wraz z rozwojem gospodarczym coraz wicej produktów rolniczych stanowi wany surowiec w przetwórstwie przemysowym (np. wykorzystanie ziarna w przemyle spirytusowym, sodowniczym, skrobiowym, ziemniaków do produkcji krochmalu i produktów pochodnych). Ich produkty mog by wykorzystane do produkcji artykuów spoywczych lub by wykorzystane na inne cele (np. etanol jako dodatek do benzyn, dekstryny, kleje i inne preparaty techniczne zuywane w przemyle wókienniczym, papierniczym, hutnictwie). Popyt moe take pochodzi od podmiotów handlowych. Cz przedsibiorców moe zwiksza popyt magazynujc towary, przewidujc w przyszoci wzrost cen. Tego rodzaju popyt opiera si na antycypacji przyszych warunków, wpywajc na biece ceny towaru. Std wan rol w ksztatowaniu popytu w krótkich okresach peni take oczekiwania o moliwym kierunku zmian cen w przyszoci. Wpyw tych przewidywa ma wpyw na popyt. Tak zwana „gra na zwyk” lub „znik” powoduje, e przy przewidywaniach wzrostu cen w przyszoci handlowcy mog wicej kupowa ni dotychczas, co kreuje popyt, a przy przewidywaniach spadku cen w przyszoci mog ogranicza zakupy. W wyniku tego zmienno popytu na ten kierunek wykorzystania surowca jest wiksza ni w przypadku zapotrzebowania na surowce do produkcji artykuów spoywczych. Popyt na surowiec w kraju kreuje take zapotrzebowanie eksportowe. W warunkach swobodnych obrotów handlowych popyt na towary krajowe zaley take od relacji popytowo-podaowych (oraz cen) na rynkach zagranicznych. Niskie ceny krajowe stwarzaj szanse wzrostu popytu i eksport towaru. Odwrotna sytuacja moe zachca do importu. Determinuje to sytuacj rynkow w krótkich okresach. Oznacza to, e na popyt krajowy wpywa bdzie take sytuacja popytowo-podaowa i poziom cen w innych krajach. Do czynników determinujcych obroty handlowe (np. wzrost popytu eksportowego lub jego obnienie) nalee bd take kierunki zmian kursów walutowych. Osabienie zotówki moe skania przedsibiorców do wywozu surowca na rynki zagraniczne. Powoduje to zwikszenie popytu eksportowego na surowiec krajowy. Z kolei umocnienie zotówki moe zachca do przywozu taszego surowca z zagranicy. Ogólnie mona zaoy, e agregatowy popyt na surowiec rolniczy na poziomie konsumentów w kraju (Qk) mog determinowa nastpujce czynniki: 13 cena danego dobra (Pi), ceny dóbr substytucyjnych i komplementarnych (Ps), dochody ludnoci (Dl), podzia dochodów (Ds), liczba ludnoci (Ll), struktura demograficzna ludnoci (Ls), gusty, preferencje (Gi) itp. Na podstawie takich zaoe mona zapisa, e popyt na poziomie konsumenta jest funkcj tych czynników [Ritson 1977; Tracy 1997; Ferris 2005, s. 22]: Qk = f(Pi/Ps, Dl, Ds, Ll, Ls, Gi). (1.1) Dynamika zmian cen i proces dostosowa popytowo-podaowych uwarunkowane s ksztatem i nachyleniem krzywych popytu i poday. Ma to odzwierciedlenie w tzw. cenowych elastycznociach popytu i poday. Mierz one reakcj popytu (poday) na zmian cen. Elastyczno cenowa zaley zarówno od nachylenia krzywej, jak i miejsca na tej krzywej. Elastycznoci moemy mierzy zarówno w danym punkcie, jak i posugujc si wska nikami o charakterze ukowym. Matematyczn posta elastycznoci cenowej popytu ( E D ) wyrazi mona w postaci nastpujcych formu [Tomek, Robinson 2001]: ED 'QD QD 'P P 'QD P , * 'P QD (1.2) gdzie: QD – popyt, 'QD – zmiana popytu, P – cena towaru, 'P – zmiana ceny. Zwizek pomidzy cen a popytem na ywno, okrelany elastycznoci cenow popytu, jest w krajach rozwinitych gospodarczo niski. Zaley on od rodzaju dobra, jego roli w zaspokajaniu potrzeb, stopnia przetworzenia itp. Na ogó wraz ze wzrostem stopnia przetworzenia, elastyczno cenowa wzrasta. Na przykad popyt na mleko surowe jest mniej elastyczny od popytu na sery czy jogurt. Podobnie elastyczno cenowa popytu róni si od poziomu ogniwa acucha marketingowego, na którym jest obliczana. Inna jest na poziomie „bramy gospodarstwa”, zakadu przetwórczego czy handlu detalicznego. Znajomo cenowej elastycznoci popytu jest wanym parametrem, który jest pomocny przy przewidywaniu przyszego popytu. Brak jednak dotychczas w Polsce wyników bada okrelajcych elastycznoci cenowe popytu na poziomie rónych ogniw acucha marketingowego. Najczciej badania cenowej elastycznoci popytu dotycz ywnoci, ostatniego ogniwa acucha marketingowego. Na ogó produkty, które trudno jest zastpi innymi w konsumpcji, charakteryzuj si nisk elastycznoci cenow popytu. Bardziej elastyczny ze 14 wzgldu na zmiany cen jest popyt na te produkty, które posiadaj bliskie substytuty (np. zastpowalno jednych owoców innymi lub jednych warzyw innymi). Uwzgldniajc komponenty popytu na towar rolniczy i ich róne elastycznoci wzgldem cen, popyt na produkt w kraju moe by relatywnie elastyczny wzgldem cen, pomimo i popyt obejmujcy zuycie w kraju jest nieelastyczny. Wane znaczenie w prognozowaniu cen na surowce rolnicze ma znajomo dochodowej elastycznoci popytu. Podstawowe znaczenie maj tu prawidowoci wynikajce z prawa Engla. Analiza zmian dochodów i popytu na ywno pozwala wyodrbni pewne prawidowoci, które sformuowa Engel w postaci praw [Heijman i in. 1997, Ritson 1997]. Po osigniciu okrelonego poziomu wyywienia (okrelonej diety) dodatkowe iloci ywnoci maj coraz mniejsz uyteczno. Z tego powodu z przyrostu dochodów ludnoci na ywno przeznacza si coraz mniej. Nawet wtedy, gdy cz przyrostu dochodów wydaje si na ywno, to dotyczy to nie tyle przyrostu jej iloci, ale wzrostu zapotrzebowania na ywno lepiej przygotowan, bardziej przetworzon, posiadajc inne wartoci uytkowe. Dodatkowy popyt na ywno mao przetworzon jest tylko znikom czci caoci. Czasami nawet wzrost dochodów oznacza moe spadek popytu na te dobra. Przykadowo, PKB/osob skorelowany jest ujemnie z konsumpcj ziemniaków [Heijman i in. 1997]. Klasycznym takim produktem rolniczym s zboa suce do produkcji przetworów. W ksztatowaniu si tendencji w spoyciu produktów zboowych wystpuj okrelone prawidowoci wynikajce z poziomu rozwoju spoeczno-gospodarczego. Wraz ze wzrostem PKB/osob ronie konsumpcja przetworów zboowych osigajc pewien puap przy poziomie PKB okoo 5 tys. USD/osob. Dalsze zwikszenie dochodu skorelowane jest ze zmniejszeniem konsumpcji przetworów zboowych. Taki kierunek zmian rozwija si do okoo 15 tys. USD/osob. Powyej tego poziomu nastpuje stabilizacja konsumpcji tych produktów. W Polsce spoycie przetworów zboowych w przeliczeniu na osob wynosio: w 1950 r. ponad 166 kg, w 1960 – 145 kg, w 1980 – 127 kg, w 1989 r. 117 kg [Kramer 1993], a w 2010 r. – 110,5 kg [Popyt na ywno 2011, s. 25]. Polska osigna taki poziom PKB/osob, e w najbliszych latach moliwa jest stabilizacja spoycia produktów zboowych w przeliczeniu na osob. Globalny popyt na te produkty uzaleniony bdzie od stopy przyrostu naturalnego. Zmniejszenie liczby ludnoci oznacza bdzie obnienie popytu na zboa niezbdne do produkcji artykuów spoywczych. Z dotychczasowych wyników bada wynika, e wraz ze wzrostem dochodów ludnoci nastpuj zmiany w poziomie i strukturze popytu na ywno. Dla krajów rozwinitych gospodarczo elastyczno dochodowa zagregowanego popytu na ywno zawiera si w przedziale 0,1-0,3 [Heijmann i in. 1997, 15 s. 139]. Cenowa i dochodowa elastyczno popytu na wiele produktów spoywczych (najczciej s to podstawowe produkty) w krótkich okresach jest niska [Ritson 1977, Kramer 1993, Ferris 2005, wietlik 2008]. W duszych okresach ze wzrostem dochodów moe by ona nawet ujemna [Ritson 1977, Ferris 2005]. Ogólnie popyt na cenniejsze dobra ywnociowe jest bardziej elastyczny ni na ywno standardow. W teorii popytu wane jest rozrónienie midzy zmianami iloci dobra bdcego przedmiotem popytu a ogólnym popytem (chodzi tu o rozrónienie midzy zmianami wzdu krzywej popytu a jej przesuniciami w prawo lub w lewo) [Tomek, Robinson 2001]. Jest to take zwizane z analiz popytu i cen w krótkim i dugim okresie. Jedn z gównych cech powodujcych, e rolnictwo traktuje si w inny sposób ni wikszo sektorów gospodarki jest fakt, e podstawowym rodkiem produkcji jest ziemia. Jej cechy powoduj, e charakteryzuje si ona okrelon jakoci i cakowit nieprzenonoci. Zrónicowanie jakoci ziemi powoduje, e nie wszystkie roliny mog by wszdzie uprawiane. W tej sytuacji wane znaczenie w ksztatowaniu sytuacji rynkowej speniaj rynki lokalne i ich powizanie z innymi rynkami. Popyt na produkty rolne ma dwojaki charakter. Gówn jego cz stanowi popyt poredni, czyli popyt na surowce pochodzenia rolniczego (ywiec, mleko surowe, zboa itp.), które su do wytwarzania artykuów spoywczych1. Drugi rodzaj popytu to popyt bezporedni (popyt finalny). Popyt finalny tworz gównie gospodarstwa domowe, które kupuj produkty niezbdne do konsumpcji, np. pieczywo, makarony, wdliny, sery. Równie produkty rolnicze mog suy do zaspokojenia potrzeb ywnociowych, np. wiee ziemniaki, owoce, warzywa, kwiaty. Surowce rolnicze mog by wykorzystane do produkcji nie tylko artykuów konsumpcyjnych, a równie rónych artykuów przemysowych, które take su do zaspokajania okrelonych potrzeb konsumentów. Niezalenie od charakteru popytu, punktem wyjcia przy okrelaniu zapotrzebowania na surowce rolne jest konsument, jego potrzeby, preferencje, gusty, ograniczenia budetowe itp. Generalnie popyt na ywno jest nieelastyczny wzgldem dochodów i zmienia si raczej w dugich, a nie krótkich okresach. Wraz ze wzrostem dochodów ludnoci nie tylko zmniejsza si udzia wydatków na ywno w wydatkach ogóem, ale ulega zmianie struktura popytu. Zwiksza si relatywnie popyt na artykuy bardziej przetworzone, o wyszych walorach uytkowych, 1 Popyt poredni nazywany jest take popytem pochodnym (ang. derived demand), gdy mona go wyprowadzi z popytu bezporedniego. 16 które mona atwiej przechowywa, szybko przygotowa do spoycia, a zmniejsza popyt na produkty mao przetworzone. Ogólnie produkty rolne zanim uzyskaj przydatno do spoycia podlegaj wielorakiej transformacji (temporalnej, przestrzennej i rzeczowej) [wietlik 2008, s. 93]. Przetwarzanie produktów rolnych wymaga zuycia pracy, rodków produkcji, innych surowców itp. Powoduje to, e surowiec rolniczy jest tylko czci skadow produktu o nowych walorach uytkowych, smakowych zdolnych do zaspokajania potrzeb konsumenta. W wyniku takich procesów powstaj rónice w cenach, które pac konsumenci za artykuy spoywcze i które otrzymuj producenci rolni. Jest to take zwizane z tzw. pionow transmisj cen w acuchu marketingowym. Teoretycznie w krótkim okresie ruchy cen obserwowane w acuchu marketingowym powinny odzwierciedla zmiany cen na rynku towaru stanowicego pierwsze ogniwo, jeeli inne elementy nie ulegy zmianie. Oznacza to, e zmiany cen surowców rolniczych powinny znajdowa odzwierciedlenie w ewolucji cen produktów ywnociowych z nich wytwarzanych. W warunkach rynkowych zmieniaj si róne elementy tworzce warto uytkow artykuu spoywczego. Wyniki bada wskazuj, e nie istnieje natychmiastowa i prosta regua ksztatowania si cen w acuchu marketingowym. Wynika to z równoczesnych, ale jednoczenie majcych innych charakter, ruchów cen rolnych, surowców nierolniczych wykorzystywanych w produkcji, handlu i przetwórstwie oraz produktów ywnociowych. Mog si one zmienia w zalenoci od przesunicia popytu detalicznego, poday nakadów pochodzenia rolniczego lub nakadów nierolniczych [Gardner 1975]. Wyniki wielu bada [Tomek, Robinson 2001; Figiel 2002; Rembeza 2006, 2010] potwierdzaj, e wystpuje dugookresowa zaleno przyczynowo-skutkowa w procesie pionowej transmisji cen. W krótszych okresach zmiany cen na jednym poziomie nie musz wywoywa zmian na innym poziomie. Maj tu miejsce odchylenia powodowane rónymi przyczynami. Na ogó krótszy okres reakcji wystpuje na rynkach tych produktów, w cenie detalicznej których zawarty jest duy udzia surowca rolniczego albo forma produktu finalnego niewiele si róni od surowca otrzymanego w gospodarstwach rolnych (np. wiee owoce i warzywa). Gdy w produktach finalnych zawarty jest duy udzia komponentów zwizanych z przetwórstwem i obrotem, reakcja jest bardzo saba. 17 1.2. Uwarunkowania podaowe Podstaw mechanizmu ksztatowania si cen produkcji rolniczej jest jej biologiczno-techniczny charakter produkcji. Jest to uwarunkowanie podaowe majce decydujce znaczenie w krótko- i redniookresowym zachowaniu cen. Fakt, e produkcja rolnicza jest uwarunkowana czynnikami przyrodniczymi wymusza na producentach rolnych okrelone zachowania, które odnajduj swoje odzwierciedlenie w sposobie ksztatowania si cen surowców rolnych. Z prognostycznego punktu widzenia istotne jest rozpoznanie aspektów zmian cen nie tylko w ujciu statycznym, ale równie w ujciu dynamicznym (w czasie). W rolnictwie reakcje produkcyjne s skomplikowane. W produkcji rolinnej producent podejmuje decyzje dotyczce zasiewów oraz nakadów rodków produkcji (np. nawozów, pracy itp.). Produkcja zaley jednak nie tylko od decyzji producenta, ale równie od przebiegu warunków przyrodniczo-klimatycznych w okresie wegetacji. Na efekty produkcyjne wpywa bd wic czynniki losowe. W produkcji zwierzcej wpyw czynników losowych na efekty jest znacznie mniejszy ni w rolinnej. Miar siy reakcji poday na ceny jest wspóczynnik elastycznoci cenowej poday. Wyraa on procentow zmian poday bdc konsekwencj jednoprocentowej zmiany ceny. Matematyczne postacie elastycznoci cenowej poday ( ES ) wyrazi mona w postaci formuy [Tomek, Robinson 2001]: ES 'QS QS 'P P 'QS P , * 'P QS (1.3) gdzie: przez ' oznaczamy ma zmian, przez P – cen, za przez QS – poda. W rolnictwie oferowana na sprzeda ilo okrelonego produktu nie zaley tylko od ceny, jak producent spodziewa si otrzyma za ten produkt. O poday decyduj take inne czynniki, takie jak: x ceny innych produktów, które mog by wyprodukowane przy danym potencjale (Pk,…,Pj), x technologia produkcji (Ti), x ceny rodków produkcji (Pl,…,Pm), x cele producentów wynikajce z prowadzenia gospodarstwa rolnego, x warunki przyrodniczo-klimatyczne (Wp). Elastyczno cenowa poday produktów rolniczych jest zalena od rozpatrywanego okresu. W krótkim okresie, to jest jednego cyklu produkcyjnego, ce18 nowa elastyczno poday jest bliska zeru, co wynika ze specyfiki produkcji. W rolnictwie koszty stae stanowi wysoki udzia kosztów cakowitych i po dokonaniu inwestycji producent nie moe ogranicza kosztów przez zmniejszenie poday. Nawet w warunkach obnienia cen poniej kosztów producent moe zwiksza produkcj, jeeli koszty zmienne s nisze od cen. Jest to racjonalne, bo powoduje zmniejszenie strat. Dodatnia rónica midzy cen a kosztami zmiennymi przyczynia si do zmniejszenia strat (pokrywa cz kosztów staych, tzw. efekt odwróconej reakcji). W przypadku produkcji rolinnej, kiedy roliny s prawie gotowe do zbioru, zmiana cen produktu wpywa na poda w maym stopniu, poniewa wikszo kosztów uprawy ju poniesiono i producenci bd kontynuowa produkcj – zbiory. Zwizek cen z poda surowców rolniczych w okresie cyklu produkcyjnego jest stosunkowo saby. Krótkookresowa elastyczno produkcji i poday jest niska. W danym cyklu produkcyjnym moliwoci zwikszenia poday surowca rolniczego s ograniczone wielkoci potencjau produkcyjnego. W produkcji rolinnej wynika on bdzie z powierzchni zasiewów i plonów. Po zbiorach rolin wzrosty cen mog powodowa tylko nieznaczny przyrost poday wynikajcy ze zmian rozdysponowania zbiorów. Jej wielko ogranicza bd zbiory i zapasy z lat wczeniejszych. Uwarunkowania te powoduj, e poda surowca w danym cyklu produkcyjnym ma okrelon granic, krzywa poday charakteryzuje si przebiegiem pionowym. Dalszy wzrost cen nie spowoduje zwikszania poday. Ma to wpyw na ksztatowanie si cen równowagi w krótkich okresach. Niewielkie zmiany poday przy danym popycie powoduj stosunkowo due zmiany cen równowagi krótkookresowej. Due zmiany cen wynika te bd ze zmian popytu przy danej poday (rys. 1.2.1). Ogólnie mona stwierdzi, ze biologiczno-techniczny charakter produkcji rolniczej powoduje, e w warunkach konkurencji, ceny równowagi rynkowej „determinowane” s przez inne czynniki w krótkich, a inne w dugich okresach. Zmiany poday surowców rolniczych w duszych okresach moliwe s poprzez dostosowanie potencjau do sygnaów rynkowych. W produkcji rolinnej wielko produkcji determinuje struktura upraw i plony. Wysokie ceny, np. pszenicy, mog by sygnaem dla producentów do zwikszenia areau upraw i intensyfikacji produkcji. Moe spowodowa to w nastpnych okresach wzrost produkcji i poday. W wyniku takich procesów krzywa poday w duszych okresach (wikszych ni cykl produkcyjny) staje si bardziej „paska”, wskazujca wzrost poday. W wyniku tego ceny równowagi uksztatuj si na innych poziomach ni w danym cyklu produkcyjnym. W dugim okresie mona dokonywa zmian w potencjale produkcyjnym lub strukturze produkcji, przystosowujc j do potrzeb rynku [Wo 1996]. 19 Rysunek 1.2.1. Krótko- i dugookresowa równowaga na rynku surowców rolnych Krótkookresowa równowaga rynkowa Dugookresowa równowaga rynkowa P P S P3 S D1 P2 P1 P2 P1 D3 D2 D2 D1 Q1 Q2 Q3 Q1 Q Q2 Q ródo: opracowanie na podstawie M. Radetzky 2010, s. 57-59. Wyrazem wpywu zmian iloci (poday czy popytu Q) na ceny P jest wspóczynnik gitkoci cenowej Fi (oznaczenia jak we wzorze 1.2) [Tomek, Robinson 2001]: Fi 'P P 'Q Q 'P Q * . 'Q P (1.4) Jest on w przyblieniu odwrotnoci wspóczynnika elastycznoci cenowej i wyraa procentow zmian cen na skutek zmian iloci o jeden procent, przy zachowaniu zasady ceteris paribus. Wysoka gitko cen surowców rolnych wskazuje, e rynek ten, mimo wielu regulacji, nie odbiega znaczco od warunków konkurencji doskonaej. Oznacza to, e naruszona równowaga rynkowa w wyniku zmian iloci dobra przywracana jest za pomoc zmian cen. Efektem tego jest wysoka krótkoi redniookresowa zmienno cen surowców rolnych. Najbardziej kojarzonym z rolnictwem typem zmiennoci cen jest sezonowo. Wynika ona ze zmiennoci natenia pracy, poday czy obrotu rynkowego. Sezonowo poday, a w konsekwencji i cen, wynika take z ograniczonej moliwoci przechowywania surowców. Zachowania sezonowe wystpuj zarówno na rynku rolinnym, jak i zwierzcym. W tym drugim przypadku zmiany sezonowe w wikszym stopniu s pochodn zmieniajcych si sezonowo kosztów produkcji. Zatem sezonowo w ksztatowaniu si cen to nic innego jak 20 przykad oddziaywania ogólnego prawa popytu i poday. Dodajmy, e sezonowy model waha cen moe by modyfikowany przez zmieniajce si okolicznoci powodujce zmniejszenie lub zwikszenie stopnia sezonowoci produkcji. Równie w produkcji zwierzcej wystpuj wahania sezonowe poday i cen. Na przykad, najnisze ceny skupu ywca wieprzowego wystpuj w miesicach pierwszego kwartau, najwysze w miesicach letnich (III kwarta). Rónica cen z tytuu waha sezonowych siga 20 pp. Zauway mona równie przeciwny kierunek zmian sezonowych produktów rolinnych i zwierzcych. Biologiczno-techniczne ograniczenia nale równie do gównych czynników powodujcych wystpowanie waha cyklicznych cen surowców rolnych. Naley przy tym podkreli, e natura zmian cyklicznych jest skomplikowana, bo dokonuje si pod wpywem wielu uwarunkowa, takich jak: interakcje midzy rynkami, reakcje psychologiczne czy oczekiwania gospodarcze. Specyfika produkcji rolniczej powoduje, e od podjcia decyzji o rozpoczciu danej produkcji do pojawienia si towarów na rynku upywa pewien okres. Produkcja planowana jest w oparciu o biec sytuacj (naiwny model zachowa), przesz i biec (model zachowa adaptacyjnych) czy te w oparciu o przesz, biec, jak i na podstawie oczekiwa co do przyszoci (model zachowa racjonalnych). W przypadku zmiany uwarunkowa gospodarczych czy te oczekiwa mae s moliwoci zmian struktury po rozpoczciu produkcji i dostosowania jej do zmieniajcej si sytuacji rynkowej. Zatem poda rynkowa jest zawsze w wikszym stopniu funkcj cen przeszych, a nie biecych. Efektem tego mechanizmu (znanego jako model pajczyny popytowo-podaowej) s wahania cykliczne produkcji i cen surowców rolnych. Szerzej ten model wyjania np. Tomek i Robinson [2001]. Dugo cyklu zaley od okresu lecego midzy podjciem decyzji o rozpoczciu produkcji a momentem, w którym produkcja ta jest rzeczywicie realizowana. Jak wynika z analiz, dugo cyklu jest co najmniej dwa razy wiksza od takiego opó nienia [Heijman i in. 1997]. W produkcji rolinnej sytuacja rynkowa ksztatowana jest gównie przez biec produkcj. Niewielkie zmiany w poday surowców rolnych powoduj bardzo due wahania w ich cenach. Wedug tego mechanizmu reakcj na wysokie ceny (w okresach niedoborów) s decyzje o zwikszeniu produkcji. Niezalenie, czy mamy do czynienia z produkcj rolinn czy zwierzc, od momentu podjcia tych decyzji do wyprodukowania towaru mija od kilku miesicy do nawet kilku lat. Zwikszajca si poda prowadzi do spadku cen. Reakcj jest czsto zwikszanie produkcji, by dziki wikszej skali moliwe byo osignicie zysków. Te wydawaoby si racjonalne z mikroekonomicznego 21 punktu widzenia decyzje powoduj dalszy spadek cen rynkowych, przy których producenci rolni ponosz straty. W efekcie decyduj si oni na zmniejszenie produkcji, co w kolejnych okresach bdzie skutkowao wzrostem cen rynkowych. Mimo wzrostu wiedzy producentów rolnych o mechanizmach, wikszej dostpnoci do informacji rynkowej czy te dziaa stabilizacyjnych nie udao si zlikwidowa tych waha. Zatem naley je zaakceptowa, a znajomo tych mechanizmów wykorzysta podczas prognozowania 1.3. Ceny krajowe a ceny wiatowe Procesy integracji i globalizacji powoduj, e ksztatowanie si cen surowców rolnych w danym kraju wynika nie tylko z relacji popytowo-podaowych w kraju, ale i z oddziaywania sytuacji na tzw. rynkach wiatowych. Pod pojciem rynku wiatowego rozumiemy kraj lub region majcy znaczny udzia w wymianie midzynarodowej, przez co sytuacja popytowo-podaowa na tym rynku ma istotne znaczenie dla procesu ksztatowania si cen na wiecie. Naley zwróci uwag, e nie wszystkie dobra wytwarzane w rónych krajach s przedmiotem wymiany midzynarodowej w tym samym stopniu. Generalnie surowce i produkty, które mona magazynowa oraz te, które maj charakter bardziej przetworzony s przedmiotem szerszej wymiany ni produkty szybko psujce si (np. mleko surowe). Wygodn analityczn konstrukcj suc do przedstawienia mechanizmu ksztatowania si cen w warunkach wymiany midzynarodowej stanowi przestrzenny model równowagi rynkowej. Model ten równie suy do oceny wpywu zmian instrumentów polityki handlowej na ceny rynkowe. Na rysunku 1.3.1 przedstawiono, w jaki sposób dochodzi do ustalenia poziomu równowagi midzy dwoma rynkami (krajami, regionami) w przypadku, gdy jeden z nich charakteryzuje si nadwykami a drugi niedoborami. Zaoono dla celów demonstracyjnych liniowe funkcje popytu i poday. W przypadku braku wymiany handlowej ceny równowagi na rynkach tych ustalane s na poziomie PA i PB. Zatem wystpuj dosy znaczne rónice midzy cenami na dwóch rynkach. Ma to pewne konsekwencje zarówno dla producentów, jak i konsumentów. W regionie A producenci otrzymuj mniej ni we regionie B, ale równoczenie konsumenci pac mniej ni konsumenci w regionie B. Jeeli dochodzi do wymiany handlowej (brak barier handlowych midzy tymi geograficznymi rynkami), cena równowagi jest ustalana na nowym poziomie PW. Przyjmujemy zaoenie, e cena wiatowa wyznaczana jest przez te dwa 22 rynki (A i B). W przypadku, gdy brak jest kosztów transferowych (transport, zaadunek, rozadunek), cena równowagi bdzie ustalana na takim poziomie, na którym globalny popyt jest równy globalnej poday. Poziom ten wyznaczany jest poprzez wielko nadwyki poday w kraju z nisz cen wewntrzn (QSW=QSA-QDA) i nadwyki popytu w kraju z wysz cen (QDW=QDB-QSB) w poszczególnych krajach. W takim przypadku wymienianych bdzie Q1 iloci danego dobra [Tomek, Robinson 2001; Figiel 2002]. Rysunek 1.3.1. Model równowagi przestrzennej (dwa regiony, zaoenie duego kraju) Model bez kosztów transferowych Handel Region A P Region B P P QSB QSW QSA PB PW PA QDA QDB QDW Q1 Q Q Q Model uwzgldniajcy koszty transferowe Handel Region A P Region B P P QSA QSB QSW PB PBW PAW PA Q QDB QDW QDA Q2 Q1 Q Q ródo: opracowanie na podstawie Tomek i Robinson 2001, Figiel 2002. Zakadajc brak kosztów transferowych, naley si spodziewa, e cena wiatowa PW zostanie przyjta przez producentów i konsumentów w obydwu krajach. Ustalenie ceny danego produktu na caym wiecie na jednym poziomie w teorii ekonomicznej nosi nazw „prawa jednej ceny” (Law of One Price – 23 LOP). Aby rzeczywicie ono dziaao, naley przyj brak kosztów transferowych, brak ingerencji pastwa, brak kosztów transakcyjnych czy pen informacj uczestników rynku. W wyniku wymiany handlowej dojdzie do zmian w nadwyce producenta i nadwyce konsumenta. Efektem wymiany handlowej bdzie zmniejszenie nadwyki konsumenta i wzrost nadwyki producenta w regionie A. Równoczenie nastpuje zwikszenie nadwyki konsumenta i obnienie nadwyki producenta w regionie B. Efektem wymiany handlowej jest jednak ogólny przyrost dobrobytu w obydwu krajach. Jednym ze skutków dziaania prawa jednej ceny jest amortyzacja wstrzsów wewntrznych. Teoria handlu midzynarodowego wskazuje, e konwergencja cen krajowych z cenami wiatowymi oznacza wzrost dobrobytu ogólnospoecznego. Moliwoci uzupenienia niedoborów lub upynnienia nadwyek rynkowych na rynkach zagranicznych prowadz do mniejszej zmiennoci cen surowców i w efekcie mniejszej amplitudy waha cen, co zwiksza efektywno dziaania podmiotów gospodarczych. Z drugiej jednak strony wzmacniany jest wpyw zakóce globalnych. Wydaje si, e gównym beneficjentem wymiany handlowej s konsumenci, za producenci mog by naraeni w niektórych okresach do rozszerzenia spektrum czynników ryzyka. Wynika to std, e w takim przypadku nie dziaa naturalny hedging, polegajcy na spadku cen w przypadku nadprodukcji i vice versa, w takim stopniu, w jakim mógby dziaa w gospodarce zamknitej. W przypadku bardziej realistycznym ceny równowagi nie s równe teoretycznej cenie wiatowej PW. Wynika to std, e ilo eksportowan przez kraj A do kraju B (importowan przez kraj B z kraju A) bd ostatecznie determinowa koszty transferowe. Ich poziom zawiera pewien stay komponent zwizany z manipulacj towarem oraz zmienny komponent zwizany z odlegoci midzy rynkami. Oznacza to, e wysoko ich wzrasta wraz z odlegoci, ale tempo przyrostu jednostkowego jest malejce. Wielko kosztów transferowych na dolnym rysunku 1.3.1 jest równa rónicy midzy PBW i PAW. Ceny te stanowi nowy poziom, przy jakim dochodzi do transakcji na rynkach B i A. W wyniku wystpowania kosztów transferowych wyznaczona przy poziomie PW ilo eksportowana (importowana) ulegnie zmniejszeniu z poziomu Q1 do poziomu Q2. Mniejszy bdzie równie przyrost dobrobytu w porównaniu do hipotetycznej sytuacji zakadajcej brak takich kosztów. Jeli wielko kosztów transferowych przekroczy rónic cen na rynkach krajów A i B, wymiana handlowa nie bdzie miaa miejsca. 24 W rzeczywistoci gospodarczej rónice cenowe mog by przez duszy czas wysze (czciej) lub nisze od kosztów transferowych. Wynika to moe z nastpujcych czynników [Tomek, Robinson 2001]: x braku penej informacji o cenach i ilociach oferowanych i podanych w wiecie, x preferowania towarów z okrelonego obszaru (np. w wyniku podpisywanych umów dugookresowych, utrzymywania starych kanaów zaopatrzenia czy przyzwyczajenia), x ogranicze instytucjonalnych i prawnych wymiany handlowej (szerzej rozdzia 1.4). W analizach teoretycznych, jak równie w badaniach empirycznych, przyjmuje si zaoenie dotyczce wielkoci kraju (regionu), które determinuje si oddziaywania na ceny wiatowe. W przypadku „duego kraju” na rynkach midzynarodowych jego eksport lub import stanowi znaczcy udzia w wiatowym rynku danego towaru (wikszy poziom Q na rysunku 1.3.1). W takim przypadku sytuacja popytowo-podaowa na danym rynku oraz polityka rolna czy handlowa moe wpywa na poziom cen wiatowych. W przypadku „maego kraju” zmiany sytuacji popytowo-podaowej, jak równie polityki ekonomicznej nie maj istotnego wpywu na wielko cen wiatowych. Oznacza to, e konsumenci i producenci przyjmuj ceny wiatowe jako dane. Tak dzieje si w przypadku rynku konkurencji doskonaej, kiedy gospodarka jest otwarta, bez barier handlowych oraz przy zaoeniu braku kosztów transakcyjnych i transportowych. Teoretyczny fundament powiza midzy przestrzennie wyodrbnionymi rynkami towarowymi stanowi wspomniane ju prawo jednej ceny. Podstawowymi parametrami, jakie bezporednio decyduj o przekazie sygnaów cenowych w maej otwartej gospodarce s zmiany cen wiatowych i zmiany kursów walutowych. Std poziom ceny krajowej moemy uj jako funkcj ceny wiatowej oraz kursu walutowego. Te dwa elementy mona zapisa formalnie jako [Ardeni 1989, Figiel 2002]: Pt ij D * Etij * fPt ij , (1.5) gdzie: t, i, j – odnosi si odpowiednio do: czasu, kraju, do którego porównujemy ceny oraz analizowanego dobra (surowca); Pt ij – ceny krajowe surowca wyraone w walucie krajowej; D – odchylenie od prawa jednej ceny i koszty transferowe, rónica pomidzy cenami krajowymi a wiatowymi; 25 Etij – kurs walutowy, jako warto waluty zagranicznej kraju i wyraona w walucie krajowej; fPt ij – ceny wiatowe surowca j wyraone w walucie kraju i. Polska z uwagi na relatywnie niewielki potencja produkcyjny, jak i konsumpcyjny, w analizach traktowana jest jako tzw. may kraj. Konsekwencj takiego zaoenia jest przyjcie, e Polska jest tzw. biorc ceny wiatowej – price taker. Potwierdzaj to badania empiryczne [Rembeza 2006, 2010]. Oznacza to, e zmiany krajowej sytuacji popytowo-podaowej maj relatywnie niewielki wpyw na poziom cen wikszoci surowców rolnych w Polsce. Konsekwencj tego jest konieczno wnikliwej obserwacji uwarunkowa ksztatujcych wiatowe i europejskie ceny surowców rolnych. Z prognostycznego punktu widzenia bardziej zasadne na wielu rynkach byoby prognozowanie cen krajowych, jako funkcji cen wiatowych oraz kursu walutowego. Zmiany kursu walutowego równie maj swoje implikacje w sytuacji dochodowej producentów rolnych, rentownoci nie tylko przedsibiorstw importujcych i eksportujcych swoje towary, ale i przedsibiorstw prowadzcych dziaalno wycznie na rynku krajowym. Najbardziej naraeni na ryzyko walutowe s ci producenci i handlowcy, dla których udzia handlu zagranicznego w cakowitych obrotach jest znaczny. Producenci rolni s naraeni na ryzyko walutowe, i w konsekwencji dochodowe, co najmniej w trzech obszarach. Po pierwsze, obecnie obowizujca polityka rolna Unii Europejskiej w postaci bezporednich transferów do rolnictwa powoduje, e poziom otrzymywanego wsparcia bezporednio zaley od kursu, jaki Europejski Bank Centralny przyjmie do przeliczenia patnoci. Po drugie, kurs walutowy wpywa na poziom cen otrzymywanych za sprzedane produkty. Po trzecie, kurs walutowy determinuje poziom kosztów. W przypadku, gdy analizujemy poszczególne rynki w sposób indywidualny mona przyj, e zmiana cen, np. pszenicy, w minimalnym stopniu wpywa na zachowanie kursu walutowego EUR/PLN, który to jest wyrazem relacji cenowych w formie zagregowanej. Biorc dodatkowo pod uwag niewielkie znaczenie sektora rolnego w gospodarce rozumowanie takie jest tym bardziej uzasadnione. Mona równie zaoy, e to ceny krajowe dostosowuj si do cen wiatowych. 26 1.4. Polityka ekonomiczna a ceny surowców rolnych W rzeczywistoci poziom cen rynkowych nie jest tylko wynikiem czystej gry popytu i poday w kraju, regionie czy w wiecie. Sektor rolno-ywnociowy jest jednym z tych, które podlegaj najsilniejszym procesom regulacyjnym. U podstaw implementacji rónych instrumentów polityki rolnej i handlowej le zarówno przesanki wywodzce si z teorii ekonomii, jak równie uwarunkowania polityczne. Najczciej podnoszonym argumentem za interwencj jest zaoenie o zawodnoci czy niedoskonaoci rynku zarówno w aspekcie alokacyjnym (w mniejszym stopniu), jak i w aspekcie podziau (najczciej). W drugim przypadku chodzi o dyskryminacj dochodow producentów rolnych w stosunku do dziaalnoci pozarolniczych. Bez interwencji prowadzioby to, jak si uwaa, do nieakceptowanych spoecznie dysparytetów dochodowych oraz w efekcie do osabienia procesów wzrostu rolnictwa w porównaniu z pozostaymi sektorami [Kowalski, Rembisz 2005]. Przykadem polityki dochodowej w UE s dopaty bezporednie. Obok wspierania dochodów producentów rolnych interwencja rynkowa ma na celu midzy innymi: zapewnienie zrównowaonego wzrostu (kwestie spoeczne i rodowiskowe, efekty zewntrzne i dobra publiczne), zapewnienie samowystarczalnoci w zakresie produkcji, ograniczanie niestabilnoci cen i dochodów czy zapewnienie niskiego poziomu cen paconych przez konsumentów [Tomek, Robinson 2001; Rembisz, Stako 2007]. Stosowane instrumenty polityki makroekonomicznej, handlowej i rolnej bezporednio lub porednio wpywaj na ceny produktów rolnych i ywnociowych. Naley pamita, e mechanizmem rynkowym rzdz dwie zasady: równowagi rynkowej oraz optymalizacji (na któr skada si proces alokacji i podziau) [Moschini, Hennessy 2000; Kowalski, Rembisz 2005]. Zasada równowagi polega na cigym dostosowywaniu kupujcych poprzez ceny danej iloci produktów i usug do ich iloci oferowanej przez sprzedajcych. Jakiekolwiek zachwiania tej równowagi uruchamiaj okrelone wzajemnie sprzone reakcje nabywców i sprzedawców, które przywracaj równowag – ustala si nowy punkt przecicia midzy popytem i poda. Zaburzenia w mechanizmach rynkowych w postaci interwencjonizmu pastwowego, nadmiernej regulacji, ogranicze i wycze prowadz w konsekwencji do zmiany alokacji czynników produkcji, ich wyceny (np. dochodów) i wpywaj na poziom cen produktów. Producenci otrzymuj inne sygnay (w postaci relacji cen otrzymywanych do cen paconych) ni w przypadku braku interwencjonizmu, co w konsekwencji prowadzi do odmiennych decyzji produkcyjnych. W warunkach interwencjoni- 27 zmu mamy do czynienia z konkurencyjnoci pastwa wobec rynku w funkcjach regulacyjnych. Zasadnicze pytanie dotyczy relacji zawodnoci rynku do niedoskonaoci regulacji rzdowej [Rembisz 2010]. Brak jest jednak jednoznacznych pogldów co do tego, co jest bardziej szkodliwe dla gospodarki, czy bdy regulacyjne, czy te niedoskonaoci rynków. Natomiast odpowied na to pytanie determinuje rzeczywiste korzyci lub straty dobrobytu w wyniku prowadzonej interwencji. Interwencja moe by prowadzona na wiele rónych sposobów i form, wpywajc tym samym na rynek i jego kategorie (poda, popyt i ceny). Szerzej na ten temat pisze np. Kowalski i Rembisz [2005] czy Gardner [1990]. Trudno dokona jednoznacznej klasyfikacji instrumentów polityki pastwa z uwagi na mnogo kryteriów. Z punktu widzenia ksztatowania si poziomu cen rolnych instrumenty mona podzieli na takie, które przyczyniaj si do wzrostu cen (wikszo) lub takie, które prowadz do obnienia cen. Tak klasyfikacj przedstawia Tomek i Robinson [2001]. Inn klasyfikacj byby podzia na instrumenty majce charakter dochodowy (w obecnej WPR dopaty nie s powizane z produkcj) oraz instrumenty rynkowe. Te pierwsze (dopaty bezporednie, dopaty z tytuu ONW itp.) maj niewielki (ujemny [Hertel 2007]) i poredni wpyw na ceny. Ich oddziaywanie na ceny dotyczy dugiego okresu. W warunkach wsparcia dochodowego zmniejsza si presja na ceny rolne, jako jedynego (obok efektywnoci) czynnika determinujcego poziom dochodów. Równie w warunkach wsparcia dochodowego zmniejsza si presja na wykorzystanie instrumentarium interwencji rynkowej z uwagi na fakt, e wsparcie dochodowe zmniejsza ekspozycj na ryzyko cenowe producentów rolnych (znaczny udzia dochodów jest praktycznie pozbawiony ryzyka rynkowego) [Majewski i in. 2009]. Znaczny wpyw na poziom cen surowców rolnych maj róne instrumenty interwencji rynkowej. Ich oddziaywanie zmierza zazwyczaj do bezporedniego kontrolowania poday rynkowej surowców rolnych (kwoty produkcyjne, kwoty importowe, zakupy interwencyjne, bariery pozataryfowe itp.) lub te poredniej kontroli poday (np. obcienia importowe, subsydia eksportowe). Teraz zaprezentujemy mechanizmy wybranych instrumentów przedstawiajc jednoczenie ich oddziaywanie na ceny. Na rysunku 1.4.1 zilustrowano wpyw ogranicze produkcyjnych na równowag rynkow oraz poziom cen rynkowych na przykadzie kwot mlecznych. Naley podkreli, e oddziaywanie przedstawione tutaj jest moliwe tylko w warunkach gospodarki zamknitej lub cznie z innymi ograniczeniami handlowymi. Podobne oddziaywanie maj limity obszarowe czy odogowanie gruntów (set aside). 28 Rysunek 1.4.1. Wpyw kwotowania produkcji na równowag rynkow P Kwota Kwota QS0 QS0 P0 P0 Renta kwotowa P1 P1=Psh1 MC0 MC0 Opata za przekroczenie QS2 P2=MC2 QD0 QD0 QD2 Q Q0 Q1 Q Q0 a) Równowaga rynkowa w warunkach kwot Q1 Q2 b) Równowaga rynkowa po likwidacji kwot ródo: opracowanie wasne na podstawie: Hamulczuk, Stako 2009; Gardner 1990; Réquillart i in. 2008. Ilociowe ograniczenie poday oznacza, e równowaga zostaje uksztatowana na poziomie, na jakim nie byaby w przypadku mechanizmu wolnorynkowego. W przypadku wystpowania ogranicze kwotowych obserwowalna jest rónica pomidzy cen P0 obowizujca w tych warunkach a kosztem kracowym (marginalnym) MC0, jako tzw. renta z tytuu kwoty (quota rent). Ograniczenie poday rynkowej surowca poprzez kwot umoliwia ich posiadaczom osigniecie wyszej ceny za produkt (P0) ni ceny równowagi bez tego ograniczenia. Jednoczenie prawo do posiadania kwoty nabiera „wartoci”, co znajduje swój wyraz w rónicy midzy P0 a MC0. W oparciu o ceny uzyskiwane za mleko i wartoci renty z tytuu kwoty mona okreli cen dualn (Psh0 – shadow price). Powinna ona by co najmniej równa kosztom kracowym produkcji mleka. Jest to minimalna cena rynkowa, przy której rolnicy bd produkowa mleko w ramach kwoty mlecznej. Jeeli cena rynkowa bdzie nisza ni MC0= Psh0, wówczas produkcja nie jest uzasadniona ekonomicznie z punktu widzenia przedsibiorstwa. W wyniku tego nastpuje ograniczanie produkcji i bdzie ona nisza ni ograniczenie kwotowe Q0. W przypadku, gdy ceny rynkowe bd wysze ni MC0, wówczas produkcja bdzie równa kwocie Q0 z uwagi na administracyjne ograniczenia i kary zwizane z przekroczeniem kwoty [Hamulczuk, Hertel 2009; Hamulczuk, Stako 2009; Réquillart i in. 2008]. Implikacje produkcyjne likwidacji kwot mona rozpatrywa w krótkim i dugim okresie. Okres krótki oznacza, e producenci nie s w stanie obniy swoich kosztów. Z okresem dugim wi si zmiany jakociowe polegajce na moliwoci dostosowywania kosztów produkcji do zmieniajcej si sytuacji 29 rynkowej. W przypadku eliminacji ogranicze kwotowych nowa równowaga rynkowa uksztatuje si w miejscu, zrównowaenia popytu i poday (P1-Q1). Prowadzi to do wzrostu produkcji z Q0 do Q1, przy jednoczesnym uksztatowaniu si cen skupu na poziomie rynkowym. Po zniesieniu kwot brak jest sztucznej rónicy pomidzy cen rynkow a cen dualn P1= Psh1. W wyniku likwidacji kwot na rynku w dugim okresie zadziaa dodatkowy mechanizm powodujcy przesunicie do dou zagregowanej krzywej poday S0. Nowo uksztatowana krzywa poday (QS2) odzwierciedla wzrost efektywnoci sektora jako caoci. Poprawa efektywnoci sektora, spadek cen, wzrost konkurencyjnoci przetwórców w dugim okresie mog (ale nie musz) wpywa na zmiany preferencji konsumentów powodujc przesunicie bd zmian ksztatu (wypukoci) krzywej popytu. Ewentualne zmiany zaznaczono na rysunku 1.4.1b w postaci krzywej QD2. W zwizku z powyszym nowa równowaga zostaje uksztatowana w punkcie P2-Q2, gdzie: P2<P1 i Q2>Q1. W tym przypadku mamy do czynienia z optimum ekonomicznym, jako e cena równowagi jest równa kosztom kracowym P2=MC2 [Hamulczuk, Stako 2009]. Funkcjonowanie mechanizmu kwot moliwe jest dziki istnieniu kar paconych za ich przekroczenie. Wielko kary jest cile powizana z cenami mleka i kosztami produkcji. Kara ustalona jest na tak wysokim poziomie (rys. 1.4.1a), e przychód z dodatkowo wyprodukowanej i sprzedanej jednostki produktu pomniejszony o wysoko kary nie pokrywa kosztów kracowych, co w konsekwencji prowadzi do ograniczania produkcji [Réquillart i in. 2008]. Patrzc na zjawisko z drugiej strony musimy mie na uwadze, e kwotowanie produkcji powoduje nieefektywno alokacji czynników produkcji oraz wysze koszty produkcji przerzucane na konsumentów. W tym kontekcie likwidacja kwot mlecznych oznacza równie znaczne korzyci spoeczne (welfare effects). Drugi sposób podtrzymywania cen surowców rolnych wynika z protekcji handlowej. Protekcja handlowa moe przybiera róny charakter. Do najczciej stosowanych instrumentów ochrony rynku wewntrznego przed tanim importem zalicza si rónego rodzaju obcienia importowe (np. ca). W wyniku stosowania takich rodków produkty z zagranicy nie mog konkurowa cenowo z produktami wytworzonymi w danym kraju. Ograniczenia takie mog mie charakter stay lub te mog by okresowo wprowadzane w zalenoci od relacji midzy cen krajow a cen wiatow. Ograniczeniu poday na rynku krajowym produktów z zagranicy su take inne narzdzia administracyjne i róne bariery pozataryfowe. Ograniczenia ilociowe (tzw. kwoty) w imporcie dziaaj podobnie jak ca ograniczajc poda surowców w kraju. Na rynku lokalnym 30 ogranicza poda mog te róne formy barier pozataryfowych, które utrudniaj dostp do rynku wewntrznego zmniejszajc tym samym poda. S to szczegóowo okrelone normy techniczne lub standardy jakociowe, procedury ich zatwierdzania, przepisy sanitarne, zasady opakowania towaru itp., którym musz sprosta zagraniczne towary. Oddziaywanie barier taryfowych na ksztatowanie si cen przedstawiono na rysunku 1.4.2. W warunkach maej gospodarki zamknitej rynek równoway si w punkcie P0-Q0. Jednak, gdy cena wiatowa PW jest na niszym poziomie, to w warunkach gospodarki otwartej (i przy zaoeniu braku kosztów transferowych), cena na rynku krajowym uksztatuje si na poziomie ceny wiatowej P1=PW. Wówczas import jest równy Im1=QD1-QS1. Import ten przesuwa w prawo krzyw poday i równoway niezaspokojony popyt krajowy bdcy wynikiem wysokich cen krajowych na poziomie wyjciowym P0. Rysunek 1.4.2. Wpyw barier taryfowych na równowag rynkow w maej gospodarce Model bez kosztów transferowych P QD QS P0 P0 P2 Taryfa P1=PW Im2 QS1 QS2 Q0 QD2 QD1 Q Im1 ródo: opracowanie wasne na podstawie literatury. W momencie wprowadzenia ogranicze taryfowych ceny surowców importowanych ulegaj podwyszeniu. Oznacza to, e poziom ceny surowca na granicy jest równy PW+Taryfa =P2. Zakadajc brak kosztów transferowych cena ta zostaje przyjta jako cena krajowa, poniewa zachodzi relacja P2<P1. W efekcie import surowca Im2 po wprowadzeniu ce bdzie niszy ni w warunkach braku takich ogranicze Im1>Im2. Oznacza to, e konsumenci bd mogli 31 zakupi mniej towarów ni w przypadku braku ogranicze taryfowych, ale jednoczenie wicej ni w przypadku gospodarki zamknitej (braku wymiany handlowej). W przypadku bardzo wysokich ce Taryfa>P0-PW poziom cen krajowych uksztatuje si tak jak w przypadku gospodarki zamknitej. Zbliony mechanizm, co do ogólnej zasady i kierunku oddziaywania na ceny, zachodzi w przypadku wprowadzanych ogranicze ilociowych w imporcie (np. kontyngentów importowych). Inaczej oddziauje wprowadzenie barier taryfowych w przypadku duych gospodarek. Wówczas co wbija klin midzy ceny wewntrzne a ceny wiatowe (podobnie jak w gospodarce maej). Jednak w maej gospodarce import (lub jego ograniczenie w przypadku ce) jest na tyle niewielki, e nie ma wpywu na ceny wiatowe. W duej gospodarce ca podwyszaj ceny krajowe (w wikszym stopniu) i jednoczenie obniaj ceny wiatowe (w mniejszym). Jeeli za ceny wiatowe przyjmiemy ceny w krajach eksportujcych, wówczas ca (u importerów) powoduj obnienie cen w krajach eksportujcych. Wanym sposobem wspierania cen rolnych s refundacje wywozowe (subsydia eksportowe). Kiedy ceny na rynkach wiatowych s nisze ni ceny krajowe, eksporterzy mog ubiega si o dopaty do eksportu nadwyek. Stwarza to moliwoci eksportu na rynki wiatowe nadwyek rynkowych i gwarantuje konkurencj cenow. Jest to odwrotny mechanizm od przedstawionego na rysunku 1.4.2. Chcc chroni interesy konsumentów, ze wzgldów bezpieczestwa ywnociowego lub te z uwagi na czynniki polityczne, okresowo mog by wprowadzane ograniczenia w eksporcie. Przykadowo, kiedy ceny wiatowe s wysze ni krajowe, wprowadzone mog by opaty wywozowe (podatek eksportowy) w celu niedopuszczenia do nadmiernego eksportu. Poprzez takie dziaania zahamowany jest wzrost cen krajowych, który miaby miejsce w przypadku penego otwarcia gospodarki. W ostatnich latach takie dziaania obserwujemy w przypadku Ukrainy i Rosji na rynku zbó. Maj one wpyw nie tylko na rynek krajowy, ale równie na rynki wiatowe z uwagi na to, e kraje te nale do znaczcych wiatowych eksporterów. Nie naley wykluczy tego typu polityki, jako dziaania majcego charakter spekulacyjny i lecego w interesie gównych eksporterów. Mog to by podobne mechanizmy do dziaajcych na rynku ropy. Do najwikszych problemów, z jakimi si spotykaj uczestnicy rynku, naley wysoka zmienno cen. W celu agodzenia waha cen mona okresowo stosowa szereg instrumentów interwencyjnych. Do najczciej stosowanych nale zakupy interwencyjne nadwyek rynkowych i ich sprzeda w okresie niedoborów. Zakupy dokonywane s wówczas, gdy ceny rynkowe utrzymuj si 32 poniej ustalanych cen (cen interwencyjnych, kierunkowych), a produkty te speniaj okrelone normy jakociowe. Powoduje to sztuczne zwikszenie popytu na produkty, co prowadzi do wzrostu cen. W okresach niedoborów magazynowane nadwyki s upynniane (sztuczny wzrost poday), przez co ceny nie osigaj poziomów takich jak w przypadku braku tego typu interwencji. Podobne oddziaywanie maj dopaty wypacane prywatnym przedsibiorcom przy przechowywaniu nadwyek rynkowych (np. masa czy misa woowego w UE). Subsydiowanie przedsibiorcom kosztów skadowania uwalnia rynek od nadmiaru poday i wpywa stabilizujco na ceny. Przy czym jest to taszy mechanizm i w mniejszym stopniu deformujcy mechanizm rynkowy. W ostatnich latach coraz wikszy wpyw na rynki rolne ma polityka energetyczna. Wprowadzenie w wielu krajach minimalnych limitów na zawarto biokomponentów w paliwach spowodowao wzrost wiatowego popytu na surowce rolne oraz doprowadzio do mocniejszego powizania cen produktów rolnych (i ich zmiennoci) z cenami ropy naftowej [Abbott i in. 2008; Serra, Zilberman 2011; Hamulczuk, Klimkowski 2012]. Bezporednie oddziaywanie tej polityki dotyczy w najwikszym stopniu takich rolin, jak rzepak, kukurydza, trzcina cukrowa czy palma kokosowa [Rosiak i in. 2011]. Natomiast efektem porednim jest wpyw tej polityki na pozostae rynki rolinne i rynki produktów zwierzcych. Na wielko zagospodarowania surowców do produkcji biopaliw wpywa kombinacja kilku czynników (w tym instrumentów polityki). Skala zagospodarowania surowców rolnych do produkcji biopaliw wynika z relacji pomidzy cenami ropy naftowej a cenami wykorzystywanych surowców. Przykadowo Tyner i Taheripour [2008] wskazuj, przy jakich relacjach cen ropy/kukurydzy opacalna jest produkcja biopaliw. Przy wysokich relacjach cen ropy/kukurydzy produkcja biopaliw jest uzasadniona ekonomicznie, za przy niskich nie. Zatem przy wysokich cenach ropy mamy do czynienia ze wzrostem popytu na surowce rolne. Jednak, aby zachci do zwikszania udziau produkcji biopaliw (szczególnie przy niekorzystnych relacjach), stosuje si róne zachty (zwolnienia podatkowe, dopaty). Wówczas produkcja biopaliw jest opacalna nawet przy niszych relacjach. Pytanie dotyczy, kiedy naley wprowadza zachty, w jakiej postaci i na jakim poziomie [Tyner 2010]. Jednak najwaniejszym instrumentem s minimalne limity zawartoci biokomponentów w paliwach mandatory blending. W efekcie wprowadzenia limitów krzywa popytu na dany surowiec rolny jest przesuwana w prawo, niezalenie od relacji: cena ropy/ceny surowców rolnych, co prowadzi do wzrostu cen. Zatem wpyw tego instrumentu na poziom cen surowców rolnych zaley od 33 szybkoci zwikszania limitów w porównaniu do postpu technologicznego. Naley jednak mie na uwadze, e rop i surowce rolne traktuje si jako substytuty, std istnieje granica wzrostu dla limitów (w warunkach obecnej technologii), bo mamy do czynienia z ograniczeniami technicznymi. Wszystkie powysze dziaania interwencyjne maj swoje odzwierciedlenie w sposobie ksztatowania si cen surowców rolnych. Osabiaj i deformuj naturalne procesy rynkowe, przez co ceny rynkowe w dugich i w krótkich okresach ksztatuj si nieco inaczej ni w przypadku braku takich rozwiza instytucjonalnych. Problem prognostyczny polega na tym, e w wikszoci przypadków dziaania te maj charakter okresowy i dosy trudno jest oszacowa wpyw netto kadej z form interwencji, szczególnie w dugim okresie. 1.5. Interakcje midzyrynkowe W rolnictwie mamy do czynienia z szeregiem zalenoci midzy rónymi kierunkami produkcji. Mona to rozpatrywa zarówno z makroekonomicznego punktu widzenia (w ujciu sektorowym, gaziowym), jak i mikroekonomicznego (producenta rolnego). Z reguy odbywa si to w wyniku mechanizmu rynkowego (gdzie gówn rol odgrywaj ceny wzgldne). Pewn rol odgrywa tutaj polityka pastwa, która poprzez wspieranie pewnych gazi lub te ich ochron przed konkurencj zewntrzn ma wpyw na alokacj czynników produkcji. Z mikroekonomicznego punktu widzenia chodzi tutaj o dostosowanie kierunku produkcji do warunków i moliwoci, w których funkcjonuje gospodarstwo (przedsibiorstwo). Zatem kady producent w oparciu o relacje midzy cenami czynników produkcji, relacje cen produktów sprzedawanych oraz relacje cen produktów sprzedawanych do zakupywanych podejmuje decyzje zarówno o charakterze operacyjnym, jak i o charakterze inwestycyjnym [Rembisz 2007]. Moemy w zasadzie wyróni trzy rodzaje stosunków midzy gaziami (produktami) rolnymi: konkurencyjny, komplementarny (uzupeniajcy) oraz suplementarny. Z drugiej strony moemy je rozpatrywa jako wspózalenoci midzy dziaami produkcyjnymi, gównie midzy produkcj rolinn a zwierzc, oraz wspózalenoci wewntrz poszczególnych dziaów. Przykad powiza midzy poszczególnymi kategoriami produkcji wieprzowiny oraz midzy rynkiem wieprzowiny a innymi rynkami przedstawiono na rysunku 1.5.1. Teoretycznie, przy danych zasobach czynników produkcji wystpujcych w rolnictwie (w gospodarstwach), wszystkie gazie produkcji konkuruj o ten sam zasób. Ogólnie jednak konkurencja wystpuje wtedy, gdy zwikszenie produkcji w jednej gazi pociga za sob zmniejszenie produkcji w drugiej. 34 Wystpuje to wówczas, gdy gazie konkuruj w tym samym czasie o te same czynniki produkcji. Dotyczy to gospodarstwa (przedsibiorstwa), kraju, jak i wiata. We my dla przykadu powierzchni gruntów ornych. Ich alokacja midzy róne uprawy przy danych plonach determinuje produkcj i poda artykuów rolnych. Jest to szczególnie wane w krótkich i rednich okresach. W tych okresach gównym determinantem ksztatujcym produkcj i poda jest zmiana struktury zasiewów (upraw). Klasycznym przykadem takiej konkurencji moe by uprawa zbó w danych warunkach przyrodniczo-glebowych. Zwikszenie zasiewów jednego zboa, np. pszenicy, moe nastpi jedynie kosztem zmniejszenia uprawy innego roliny uprawnej. W tym samym czasie o grunty orne konkuruj nie tylko roliny zboowe, ale take oleiste czy okopowe. O produkcji i poday produktów rolnictwa w krótkich okresach decyduje struktura upraw. Jej zmiany determinowane s relacjami cen produktów, które mog by uprawiane w danych warunkach. Podobne wspózalenoci moemy wyróni w innych rodzajach dziaalnoci rolniczej. Komplementarno midzy gaziami produkcyjnymi polega na wzajemnym uzupenianiu. Gazie produkcji rolinnej powizane s z gaziami produkcji zwierzcej gównie poprzez pasze i nawozy zwierzce. Polityka ekonomiczna (w zakresie ochrony rodowiska) moe zwiksza te wspózalenoci poprzez odpowiednie standardy (wymagania) lub te wysze dopaty dla tych, którzy prowadz zrównowaon produkcj. Suplementarno oznacza najczciej lu ny zwizek midzy gaziami produkcji. W tym przypadku rozszerzenie jednej gazi nie wpywa zasadniczo na rozmiary produkcji w drugiej gazi. Zwikszenie tuczu trzody chlewnej opartego na zakupionych mieszankach pasz treciwych nie musi spowodowa zmian produkcji w innych gaziach. Zwizek taki wystpuje, gdy analizujemy gospodarstwa czy regiony. Natomiast w skali globalnej takie zalenoci nie wystpuj. Naley zaznaczy, e charakter zwizków midzy gaziami wynika z okrelonych warunków, które powoduj, e gazie mog si w pewnych granicach uzupenia, w innych za moe cechowa je konkurencja. Zwizki midzy produktami w rolnictwie maj wane znaczenie w ksztatowaniu sytuacji podaowo-popytowej na rynkach rolnych. W prognozowaniu cen surowców rolniczych uwzgldnienie powiza midzy poszczególnymi produktami pozwala waciwie okreli czynniki ksztatujce poda i popyt oraz czynniki je determinujce. Pozwala to take okreli peniejszy zestaw zmiennych wpywajcych na równowag rynkow. 35 Z punktu widzenia konsumenta, który dysponuje pewnym ograniczonym budetem, popyt na dany produkt (np. wieprzowin) zaleny jest od wielu czynników, w tym jej cen i cen towarów substytucyjnych, którymi mog by inne rodzaje misa (woowina, miso drobiowe, baranina) itp.2. Zatem spoycie wieprzowiny per capita (rys. 1.5.1) jest uzalenione od relacji midzy tymi cenami a cenami innych gatunków misa, od dochodów ludnoci oraz preferencji. Oznacza to powizanie rynku jednego rodzaju misa z innymi, poprzez ceny, które s wypadkow sytuacji podaowo-popytowej, która determinuje uksztatowanie si relacji cenowych. Nadmierny wzrost cen na jednym rynku powoduje spadek popytu na dane dobro w wyniku zmian preferencji konsumentów (efekt substytucji). Oczywicie zmiany preferencji nie dokonuj si natychmiast z uwagi na utrzymywane zapasy czy przyzwyczajenia. W warunkach wspólnego rynku popyt na dany towar wynika nie tylko z zapotrzebowania krajowego, ale take zaleny jest od cen w innych krajach. Ceny krajowe w relacji do cen innych krajów mog si tak ksztatowa, e zachcaj do wywozu, kreujc popyt na dany towar. Te róne rodzaje popytu s elementami skadowymi wpywajcymi na ksztatowanie cen i ich zmiany (por. rys. 1.5.1). Drugim elementem ksztatujcym równowag rynkow jest poda. Czynniki j ksztatujce s zrónicowane w zalenoci od specyfiki poszczególnych grup towarowych. W kadej dziaalnoci podstawow przesank wpywajc na decyzje jest opacalno produkcji. Na przykad, na opacalno chowu trzody chlewnej wpywa wiele czynników, a najwaniejszymi s ceny uzyskiwane za ywiec i wysoko kosztów produkcji (rys. 1.5.1). W krótkich okresach szczególn rol odgrywaj tutaj ceny pasz, gównie zbó. Kiedy zwiksza si opacalno, wielu producentów trzody niezalenie od siebie podejmuje decyzj o zwikszeniu skali chowu lub rozpoczciu dziaalnoci, spodziewajc si wzrostu dochodów w przyszoci. Zwiksza si wic popyt na prosita i rosn ich ceny. Wzrost cen prosit jest zacht do zwikszenia ich produkcji i wpywa na decyzje rolników dotyczce krycia loch, powodujc wzrost liczebnoci loch pronych oraz ich procentowego udziau w pogowiu. Od pokrycia lochy do oproszenia upywaj prawie 4 miesice. Kilka tygodni trwa odchów prosit, które nastpnie mog trafia do tuczu lub poprzez rynek do innych producentów ywca. Postpujcy wzrost w pogowiu loch pronych, potem prosit, a nastpnie warchlaków nie wpywa na wzrost poday ywca, a wic jego ceny nadal s wysokie i zachcaj do dalszego powikszania stad. Poda ywca zwiksza si dopiero, kiedy coraz wicej sztuk tuczników 2 Zagadnienia te przedstawiono w rozdz. 1.1. 36 osiga wag ubojow i trafia do rze ni. Powoduje to wzrost ubojów i poday misa, co skutkuje stopniowym spadkiem cen. Jednoczenie rosnca liczebno trzody, kreuje popyt na zboa i w szczytowej fazie rozwoju pogowia ceny zbó s zwykle wysokie. W tej sytuacji opacalno chowu trzody maleje w jeszcze wikszym stopniu ni ceny ywca. Rysunek 1.5.1. Powizania midzy zmiennymi na rynku wieprzowiny w modelu AGMEMOD Import wi Export wi Pozostae pogowie Oproszenia Pogowie macior Realne ceny wieprzowiny, woowiny, drobiu, Realne dochody wyraone PKB/osob, Preferencje konsumentów (trendy w konsumpcji) Upadki Pozostae uboje Uboje cakowite Uboje loch Waga poubojowa Spoycie wieprzowiny na osob Zapasy pocztkowe wieprzowiny Poda wieprzowiny Produkcja wieprzowiny Ceny krajowe Zapasy kocowe wieprzowiny Zuycie krajowe wieprzowiny Export netto wieprzowiny Relacja: Ceny skupu / Koszty produkcji Import krajowy wieprzowiny Popyt/poda, Ceny czynników produkcji, Ceny pasz, energii itp. Polityka rolna Import wieprzowiny w UE Ceny w UE Export wieprzowiny netto w UE Export krajowy wieprzowiny Export wieprzowiny w UE ródo: opracowanie wasne na podstawie AGMEMOD Partnership [2005]. W miar spadku cen skupu trzody chlewnej rolnicy ograniczaj zakupy prosit i krycie loch. Liczebno tych grup zmniejsza si w pierwszej kolejnoci, determinujc spadek w pozostaych grupach w kolejnych miesicach. W pogowiu ogóem dynamika wzrostu maleje, a nastpnie rozpoczyna si jego spadek. Po pewnym czasie zmniejszaj si równie uboje i poda ywca powodujc wzrost jego cen i mechanizm zmian zaczyna si od nowa. Zatem proces produkcji i dostosowa rynkowych ma charakter dynamiczny. Przedstawiony mechanizm ksztatowania si pogowia zwierzt wskazuje, e o poday rynkowej ywca decyduj zmiany w stadzie podstawowym i strukturze pogowia. Z uwagi na biologiczno-techniczny charakter produkcji wystpuj opó nienia midzy momentem podejmowania decyzji a poda, co powo37 duje, e bieca produkcja i poda jest funkcj cen przeszych. Oznacza to, e w prognozowaniu danego rynku naley uwzgldni opó nienia czasowe midzy relacjami cen ksztatujcymi podstaw podejmowania decyzji produkcyjnych a poda rynkow. One równie ksztatowane s nie tylko przez sytuacj na krajowym rynku zbó, ale take sytuacj podaowo-popytow w innych krajach. W gospodarce otwartej wielko i struktura pogowia nie s wycznymi determinantami przyszej poday. Na wspólnym rynku przedmiotem obrotów handlowych s take ywe zwierzta (np. prosita, warchlaki, tuczniki). Potwierdza to wzrost skali handlu zagranicznego ywymi zwierztami po zaamaniu pogowia trzody chlewnej w Polsce. W latach 2007-2011 pogowie trzody chlewnej (stan w lipcu) zmniejszyo si o 25,5% (z 18 128,5 tys. szt. do 13 508,7 tys. szt.), w tym loch o 33,4% (z 1 767,4 tys. szt. do 1 177,3 tys. szt.) W tych latach znacznie zwikszyy si obroty handlowe ywymi zwierztami. Import ywej trzody zwikszy si prawie 7-krotnie (z 401,2 tys. szt. w 2007 r. do 2 798 tys. szt. w 2011 r. a eksport zmniejszy prawie 3,7-krotnie (z 401,7 tys. szt. w 2007 r. do 109,7 tys. szt. w 2011 r.) [Rynek misa. Stan i perspektywy, nr 43; Zwierzta gospodarskie w 2011 r., 2012]. Takie zmiany w pogowiu i obrotach handlowych yw trzod oznaczaj, e w prognozowaniu sytuacji popytowo-podaowej na rynku krajowym naley uwzgldnia rynki ywca w innych krajach. Midzy tymi rynkami wystpuj okrelone powizania. Podsumowujc, naley stwierdzi, e w prognozowaniu cen surowców na danym rynku towarowym naley uwzgldni równie zachowania na innych rynkach towarowych z nim powizanych. Powizania te dokonuj si zarówno poprzez stron popytow, jak i podaow. Wystpowanie efektów substytucyjnych i komplementarnych powoduje wzajemne zalenoci midzy rynkami. Nadmierny wzrost cen na jednym rynku powoduje spadek popytu na dane dobro i zastpowanie go taszym towarem. W warunkach powiza rynkowych wane jest okrelenie zwizków i kierunków transmisji impulsów cenowych midzy rynkami oraz opó nie midzy takimi impulsami. Istotne jest poznanie odpowiedzi na pytanie, czy np. zboa stanowice gówny skadnik pasz determinujcy poziom kosztów produkcji zwierzcej pocigaj za sob zmiany cen ywca czy odwrotnie? Jeeli znamy odpowied , to znaczenie ma okrelenie opó nie midzy zmianami cen na powizanych rynkach. Wiedza o tych prawidowociach umoliwia poprawn specyfikacj modelu prognostycznego lub te merytoryczn ocen uzyskanych prognoz. 38 2.Modeleanalizyikrótkookresowegoprognozowania cennapodstawiezalenociprzyczynowych W niniejszym rozdziale przedstawiono metodyk analizy i krótkookresowego prognozowania cen. Prezentowane metody s szczególnie przydatne w sytuacji, gdy dysponujemy danymi o czstotliwoci tygodniowej, miesicznej lub kwartalnej. Wane jest w tym przypadku rozpoznanie dynamiki zmian danego zjawiska z uwzgldnieniem informacji o innych czynnikach. Std naley przypuszcza, e prognoza powinna zalee zarówno od informacji o przeszym zachowaniu zmiennej prognozowanej, jak i innych zmiennych3. W kolejnych podrozdziaach porównano modele statyczne i dynamiczne, przedstawiono sposoby badania waciwoci procesów stochastycznych oraz przedstawiono dynamiczne modele: ADL, VAR i VECM4. 2.1. Modele statyczne a modele dynamiczne Podstawowym narzdziem badania wspózalenoci zmiennych ekonomicznych jest model ekonometryczny. Jest to formalny opis stochastycznej zalenoci wielkoci zjawiska (zjawisk) lub przebiegu procesu ekonomicznego (procesów) od czynników je ksztatujcych, przedstawiony jako pojedyncze równanie bd ukad równa. Struktur kadego równania modelu ekonometrycznego definiuj: zmienna objaniana, zmienne objaniajce, parametry strukturalne modelu, skadnik losowy oraz okrelony typ zwizku funkcyjnego midzy zmienn objanian a zmiennymi objaniajcymi i skadnikiem losowym. Jednorównaniowy model ekonometryczny mona przedstawi jako: y = f(x1, ..., xk, H), (2.1) gdzie: y – zmienna objaniana, x1, ... xk – zmienne objaniajce, H – skadnik losowy. 3 Kwestie analizy i prognozowania na podstawie jednorównaniowych modeli szeregów czasowych, w tym modeli klasy ARIMA, omówiono w monografii: Prognozowanie cen surowców rolnych z wykorzystaniem modeli szeregów czasowych [Hamulczuk (red.) 2011]. 4 Omówione modele nie s jedynymi modelami dynamicznymi stanowicymi podstaw dla analiz i krótkookresowego prognozowania cen surowców rolnych. Wród innych metod mona by wymienia koncepcj zgodnego modelowania dynamicznego [por. Zieliski 1991; Kufel, Kufel 2007], modele sieci neuronowych czy modele klasy System Dynamics. 39 Wielorównaniowy model ekonometryczny skada si z wielu jednorównaniowych modeli ekonometrycznych i ma posta: y1 f ( x1 , , x k , H 1 ) . . . . . . . , f ( x1 , , x k H k ) ym (2.2) w których zarówno zmienne objaniajce, zmienne objaniane, jak i skadniki losowe mog by poczone rónego rodzaju relacjami. W literaturze przedmiotu mona spotka wiele klasyfikacji modeli ekonometrycznych. Oprócz przytoczonego ju podziau na modele jednoi wielorównaniowe, modele ekonometryczne mona podzieli na statyczne i dynamiczne. W modelach dynamicznych w zbiorze zmiennych objaniajcych wystpuje zmienna czasowa i zmienne opó nione w czasie. Modele statyczne nie uwzgldniaj czynnika czasu, czyli wród zmiennych objaniajcych nie wystpuj ani zmienne opó nione, ani zmienna czasowa. Wymienione tu kryteria podziau modeli ekonometrycznych nie s jedynymi. W literaturze zagadnienia mona znale jeszcze i inne kryteria podziau (posta analityczna funkcji, waciwoci poznawcze modelu czy charakter powiza midzy nieopó nionymi zmiennymi endogenicznymi w modelu wielorównaniowym) [Witkowska 2006]. Z punktu widzenia celu niniejszego opracowania i charakteru dalszej analizy te dwa kryteria podziau modeli ekonometrycznych omówione bardziej szczegóowo – liczba równa w modelu i rola czynnika czasu w równaniach modelu – bd miay znaczenie podstawowe. 2.1.1. Model statyczny – model regresji wielorakiej Bardzo czsto w analizie wspózalenoci zmiennych ekonomicznych wykorzystywany jest jednorównaniowy liniowy model ekonometryczny o postaci [por. dla przykadu Borkowski i in. 2004, s. 25-26; Maddala 2006, s. 165] yi = E0 + E1xi1 + ... +Ekxik + Hi , który moe by równie zapisany jako: k yi ¦E j xij H i (2.3) (2.4) j 0 lub w zapisie macierzowym: y = XEH gdzie: yi – i-ta obserwacja w zmiennej objanianej (i = 1, 2, ..., n), 40 (2.5) xij – i-ta obserwacja w j-tej zmiennej objaniajcej (j = 0,1, ..., k), wartoci xi0 s tosamociowo równe 1, Ej – j-ty parametr strukturalny modelu (j = 0, 1, ..., k), Hi – i-ty skadnik losowy, y – wektor obserwacji w zmiennej objanianej, X – macierz obserwacji w zmiennych objaniajcych, E– wektor parametrów strukturalnych modelu, H – wektor skadników losowych (reszt) modelu. Uzyskanie dobrego modelu wyjaniajcego rzeczywisto w stopniu zadowalajcym nie jest proste i wymaga przejcia wielu etapów. O jakoci modelu mona wnioskowa podczas weryfikacji modelu, która ma na celu sprawdzenie, na ile dobrze opisuje on rzeczywisto. Suy temu midzy innymi wspóczynnik determinacji, którego konstrukcja zostaa przedstawiona poniej. Zachodzi mianowicie nastpujca relacja [por. np. Borkowski i in. 2004, s. 38 i dalsze; Gajda 2002, rozdz. 4.6.2]: n n n i 1 i 1 i 1 2 2 2 ¦ yi y ¦ yˆ i y ¦ yi yˆ i , (2.6) k gdzie yˆ i ¦E j xij jest wartoci zmiennej objanianej wyznaczon przez model. j 0 n Wyraenie ¦y y 2 i nazywane jest ogóln sum kwadratów i jest miar ca- i 1 n kowitej zmiennoci zmiennej objanianej. Z kolei wyraenie ¦ yˆ y nazywa2 i i 1 ne jest regresyjn sum kwadratów lub sum kwadratów regresji. Jest ono miar n zmiennoci zmiennej objanianej przez model. Wyraenie ¦y yˆ i nazywane 2 i i 1 jest losow (resztow) sum kwadratów. Dekompozycja zmiennoci zmiennej objanianej na cz objanion przez model oraz zmienno losow, dana wzorem (2.6), pozwala na skonstruowanie miary dopasowania modelu do danych empirycznych. Miara ta nazywana jest wspóczynnikiem determinacji i jest zdefiniowana wzorem: n R 2 ¦ yˆ i y i y 2 i 1 n ¦y . (2.7) 2 i 1 Okrela ona, jaka cz cakowitej zmiennoci zmiennej objanianej jest wyjaniona przez model. Wspóczynnik R2 przyjmuje wartoci z przedziau [0,1]. Im 41 warto R2 blisza jest jednoci, tym lepiej model jest dopasowany do danych empirycznych i tym lepiej opisuje rzeczywisto. Nastpnym elementem weryfikacji modelu jest badanie istotnoci parametrów strukturalnych modelu (Ej), które ma na celu sprawdzenie, czy wpyw zmiennych objaniajcych na zmienn objanian jest istotny. Badanie to polega na przeprowadzeniu k testów statystycznych [por. np. Welfe 2009, s. 52-53 i 72-73]: H0 : j 0 H1 : j z 0 (2.8) 0 j = 1, ..., k (w zasadzie nie bada si istotnoci E0). Statystyk tego testu jest: tj E j bj S (b j ) , (2.9) gdzie: bj – warto oceny j-tego parametru strukturalnego, S b j d jj s 2 – standardowy bd szacunku j-tego parametru strukturalnego, s2 – wariancja reszt, a djj jest elementem diagonalnym macierzy (XTX)-1. Statystyka dana wzorem (2.9) ma rozkad t-Studenta o n-k-1 stopniach swobody, przy zaoeniu, i skadniki losowe maj rozkad normalny. Przeciwko hipotezie zerowej wiadcz wartoci statystyki testu wiksze od wartoci krytycznej dla danej liczby stopni swobody i przyjtego poziomu istotnoci (najczciej p = 0,05). Jeli hipotezy zerowej dla danego parametru strukturalnego nie mona odrzuci, oznacza to, e dana zmienna objaniajca nie wpywa w sposób istotny statystycznie na ksztatowanie si zmiennej objanianej. Pojawienie si w zbiorze zmiennych objaniajcych modelu ekonometrycznego zmiennych nieistotnych kae postawi pytanie o sposób ich usuwania z modelu. Pozostawienie zmiennych nie powoduje co prawda negatywnych skutków dla jakoci uzyskiwanych ocen parametrów, jednake moe prowadzi do faszywego wniosku, e zmienne nieistotne oddziauj na zmienn objanian, a ponadto nieistotne zmienne objaniajce niepotrzebnie komplikuj model5. 5 Wczeniej jeszcze pojawia si problem uznania rónych wielkoci za, jak to jest niekiedy nazywane, „kandydatki na zmienne objaniajce”, czyli wczenia danej zmiennej do zbioru potencjalnych zmiennych. Z reguy przyjmuje si, e aby tak si stao, nie moe dana wielko by quasi-staa, czyli musi si charakteryzowa dostatecznie du zmiennoci, na przykad jej wspóczynnik zmiennoci ( v j s j x j , gdzie sj odchylenie standardowe j-tej zmien- nej a x j to jej rednia arytmetyczna) nie moe by mniejszy ni 0,1. 42 Usuwanie ze zboru zmiennych objaniajcych jednorazowo wszystkich zmiennych nieistotnych (jeli zmiennych nieistotnych jest wicej ni jedna) prowadzi moe do bdów. Bdy te polegaj na moliwoci usuwania z modelu zmiennych istotnych, gdy zmienne nalece do zbioru zmiennych objaniajcych (równie te nieistotne) s ze sob skorelowane. Std konieczno zastosowania specjalnych procedur doboru zmiennych do modelu. Szeroki opis tych procedur mona znale u Drapera i Smitha [1973] czy Grabiskiego, Wydymusa i Zeliasia [1982]. Procedury te mona najogólniej podzieli na dwie grupy: tak zwan metod „wszystkich regresji”6 oraz procedury sekwencyjne. Procedury sekwencyjne polegaj na sekwencyjnym wprowadzaniu do modelu zmiennych objaniajcych, jak to si dzieje w procedurze selekcji a priori, bd sekwencyjnym usuwaniu zmiennych ze zbioru zmiennych objaniajcych, jak w przypadku procedury eliminacji a posteriori. Wród procedur sekwencyjnych wyróni mona równie tak zwan procedur krokow, któr mona zdefiniowa jako procedur selekcji a priori, w której po kadym kroku tej procedury zbiór zmiennych objaniajcych weryfikowany jest przy pomocy procedury eliminacji a posteriori. W przypadku wikszoci pakietów statystycznych mona znale obydwie podstawowe procedury selekcji, procedur selekcji a priori i eliminacji a posteriori, bdnie na ogó nazywane procedurami krokowymi. Procedur krokow, w postaci tu zdefiniowanej, znale mona jedynie w pakiecie STATGRAPHICS. Estymatory parametrów strukturalnych modelu (2.3) uzyskane klasyczn metod najmniejszych kwadratów7 zachowuj podane waciwoci (nieobciono, zgodno i efektywno), jeeli spenione s pewne, dosy mocne zaoenia [por. dla przykadu: Welfe 2009, s. 60-62]. Zaoenia te dotycz przede wszystkim ksztatowania si reszt modelu: E H i 0 dla kadego i, skadnik losowy jest sferyczny: D2 H i V 2 dla kade- go i (wariancja skadnika losowego jest staa), covH i , H j 0, i z j (reszty mode- lu nie s skorelowane) oraz reszty modelu maj wielowymiarowy rozkad normalny. Ponadto zakada si, e model jest niezmienniczy ze wzgldu na obserwacje (relacja midzy zjawiskami jest stabilna w czasie), a zmienne objaniajce 6 Procedury „wszystkich regresji” polegaj na tworzeniu ze zbioru „kandydatek na zmienne objaniajce” wszystkich moliwych podzbiorów oraz ocenie modeli regresji zbudowanych w oparciu o te podzbiory. Rónice pomidzy poszczególnymi procedurami polegaj na tym, jakie jest kryterium oceny modelu. Jedn z takich metod jest popularna swego czasu w Polsce metoda Hellwiga, w której kryterium oceny jest tzw. pojemno informacyjna [Hellwig 1969]. 7 Opis metody najmniejszych kwadratów znale mona na przykad w podrczniku Welfe [Welfe 2009, s. 65-66]. 43 s nielosowe. Aby mona byo otrzyma estymatory parametrów strukturalnych modelu, konieczne jest te doczenie dwóch zaoe formalnych. Pierwsze i dosy oczywiste mówi, i model jest liniowy bd sprowadzalny do liniowego, czyli liniowy wzgldem parametrów (y = XEH8. Drugie zaoenie stanowi, e macierz X – obserwacji na zmiennych objaniajcych – ma peny rzd kolumnowy9. Zaoenia te, zwane zaoeniami twierdzenia Gaussa-Markowa10, tworz tak zwany klasyczny (standardowy) model regresji liniowej. Klasyczny model regresji liniowej przy caej swej prostocie, zarówno z punktu widzenia estymacji jego parametrów, jak i interpretacji uzyskanych wyników, niesie ze sob liczne problemy. Wynikaj one gównie z tego, e zaoenia tego modelu, które czyni go tak atrakcyjnym, s bardzo rzadko spenione. Niespenienie przez model zaoe formalnych powoduje, i niemoliwa jest aproksymacja parametrów strukturalnych modelu. Inne skutki powoduje niespenienie zaoe opisujcych waciwoci reszt modelu. Powoduje to, e estymatory uzyskane klasyczn metod najmniejszych kwadratów trac podane waciwoci. Estymatory parametrów strukturalnych modelu s obcione, jeli war- to oczekiwana reszt nie jest równa zero, gdy istniej takie i, e EH i z 0 . Sytuacja taka pojawia si, gdy w modelu pominita zastaa przynajmniej jedna zmienna objaniajca istotnie zwizana ze zmienn objanian lub gdy zaleno krzywoliniowa estymowana jest przy pomocy funkcji liniowej. Otrzymane wtedy oceny parametrów strukturalnych modelu s bezwartociowe. Niespenienie zaoenia o sferycznoci skadnika losowego, jeli wariancja skadnika losowego nie jest staa, powoduje, e estymatory parametrów strukturalnych trac efektywno, ich standardowe bdy szacunku s wiksze. Powoduje to problemy z badaniem istotnoci parametrów strukturalnych modelu. Statystyki tych testów przyjmuj niskie wartoci (por. formua 2.9), co w rezultacie moe powodowa usuwanie z modelu zmiennych istotnie wpywaj8 W podrcznikach ekonometrii mona znale wiele przykadów funkcji nieliniowych, które przez proste na ogó przeksztacenia mona sprowadzi do funkcji liniowych wzgldem parametrów [por. dla przykadu: Welfe 2009, s. 31]. 9 Zaoenie to oznacza, i adne dwie lub wicej zmienne objaniajce nie s dokadnie wspóliniowe, a wic adnej z kolumn macierzy X nie mona przedstawi w postaci kombinacji liniowej innych kolumn, oraz e liczba obserwacji jest wiksza od liczby szacowanych parametrów. Niespenienie tego zaoenia oznacza, i nie mona otrzyma wektora parametrów strukturalnych modelu danego wzorem b = (XTX)-1XTy, gdy nie istnieje macierz odwrotna do macierzy XTX. 10 Twierdzenie Gaussa-Markowa mówi, i estymatory otrzymane klasyczn metod najmniejszych kwadratów maj podane waciwoci (nieobciono, zgodno i efektywno). 44 cych na ksztatowanie si zmiennej objaniajcej, co powoduje, e oceny pozostaych parametrów strukturalnych staj si bezwartociowe. Niespenienie zaoenia o sferycznoci rozkadu polegajce na wystpowaniu korelacji pomidzy resztami modelu, zwanej autokorelacj, skutkuje przeszacowaniem wartoci wspóczynnika determinacji i tym samym zbyt optymistyczn ocen jakoci modelu11. Niespenienie zaoenia o normalnoci rozkadu skadnika losowego powoduje równie problemy z testowaniem istotnoci parametrów strukturalnych, gdy statystyka testu wykorzystywanego w tym celu (por. formua 2.9) ma rozkad t-Studenta tylko wtedy, gdy reszty maj rozkad normalny. Naruszenie zaoenia o nielosowoci zmiennych objaniajcych nie pociga za sob konsekwencji dla wasnoci estymatorów, o ile zmienne objaniajce i skadniki losowe nie s skorelowane. Skorelowanie tych dwóch elementów modelu ekonometrycznego powoduje, e estymatory parametrów strukturalnych modelu trac podane waciwoci, a oceny parametrów strukturalnych modelu uzyskane przy ich pomocy s bezwartociowe. Uchylenie zaoenia o stabilnoci w czasie powoduje, i dla uzyskania wartociowych ocen parametrów strukturalnych modelu (2.3) konieczne jest zastosowanie bardziej skomplikowanych modeli, na przykad wprowadzenie tak zwanych modeli przecznikowych.12 Model (2.3) jest z zaoenia modelem statycznym, to znaczy zalenoci przez niego opisywane odnosz si do okrelonego momentu czasowego. Technicznie moliwe jest szacowanie parametrów strukturalnych tego modelu w oparciu o dane pochodzce z szeregów czasowych, jednake pojawi si wówczas kilka przynajmniej problemów. Przede wszystkim nie jest na ogó moliwe utrzymanie zaoenia o sferycznoci skadnika losowego. Remedium na to moe by zastosowanie innej metody estymacji, na przykad uogólnionej metody najmniejszych kwadratów13. Znacznie bardziej powanym problemem jest naruszenie w takim przypadku zaoenia o braku korelacji pomidzy resztami modelu i zmiennymi objaniajcymi. Problem ten jest tym powaniejszy, e zmienne objaniajce pochodzce z szeregów czasowych trudno traktowa jako nielosowe. W tym przypadku problem nie moe by rozwizany przez zmian estymacji parametrów strukturalnych modelu (2.3). Zastosowanie modelu statycznego do analizy zalenoci zmiennych ekonomicznych w oparciu o dane pochodzce z szeregów czasowych powoduje 11 Problem ten moe pojawi si wycznie w modelach szacowanych w oparciu o dane pochodzce z szeregów czasowych. 12 Wicej na temat modeli przecznikowych por. [Welfe 2009, rozdz. 7.2-7.4]. 13 Szczegóy uogólnionej metody najmniejszych kwadratów mona znale w kadym w zasadzie podrczniku ekonometrii [por. dla przykadu Borkowski i in 2004., rozdz. 7.] 45 równie i inne problemy, ni tylko zwizane z naruszeniem zaoe klasycznego modelu regresji liniowej. Pierwszym jest pojawianie si tak zwanej regresji pozornej (spurious regression), której wystpienie moe prowadzi do zupenie bdnych wniosków14. Problematyka regresji pozornej zostanie szczegóowo omówiona w podrozdziale 2.2.2. Bardzo powan kwesti pojawiajc si w przypadku zastosowania modelu (2.3) w przypadku, gdy dane pochodz z szeregów czasowych, jest problem zalenoci przyczynowo-skutkowych zachodzcych pomidzy zmiennymi. Wnioskowanie o tych zalenociach w zasadzie odbywa si w przypadku modeli statycznych na zasadzie stawianych a priori hipotez, nie wynika z nastpstwa czasowego zdarze, czego model statyczny z definicji nie jest w stanie opisa. W przypadku analiz dotyczcych ksztatowania si cen, zagadnienie okrelenia przyczyn ma natomiast szczególne znaczenie15. Std model statyczny, dany relacj (2.3), aczkolwiek prosty, nie jest najlepszym narzdziem identyfikacji czynników wpywajcych na ksztatowanie si cen. Znacznie lepszym narzdziem s modele dynamiczne, omówione w nastpnym podrozdziale. 2.1.2. Modele dynamiczne – model ADL Zalenoci pomidzy cenami a czynnikami, które na nie wpywaj, przebiegaj w czasie. Oznacza to, e w równaniach regresji opisujcych ksztatowanie si cen, zmienna objaniana (cena) moe zalee nie tylko od równoczesnych, ale i od opó nionych obserwacji tak zmiennych objaniajcych, jak zmiennej objanianej. Modele, w których wystpuj zarówno biece, jak i opó nione wartoci zmiennej objanianej oraz opó nione wartoci zmiennej objaniajcej, nazywane s modelami dynamicznymi i s wyznaczane na podstawie szeregów czasowych tych zmiennych. Model o rozoonych opó nieniach rzdu q – DL(q) (Distributed Lag), w którym modelowany jest rozoony w czasie wpyw wektora zmiennych niezalenych (egzogenicznych) xt na zmienn zalen yt, dany jest równaniem [Osiska 2006, s. 180]: 14 W podrcznikach ekonometrii mona znale wiele przykadów modeli ekonometrycznych charakteryzujcych si dobrymi wasnociami statystycznymi, które opisuj absurdalne zalenoci. Stock i Watson podaj przykad modelu wykazujcego zaleno pomidzy inflacj w USA w latach 1960-1989 i wielkoci japoskiego PKB w tym samym okresie [Stock, Watson 2007]. Jeszcze bardziej absurdalny przykad regresji pozornej podaje Tomczyk, która przedstawia model opisujcy zaleno pomidzy liczb wypadków drogowych spowodowanych w Polsce przez nietrze wych kierowców a spoyciem piwa w Grecji [Tomczyk 2010]. 15 Do kwestii przyczynowoci wrócimy w rozdz. 2.2.3. 46 q P ¦ Tj x t j Z t yt (2.10) j 0 gdzie: P – staa równania, Ej– wektor parametrów strukturalnych modelu dla j-tego opó nienia zmiennych objaniajcych, Zt – skadnik losowy modelu. Gdy wektor xt ma tylko jedn skadow, model DL(1), przybiera posta: yt = D + E 0 x t + E 1 x t - 1 +…+ E q x t - q + Zt Model, w którym ksztatowanie si wartoci zmiennej opisywane jest przez jej opó nione wartoci, nazywany jest modelem autoregresyjnym (Autoregressive) rzdu p – AR(p) – gdy liczba opó nie jest równa p. Model ten ma posta [Box, Jenkins 1983]16: a0 yt p ¦a y i t i Mt , (2.12) i 1 gdzie: D – staa równania, Di – i-ty parametr strukturalny równania, Mt – skadnik losowy modelu. Zoenie tych dwóch modeli – DL(q) oraz AR(p) – daje model ADL(p,q) o postaci: yt p q i 1 j 0 P ¦ a i y t i ¦ Tj x t j H t , (2.13) gdzie: Hi – skadnik losowy, pozostae oznaczenia jak wyej. Wykorzystanie modeli ADL w opisie zalenoci ekonomicznych oraz w prognozowaniu nasuwa liczne problemy, które nie wystpuj w przypadku modeli wyznaczanych w oparciu o dane przekrojowe. Problemy te s ze sob powizane i dotycz: x specyfikacji modelu, x estymacji jego parametrów, x interpretacji wyników oraz wykorzystania ich w prognozowaniu. 16 Kwestie prognozowania na podstawie jednorównaniowych modeli, w tym modeli klasy ARIMA, byy badane przez autorów i przedstawione w: Prognozowanie cen surowców rolnych z wykorzystaniem modeli szeregów czasowych [Hamulczuk i in. 2011]. 47 Problemy zwizane ze specyfikacj modeli dynamicznych dotycz dwóch zagadnie: wystpowania tak zwanej regresji pozornej oraz kwestii ustalenia rzdu opó nie, tak dla zmiennych objaniajcych, jak i dla zmiennej objanianej. Regresja pozorna pojawia si wtedy, gdy podejmowana jest próba zbudowania modelu ekonometrycznego w oparciu o niestacjonarne szeregi czasowe. Wówczas, nawet jeli zmienne „nie s ze sob powizane w sensie przyczynowo-skutkowym, mog stwarza pozory statystycznie istotnej zalenoci” [Welfe 2009, s. 370]. Problem ten wynika z faktu, e modele dynamiczne szacowane s w oparciu o szeregi czasowe. Charakterystyk szeregów czasowych zmiennych ekonomicznych (w tym cen surowców rolnych) oraz ich waciwoci omówiono w rozdziale 2.2. Rozdzia ten zawiera podstawowe pojcia istotne dla specyfikacji modeli. Innym wanym problemem zwizanym ze specyfikacj modeli ADL, i ogólnie modeli dynamicznych, wie si z kwesti rzdu opó nienia, zarówno zmiennych egzogenicznych, jak i zmiennej objanianej. Rzd ten moe zalee od charakterystyki szeregów czasowych wykorzystanych w budowie modelu. W przypadku danych kwartalnych opó nienie moe wynosi 4 lub wielokrotno tej liczby, w przypadku danych miesicznych – 12 lub jej wielokrotno itp. Wprowadzenie zbyt wielu opó nie zmniejsza jednak liczb stopni swobody, co z kolei skutkuje obnieniem precyzji oszacowania modelu. Kwestia ta staje si szczególnie istotna, gdy liczba zmiennych objaniajcych modelu jest dua, a szereg czasowy niezbyt dugi. Wyboru rzdu opó nienia mona dokona stosujc dwa rozwizania. Pierwszym jest wykorzystanie tak zwanych kryteriów informacyjnych, które okrelaj stopie utraty informacji zwizany z przyjciem danego rzdu opó nienia. Niezalenie od tego, które z kryteriów informacyjnych zostanie przyjte, przyjmuje si ten rzd opó nienia, dla którego warto kryterium informacyjnego jest najmniejsza17. Drugie rozwizanie jest mniej sformalizowane, a bardziej intuicyjne – budujc model ADL zwiksza si rzd opó nienia, a wspóczynnik autorelacji reszt bdzie dostatecznie niski. 2.2. Procesy stochastyczne i testowanie ich waciwoci Punktem wyjcia do okrelenia szeregu czasowego jest definicja procesu stochastycznego {Xt}, który rozumiany jest jako cig zmiennych losowych o argumencie naturalnym, uporzdkowanych wedug indeksu czasu – t. Szereg czasowy z kolei rozumiany jest jako realizacja procesu stochastycznego 17 Wicej na temat kryteriów informacyjnych i ich stosowania pisze Osiska [2005, s. 54-55]. 48 w pewnej próbie losowej, jako pojedyncza realizacja tego procesu losowego. Mówic inaczej, proces stochastyczny jest opisem statystycznym zmiennoci pewnego zjawiska w czasie. Szereg czasowy natomiast, bdcy realizacj tego procesu, jest seri uporzdkowanych w czasie pomiarów zmiennej charakteryzujcej to zjawisko [Osiska 2006, rozdz. 2.1]. 2.2.1. Badanie stacjonarnoci Kluczow waciwoci zarówno procesu stochastycznego, jak i szeregu czasowego, jest jego stacjonarno. Proces stochastyczny jest cile stacjonarny (w szerszym sensie), jeli dla kadego podzbioru indeksów czasu (r, s, …, w) i dla kadej liczby cakowitej k czny rozkad zmiennych losowych {xr, xs, …, xw} jest taki sam jak czny rozkad zmiennych {xr+k, xs+k, …, xw+k}. Proces stochastyczny jest cile stacjonarny, gdy jego wielowymiarowy rozkad prawdopodobiestwa nie zmienia si w czasie. Z przyczyn praktycznych (moliwo przeprowadzenia testów stacjonarnoci) wygodniej jest posugiwa si pojciem sabej stacjonarnoci procesu stochastycznego. Proces jest sabo stacjonarny (stacjonarny w wszym sensie), jeli spenia równoczenie trzy warunki [Box, Jenkins 1983; Charemza, Deadman 1997]: x skoczona i staa w czasie warto oczekiwana – E(Xt) = const, x skoczona i staa w czasie wariancja – V(Xt) = const, x warto kowariancji pomidzy obserwacjami z dwóch okresów zaley jedynie od odlegoci (odstpu) midzy nimi – Cov(Xt, Xt-p) = const, dla kadego t. Proces stochastyczny nie speniajcy tych warunków jest procesem niestacjonarnym. Stacjonarne procesy stochastyczne generuj stacjonarne szeregi czasowe, za niestacjonarne procesy stochastyczne generuj szeregi czasowe niestacjonarne. Stacjonarno szeregów czasowych definiowana jest analogicznie jak stacjonarno procesów stochastycznych. Szereg czasowy jest cile stacjonarny, gdy wszystkie jego charakterystyki nie zmieniaj si w czasie, i sabo stacjonarny, gdy nie zmieniaj si w czasie jego warto oczekiwana, wariancja i kowariancja. Niestacjonarny szereg czasowy zmiennej Xt nazywany jest zintegrowanym rzdu d i oznaczany jest jako Xt~I(d), gdzie d oznacza krotno rónicowania szeregu czasowego, w wyniku którego uzyskiwany jest szereg stacjonarny. Szeregi czasowe zmiennych ekonomicznych s z reguy zintegrowane stopnia pierwszego (d = 1). Wystpowanie szeregów czasowych zintegrowanych stopnia drugiego jest rzadkoci, nie stwierdzono wystpowania szeregów czasowych zintegrowanych w stopniu 3 i wyszym [Majsterek 2003]. 49 Stacjonarno szeregów czasowych jest badana za pomoc wielu testów statystycznych. Najpopularniejszymi testami stacjonarnoci i zaimplementowanymi w wikszoci pakietów statystycznych s: rozszerzony test Dickeya-Fullera (ADF, Augmented Dickey-Fuller test) oraz test KPSS (test Kwiatkowskiego, Phillipsa, Schmidta i Shina)18. W tecie ADF hipoteza zerowa mówi, e szereg czasowy jest niestacjonarny, hipoteza alternatywna jest zaprzeczeniem hipotezy zerowej. Punktem wyjcia w budowie statystyki testu ADF jest równanie regresji o postaci [Maddala 2006, s. 616; Welfe 2009, s. 366-367]: 'yt G y t 1 k ¦J i ' y t i H t . (2.14) i 1 Parametry strukturalne (, ) tego modelu szacowane s metod najmniejszych kwadratów. Suma opó nionych skadników po prawej stronie suy temu, aby usun autokorelacj skadnika losowego. Liczba opó nie k-tej sumy nazywana jest augmentacj testu. Statystyk tego testu jest iloraz wartoci wspóczynnika stojcego przy opó nionej zmiennej z równania (2.14) oraz odchylenia standardowego szacunku tego wspóczynnika S(): G . S (G ) W (2.15) Przeciwko hipotezie zerowej wiadcz wartoci statystyki W mniejsze od wartoci krytycznej. Rozkad statystyki W jest róny od rozkadów standardowych, mimo podobiestwa tej statystyki do stosowanej w testowaniu istotnoci parametrów strukturalnych klasycznego modelu regresji liniowej (por. równanie 2.9). Wynika std konieczno wykorzystywania odpowiednio przygotowanych tablic wartoci krytycznych. Tablice takie mona znale na przykad u Charemzy i Deadmana [por. Charemza, Deadman 1997, s. 255-260]19. W tecie KPSS hipotezy zerowa i alternatywna maj ukad odwrotny ni w tecie Dickeya-Fullera. Hipoteza zerowa mówi, i szereg czasowy jest stacjonarny, alternatywna natomiast, e jest niestacjonarny. Statystyka testu KPSS ma zoon konstrukcj i bardzo skomplikowany rozkad prawdopodobiestwa. Wyznaczanie wartoci statystyki testu KPSS mona przedstawi nastpujco [Maddala 2006, s. 618; Welfe 2009, s. 368-370]: x przy pomocy MNK wyznaczane s parametry strukturalne i reszty równania: 18 Szczegóowy opis problematyki badania stacjonarnoci szeregów czasowych mona znale na przykad w pracy Maddali [Maddala 2006 s. 299-306 oraz 613-622]. 19 Wicej na temat testu ADF por. na przykad Osiska [2006, s. 187-188]. 50 yt=+t+t , (2.16) x wyznaczane s sumy reszt: t S ¦ t r , et (2.17) 1 dla t = 1,…,T, gdzie T – dugo badanego szeregu czasowego, x wyznaczana jest suma reszt zgodnego estymatora wariancji dugookresowej reszt – S2(k)20, x warto statystyki testu K jest wyznaczana ze wzoru: T K ¦S t 1 2 2 t T S (k ) . (2.18) Hipoteza zerowa jest odrzucana, gdy warto statystyki testu jest wiksza od wartoci krytycznej. Testy ADF i KPSS, o przeciwnie sformuowanych hipotezach zerowych, s wykorzystywane w tak zwanej analizie potwierdzajcej [Maddala 2006, s. 619; Welfe 2009, s. 368]. Zgodnie z t analiz odrzucenie hipotezy zerowej w tecie ADF i stwierdzenie braku podstaw do odrzucenia hipotezy zerowej w tecie KPSS „silnie wskazuje” na stacjonarno badanego szeregu czasowego, a sytuacja odwrotna „silnie wskazuje” na niestacjonarno. 2.2.2. Zalenoci dugookresowe Problem regresji pozornej po raz pierwszy zdefiniowany zosta przez Grangera i Newbolda [Granger, Newbold 1974]. Stwierdzili oni mianowicie, e nawet wtedy, gdy niestacjonarne szeregi czasowe s generowane losowo, to „(…) bdzie raczej regu ni wyjtkiem”21, e zbudowane w oparciu o nie modele ekonometryczne bd „stwarza pozory statystycznie istotnej zalenoci”. Wynika to std, e rozkad wspóczynnika korelacji pomidzy niestacjonarnymi zmiennymi losowymi nie jest jednomodalny jak to si dzieje, gdy zmienne s stacjonarne (wówczas funkcja gstoci rozkadu wspóczynnika korelacji jest skupiona w zerze), a dwumodalny o maksimach lokalnych funkcji gstoci prawdopodobiestwa przesunitych w stron -1 i 1 [Granger, Newbold 1974, s. 114]. W efekcie daje to wiksze prawdopodobiestwo pojawienia si rónych od zera wartoci wspóczynnika korelacji oraz miar pokrewnych, na przykad wspóczynnika determinacji. Powoduje to równie, e rozkady statystyk testów istotnoci parametrów strukturalnych maj rozkady róne od zakadanych, co daje faszywe wyniki tych testów. 20 21 Wicej na temat wyznaczania S2(k) por. Welfe [2009, s. 368], Maddala [2006, s. 618]. „(…) it will be the rule rather than the exception” [Granger, Newbold, s. 117]. 51 Wystpowanie regresji pozornej objawia si w dosy charakterystyczny sposób [por. dla przykadu Charemza, Deadman 1997, rozdz. 5]. Estymacja modeli regresji, w których wystpuje regresja pozorna daje obiecujce wyniki – wartoci wspóczynników determinacji s wysokie, a parametry strukturalne modelu s istotne, co potwierdzaj wartoci statystyki testu t-Studenta. Jeeli weryfikacja modelu zostanie na tym zakoczona, mona doj do wniosku, e model jest poprawny. Warto statystyki testu Durbina-Watsona jest jednak niska. Jako pewn regu mnemotechniczn suc do wykrywania regresji pozornej, przyjmuje si zasad, e jeli warto statystki testu Durbina-Watsona jest nisza od R2, wówczas mamy do czynienia z regresj pozorn. Podstawowy problem zwizany ze specyfikacj modeli ADL opisujcych ksztatowanie si cen surowców rolnych wynika std, e ich szeregi czasowe s z reguy niestacjonarne, zintegrowane rzdu 1 [por. dla przykadu: Gdek 2010; Hamulczuk, Klimkowski 2011]. Ju wic tylko z tego powodu modele ADL objaniajce ksztatowanie si cen surowców rolnych mog dawa pozornie dobre wyniki. Niestacjonarne mog te by i szeregi czasowe zmiennych objaniajcych tych modeli. Wartoci wspóczynnika determinacji mog by wysokie, a wartoci statystyki testu t-Studenta mog wskazywa na istotno parametrów strukturalnych modelu. Metodyka typowa dla badania wspózalenoci w przypadku niestacjonarnych szeregów czasowych i pozwalajca unikn niebezpieczestw wynikajcych z wystpowania regresji pozornej, obejmuje analiz kointegracyjn oraz, gdy stwierdzony zostanie brak skointegrowania, badanie wspózalenoci pomidzy pierwszymi rónicami zmiennych22. Badanie kointegracji suy uchwyceniu równowagi (zalenoci) dugookresowej, za badanie wspózalenoci pomidzy pierwszymi rónicami suy badaniu dynamiki krótkookresowej. Do wykrywania i opisu zalenoci dugookresowych suy tak zwana analiza kointegracyjna [por. Enders 2010, rozdz. 6; Kuside 2000, s. 455 i dalsze]. Kointegracja szeregów czasowych dwóch zmiennych (xt, yt) wystpuje, gdy s one zintegrowane w stopniu d, a ich liniowa kombinacja – E1 xt + E2 yt, jest zintegrowana rzdu d - b (d b 0). Wektor [E1 E2] jest nazywany wektorem kointegracyjnym. Najczciej spotykana jest taka sytuacja, e szeregi czasowe obserwacji na zmiennych s zintegrowane stopnia pierwszego, a ich liniowa kom22 Syntetyczny opis metodologii badania wspózalenoci w przypadku niestacjonarnych szeregów czasowych mona znale w pracy Maddali [Maddala 2006, rozdz. 14], a znacznie bardziej szczegóowy w pracy Charemzy i Deadmana, powiconej w zasadzie w caoci analizie tej metodologii [Charemza, Deadman 1997]. 52 binacja jest stacjonarna. Skadowe wektora kointegracyjnego okrelaj dugookresowe zwizki pomidzy zmiennymi. W tecie Engle’a-Grangera [Engle, Granger 1987], badajcym skointegrowanie zmiennych, po stwierdzeniu w pierwszym kroku niestacjonarnoci zmiennych, bada si stacjonarno reszt nastpujcego modelu: yt = E0 + E2 xt +Ht , (2.19) gdzie: xt, yt s zmiennymi, których skointegrowanie jest badane, E0, E2 s parametrami strukturalnymi, Ht – skadnik losowy. Jeli szereg czasowy reszt jest stacjonarny, to zmienne xt i yt s skointegrowane. Uzupenienie modelu (2.19) o zmienn czasow pozwala na uchwycenie trendu liniowego w resztach. W przypadku, gdy liczba zmiennych w modelu jest wiksza ni dwa, moe wystpowa do m – 1 (gdzie m jest liczb zmiennych) liniowo niezalenych wektorów kointegracyjnych. Nie ma wówczas moliwoci zastosowania opisanego powyej testu Engle’a-Grangera, gdy procedura ta wymaga okrelenia, która zmienna jest zmienn objanian, a która objaniajc. W przypadku wielu moliwych wektorów kointegracyjnych byoby to co najmniej trudne. Wad testu Engle’a-Grangera nie ma procedura Johansena wykorzystujca do badania kointegracji modele VAR [Majsterek 1998; Kuside 2000, s. 48 i dalsze]. Procedura ta zostanie szczegóowo omówiona w rozdziale 2.3 przy okazji omawiania modeli VECM. Jeli stwierdzony zostanie brak skointegrowania zmiennych, pozostaje jedynie analiza zalenoci krótkookresowych. Model ADL ma wówczas posta: 'y t k r ¦ D 'y i i 1 t i r ¦¦ 'E ij x j t i H t , (2.20) j 0 i 0 gdzie: 'yt, 'xtj – pierwsze rónice odpowiednio zmiennej objanianej i zmiennych objaniajcych, DiEij – parametry strukturalne modelu, Ht – reszty modelu, k – liczba zmiennych objaniajcych, r – rzd opó nienia. 53 Relacj pomidzy zmiennymi skointegrowanymi mona, zgodnie z twierdzeniem Engle’a-Grangera o reprezentacji [Engle, Granger 1987], zapisa za pomoc modelu korekty bdem o postaci: 'yt = D0 + D1'xt + JECMt-1 +Kt , (2.21) gdzie wartoci ECMt (Error Correction Mechanism) wyznaczane s z równania integrujcego (2.19) jako: ECMt = yt - E0 - E1xt . (2.22) Jeeli model korekty bdem wykazuje autokorelacj, naley go zmodyfikowa przez dodanie opó nionych wartoci pierwszych rónic, tak zmiennej x, jak i y [Osiska 2006, s. 189]. Parametr D 1 modelu (2.21) informuje o dostosowaniach krótkookresowych w momencie t do stanu równowagi w momencie t-1. O dostosowaniach do dugookresowej cieki równowagi informuje parametr J. Mówi on, jak cz odchylenia od cieki dugookresowej model koryguje w kolejnym okresie. Ukad bdzie przywracany do równowagi, jeeli warto tego parametru bdzie si zawieraa w przedziale (0;-1). W przypadku, gdy J > 0 nie wystpuje mechanizm korekty bdem, zmienne nie s skointegrowane, a gdy J < -1 wystpuj oscylacje wokó trajektorii dugookresowej o zwikszajcej si amplitudzie [Welfe 2009, s. 198-199]. 2.2.3. Przyczynowo Zalenoci przyczynowe pomidzy zmiennymi objaniajcymi i zmienn objanian badane s w modelu ADL przy pomocy testu przyczynowoci Grangera, w oparciu o wyniki estymacji modelu (2.13) lub modelu (2.20). Idea tego testu polega na sprawdzeniu, czy wprowadzenie danej zmiennej do modelu wraz ze wszystkimi opó nieniami zmniejszy istotnie wariancj resztow23. Test przyczynowoci Grangera bada wystpowanie tzw. przyczynowoci w sensie Grangera. Zmienna x jest przyczyn y w sensie Grangera, jeli biece wartoci y s lepiej objaniane przy uyciu opó nionych i biecych wartoci x ni bez ich wykorzystania. Szczegóowo ten problem omawiany jest w pracy Charemzy i Deadmana [Charemza, Deadman 1997, rozdz. 6.3]. Najczciej wykorzystywanym wariantem testu Grangera jest wariant Walda [Osiska 2006, s. 212]. Statystyk tego testu jest wyraenie: T N [ S 2 (K t ) S 2 (H t )] S 2 (H t ) 23 (2.23) Szerzej na temat testu przyczynowoci Grangera por. [Charemza, Deadman 1997, rozdz. 6.3; Osiska 2006, s. 212]. 54 gdzie: N – liczebno próby; S2(Kt) – wariancja resztowa modelu, w którym zmienna, której przyczynowo jest badana, nie wystpuje; S2(Ht) – wariancja resztowa modelu, w którym zmienna, której przyczynowo jest badana, wystpuje. Statystyka T jest asymptotycznie zbiena do rozkadu F q2 , gdzie q jest rzdem opó nienia zmiennej, której przyczynowo jest badana. W analizie przyczynowoci moe te by wykorzystany test F (wariant Walda) sucy przede wszystkim badaniu braku restrykcji w modelu ekonometrycznym24. Formalnie test ten suy badaniu, czy wprowadzenie do modelu zmiennej lub zbioru zmiennych zmniejszy istotnie wariancj resztow modelu, czyli w gruncie rzeczy odpowiada na to samo pytanie, na które odpowiada klasyczny test Grangera. Jego stosowanie jest o tyle prostsze, e w przypadku wikszoci pakietów statystycznych obsugujcych analiz regresji (na przykad w pakiecie GRETL) wartoci statystyki tego testu i prawdopodobiestwa bdu I rodzaju podawane s automatycznie. Uatwia to znacznie badanie przyczynowoci, gdy nie ma wtedy koniecznoci wykonywania dodatkowych oblicze. Zalenoci przyczynowe w znaczeniu omówionym powyej i w ten sposób badane mog by testowane tylko w przypadku stacjonarnych szeregów czasowych. W przypadku niestacjonarnych szeregów czasowych moliwe jest to wówczas, gdy niestacjonarno mona usun wprowadzajc zmienne deterministyczne, jak trend czy sezonowo, lub transformujc szeregi czasowe przez wyznaczenie pierwszych rónic bd logarytmowanie [Enders 2005]. Badania przeprowadzone przez Tod i Yamamoto [1995] wskazuj jednak, e nie powinno si przeprowadza bada na przyrostach, tylko zwikszy liczb opó nie modelu VAR (skadajcego si z dwóch modeli ADL) o stopie integracji szeregów czasów m, a nastpnie bada wpyw nakadanych restrykcji (restrykcji nie nakadamy na dodatkowe m opó nie) za pomoc testu F – wariant Walda. W przypadku niestacjonarnych szeregów czasowych, które s skointegrowane tradycyjne testy przyczynowoci Grangera nie powinny by stosowane [Osiska 2008, s. 86]. Lepiej zamiast tego wnioskowa na podstawie modelu VECM opisanego w rozdziale 2.3. Ju samo wystpowanie kointegracji szeregów czasowych jest podstaw do uznania przyczynowoci co najmniej w jednym kierunku, ale nie wskazuje w którym. Z kolei Toda i Yamamoto [1995] wskazuj, e ta sama procedura (opisana w poprzednim akapicie) moe by sto24 Konstrukcj testu F w zastosowaniu do analizy modelu ekonometrycznego mona znale na przykad w podrczniku Borkowskiego [Borkowski i in. 2004, s. 54-55] czy Maddali [Maddala 2006, s. 194-195]. 55 sowana zarówno w przypadku szeregów skointegrowanych, jak i stacjonarnych, czy te nieskointegrowanych. 2.3. Modele dynamiczne – modele VAR i VECM W niniejszym podrozdziale przedstawiono istot dynamicznych modeli VAR i VECM stanowicych alternatyw dla dynamicznych modeli jednorównaniowych i statycznych modeli o równaniach wspózalenych. 2.3.1. Konstrukcja modeli VAR i VECM Analiza powiza pomidzy ksztatowaniem si zmiennych moe wskazywa, e wpywaj one na siebie nawzajem i przebieg zalenoci jest dwukierunkowy. Wymaga to zastosowania metodologii VAR (Vector AutoRegresive) opracowanej przez Simsa [Sims 1980], jako alternatywa dla klasycznego modelu wielorównaniowego o równaniach wspózalenych25. Podstawowa posta modelu VAR [Charemza, Deadman 1998, s. 153-157; Kuside 2000, s. 15-17; Maddala 2006, s. 609 i dalsze; Mills 2002] jest nastpujca: r xt A 0d t ¦ A i x t i e t , (2.24) i 1 gdzie: xt = [x1t, ..., xmt]T jest wektorem obserwacji na biecych wartociach zmiennych, dt = [d0t, ..., dkt]T jest wektorem k + 1 deterministycznych skadników równa (wyraz wolny, zmienna czasowa, zmienne binarne, itp.), A0 – macierz parametrów przy zmiennych wektora dt, Ai – macierz parametrów przy opó nionych zmiennych wektora xt, gdzie maksymalny rzd opó nienia jest równy r, et = [e1t, ..., emt]T zawiera wektory reszt równa modelu. Wektory reszt równa modelu powinny spenia klasyczne zaoenia (zerowa rednia, staa wariancja, brak autokorelacji), natomiast kowariancje jednoczesne pomidzy resztami poszczególnych równa mog by róne od zera. Rzd opó nienia (r) powinien by tak dobrany, aby odzwierciedla naturalne interakcje (na przykad dla danych kwartalnych rzd opó nienia nie powinien by mniejszy od 4), jak te, aby wyeliminowana zastaa autokorelacja26. 25 W literaturze polskiej szczegóy tak zwanej „krytyki Simsa” klasycznej metodologii opartej na podejciu Komisji Cowlesa mona znale w pracach Majsterka [Majsterek 1998] oraz Kuside [Kuside 2000, s. 10-11]. 26 W caej rozcigoci maj tutaj zastosowanie procedury doboru rzdu opó nienia stosowane w przypadku modeli ADL i opisane w podrozdz. 2.1.2. 56 Estymatory modelu VAR otrzymane metod najmniejszych kwadratów zachowuj podane waciwoci tylko wówczas, gdy szeregi czasowe obserwacji na zmiennych s stacjonarne27. W przypadku szeregów niestacjonarnych (zintegrowanych) model VAR moe by zastosowany po obliczeniu pierwszych przyrostów (jeli szereg jest zintegrowany w stopniu pierwszym28) w celu osignicia stacjonarnoci lub, gdy zmienne s skointegrowane, wykorzystanie modelu VECM (Vector Error Correction Model). Badanie kointegracji zmiennych w przypadku, gdy wspózaleno zmiennych opisana jest wieloma równaniami, gdy zmienne objaniane w jednym równaniu s zmiennymi objaniajcymi w innych równaniach, przeprowadzane jest przy pomocy procedury Johansena. Zgodnie z t procedur, aby wykorzysta model VAR do badania kointegracji, naley go przeksztaci do modelu VECM (Vector Error Correction Model) o postaci29: 'xt r 1 0dt xt 1 ¦ i 'xt i t , (2.25) i 1 gdzie: <0 – macierz parametrów przy zmiennych wektora dt, k ¦A i 1 i I; k i ¦A j i 1 j , Ht – reszty modelu. Do badania kointegracji w procedurze Johansena uywa si rzdu macierzy 3, który jest równy liczbie niezalenych wektorów kointegracyjnych [por. Kuside 2000, s. 58-59; Majsterek 1998, s. 123-124]. Wykorzystuje si tu fakt, e liczba niezerowych pierwiastków charakterystycznych macierzy jest równa jej rzdowi. Statystykami testu mog by dwie charakterystyki estymatora macierzy 3 – Otrace i Omax: Otrace ( R) N m ¦ ln(1 O ) , i (2.26) Omax ( R) N ln(1 OR 1 ) , (2.27) i R 1 27 cilej, chodzi tu o sab stacjonarno inaczej lub stacjonarno w szerszym sensie. Wówczas rednie i wariancje szeregu s stae w czasie, a wielko kowariancji dla dwóch momentów obserwacji zaley tylko od odstpu pomidzy nimi [por. Charemza, Deadman 1997, s. 104-105]. 28 Szeregi czasowe danych ekonomicznych z reguy s zintegrowane w stopniu pierwszym (szereg czasowy pierwszych rónic obliczony dla takiego szeregu jest stacjonarny). [Majsterek 2003]. 29 Sposób otrzymywania modelu VECM opisuje Kuside [Kuside 2000, s. 48-50], za procedur estymacji parametrów tego modelu mona znale w pracy Majsterka [Majsterek 1998]. 57 gdzie: Oi – oszacowane wartoci wasne, N – liczba obserwacji. Pierwsza statystyka suy do testowania hipotezy zerowej, i liczba rónych wektorów kointegracyjnych jest mniejsza lub równa R, wobec hipotezy alternatywnej mówicej, e liczba wektorów kointegracyjnych jest wiksza od R. Druga statystyka suy do testowania hipotezy zerowej mówicej, e liczba wektorów kointegracyjnych jest równa R, wobec hipotezy alternatywnej, e jest ich R+1. W obydwu przypadkach obszar krytyczny jest pooony prawostronnie. Test ten jest testem iteracyjnym. Wartoci wasne estymatora macierzy 3 szeregowane s malejco. W pierwszym kroku hipoteza zerowa zakada, e R = 0. Jeli jest ona odrzucona, wówczas w kolejnym zakada si, e R = 1 itd., a do momentu, gdy hipoteza zerowa nie bdzie moga by odrzucona bd R = m – 1, co okrela rzd macierzy i liczb wektorów kointegracyjnych. W wyniku zastosowania procedury Johansena mog pojawi si trzy przypadki [Kuside 2000, s. 49]: x rzd macierzy 3jest równy 0 – wówczas model (2.25) jest modelem VAR dla przyrostów zmiennych, w którym nie wystpuje zaleno dugookresowa; x rzd macierzy 3jest wikszy od 0 i mniejszy od m, wówczas liczba wektorów kointegacyjnych jest równa temu rzdowi; x macierz 3jest penego rzdu, wówczas szeregi zmiennych s stacjonarne i model (2.25) jest modelem VAR dla poziomów zmiennych. W przypadku szeregów niestacjonarnych i nieskointegrowanych model VAR moe by zastosowany po obliczeniu pierwszych przyrostów (jeli szereg jest zintegrowany w stopniu pierwszym) w celu osignicia stacjonarnoci. W przypadku takiej modyfikacji modelu (2.24), gdy wektory xt i xt-i zawieraj wartoci przyrostów zmiennych, uzyskiwane s jedynie informacje o krótkookresowym wpywie poszczególnych zmiennych na zmienne objaniane, a model VAR bdzie mia wówczas posta: 'x t r A 0 d t ¦ A i 'x t i e t , (2.28) i 1 gdzie: 'xt = ['xt1 ... 'xtk]T jest wektorem obserwacji na biecych wartociach pierwszych rónic zmiennych objanianych, 58 dt = [d0 'dt 'd1 t-1, ... 'd1 t-r ... 'dl t-r,]T jest wektorem egzogenicznych skadników równa, którego skadowymi s odpowiednio: staa równania oraz biece i opó nione wartoci pierwszych rónic zmiennych egzogenicznych, A0 – macierz parametrów przy zmiennych wektora dt, Ai – macierz parametrów przy opó nionych zmiennych wektora xt, et = [e1t ... ekt]T – wektory reszt równa modelu. 2.3.2. Egzogeniczno i wnioskowanie W przypadku modeli wielorównaniowych istotne jest wyrónienie egzogenicznych (penicych wycznie rol zmiennych objaniajcych) z caego zbioru zmiennych. Zmienne egzogeniczne powinny by wyczone ze zbioru zmiennych objanianych przez model, lub mówic bardziej technicznie, powinny zosta wyczone z wektora x modeli (2.24), (2.25) i (2.28). Arbitralny podzia na zmienne egzogeniczne i endogeniczne (objaniane przez model) by jednym z elementów tak zwanej „krytyki Simsa”. W metodologii wykorzystujcej szeregi czasowe w modelowaniu zalenoci problem egzogenicznoci zmiennych wyrónia si egzogeniczno sab i siln [Maddala 2006, rozdz. 9.10; Osiska 2006, rozdz. 8.2.2; Welfe 2009, rozdz. 11.10]30. Zmienna, na przykad xt, jest sabo egzogeniczna wzgldem estymowanego wektora parametrów modelu, na przykad \, jeli wnioskowanie o \ warunkowe wzgldem xt nie wie si z utrat informacji. Oznacza to e, mona efektywnie przeprowadzi wnioskowanie o skadowych wektora \ warunkowo wzgldem wycznie xt. Formalnie pojcie egzogenicznoci mona wyjani wychodzc od cznej funkcji gstoci prawdopodobiestwa modelu VAR, na przykad dwurównaniowego, która ma posta [Charemza, Deadman 1997, s. 209]: DZ t Z t i , D1 Yt Yt i , X t , O1 u D2 X t Z t i , O2 (2.29) gdzie: ZtT [Yt , X t ]T , Z tTi [Yt i , X t i ]T , [O1 , O2 ] – wektor parametrów, D1 , D2 – warunkowa gsto prawdopodobiestwa odpowiednio proce- sów Yt i Xt. 30 Wyrónia si równie tak zwan superegzogeniczno [por. Maddala 2006, s. 431]. 59 Proces Xt bdzie sabo egzogeniczny dla wektora parametrów \ biorcych udzia w badaniu, jeli brzegowa gsto prawdopodobiestwa D2 X t Z t i , O2 nie zawiera istotnych informacji pozwalajcych oszacowa wektor \. Dla stwierdzenia silnej egzogenicznoci potrzeba dodatkowo, aby proces Yt nie by przyczyn w sensie Grangera procesu Xt. Procedur testowania sabej egzogenicznoci podaje Osiska [2006]. Procedura testowania silnej egzogenicznoci wynika wprost z jej definicji i polega na zastosowaniu testu sabej egzogenicznoci, a nastpnie testu przyczynowoci [por. Osiska 2006, s. 214]. Wystpowanie kowariancji jednoczesnej pomidzy skadnikami losowymi poszczególnych równa skadajcych si na model VAR pozwala na tworzenie tak zwanych modeli strukturalnych [Kuside 2000, s. 35 i dalsze]. Modele strukturalne VAR daj moliwo konstrukcji funkcji odpowiedzi na impuls (IRF – Impulse Response Function), okrelajcej rozkad w czasie zmian wielkoci j-tej zmiennej w odpowiedzi na zaburzenia w resztach k-tej zmiennej. Najczciej IRF jest przedstawiana w postaci wykresu pokazujcego zmian w czasie reakcji j-tej zmiennej na zaburzenia w wysokoci jednego odchylenia standardowego reszt k-tej zmiennej31. Analiza funkcji odpowiedzi na impuls dotyczy trzech elementów: kierunku oddziaywania impulsu, siy tego impulsu oraz rozkadu w czasie i szybkoci wygasania. Istnienie powiza pomidzy skadnikami losowymi modelu VAR, czego wyrazem jest niezerowa kowariancja jednoczesna pomidzy skadnikami losowymi poszczególnych równa skadajcych si na model, pozwala na tworzenie modeli strukturalnych. Strukturalny model VAR ma posta [Kuside 2000, s. 35 i dalsze; Osiska 2006, s. 207]: r Bxt 0dt ¦ i xt i t (2.30) i 1 gdzie: B – macierz parametrów przy nieopó nionych zmiennych wektora xt, *0 – macierz parametrów przy zmiennych wektora dt, *i – macierz parametrów przy opó nionych zmiennych wektora xt, (i = 1, ...,r), [t – wektor reszt modelu. 31 Opis konstrukcji i interpretacji funkcji odpowiedzi na impuls mona znale w pracy Kuside [2000, s. 36 i dalsze]. 60 Pomnoenie równania (2.30) przez B-1 pozwala na pokazanie zwizku pomidzy modelem (2.24) a jego postaci strukturaln (2.30). Wówczas: r xt B 1 0dt ¦ B 1i xt i B 1 t . (2.31) i 1 Jeeli przyjmiemy oznaczenia: B-1*0 = A0 , B-1*i = Ai , B-1[t = et, pozwoli to na otrzymanie modelu (2.24). Zaleno pomidzy modelem (2.24) i (2.30) wynika std, e et=B-1[t pozwala na badanie interakcji pomidzy zmiennymi wektora xt. Model (2.24) mona bowiem przedstawi w postaci modelu VMA32, gdy r = 1: f xt ¦ Ai1 et i , (2.32) i 0 gdzie P jest wektorem rednich wartoci zmiennych, co daje: f xt ¦ Ai1 B 1 t i , (2.33) i 0 a gdy dokonane zostanie podstawienie i Ai B1 , uzyskujemy: 1 f xt ¦ i t i . (2.34) i 0 Elementy macierzy )i stosowane s do okrelenia wpywu zaburze losowych [t na przebieg zmian w czasie zmiennych xt, bowiem Ijk(i) mierzy wpyw zmiany w [k t-i na j-t zmienn. Kolejne wartoci Ijk(i) dla i = 0, 1, ..., T tworz funkcj odpowiedzi na impuls (IRF – Impulse Reaction Function), która okrela zachowanie j-tej zmiennej w odpowiedzi na zaburzenia w resztach k-tej zmiennej. Najczstszym sposobem prezentacji IRF jest wykres pokazujcy zmian w czasie reakcji j-tej zmiennej na zaburzenia w wysokoci jednego odchylenia standardowego reszt k-tej zmiennej. Ze wzgldu na sposób wyznaczania wartoci IRF, na ich warto wpywa kolejno zmiennych skadajcych si na wektor x [por. Kuside 2000, s. 38-40]. Uporzdkowanie to ma tym wiksze znaczenie, im wysze s wspóczynniki korelacji pomidzy resztami modelu VAR. Gdy s one na tyle wysokie, e uporzdkowanie zmiennych ma wpyw na warto IRF, sposób uporzdkowania jest okrelany w oparciu o dekompozycj bdu prognoz [Kuside 2000, s. 41-43]. W rozdziale przedstawiono niektóre zagadnienia zwizane z opisem prawidowoci, jakie wystpuj midzy zmienn zalen (w naszym przypadku ce32 Vector Moving Average. Podobnie jak jednorównaniowe modele autoregresyjne (AR), model VAR mona przedstawi w postaci redniej ruchomej – VMA [Kuside 2000, s. 35 i dalsze; Osiska 2006, s. 215-216]. 61 nami) a czynnikami wpywajcymi na ich ksztatowanie. Uwaga zostaa skierowana przede wszystkim na wykorzystanie metod ekonometrycznych do wnioskowania i krótkookresowego prognozowania cen na podstawie danych empirycznych. Jest to wic ekonometria stosowana [Gajda 2004]. Prognoz uzyskanych w oparciu o modele ekonometryczne nie mona traktowa w sposób mechaniczny. Ich jako uzaleniona jest od wielu czynników, przede wszystkim od jakoci danych statystycznych. Naley jednak pamita, e nawet najlepsze dane nie zapewni poprawnej prognozy, jeli zastosowany model bdzie wadliwy, czy te dane nie bd dobrze odzwierciedlay rzeczywistoci. 62 3.Modelerównowagiczstkowejsektorarolnego Analiza powiza midzy poszczególnymi rynkami towarowymi oraz ocena wpywu rónych rozwiza regulacyjnych jest moliwa do wykonania na wiele sposobów. W skali kraju, regionu lub wiata oceny tej dokonuje si w oparciu o konstruowane modele nieformalne lub formalne. Wród modeli formalnych najczciej zastosowanie znajduj modele równowagi ogólnej i czstkowej. Modele takie mog by równie wykorzystywane do przewidywania przyszego stanu rynku [Baumel 2001; Wisner i in. 2002; Hamulczuk 2011]. Do najbardziej rozpowszechnionych modeli równowagi czstkowej sektora rolnego nale model AGLINK-COSIMO oraz model FAPRI. Z ich wykorzystaniem corocznie przygotowywane s dugookresowe projekcje dla najwaniejszych rynków rolnych w wiecie. Modele te nie obejmuj Polski, a jedynie agregat, jakim jest Unia Europejska. Projekcje dla poszczególnych krajów UE mona za to uzyska wykorzystujc model AGMEMOD. W kolejnych podrozdziaach przybliymy istot modeli równowagi czstkowej oraz scharakteryzujemy ww. trzy modele. 3.1. Istota modeli równowagi czstkowej Równowaga rynkowa definiowana jest jako stan rynku, w którym wielko popytu i poday s sobie równe. W takich warunkach producenci nie maj motywacji do zmiany struktury produkcji, konsumenci nie maj motywacji do zmiany struktury konsumpcji, wielkoci produkcji jest równa ich konsumpcji, za analizowana gospodarka osiga najwyszy poziom na krzywej obojtnoci. Stanowi to walrasowskie rozumienie równowagi charakteryzujcej gospodark w „stanie spoczynku”. Zaoeniem tej równowagi jest konkurencyjno wszystkich rynków i podporzdkowanie mechanizmowi rynkowemu. W ujciu neumannowskim gospodarka znajduje si w równowadze, jeli moe równomiernie zwiksza produkcj przy niezmienionej strukturze, przy czym zostaje zachowana pena zgodno wzrostu technologicznego z ekonomicznym. Neoklasyczne ujcie równowagi to porednia forma midzy walrasowsk i neumannowsk, zgodnie z któr gospodarka znajduje si w równowadze, jeeli umoliwia równomierny wzrost wszystkich podstawowych wielkoci ekonomicznych: czynników produkcji, produkcji (dochodu) i konsumpcji [Dbrowski 2009]. Modele równowagi w formie zaprezentowanej przez Walrasa czy Marshalla podlegay i podlegaj krytyce. Podkrela si nieadekwatno neoklasycznych zaoe dla modeli równowagi ogólnej do obserwowanej rzeczywistoci. 63 Krytycy wskazuj przede wszystkim na niedoskona mobilno i podzielno, niedoskona informacj (zarówno stanów przyrody, jak i zachowa innych uczestników rynku), czy te ograniczon racjonalno uczestników rynku. Oznacza to, e rynek nie osiga równowagi w ujciu klasycznym (supraoptymalnej), natomiast moe dy do równowagi optymalnej. Równowaga optymalna jest teoretycznie moliwa do osignicia pod warunkiem, e moemy przeamywa defekty koordynacji na poszczególnych rynkach. Przy czym kluczowe znaczenie ma zaoenie racjonalnoci dziaania podmiotów i zwizanej z tym awersji do ryzyka. Szerzej na ten temat pisze Dbrowski [2009]. Równowaga zachodzca w caej gospodarce, czyli jednoczenie na wszystkich rynkach, nazywana jest równowag ogóln. Z kolei, jeeli rozpatrujemy równowag na pojedynczych rynkach czy sektorach, okrelamy j równowag czstkow. Modele równowagi ogólnej maj szersz formu zakadajc interakcje pomidzy wszystkimi sektorami gospodarki, w tym midzy sektorem rolnym a pozostaymi. Stanowi to bezsprzecznie zalet tego typu modeli. Z drugiej jednak strony, silnie zagregowana struktura modeli równowagi ogólnej powoduje, e modele te sabo odzwierciedlaj interakcje wewntrz sektorów. Równie w niewystraczajcy sposób uwzgldnione s w nich specyficzne cechy poszczególnych sektorów, w tym rolnictwa. Z tego powodu w analizie rozwoju poszczególnych sektorów wykorzystuje si modele równowagi czstkowej. Modele równowagi czstkowej pozwalaj na opis i analiz danego sektora na znacznie wyszym poziomie dezagregacji (szczegóowoci) ni modele ogólnej równowagi gospodarki [Banse, Tagermann 1996; Tongeren i in. 2001]. Z uwagi na szczegóowe okrelenie powiza pomidzy poszczególnymi rynkami a instrumentami polityki ekonomicznej modele równowagi czstkowej s czsto wykorzystywane do oceny zmian na rynkach rolnych, gdzie polityka pastwa ma dosy due znaczenie. Modele te pozwalaj szczegóowo analizowa powizania wewntrz sektora i midzy sektorem a jego otoczeniem. Jest to istotne w rolnictwie, w którym wystpuj powizania wewntrz- i midzygaziowe. Wane znaczenie ma take powizanie rolnictwa z sytuacj na rynkach krajów ssiednich i rynkami wiatowymi. Koncepcja równowagi czstkowej wywodzi si z teorii poday i popytu Marshalla i dotyczy tylko jednego rynku lub sektora. Stan równowagi czstkowej wystpuje wówczas, gdy na rynku i-tego towaru wielko zrealizowanego popytu równa jest wielkoci poday. Stan równowagi statycznej, który pozwala na jednoczesne ustalenie ceny oraz iloci produktu, definiowany jest algebraicznie za pomoc dwóch równa (3.1, 3.2). Trzecie równanie wyraa równo pomidzy popytem a poda [Tomek, Robinson 2001]: 64 Qdt = – Pt (3.1) s (3.2) Q t = - + Pt d s (3.3) Q t=Qt d s gdzie: Q t – popyt, Q t – poda, Pt – ceny, za , , , – parametry strukturalne (przyjmujce wartoci wiksze od zera). Podstawowym mankamentem statycznej analizy jest brak moliwoci oceny sposobu dochodzenia do równowagi, jeeli stan ukadu wyjciowego cechuje nierównowaga (np. wskutek wystpienia szoku). Std w ujciu dynamicznym do analizy wczany jest czynnik czasu, który pozwala na uwzgldnienie relacji midzyokresowych. Dynamiczne ujcie pozwala równie na wczenie do modelu oczekiwa uczestników rynku (agentów) oraz uwzgldnienie reakcji producentów na ceny z poprzednich okresów. Koncepcja dynamicznego ujcia dostosowa rynkowych wydaje si bardziej przystawa do rzeczywistoci panujcej w rolnictwie, gdzie pomidzy podjciem decyzji produkcyjnych a pojawieniem si produktu na rynku upywa znaczy okres czasu. W najprostszym ujciu oczekiwania mog mie charakter naiwny, opisywany w postaci tzw. modelu pajczyny popytowo-podaowej. W modelu tym popyt jest wyznaczany za pomoc równania (3.1), za wielko poday (produkcji) jest funkcj nie biecych, ale przeszych cen. Std równanie (3.2) zostaje zmodyfikowane do postaci Qst = - + Pt-1. Zatem cena równowagi w biecym okresie zaley nie tylko o elastycznoci krzywych popytu i poday w krótkim okresie, ale uwzgldnia sytuacj w okresach poprzednich i jest równa Pt (D G ) /( E J ) Pt 1 . Rozwizanie takiego ukadu równa pozwala okreli przyszy poziom cen na danym rynku. W powyszym ujciu model równowagi czstkowej ma charakter bardzo uproszczony, poniewa brana pod uwag jest tylko cena jednego dobra przy zaoeniu niezmiennoci cen wszystkich innych towarów. Do opisu poday i popytu przez poszczególne równania mona wykorzystywa bardziej szczegóowe informacje dotyczce poszczególnych czci skadowych. Na przykad poda cakowita moe stanowi sum produkcji, poziomu zapasów z poprzedniego okresu i wielkoci importu. Wczenie do analizy dodatkowych dóbr z danego sektora pozwala na uwzgldnienie interakcji midzyrynkowych. Od strony popytowej oznacza to, e popyt na dobro (i) bdzie funkcj nie tylko jego biecych cen, ale równie cen innych produktów majcych charakter substytucyjny i komplementarny. Strona podaowa równie ulega modyfikacjom. W rzeczywistoci (w zalenoci od stopnia specjalizacji) producenci maj moliwo ulokowania swoich zasobów (czynników produkcji) w róne alternatywne zastosowania. Std te wielko 65 produkcji bdzie zaleaa od relacji midzy oczekiwanymi cenami rozwaanego dobra (i) a cenami innych dóbr (oczekiwania bazuj na przeszoci), które producent moe wytwarza. Jeeli dodamy do tego koszty (wycen czynników produkcji), to obraz równowagi komplikuje si coraz bardziej. Mimo wzrostu szczegóowoci rozwaa jest to cigle model równowagi czstkowej, poniewa szereg interakcji ma charakter jednostronny. Wiele zmiennych wpywajcych na stan sektora jest danych z zewntrz. Mówimy tutaj gównie o uwarunkowaniach makroekonomicznych w postaci zmiennych, takich jak: populacja, technologia, PKB, stopy procentowe czy kurs walutowy. W ramach modelu nie rozpatruje si równowag w innych sektorach, czy równowagi w ujciu globalnym (wiatowym). Gdybymy równowag rozpatrywali na wszystkich (n) powizanych ze sob rynkach, to mielibymy do czynienia ze stanem równowagi ogólnej. W modelach równowagi czstkowej dotyczcych sektora rolnego uwzgldnia si szereg innych, oprócz makroekonomicznych, interakcji majcych na celu jak najwierniejsze przyblienie rzeczywistoci. Mog one mie charakter jednostronny bd wielostronny. Naley do nich sposób uwzgldnienia instrumentów polityki handlowej, polityk sektorowych czy powizania rynku z uwarunkowaniami wiatowymi. Zatem nastpuje przyblienie modelu do rzeczywistoci, w której decyzje producentów i konsumentów podejmowane s w wiecie odbiegajcym od konkurencji doskonaej. Przykadowo, producent podejmujc decyzje kieruje si nie tylko relacjami cen do kosztów, ale bierze pod uwag potencjalne korzyci pozarynkowe moliwe do uzyskania dziki interwencji pastwa. Mimo e koncepcja równowagi ma dug histori, to relatywnie od niedawna stosuje si modele majce charakter aplikacyjny (computable). Podstaw do ich tworzenia jest teoria równowagi ogólnej i czstkowej. Z uwagi na ograniczenia w sferze danych statystycznych oraz technik obliczeniowych modele te maj charakter uproszczony i bazuj na szeregu upraszczajcych zaoe. Modele równowagi czstkowej wykorzystuje si w dwóch zasadniczych celach. Po pierwsze, modele umoliwiaj wykonywanie prognoz. Po drugie, pozwalaj na przeprowadzanie symulacji. Prognozy pochodzce z modeli równowagi nazywane s czsto projekcjami33 lub te scenariuszem bazowym (baseline 33 Termin projekcja wydaje si bardziej bezpieczny dla osoby lub orodka, który j przygotowuje, poniewa zawsze moe wskaza, e bd wynika z przyjtych, czsto na podstawie innych bada, zaoe. Oznaczenie projekcja jest stosowane i podkrelane w przypadku instytucji publicznych, np. NBP, który podkrela, e w przeciwiestwie do banków komercyjnych, NBP swymi dziaaniami istotnie wpywa na rozwój sytuacji gospodarczej. Gdyby zatem NBP 66 scenario). Jest to najbardziej prawdopodobny obraz rzeczywistoci w wietle obecnej wiedzy i przyjtych zaoe co do zmiennych egzogenicznych. Jeeli zaoenia nie maj charakteru hipotetycznego, ale najbardziej prawdopodobne, wówczas projekcje takie mona nazywa prognozami. Dugookresowe projekcje sektora rolnego w przypadku kilku modeli równowagi czstkowej s regularnie publikowane wraz z obszernym uzasadnieniem i interpretacj wyników. Raporty te nosz nazw Agricultural Outlook. Praktycznie tylko trzy instytucje: USDA (United States Department of Agriculture), FAPRI (Food and Agricultural Policy Research Institute) oraz wspólnie OECD i FAO (Organisation for Economic Co-operation and Development, Food and Agriculture Organization) przygotowuj corocznie raporty (Agricultural Outlooks) obejmujce charakterystyk wiatowych rynków rolnych i ich projekcje na okres 8-10 lat. Projekcje takie s oparte na pewnych zaoeniach dotyczcych ksztatowania si zmiennych egzogenicznych, takich jak: pogoda, zaoenia makroekonomiczne czy zaoenia dotyczce ksztatowania si polityki rolnej i handlowej. Zakada si typowe zachowania, jeeli chodzi o pogod czy wzrost gospodarczy (lub denie do redniego tempa wzrostu po wystpieniu szoku) oraz status quo polityki ekonomicznej i handlowej. Scenariusz bazowy stanowi moe punkt odniesienia dla scenariuszy alternatywnych zakadajcych inne zachowania zmiennych egzogenicznych. Takie porównania nosz nazw symulacji. Przykadem symulacji moe by ocena wpywu reformy likwidacji kwot na sektor rolny [Hamulczuk, Hertel 2009]. 3.2. Model AGLINK-COSIMO Sporód modeli równowagi czstkowej model AGLINK-COSIMO zyska najwiksz popularno. Stanowi on poczenie modelu AGLINK rozwijanego od 1992 roku przez OECD oraz modelu COSIMO bdcego w gestii FAO. Poczenie obydwu modeli nastpio w roku 2004, za widocznym efektem wspópracy s 10-letnie projekcje publikowane jako OECD-FAO Agricultural Outlook. Model ten koncentruje si nie tylko na wskazywaniu kierunków zmian w przyszoci, ale te pozwala na ocen potencjalnego wpywu zmian polityki rolnej i handlowej na rolnictwo w perspektywie rednioterminowej. Wanym elementem publikacji s analizy wraliwoci modelu na szoki egzogeniczne. Model AGLINK ma swoje korzenie w statycznym modelu MTM (Ministerial Trade Mandate). Model MTM w swoim pierwotnym zaoeniu mia na przygotowywa prognozy takie same jak inne orodki, znaczyoby to, e w znacznej mierze musiaby prognozowa swoje wasne zachowanie. Aby tego unikn, NBP zamiast prognoz publikuje projekcje. Wynika to z mikroekonomicznego charakteru prognoz. 67 celu analiz efektów redukcji protekcji i barier handlowych. Pierwsze publikacje projekcji i wyników symulacji zostay opublikowane w roku 1987. Z uwagi na statyczny charakter model MTM nie spenia pokadanych w nim nadziei, std w 1989 roku rozpoczto prace nad modelem AGLINK, który miaby wiksze moliwoci oceny cieki dochodzenia do równowagi w wyniku szoku, którym jest np. zmiana polityki. Pierwszy raport (The OECD Agricultural Outlook) uzyskany na podstawie nowego modelu ukaza si w roku 1995. Od tego czasu publikacje te ukazuj si regularnie w pierwszej poowie roku. Model AGLINK jest dynamicznym, rekursywnym modelem równowagi czstkowej rolnictwa OECD i wybranych krajów oraz regionów spoza OECD. Obejmuje on roczn poda, popyt i ceny gównych surowców rolnych wytwarzanych, konsumowanych i wymienianych w kadym z krajów (regionów) reprezentowanych w modelu. W ramach ogólnej struktury modelu uwzgldnia si specyfik gospodarcz obserwowan w poszczególnych krajach, szczególnie w kwestii polityki rolnej. W 2004 roku model AGLINK zosta rozszerzony o komponent COSIMO (Commodity Simulation Model). Ogólna struktura modelu COSIMO rozwijanego przez specjalistów z FAO zostaa dopasowana do struktury modelu AGLINK. Jeeli chodzi o parametry behawioralne, to model COSIMO jest kontynuacj prac podejmowanych w ramach modelu WFM (World Food Model). Uwzgldnienie moduu COSIMO pozwolio na rozszerzenie modelu AGLINK o bardziej szczegóowe analizy dla krajów/regionów, które nie nale do OECD. Gównie chodzi tutaj o kraje rozwijajce si. Niemniej jednak naley pamita, e nie wszystkie moduy (rynki towarowe) modeli AGLINK i COSIMO s w peni zintegrowane ze sob. Ogólnie waciwoci modelu AGLINK-COSIMO mona uj w trzech punktach [OECD 2007]: 1. AGLINK-COSIMO jest rekursywnym, dynamicznym modelem równowagi czstkowej dla najwaniejszych surowcowych rynków rolnych wiata. Rynki nierolnicze nie s modelowane, a ich wpyw na rolnictwo uwzgldnia si w sposób egzogeniczny. 2. Zakada si, e poszczególne rynki rolne s konkurencyjne. Oznacza to, e sprzedajcy i kupujcy nie posiadaj przewag konkurencyjnych wynikajcych z ich pozycji monopolowej, a poziom cen rynkowych jest wynikiem równowagi rynkowej popytu i poday w ujciu globalnym lub regionalnym. 3. Przyjmuje si, e produkty rolne wytwarzane i wymieniane w rónych krajach s uznawane przez kupujcych jako doskonae substytuty. Oznacza to, e importerzy czy konsumenci nie dokonuj rozrónienia produktu ze wzgldu na kraj jego pochodzenia. 68 Cena równowagi ustalana jest jako poziom, przy którym nastpuje „wyczyszczenie rynku”. To znaczy, e popyt globalny równy jest globalnej poday. Rol cen wiatowych peni ceny referencyjne notowane w krajach, regionach czy portach uznawanych za wyznacznik dla cen w wiecie. Równania behawioralne czce popyt i poda z cenami maj w wikszoci przypadków charakter liniowy dla logarytmów poszczególnych zmiennych. Wspóczynniki tych równa odzwierciedlaj elastycznoci czstkowe i pochodz z rónych róde. Cz wspóczynników jest uzyskiwana w wyniku estymacji równa metodami ekonometrycznymi, niektóre pochodz z innych modeli (WFM czy bazy wspóczynników elastycznoci modelu FAPRI) albo te przyjmowane s na podstawie szeroko rozumianej literatury. Z uwagi na dynamiczny charakter modelu, niektóre równania (gównie zwizane z produkcj) uwzgldniaj opó nienia czasowe sigajce nawet kliku lat. Wpywa to w oczywisty sposób na ciek dochodzenia do równowagi rynkowej (stabilizacji), która przypomina model pajczyny popytowo-podaowej [OECD 2007, Uebayashi 2008]. Dla wikszoci krajów (regionów) przyjmuje si zaoenie maej otwartej gospodarki, a co za tym idzie, zakada si, e zmiany cen tam notowanych nie odbiegaj od zmian cen wiatowych. Ceny krajowe s wówczas funkcj cen wiatowych (przekonwertowanych na walut danego kraju). Rónice midzy cen krajow a wiatow wynikaj z uwzgldnienia kosztów transportu, jakoci produktów czy wpywu polityki handlowej (taryfy, podatki, subsydia itp.) [OECD 2007]. Saldo wymiany handlowej ustalane moe by w róny sposób, w zalenoci od statusu kraju, który to status determinowany jest prowadzon polityk roln i handlow. W skrajnym przypadku, dla krajów o restrykcyjnej polityce handlowej, mona poziom wymiany handlowej zaoy (np. w oparciu o kontyngenty importowe). Natomiast w przypadku braku barier w wymianie handlowej saldo wymiany handlowej jest zmienn rezydualn produkcji krajowej i zuycia krajowego. Model AGLINK-COSIMO w ujciu terytorialnym obejmuje praktycznie cay wiat (rys. 3.2.1) w podziale na kraje oraz regiony. W roku 2012 zosta podzielony na 42 kraje i regiony [OECD/FAO 2012]. Przy czym status niektórych krajów (regionów) w modelu ma charakter egzogeniczny, tzn. te rynki towarowe nie s modelowane, ale przyjte w formie zaoenia. Naley podkreli, e Unia Europejska wystpuje w postaci jednego regionu (agregatu), który jest podzielony na stare i nowe kraje czonkowskie. 69 Rysunek 3.2.1. Agregacja przestrzenna modelu AGLINK-COSIMO ródo: Pérez Domínguez i in. 2012. Modelowaniem objto wikszo najwaniejszych surowcowych rynków rolnych. Nale do nich: zboa (w podziale na pszenic, zboa paszowe, ry), roliny oleiste (w podziale na róne roliny i na rozdysponowanie produkcji – nasiona, pasze i olej), cukier, mleko i jego produkty, miso (woowina i cielcina, wieprzowina, drób, baranina), jaja oraz ryby i owoce morza. W ostatnich latach dodano równie model rynku biopaliw. Mona powiedzie, e w przypadku kadego regionu (lub kraju) mamy do czynienia z modelami poszczególnych rynków towarowych. Jednak stopie szczegóowoci modelowania poszczególnych rynków jest zrónicowany w zalenoci od kraju czy regionu. Poszczególne rynki towarowe powizane s ze sob zwizkami o charakterze substytucyjnym i komplementarnym. Popyt na ywno jest funkcj cen, dochodów oraz liczby ludnoci. Popyt paszowy jest funkcj pogowia zwierzt oraz cen. Z kolei popyt na biopaliwa jest uwarunkowany instytucjonalnymi wymaganiami. Produkcja poszczególnych produktów rolnych generalnie jest funkcj wydajnoci, przeszych cen (w tym wzgldnych) oraz potencjalnych korzyci z polityki rolnej. Mona uzna, e modele dla poszczególnych krajów (regionów) s w pewnym sensie modelami niezalenymi. Jednak istnieje procedura agregacji poszczególnych moduów modelu AGLINK-COSIMO w cao w czasie tworzenia projekcji bazowej. W ostatecznym rozrachunku, aby uzyska projekcje, cay model jest optymalizowany. Mona równie rozwizywa model dla poszczególnych krajów indywidulanie traktujc pozostae zmienne jak egzoge70 niczne. Sama struktura zagregowanego modelu oraz sposób uzyskiwania równowagi nie jest do koca jasno okrelony, a brak aktualnej literatury nie uatwia zrozumienia caoci powiza. Model AGLINK-COSIMO stanowi centrum i najwaniejsze narzdzie tworzenia scenariuszy: bazowego i alternatywnych w horyzoncie 10 lat. Scenariusz bazowy stanowi projekcj, która ma charakter prognozy. Sam proces tworzenia scenariusza bazowego nie jest zautomatyzowany, jak to bywa w przypadku modeli ekonometrycznych czy opartych na programowaniu optymalizacyjnym, ale zawiera du doz wiedzy eksperckiej i ma charakter pewnego algorytmu (rys. 3.2.2). Rysunek 3.2.2. Proces tworzenia scenariusza bazowego przez OECD-FAO Dane, Zaoenia, Polityka Model AGLINK-COSIMO Wstpne projekcje bazowe TAK Proces oceny projekcji bazowych Zmiany? NIE Scenariusz bazowy Wiedza ekspercka OECD-FAO ródo: opracowanie wasne na podstawie Blanco-Fonseca (2010). Z uwagi, e AGLINK-COSIMO jest modelem równowagi czstkowej naley przyj szereg zaoe dotyczcych czynników egzogenicznych, liczby ludnoci, technologii produkcji czy ksztatu polityki ekonomicznej (makroekonomicznej, handlowej i rolnej). Szczegóowe ujcie polityk rolnych stanowi o sile modelu AGLINK-COSIMO i wyrónia go na tle innych modeli [Burrell (red.) 2010]. Sporód zmiennych makroekonomicznych s cztery podstawowe pozycje wska ników [OECD 2007]: 1. PKB wyraony w postaci indeksu i stanowicy zmienn proxy informujc o zmianach dochodów konsumentów. 71 2. Deflatory wydatków konsumenckich i deflator PKB (dla uchwycenia inflacji i kosztów produkcji). 3. Kursy walutowe. 4. Ceny ropy naftowej. Projekcje powyszych zmiennych przyjmuje si na podstawie analiz Departamentu Ekonomicznego OECD (Economic Oulook), publikacji Banku wiatowego, jak równie innych dostpnych róde. W okresie objtym horyzontem projekcji przyjmuje si te przecitne warunki pogodowe oraz zmiany produktywnoci zgodnie z trendami obserwowanymi w okresie historycznym. Koszty produkcji s przyblione w postaci indeksu kosztów bdcego agregatem midzy innymi deflatora PKB, cen ropy, cen nawozów, kursu walutowego. Indeksy kosztów s zrónicowane w zalenoci od rodzaju produkcji [OECD/FAO 2012]. W ostatnich latach cz analiz jest wykonywana z uyciem modelu stochastycznego zamiast modelu deterministycznego [OECD 2011, 2012]. W modelu deterministycznym zakada si jeden zestaw zmiennych egzogenicznicznych (jeden ich scenariusz). W modelu stochastycznym zmienne egzogeniczne (plony, ceny ropy, ceny nawozów, zmienne makroekonomiczne) poddaje si eksperymentom symulacyjnym uzyskujc wiele stanów zmiennych egzogenicznych. Na tej podstawie dokonuje si wielokrotnego optymalizowania (rozwizywania) formalnego modelu AGLINK-COSIMO uzyskujc róne wyniki w formie rozkadu. Stanowi one podstaw oceny niepewnoci (a co za tym idzie – ryzyka) formuowanych projekcji bazowych na poszczególnych rynkach. Podstaw waciwych projekcji s dane dla poszczególnych rynków towarowych majce charakter bilansów. Pochodz one gównie ze róde krajowych lub baz danych OECD i FAOSTAT. W przypadku moduu OECD (model AGLINK) cz danych uzyskiwana jest w drodze rozsyanych na pocztku roku kwestionariuszy z pytaniami dotyczcymi perspektyw rozwojowych poszczególnych rynków oraz ewolucji polityki rolnej i handlowej w okresie objtym projekcji. Dane te (uzupenione o inne róda) stanowi wstp do projekcji moduów krajowych i regionalnych [Conforti, Londero 2001; Blanco-Fonseca 2010]. Jeeli chodzi o kraje nie nalece do OECD, to wstpne projekcje modelu COSIMO s kombinacj wyników pochodzcych z formalnego modelu oraz opinii analityków (ekspertów) FAO. W obydwu przypadkach brane s pod uwag róne zewntrzne róda w celu uzupenienia wiedzy na temat gównych czynników determinujcych zachowanie rynków rolnych (informacje o zmiennych egzogenicznych). Na podstawie tych zaoe dokonuje si 72 wstpnej kalibracji modeli dla poszczególnych krajów [Blanco-Fonseca 2010, OECD/FAO 2012]. W kolejnym kroku nastpuje poczenie modeli krajowych i regionalnych w cao i ich optymalizacja, przez co uzyskuje si wstpne globalne projekcje bazowe. Projekcje te porównywane s z ocenami uzyskanymi z kwestionariuszy czy wstpnych projekcji moduu COSIMO. Weryfikacja uzyskanych wyników jest dokonywana najpierw przez ekspertów z FAO oraz OECD, nastpnie przez ekspertów krajowych (regionalnych) z OECD Commodity Working Groups (dokonywana na pocztku roku). W tworzenie projekcji bazowej i jej ewaluacj zaangaowanych jest wielu ekspertów z dziedziny polityki rolnej i poszczególnych rynków rolnych. Ma to swoje zalety i wady. Z jednej strony uczestnictwo ekspertów z poszczególnych krajów zwiksza prawdopodobiestwo uwzgldnienia specyfiki poszczególnych krajów, z drugiej za powoduje trudnoci uwzgldniania czsto skrajnych opinii [Uebayashi 2008, OECD/FAO 2012]. Na podstawie powyszych opinii dokonuje si modyfikacji zaoe w tych obszarach, w których wystpuj najwiksze rozbienoci. Dziki temu system modelowania rynków rolnych w ramach modelu AGLINK-COSIMO pozwala na uzyskanie wzajemnej zgodnoci projekcji w wyniku przyjcia pewnego konsensusu co do ksztatowania si czynników wpywajcych na rynek rolny [OECD 2007, OECD/FAO 2012]. Po dokonaniu zmian nowy scenariusz bazowy jest generowany na podstawie formalnego modelu AGLINK-COSIMO. Uaktualniony scenariusz bazowy jest znowu poddawany weryfikacji. W przypadku braku wikszych zastrzee na tej podstawie przygotowuje si wstpny zarys publikacji (Agricultural Outlook), który dyskutowany jest przez Senior Mangement Committee w FAO oraz przez Working Party on Agricultural Policies and Markets of the Committee for Agriculture w OECD. Po uwzgldnieniu uwag nastpuje publikacja raportu. 3.3. Model FAPRI Instytut FAPRI (Food and Agricultural Policy Research Institute) jest wspólnym przedsiwziciem Iowa State University oraz University of Missouri, Columbia, utworzonym w roku 1989. Z czasem konsorcjum powikszao si o inne jednostki (np. University of Arkansas czy University of Wisconsin), które bior aktywny udzia podczas modelowania i przygotowywania dugookresowych projekcji i symulacji. Gównym odbiorc opracowa FAPRI (i fundatorem finansujcym badania) jest senacka komisja ds. rolnictwa, ywienia (nutrition) i lenictwa oraz komisja ds. rolnictwa Izby Reprezentantów USA. Oprócz nich 73 z opracowa korzysta USDA, inne agencje rzdowe, organizacje farmerskie oraz wszyscy, którzy s tym zainteresowani, jako e prognozy i symulacje powstae na podstawie modelu s bezpatnie upowszechnione na stronach internetowych FAPRI. Moliwoci rozbudowy modelu s bezsprzecznie zwizane z ewaluacj wpywu zmian w amerykaskiej polityce rolnej (Farm Bill) na poszczególne rynki, jak i analiz wpywu zmian w zakresie polityki rolnej UE (CAP) oraz porozumie midzynarodowych w ramach GATT/WTO [Meyers i in. 2010]. Publikowane corocznie raporty (FAPRI US and World Agricultural Outlook) s przygotowywane w oparciu o szerok baz danych, wyniki modelowania oraz proces oceny merytorycznej dokonywanej przez ekspertów [FAPRI 2011]. Cay raport przygotowywany jest przy wykorzystaniu podejcia iteracyjnego. Obejmuje ono elementy modelowania wraz z du doz wiedzy eksperckiej. Mimo e proces ten ewaluowa na przestrzeni ostatnich ponad 25 lat, ogólnie okrela si go jako FAPRI approach. Modelowanie ma swoje róda w procesie tworzenia raportów (Outlook) przez USDA-ERS. Wynika to z faktu, e w momencie powstania instytutu wielu pracowników FAPRI miao dowiadczenia z pracy w USDA-ERS. Proces tworzenia raportu w przypadku FAPRI bardziej polega na wykorzystaniu modelowania ni w przypadku USDA, gdzie Outlook opiera si na wiedzy ekspertów. Nie mona te nie docenia roli ekspertów i analityków, których wiedza pozwala na jak najwierniejsze odzwierciedlenie specyfiki poszczególnych rynków [Meyers i in. 2010]. Proces przygotowania samego raportu odbywa si w cigu dwóch tygodni raportowych (baseline weeks). Jest to proces iteracyjny zbliony do zaprezentowanego w rozdziale 3.2. W pierwszym kroku mamy do czynienia z indywidualnym modelowaniem amerykaskich i midzynarodowych rynków surowcowych oraz zmiennych egzogenicznych. Nastpnie badacze zajmujcy si modelowaniem poszczególnych rynków spotykaj si podczas paneli dyskusyjnych dzielc si swoimi wynikami. Kluczowymi zmiennymi s w tym przypadku ceny oraz wielko bilansu handlowego. Spotkania panelowe pozwalaj na uzyskanie dodatkowych informacji na temat powizanych rynków oraz na dokonanie korekty modeli. Procedura iteracyjna (poprawa równa modelu i dyskusje) jest dokonywana dotd, a wszystkie rynki znajd si w stanie równowagi. Uzyskuje si w ten sposób scenariusz bazowy, którego wstpne projekcje s oceniane przez panel ekspertów wewntrznych FAPRI, pracowników rónych departamentów USDA, przedstawicieli organizacji midzynarodowych, doradztwa czy przemysu. Uwagi merytoryczne co do realnoci projekcji brane s pod uwag przed ostatecznym opublikowaniem raportu [FAPRI 2011]. 74 Model FAPRI jest zbiorem modeli równowagi czstkowej obejmujcych modele rynku USA oraz midzynarodowych rynków zbó, rolin oleistych, baweny, ryu, cukru, mleka oraz produktów zwierzcych (rys. 3.3.1). W ostatnich latach zosta rozbudowany komponent biopaliw, jako e wpyw tego kierunku zagospodarowania produkcji rolnej jest coraz wikszy. Model FAPRI to ponad trzy tysice równa wyjaniajcych zachowanie zmiennych okrelajcych rynek rolny (amerykaski i wiatowy) i jego poszczególne komponenty. Rysunek 3.3.1. Interakcje w modelu FAPRI Zmienne makroekonomiczne International Dairy Zmienne i parametry polityki rolnej i handlowej International Livestock International Grains International Oilseeds Ethanol U.S. Dairy U.S. Livestock International Sugar U.S. Crops International Rice ródo: opracowanie wasne na podstawie Meyers i in. [2010]. Modele poszczególnych rynków s modelami dynamicznymi reprezentujcymi obecnie 26 najwaniejszych, z gospodarczego punktu widzenia, krajów (regionów) oraz pozosta cz reprezentowan w postaci agregatu – Reszta wiata (Rest of the World). Mona zauway, e analogiczne modele amerykaskie i pozostaych rynków wiatowych charakteryzuj si do duym zrónicowaniem biorc pod uwag szczegóowo modelowania rónych aspektów rzeczywistoci. Gówny nacisk poony jest na rynki amerykaskie, które znaczco przewyszaj pozostae rynki, jeeli chodzi o szczegóowo ujcia polityki rolnej. Unia Europejska wystpuje w modelu w postaci agregatu UE-27. Polska do roku 2004 bya uwzgldniania w projekcjach, za po tym okresie znalaza si w ramach UE-27 [Hamulczuk 2011]. 75 Struktur modelu tworz trzy komponenty: komponent egzogeniczny, komponent obejmujcy rynki amerykaskie (U.S.) oraz komponent wiatowy (International) (rys. 3.3.1). Z jednej strony modele dla poszczególnych rynków towarowych s czciowo niezalene od siebie, bo zajmuj si nimi róne osoby i instytucje w ramach konsorcjum. Z drugiej jednak strony, poszczególne rynki s powizane ze sob stron popytow lub podaow, a take cenami. Stopie wspózalenoci wzrasta wraz z iloci spotka konsultacyjnych w ramach konsorcjum. Kierunki zalenoci przedstawiono w postaci strzaek na rysunku 3.3.1. Przykadowo, modele (rynki) mleka i produktów zwierzcych pozwalaj okreli popyt paszowy na zboa, za zmienne makroekonomiczne determinuj popyt konsumpcyjny. Inne rynki rolinne (zboa, oleiste, ry, cukier) dostarczaj informacji umoliwiajcych okrelenie wzgldnych wska ników opacalnoci produkcji poszczególnych rolin, a tym samym s podstaw rozdysponowania gruntów pod zasiewy. Dane dla poszczególnych krajów/regionów czy wiata maj typowo bilansowy charakter: Zapasy pocztkowe + Produkcja + Import = Zapasy kocowe + Zuycie + Eksport. Pochodz z baz danych USDA-FAS oraz innych róde. Produkcja jest iloczynem wydajnoci (np. plonów na hektar, mlecznoci czy te wydajnoci rze nej) oraz zasiewów czy te pogowia zwierzt. Zuycie jest dzielone na konsumpcj, zuycie na pasze i zuycie przemysowe. Po to, aby nastpowaa równowaga na danym rynku, jedna ze zmiennych (najczciej eksport lub import) peni rol zmiennej rezydualnej. Cena krajowa (regionalna) jest modelowana z reguy jako funkcja ceny wiatowej za pomoc równania transmisji cenowej. Cena wiatowa jest cen równowagi zapewniajc zachowanie równowagi bilansowej [FAPRI 2011]. Modele poszczególnych rynków s równie powizane z penicymi rol zmiennych egzogenicznych zmiennymi polityki makroekonomicznej, sektorowej i handlowej. Model FAPRI wyrónia si szczegóowym ujciem instrumentów polityki rolnej przybliajcym ich oddziaywanie do wpywu obserwowanego w rzeczywistoci. Do instrumentów tych nale m.in.: dopaty do eksportu, taryfy i kwoty eksportowe, subsydia eksportowe, ceny interwencyjne czy wska niki przymusowego odogowania. W ostatnich latach wanym elementem polityki wpywajcym na stron popytow s wska niki wykorzystania biopaliw (compulsory blending). Poszczególne polityki rolne i handlowe w modelu wpywaj na decyzje agentów po stronie popytowej lub podaowej. Przykadowo, utrzymanie taryf celnych hamujcych import powoduje wzrost cen, przez co mamy do czynienia ze wzrostem produkcji oraz spadkiem konsumpcji, a w efekcie popraw bilansu handlowego. W przypadku projekcji bazowych zakada si brak zmian polityk lub zmiany zgodnie z przyjtymi i znanymi ju porozumieniami. W modelu FAPRI 76 mamy do czynienia z rónym stopniem szczegóowoci ujcia polityk. Polityki dotyczce Stanów Zjednoczonych s bardziej szczegóowo ujte w modelu ni innych krajów, w tym UE [Blanco-Fonseca 2010]. Zmiennymi egzogenicznymi s równie zmienne makroekonomiczne, takie jak PKB, liczba ludnoci czy zmiany kursów walutowych. ródem danych makroekonomicznych jest Midzynarodowy Fundusz Walutowy (IMF). Zmienne te s istotne, jeeli chodzi o dugookresowe projekcje. Wielkoci PKB oraz liczba ludnoci determinuj zmiany popytu konsumpcyjnego na wiecie, jak i w poszczególnych krajach. Wane znaczenie odgrywa kurs walutowy, który okrela wzgldn opacalno produkcji w ujciu przestrzennym (midzynarodowym) oraz kierunki handlu zagranicznego. W przypadku FAPRI projekcje zmiennych makroekonomicznych s przyjmowane za IHS Global Insight [FAPRI 2011]. Instytut FAPRI generalnie specjalizuje si w odpowiedziach na pytanie „co-jeli”. Przez wiele lat gównym narzdziem wykorzystywanym w analizach by model deterministyczny, który pozwala na uzyskanie punktowych estymacji poszczególnych zmiennych obrazujcych poszczególne rynki. Z uwagi na pewne ograniczenia tego podejcia FAPRI wdroyo model stochastyczny i sukcesywnie dokonuje jego ulepsze. Model ten jest wykorzystywany do analiz amerykaskich rynków rolnych oraz rynku biopaliw. Natomiast projekcje rynków wiatowych nadal pochodz z modelu deterministycznego. Model stochastyczny pozwala na wskazanie róde zmiennoci na rynkach rolnych i rynku biopaliw. Wicej na temat korzyci z modelowania stochastycznego oraz struktury równa stochastycznego modelu FAPRI mona znale w opracowaniach: [Westhoff i in. 2006; Westhoff i in. 2008; FAPRI 2011a]. 3.4. Model AGMEMOD Model AGMEMOD34 jest modelem sektora rolnego Unii Europejskiej opracowanym w ramach 5 i 6 Projektu Ramowego Unii Europejskiej (FP5 i FP7). Stanowi on rozwinicie modelu GOLD35 bdcego odpowiednikiem modelu FAPRI dla kilku najwaniejszych krajów UE. Szczegóowo na temat modelu GOLD pisz: Binfield i in. [2005], Hanrahan [2001], Westhoff [2001]. W ramach FP5 i FP6 zaadaptowano model FAPRI-GOLD do specyfiki krajów europejskich i opracowano wspólne procedury budowy, estymacji i weryfikacji modelu, tak aby umoliwi poczenie modeli krajowych w spójn cao po34 Akronim pochodzi od sów angielskich: Agriculture, Macro, Economic, Modeling. Jest on zagregowanym modelem rolnictwa dla UE, na który skada si kombinacja modeli krajowych. 35 GOLD – Grains, Oilseeds, Livestock, Dairy. 77 zwalajc tym samym na opracowanie cznych prognoz dla krajów „pitnastki” oraz nowych krajów czonkowskich [Chantreuil, Hanrahan 2007]. Jednoczenie trwaj prace nad rozszerzeniem modelu o niektóre kraje bakaskie, Rosj, Ukrain i Turcj czy Kazachstan. AGMEMOD jest modelem ekonometrycznym, dynamicznym, wieloproduktowym. Modelowaniem objte s najwaniejsze rynki: zbó, rolin oleistych, rolin okopowych, artykuów mleczarskich, misa (woowego, wieprzowego, drobiowego, baraniny) oraz szereg majcych mniejsze znaczenie rynków, np.: jabek, pomidorów, tytoniu, rolin biakowych, baweny, oliwy z oliwek, owoców cytrusowych czy wina. Naley podkreli, e nie wszystkie rynki towarowe s uwzgldniane w modelach krajowych. Wykorzystywane dane statystyczne maj charakter danych bilansowych w ujciu rocznym. Ich ródem jest Eurostat, róda krajowe (w przypadku Polski GUS, IERiG, ARR) czy oszacowania ekspertów. Ogóln struktur modelu przedstawiono na rysunku 3.4.1. Rysunek 3.4.1. Struktura modelu AGMEMOD Zmienne makroekonomiczne, zmienne polityki rolnej Poda krajowa Export netto Zuycie krajowe Poziom krajowy: N- krajów, K- produktów Poziom UE modelu dla K- produktów Transmisja cen Scenariusze Ceny kluczowe Samowystarczalno Unii Europejskiej Ceny wiatowe (porozumienia handlowe i ceny interwencyjne) ródo: opracowanie wasne na podstawie Chantreuil i in. (red.) [2012]. Kady rynek jest modelowany za pomoc zestawu równa behawioralnych i tosamociowych. Modele na poziomie krajowym s dynamicznymi modelami równowagi czstkowej, na które skada si strona popytowa, podaowa, ceny oraz midzynarodowe powizania handlowe (eksport, import). Dynamiczny charakter modelu zwizany jest z rekurencyjnym ukadem równa, gdzie opó nione zmienne endogeniczne s determinantami biecej równowagi. Model jest rozwizywany dla danego poziomu cen poprzez doprowadzenie do 78 zrównania poday i popytu zarówno na poziomie caej UE, jak i na poziomie poszczególnych krajów czonkowskich. Po stronie podaowej mamy produkcj, import oraz zapasy pocztkowe. Najwaniejsz zmienn jest produkcja, której poziom jest funkcj oczekiwa cenowych (na podstawie cen przeszych), korzyci pozarynkowych (polityka rolna) oraz kosztów produkcji. Po stronie popytowej wystpuj midzy innymi takie elementy bilansu, jak: zuycie krajowe, eksport i zapasy kocowe. Popyt krajowy jest sum popytu ywnociowego, przemysowego (w tym na pasze) i zuycia na nowe zasiewy czy reprodukcj. Najwaniejszymi zmiennymi determinujcymi popyt s relacje cenowe rozpatrywanego dobra i dóbr substytucyjnych dla biecego roku. Samo zrównanie popytu i poday moliwe jest dziki tzw. zmiennym zamykajcym (closing variables). Rol takiej zmiennej peni z reguy export bd import. Dotyczy to zarówno poziomu krajowego, jak i caego modelu UE [AGMEMOD 2008]. W modelu AGMEMOD interakcje wystpuj w dwóch paszczyznach: przestrzennej (midzy krajami) i produktowej (midzy rynkami poszczególnych produktów). Interakcje pomidzy poszczególnymi rynkami produktowymi w obrbie danego kraju dokonuj si poprzez substytucj lub komplementarno produkcji lub konsumpcji. Przykadem powiza midzy produktami jest alokacja ziemi midzy róne kierunki produkcji rolinnej czy zuycie paszowe i przemysowe rolin, o których decyduje poziom cen. Powizanie midzy rynkiem rolinnym a zwierzcym ma miejsce poprzez zmienne reprezentujce paszowe rozdysponowanie produkcji rolinnej i poprzez zmienne wyraajce popyt na pasze ze strony produkcji zwierzcej (pogowie) [Chantreuil i in. (red.) 2012]. Najwaniejszym elementem w modelu równowagi jest przyjcie sposobu modelowania i prognozowania cen poszczególnych produktów. Równanie cenowe jest najwaniejszym sposobem powizania rynku krajowego z rynkiem innych krajów oraz rynkiem wiatowym. Wybór sposobu modelowania cen jest kluczowy, bo od niego zaley, w gównej mierze, jako projekcji. W modelach równowagi znajduj zastosowanie dwa sposoby modelowania cen wiatowych. W pierwszym z nich, wychodzc z zaoenia tzw. „maego otwartego kraju”, zakada si, e ceny wiatowe produktów stanowi zmienn zewntrzn (egzogeniczn). W drugim podejciu ceny wiatowe produktów modelowane s endogeniczne, czyli stanowi zmienn objanian modelu [Tongeren i in. 2001]. Ceny wiatowe modelu AGMEMOD stanowi zmienn zewntrzn nie podlegajc modelowaniu (egzogeniczn). Std te formuujc projekcje naley 79 przyj pewne zaoenia co do ich ksztatowania si. Prognozy cen wiatowych przyjmuje si za opracowaniami wykonanymi przez FAPRI (gównie), OECD-FAO czy USDA. Sama transmisja cen midzy rynkiem wiatowym a poszczególnymi krajami czonkowskimi wykorzystywana w modelu AGMEMOD ma charakter dwustopniowy. Oznacza to, e ceny wiatowe wpywaj na cen unijn, za cena unijna na ceny krajowe. Dla wikszoci produktów ustalono tzw. ceny kluczowe (key prices). Ceny kluczowe s cenami w kraju UE najwaniejszym z punktu widzenia popytu lub poday danego produktu i stanowi odniesienie dla innych krajów [Esposti, Camaioni 2007; Chantreuil, Tabeau, van Leeuwen 2008]. Poziom cen kluczowych uzaleniony jest od cen wiatowych (i ich prognoz), zmiennych wyraajcych WPR, porozumie w ramach WTO i innych zmiennych, w tym samowystarczalnoci UE. Przyjmujc taki sposób modelowania, naley oczekiwa, e w przypadku braku ogranicze w przepywie towarów projekcje cen kluczowych nie bd odbiegay zasadniczo od projekcji cen wiatowych. Wiksze rónice mog istnie w przypadku towarów (rynków), znaczco regulowanych w ramach WPR czy przez polityk handlow. Drugim rodzajem równa modelu s równania cen krajowych. W modelu AGMEMOD mamy do czynienia z dwoma rodzajami równa transmisji cen, za pomoc których wyliczana jest cena krajowa. W jednym przypadku cena krajowa jest uzaleniona bezporednio od cen wiatowych (rzadziej). W drugim przypadku cena krajowa zaley od tzw. cen kluczowych (procedura dwustopniowa). Obok cen wiatowych lub kluczowych w równaniu na cen krajow wystpuj opó nione zmienne obrazujce samowystarczalno kraju, dla którego wyliczana jest cena, oraz kraju, dla którego mamy cen kluczow lub samowystarczalno caej UE. Uwzgldnienie samowystarczalnoci umoliwia odchylenia cieki ksztatowania si cen krajowych od cieki cen kluczowych czy wiatowych (w zalenoci od tego, czy dany kraj jest eksporterem netto czy te nie, ceny krajowe mog by nisze lub wysze od cen kluczowych). Ostatnio trwaj prace nad endogenizacj cen wiatowych tak, aby ceny wiatowe byy zmiennymi objanianymi i przez to uniezalenionymi w okresie prognozowania od zmiennych wejciowych, jakimi s projekcje cen wiatowych z innych modeli. Wzajemne oddziaywanie midzy eksportem netto UE a potencjalnym popytem reszty wiata powoduje, e to, co si dzieje w Unii Europejskiej wpywa na poziom cen wiatowych. Std poziom cen wiatowych przy ich endogenizacji jest funkcj eksportu netto UE, czynników podaowych, takich jak wiatowy PKB, liczba ludnoci czy zmienne polityki rolnej (np. subsydia). Ceny wiatowe s estymowane z wykorzystaniem modelu pozornie niezalenych regresji SUR [Listorti, Esposti 2008; Banse i in. 2012]. 80 Aby zwikszy ekonomiczn integracj wród starych i nowych krajów czonkowskich, zakada si cenow i technologiczn konwergencj do poziomu cen lub efektywnoci unijnej [AGMEMOD Partnership 2005]. Sama szybko konwergencji uzaleniona jest od charakteru dobra i lokalnych uwarunkowa, które oceniane s przez ekspertów. Moe okaza si, e poziom cen nie bdzie zmierza dokadnie do poziomu cen UE, tylko zatrzyma si kilka lub kilkanacie procent poniej lub powyej niej z uwagi na specyfik rynku czy relacje popytowo-podaowe (wyraajc porednio wpyw kosztów transakcyjnych). Wanym elementem modelu jest sposób implementacji polityki rolnej. Model zawiera typowe instrumenty WPR jak kwoty, patnoci bezporednie czy ceny interwencyjne. Dodatkowo w modelu uwzgldnione s zmienne polityki rolnej uwarunkowane midzynarodowymi porozumieniami w ramach GATT/WTO. Gównym problemem byo opracowanie sposobu przejcia pomidzy okresami, w których prowadzona polityka rolna i stosowane instrumenty miay róny charakter oraz sposobu umieszczenia w modelu rónych systemów patnoci, jakie obowizyway (przed wejciem do UE) i obowizuj obecnie (system uproszczony i system peny) w starych i nowych krajach czonkowskich. W aspekcie modelowania polityki rolnej najwiksze rónice wystpuj midzy „starymi” i „nowymi” krajami czonkowskimi. W systemie penym (starzy czonkowie UE) dosy atwo jest dokona alokacji dopat. W systemie uproszczonym (wikszo nowych krajów czonkowskich) naley dokona podziau patnoci bezporednich na patnoci do produkcji rolinnej i zwierzcej (decoupling). W poszczególnych modelach wystpuj róne zaoenia dotyczce wpywu patnoci bezporednich na wielko produkcji rolniczej. Wicej na temat problemów zwizanych z implementacj polityki rolnej pisz: Binfield i in. [2005], Conforti [2001] czy Donnellan i in. [2002]. Równania behawioralne wikszoci modeli s równaniami oszacowanymi ekonometrycznie. Stosowan procedur jest uogólniona metoda najmniejszych kwadratów dla modeli jednorównaniowych. Wiele równa musiao zosta skalibrowanych w oparciu o teori ekonomiczn oraz ocen wyników wstpnych przez ekspertów. Estymacja ekonometryczna równa jest czsto nieuzasadniona, a wyniki niezgodne z teori ekonomiczn z uwagi na zaamania strukturalne (transformacj ustrojow, etap przedakcesyjny, wejcie do UE) oraz charakter dostpnych danych statystycznych (krótkie szeregi czasowe) [AGMEMOD 2005]. Weryfikacja modeli ma charakter merytoryczny (zgodno z teori ekonomiczn znaków i wielkoci wspóczynników elastycznoci) i statystyczny (dopasowanie, istotno parametrów, rozkad skadnika losowego). Ocena realnoci wyników generowanych przez model dokonywana jest przez ekspertów. Rezultatem negatywnej oceny jest reestymacja lub 81 rekalibracja modeli (równa) majca na celu uzyskanie bardziej racjonalnych wyników. Wanym elementem weryfikacji modeli jest prawidowo reakcji na szoki zewntrzne zapewniajca zdolnoci symulacyjne modelu [Chantreuil i in. (red.) 2012]. Projekcja na rynkach rolnych obejmuje redni i dugi okres. Dla takich horyzontów czasowych podstawowe znaczenia ma okrelenie kierunków rozwoju sytuacji na rynkach. Okrelenie to wymaga przyjcia pewnych zaoe dotyczcych czynników egzogenicznych oddziaujcych na produkcj, rynek rolny i jego kategorie. Czynniki te to tempo wzrostu PKB, stopa inflacji, kursy walutowe, zmiany liczby ludnoci, przebieg warunków przyrodniczo-klimatycznych. Zmienne makroekonomiczne przyjmowane s na podstawie projekcji Komisji Europejskiej, OECD, ministerstw poszczególnych krajów. Zakada si take, e warunki przyrodniczo-klimatyczne i sposoby oddziaywania pastwa na rolnictwo nie ulegn zmianom. Ceny wiatowe (przy uznaniu ich za egzogeniczne) s powizane z prognozami OECD, FAPRI oraz USDA [Chantreuil, Hanrahan 2007]. Potencjalne scenariusze wyraaj moliwy zakres zmian w rónych wariantach polityki WPR i innych zmiennych egzogenicznych. Jak dotychczas prognozy uzyskiwane na podstawie modelu AGMEMOD nie s publikowane regularnie w formie podobnej jak w przypadku modelu FAPRI czy AGLINK. Jednake rozwaa si przygotowywanie w kolejnych latach projekcji dla poszczególnych krajów, jak i caej Unii Europejskiej. 82 4.Prawidowociwksztatowaniusimiesicznych cenproduktówrolnych W niniejszym rozdziale przedstawiono empiryczn analiz prawidowoci, które mog by przydatne w krótkookresowym prognozowaniu cen surowców rolnych w Polsce. Oparto j na miesicznych informacjach dotyczcych czynników makroekonomicznych w wiecie oraz wiatowych i krajowych cen surowców rolnych. Badanie prawidowoci obejmuje ocen ogólnych waciwoci szeregów czasowych, badanie kierunków przepywu impulsów midzy zmiennymi oraz ocen wystpowania zalenoci dugookresowych midzy wybranymi zmiennymi. 4.1. Waciwoci szeregów czasowych Waciwoci szeregów czasowych determinuj charakter prowadzonych analiz, dobór odpowiedniej metodyki oraz stosowane przeksztacenia zmiennych. Ocena waciwoci obejmuje analiz graficzn szeregów czasowych, badanie struktury danych z wykorzystaniem wyników automatycznej procedury X-12-ARIMA [szerzej: Grudkowska 2011; X-12-ARIMA 2011] oraz badanie stacjonarnoci (szerzej rozdz. 2). Analizujc waciwoci szeregów czasowych (poszukujc waha cyklicznych) posugiwano si równie periodogramem dla danych skorygowanych z trendu. Sezonowo bya uwzgldniana w badaniu istnienia pierwiastka jednostkowego, w postaci zmiennych deterministycznych, jeeli procedura X-12-ARIMA potwierdzaa jej wystpowanie. Analiza stacjonarnoci przeprowadzona zostaa w oparciu o dane niepoddawane adnym przeksztaceniom w przypadku wystpowania modelu addytywnego szeregu czasowego lub w oparciu o dane zlogarytmowane (logarytmem naturalnym), jeeli szereg czasowy charakteryzowany by przez model multiplikatywny. Wybór mia ródo w wynikach zastosowania do tych szeregów procedury X-12-ARIMA, gdzie na podstawie kryterium informacyjnego Akaike’a sugerowane s transformacje szeregu czasowego. Dobór opó nie (augmentacji) w testach na pierwiastek jednostkowy podyktowany by warunkiem spenienia braku autokorelacji i dokonywany by na podstawie kryteriów informacyjnych w ramach procedury ADF i KPSS (szerzej na ten temat w rozdz. 2.). 83 4.1.1. Makroekonomiczne determinanty zmian cen surowców rolnych Ceny surowców rolnych zale zarówno od uwarunkowa sektorowych, jak i od uwarunkowa makroekonomicznych, ogólnogospodarczych. Z uwagi na niewielkie znaczenie sektora rolnego czsto przyjmuje si, e to czynniki makroekonomiczne w wikszym stopniu determinuj zachowania w rolnictwie ni odwrotnie. Dlatego zostay one potraktowane jako egzogeniczne w stosunku do rolnictwa. Na rysunku 4.1.1 przedstawiono, w jaki sposób ksztatuj si wybrane zmienne charakteryzujce sytuacj ogólnogospodarcz i mogce wpywa na poziom cen produktów rolnych. Nale do nich kursy walutowe (warunki wymiany handlowej), ceny ropy naftowej (koszty produkcji w rónych ogniwach, zagospodarowanie surowców rolnych na biopaliwa), zmiany koniunktury gospodarczej (strona popytowa), trzymiesicznej stopy procentowej LIBOR (koszt kapitau, wpyw na spekulacj w warunkach niskiego kosztu kapitau). Rysunek 4.1.1. Szeregi czasowe obrazujce ksztatowanie si wybranych zmiennych makroekonomicznych 5,5 160 1,7 PLN/USD PLN/EUR USD/EUR Ceny ropy BRENT [USD/baryk] 1,6 140 5,0 120 4,5 100 4,0 80 3,5 60 3,0 40 2,5 20 2,0 0,9 0 1,5 0,8 1,5 1,4 1,3 8 1,1 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 1 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 1996M01 1,2 102 3-Month LIBOR [%] 7 101 6 100 5 99 4 98 3 97 ródo: opracowanie wasne na podstawie danych OECD, NBP, MFW, B. 84 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 OECD Standardised BCI 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 95 2000M01 0 1998M01 96 1996M01 1 1998M01 2 Sporód analizowanych szeregów czasowych tylko ceny ropy naftowej charakteryzuj si sezonowoci. Sezonowo ceny ropy Brent s najwysze w kwietniu, za najnisze w okresie od wrzenia do pa dziernika (rónica okoo 12 p.p.). Ceny ropy naftowej charakteryzuj si równie najwyszym wzrostem w analizowanym okresie. W szeregu czasowym cen ropy mona zauway dwa dominujce rodzaje waha cyklicznych: o dugoci 50-60 miesicy i o dugoci okoo 30 miesicy [Hamulczuk, Klimkowski 2012]. Wyra ne wahania cykliczne widoczne s równie w przypadku szeregu czasowego obrazujcego koniunktur gospodarcz (wska nik standaryzowany BCI dla krajów OECD) o dugoci okoo 40-42 miesicy. Zauwaalny jest te spadek rynkowych 3-miesicznych stóp procentowych LIBOR do poziomów bliskich zeru, co wie si z polityk niskich stóp procentowych w wiecie. Tabela 4.1.1. Wyniki testu ADF szeregów czasowych wybranych zmiennych makroekonomicznych Przeksztacenie Logarytm Brak Logarytm Brak Logarytm Logarytm Logarytm Brak Logarytm Brak Logarytm Logarytm Logarytm Brak Logarytm Brak Logarytm Logarytm Zmienna Sezonowo Augmentacja Poziomy zmiennych (bez trendu, z wyr. wolnym) PLN/EUR NIE 1 PLN/USD NIE 3 USD/EUR NIE 2 OECD-BCI NIE 5 Ropa Brent TAK 6 LIBOR NIE 4 Pierwsze rónice (bez wyr. wolnego) PLN/EUR NIE 4 PLN/USD NIE 2 USD/EUR NIE 1 OECD-BCI NIE 2 Ropa Brent TAK 0 LIBOR NIE 3 Poziomy zmiennych (z wyr. wolnym i z trendem) PLN/EUR NIE 1 PLN/USD NIE 3 USD/EUR NIE 2 OECD-BCI NIE 5 Ropa Brent TAK 3 LIBOR NIE 4 Statystyka testu p -3,3086 -2,0280 -1,3958 -3,8399 -0,8743 -0,9447 0,0145 0,2749 0,5860 0,0025 0,7969 0,7745 -6,7030 -7,0196 -9,5161 -5,3362 -11,6912 -5,2335 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 -3,3631 -2,7410 -2,3433 -3,8506 -3,5125 -1,8543 0,0564 0,2198 0,4098 0,0141 0,0378 0,6780 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.1. Wyniki testów na pierwiastek jednostkowy zamieszczono w tabeli 4.1.1 i 4.1.2. W tecie ADF hipoteza zerowa zakada niestacjonarno szeregu czasowego, w tecie KPSS natomiast hipoteza zerowa zakada stacjonarno szeregu czasowego. Hipoteza zerowa jest w tecie ADF odrzucana w kadym przypad85 ku, gdy prawdopodobiestwo bdu pierwszego rodzaju (p) jest mniejsze od 0,05, przyjmowanego zazwyczaj jako graniczne. Z kolei w tecie KPSS warto statystyki testu jest w kadym przypadku mniejsza od wartoci krytycznej, co powoduje, e hipotezy zerowej o stacjonarnoci nie mona odrzuci. Taka sytuacja „silnie wskazuje na stacjonarno zmiennych” [Welfe 2009, s. 368]. Wicej na temat testów ADF i KPSS por. rozdzia 2.2.1 niniejszego opracowania. Jedynym szeregiem czasowym, który mona uzna za stacjonarny w wietle wyników obydwu testów, jest szereg obrazujcy koniunktur gospodarcz krajów OECD (OECD-BCI). Z definicji jest on pozbawiony trendu deterministycznego. W przypadku testu ADF odrzucono hipotez zerow (na poziomie istotnoci wyszym ni 0,0145) mówic o pierwiastku jednostkowym równie dla szeregu czasowego kursu PLN/EURO. Wynik ten jednak nie zosta potwierdzony za pomoc testu KPSS (por. tabela 4.1.2). Tabela 4.1.2. Wyniki testu KPSS dla szeregów czasowych wybranych zmiennych makroekonomicznych Przeksztacenie Zmienna Logarytm Brak Logarytm Brak Logarytm Logarytm PLN/EUR PLN/USD USD/EUR OECD BCI Ropa Brent LIBOR Logarytm Brak Logarytm Brak Logarytm Logarytm PLN/EUR PLN/USD USD/EUR OECD BCI Ropa Brent LIBOR Poziomy zmiennych StatystyWarto ka testu p (jeli krytyczna dla w przedzia(a = 0,05) le 0,1-0,01) I rónic Poziomy zmiennych (bez trendu) NIE 1 1,0133 0,0586 NIE 3 1,7407 0,2142 NIE 2 2,5892 0,2214 0,4640 NIE 5 0,0907 0,0647 TAK 6 2,6529 0,0457 NIE 4 2,1806 0,1419 Poziomy zmiennych (z trendem) NIE 1 0,4875 NIE 3 0,6732 NIE 2 0,7973 X 0,148 NIE 5 0,0846 TAK 3 0,2098 0,014 NIE 4 0,3436 Sezonowo Opó nienie Statystyka testu ródo: opracowanie wasne na podstawie danych z rysunku 4.1.1. Sporód analizowanych szeregów czasowych jedynie ten opisujcy ksztatowanie si cen ropy Brent posiada pewne waciwoci trendostacjonarne. Wczenie trendu liniowego do równania powoduje, e mona odrzuci H0 o braku pierwiastka jednostkowego w tecie ADF na poziomie <0,05. W przypadku testu KPSS nie mona odrzuci H0 zakadajcej stacjonarno zmiennej na poziomie istotnoci p=0,05. Mona wic uzna, e, poza szeregiem OECD-BCI, niestacjonarno badanych szeregów czasowych zmiennych makroekonomicznych zostaa „silnie potwierdzona”. 86 4.1.2. wiatowe ceny surowców rolnych W warunkach otwartej gospodarki ceny towarów na danym przestrzennie wyodrbnionym rynku s uzalenione od ich odpowiedników w innych krajach. Podobnie, w wietle bada [Figiel 2002, Hamulczuk 2006, Rembeza 2006, 2007], dzieje si na rynku surowców rolnych, co wynika z oddziaywania prawa jednej ceny (szerzej na ten temat w rozdz. 1.3). Rysunek 4.1.2. Szeregi czasowe wybranych wiatowych cen produktów rolnych 350 450 Kukurydza [USD/ton], ródo: WB Pszenica, US SRW [USD/ton], ródo: WB 400 300 350 250 300 200 250 200 150 150 100 100 2004M01 2006M01 2008M01 2010M01 2012M01 2004M01 2006M01 2008M01 2010M01 2012M01 2002M01 2000M01 1998M01 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 50 1996M01 50 100 140 Wieprzowina [US cents/pound], ródo: IMF 120 Drób [US cents/pound], ródo: IMF 95 90 100 85 80 80 75 60 70 65 40 60 20 55 2002M01 2000M01 1998M01 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 50 1996M01 0 300 210 190 Woowina [US cents/pound], ródo: IMF 25 250 20 170 200 150 15 150 130 10 110 100 Dairy price Index [2004=100], ródo: FAO lewa o Ceny mleka w USA [US cents/kg], ródo: USDA prawa o 90 50 70 50 ródo: opracowanie wasne na podstawie danych B, MFW, FAO, USDA. 87 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 0 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 1996M01 0 5 Na rysunku 4.1.2 przedstawiono ksztatowanie si wybranych wiatowych cen produktów rolnych. W przypadku zbó (pszenica i kukurydza) zauway mona rosnc tendencj od roku 2000 oraz wzrost zmiennoci wraz z upywem czasu. Widoczne s nieregularne cykle o dugoci okoo 4 lat. Najwysze ceny pszenicy obserwowano w roku 2008, za ceny kukurydzy byy najwysze w roku 2011. Wzrost cen zbó wiza naley z ogóln sytuacj bilansow (niski poziom zapasów), do czego mogo przyczyni si m.in. wykorzystanie znacznej czci produkcji na cele nierolnicze (biopaliwa). Ceny tych surowców charakteryzuj si równie sezonowoci (o amplitudzie okoo 8-10 p.p.), jednak zmienno ta jest niewielka w stosunku do trendu czy waha cyklicznych. Sporód wiatowych cen misa najwikszy (dwukrotny) wzrost w latach 1996-2012 obserwujemy dla cen woowiny i niewiele mniejszy w przypadku drobiu (kurczaków brojlerów). Po bardzo duym spadku w pierwszych latach cen wieprzowiny mamy do czynienia z powolnym trendem wzrostowym. Nieregularny przebieg trendu wskazuje na prawdopodobiestwo waha o charakterze cyklicznym. Na periodogramach wykonanych dla danych pozbawionych trendu (LOESS) najbardziej widoczne byy cykle 3-4-letnie w przypadku szeregów czasowych cen wieprzowiny i drobiu. Cykle cen woowiny byy mniej widoczne, a ich dugo zawieraa si w przedziale 3-5 lat. wiatowe ceny misa charakteryzuj si wahaniami sezonowymi. Najwiksza sezonowo cechuje ceny wieprzowiny (amplituda okoo 20 p.p.), za najnisza dotyczy cen woowiny (amplituda okoo 10 p.p.). W ostatnim przypadku nie wszystkie testy zawarte w ramach procedury X-12-ARIMA wskazuj na istnienie stabilnej sezonowoci. wiatowy rynek mleka ma inny charakter ni pozostaych wymienionych wczeniej produktów rolnych. Wynika to z faktu, e w ramach wymiany midzynarodowej nie prowadzi si obrotu mlekiem, lecz artykuami mlecznymi, które s wysoce przetworzone w porównaniu do surowca rolnego. Zatem za ceny wiatowe przyjmuje si ceny produktów mlecznych, takich jak: maso, sery czy mleko w proszku. Aby nie analizowa wszystkich produktów, wykorzystano indeks wiatowych cen wg FAO. Równoczenie na rysunku 4.1.2 przedstawiono ceny pacone za mleko producentom w USA (kategoria: All milk price). Zauway mona, e szereg czasowy indeksu cen produktów przetworzonych charakteryzuje si wikszym wygadzeniem ni szereg cen paconych producentom rolnym, co wynika m.in. z zabiegu agregacji danych. Szeregi czasowe cen mleka charakteryzuj si wahaniami sezonowymi w odrónieniu od cen artykuów mlecznych. Ceny pacone farmerom nie wykazuj wyra nego trendu, za ceny produktów rolnych (szereg czasowy indeks 88 FAO) charakteryzuj si tendencj, co wynika moe ze wzrostu rozstpu midzy cenami w acuchu marketingowym lub te ze zmian relacji midzy cenami w USA i na wiecie (w mniejszym stopniu). Dugo dominujcych waha cyklicznych w szeregach czasowych cen mleka jest nieznacznie wysza od trzech lat. Tabela 4.1.3. Wyniki testu ADF szeregów czasowych wybranych wiatowych cen produktów rolnych Przeksztacenie BRAK Logarytm Logarytm Logarytm Logarytm Logarytm BRAK Logarytm Logarytm Logarytm Logarytm Logarytm BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Zmienna Sezonowo Augmentacja Poziomy zmiennych (bez trendu, z wyr. wolnym) Drób (ywiec) TAK 4 Pszenica TAK 5 Kukurydza TAK 8 Trzoda TAK 3 Woowina TAK 2 Dairy index NIE 4 Pierwsze rónice (bez wyr. wolnego) Drób (ywiec) TAK 3 Pszenica TAK 4 Kukurydza TAK 7 Trzoda TAK 1 Woowina TAK 1 Dairy index NIE 3 Poziomy zmiennych (z wyr. wolnym i z trendem) Drób (ywiec) TAK 5 Pszenica TAK 5 Kukurydza TAK 8 Trzoda TAK 3 Woowina TAK 1 Dairy index NIE 5 Statystyka testu p -1,0229 -1,5223 -0,5223 -2,4912 -0,3783 -1,9953 0,7473 0,5225 0,8846 0,1176 0,9106 0,2891 -6,3352 -4,7076 -5,2281 -12,7667 -9,9205 -4,6618 0,0000 0,0001 0,0000 0,0000 0,0000 0,0001 -2,1893 -3,4298 -2,5001 -2,9840 -3,1375 -3,9394 0,4951 0,0474 0,3281 0,1366 0,0976 0,0106 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.2. Dane zawarte w tabeli 4.1.3 wskazuj, e szeregi czasowe analizowanych cen s niestacjonarne, zintegrowane rzdu pierwszego. Dla kadego badanego szeregu czasowego, test ADF dla poziomów zmiennych nie pozwala odrzuci hipotezy o niestacjonarnoci, a hipoteza ta jest odrzucana w przypadku szeregów czasowych pierwszych rónic tych zmiennych. Wasnoci trendostacjonarne, w wietle testu ADF, wykazuj szereg czasowy cen pszenicy, obydwa szeregi czasowe cen woowiny oraz szereg czasowy indeksu cen produktów mlecznych. Tego ostatniego wniosku nie potwierdzaj wyniki testu KPSS (por. tabela 4.1.4). W wietle wyników tego testu wszystkie szeregi s przyrostostacjonarne. Oznacza to, e stacjonarno ich mona uzyska poprzez jednokrotne zrónicowanie danych. 89 Tabela 4.1.4. Wyniki testu KPSS szeregów czasowych wybranych wiatowych cen produktów rolnych Poziomy zmiennych Przeksztacenie Zmienna BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Drób (ywiec) Pszenica Kukurydza Trzoda Woowina Dairy index BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Drób (ywiec) Pszenica Kukurydza Trzoda Woowina Dairy index p (jeli Sezonowo Opó nienie Statystyka w przedziatestu le 0,1-0,01) Poziomy zmiennych (bez trendu) TAK 4 3,5901 TAK 5 2,0193 TAK 8 1,3454 TAK 3 0,8112 TAK 2 5,5787 NIE 4 2,8132 Poziomy zmiennych (z trendem) TAK 5 0,3401 TAK 5 0,4409 TAK 8 0,3982 TAK 3 0,2789 TAK 1 0,6682 NIE 5 0,3608 Statystyka Warto testu dla krytyczna I rónic (a = 0,05) 0,0901 0,2570 0,3146 0,0724 0,1096 0,0748 0,464 X 0,148 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.2. 4.1.3. Ceny surowców rolnych w Polsce Ksztatowanie si wybranych krajowych cen surowców rolnych przedstawiono na rysunku 4.1.3. Ich poziom jest funkcj wielu czynników, takich jak: ceny wiatowe, kursy walutowe, uwarunkowania lokalne czy te polityka rolna i handlowa [Heijman i in. 1997; Kowalski Rembisz 2005; Tomek, Robinson 2001]. Teoretyczne ujcie tego problemu zawarto w rozdziale 1. Na razie skupimy si na podstawowych waciwociach szeregów czasowych tych cen. Ceny zbó w Polsce charakteryzuj si rosnc tendencj podobnie jak w przypadku cen wiatowych. S bardziej regularne wahania cykliczne ni w przypadku odpowiedników wiatowych. Ich dugo wynosi okoo 3,5-4 lat. W przypadku wszystkich szeregów czasowych zaobserwowano stabilne, istotne wahania sezonowe. Najwiksze wahania sezonowe pojawiay si w przypadku cen kukurydzy (ponad 20 p.p.), nieco mniejsz sezonowoci cechoway si ceny pszenicy i yta (okoo 15 p.p.). Wiksz amplitud waha sezonowych obserwujemy w przypadku cen wieprzowiny i cen drobiu (przy czym s to modele addytywne). Dosy czsto (gównie po zbiorach) dochodzi do skokowych zmian cen zbó, które to okresy identyfikowane s automatycznie w ramach procedury X-12-ARIMA jako obserwacje odstajce lub te strukturalne zmiany poziomu cen. W przypadku cen pszenicy takich zmian byo 6, kukurydzy – 15, za 90 yta – 3. To wskazuje, e uzyskanie poprawnych, ze statystycznego punktu widzenia, modeli jest dosy trudne. Rysunek 4.1.3. Szeregi czasowe cen skupu surowców rolnych w Polsce 90 110 Pszenica [PLN/100kg], ródo:GUS Kukurydza [PLN/100kg], ródo: GUS 100 90 yto [PLN/100kg], ródo: GUS 80 70 80 60 70 50 60 2006M01 2008M01 2010M01 2012M01 2006M01 2008M01 2010M01 2012M01 2006M01 2008M01 2010M01 2012M01 2004M01 2004M01 2004M01 2002M01 2000M01 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 20 2000M01 30 1998M01 30 1996M01 40 1998M01 40 50 7,0 6,0 Wieprzowina (ywiec) [PLN/100kg], ródo: GUS 5,5 Woowina (ywiec) [PLN/kg], ródo: GUS 6,5 6,0 5,0 5,5 4,5 5,0 4,5 4,0 4,0 3,5 3,5 3,0 3,0 2,5 2,5 2002M01 2000M01 1998M01 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 2,0 1996M01 2,0 140 5,0 Drób (ywiec) [PLN/kg], ródo: GUS Mleko [PLN/100kg], ródo: GUS 130 120 4,5 110 100 4,0 90 80 3,5 70 60 3,0 50 2002M01 2000M01 1998M01 1996M01 2012M01 2010M01 2008M01 2006M01 2004M01 2002M01 2000M01 1998M01 40 1996M01 2,5 ródo: opracowanie wasne na podstawie danych GUS. Szeregi czasowe cen misa (ceny ywca pacone producentom rolnym) wskazuj, e uwarunkowania ksztatowania si cen poszczególnych rodzajów s zrónicowane. Na ceny woowiny znaczcy wpyw miao przystpienie Polski do UE. W jego wyniku ceny wzrosy w cigu kilku miesicy o ponad 50%. 91 Dziki temu ceny w Polsce zbliyy si do cen w UE. Wstpienie do UE oraz efekty BSE s identyfikowane jako typowe zmiany strukturalne. Ceny wieprzowiny oraz ceny drobiu nie charakteryzuj si a tak gwatownymi zmianami. Nieznacznie inny jest przebieg trendu cen wieprzowiny (powolny wzrost) i cen drobiu (po spadku w latach 1996-2005 mamy do czynienia z tendencj wzrostow). Maj one równie pewne wspólne waciwoci, takie jak podobny wzorzec sezonowoci (ze szczytem w okresie czerwiec-wrzesie) oraz tak sam (3,5-4 lata) dugo dominujcych waha cyklicznych. Naley zwróci uwag, e jest to podobna dugo jak w szeregach czasowych cen zbó. Tabela 4.1.5. Wyniki testu ADF szeregów czasowych wybranych cen skupu surowców rolnych w Polsce Przeksztacenie BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Logarytm BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Logarytm BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Logarytm Zmienna Sezonowo Augmentacja Statystyka testu Poziomy zmiennych (bez trendu, z wyr. wolnym) Wieprzowina TAK 6 -2,3711 Pszenica TAK 1 -2,4565 Kukurydza TAK 2 -1,8709 yto TAK 5 -2,1689 Woowina NIE 1 -0,0194 Mleko TAK 2 -1,4999 Drób TAK 1 -2,0703 Pierwsze rónice (bez wyr. wolnego) Wieprzowina TAK 5 -4,6399 Pszenica TAK 0 -8,3656 Kukurydza TAK 0 -8,9232 yto TAK 3 -5,4049 Woowina NIE 0 -10,5520 Mleko TAK 1 -5,0169 Drób TAK 0 -10,9325 Poziomy zmiennych (z wyr. wolnym i z trendem) Wieprzowina TAK 6 -3,2205 Pszenica TAK 1 -2,8985 Kukurydza TAK 2 -2,7370 yto TAK 5 -3,0685 Woowina NIE 2 -2,6121 Mleko TAK 2 -3,4786 Drób TAK 1 -2,3650 p 0,1501 0,1264 0,3465 0,2179 0,9558 0,5339 0,2570 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0803 0,1629 0,2214 0,1139 0,2748 0,0417 0,3981 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.3. Ceny mleka charakteryzuj si rosncym trendem, na który nakadaj si wahania cykliczne i sezonowe. W analizowanym okresie ceny skupu mleka wzrosy o ponad 100%, ale nadal s nisze ni w „starych” krajach UE. Obserwuje si dwa dominujce rodzaje waha cyklicznych (o dugoci 3-3,5 roku i o dugoci okoo 5,5 roku). Najwysze sezonowo ceny mleka pacone produ92 centom rolnym w Polsce obserwuje si w grudniu, za najnisze w lipcu i sierpniu (amplituda okoo 8 p.p.). Test ADF wskazuje (por. tabela 4.1.5), e szeregi czasowe krajowych cen produktów rolnych byy niestacjonarne, zintegrowane stopnia pierwszego. Wniosek ten w caoci potwierdzony zosta przez wyniki testu KPSS (por. tabela 4.1.6). Tabela 4.1.6. Wyniki testu KPSS szeregów czasowych wybranych cen skupu surowców rolnych w Polsce Przeksztacenie Zmienna BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Logarytm Wieprzowina Pszenica Kukurydza yto Woowina Mleko Drób BRAK Logarytm Logarytm Logarytm Logarytm Logarytm Logarytm Wieprzowina Pszenica Kukurydza yto Woowina Mleko Drób Poziomy zmiennych p (jeli Sezonowo Opó nienie Statystyka w przetestu dziale 0,1-0,01) Poziomy zmiennych (bez trendu) TAK 6 1,0810 TAK 1 2,0969 TAK 2 1,7259 TAK 5 1,1223 NIE 1 8,7194 TAK 2 5,7692 TAK 1 1,5513 Poziomy zmiennych (z trendem) TAK 6 0,1124 TAK 1 0,6431 TAK 2 0,1812 0,0310 TAK 5 0,1490 0,0490 NIE 2 0,5285 TAK 2 0,1405 0,0630 TAK 1 0,7960 Statystyka Warto testu dla krytyczna I rónic (a = 0,05) 0,0755 0,0666 0,0752 0,0783 0,1583 0,0691 0,0728 0,464 X 0,148 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.3. Wasnoci trendostacjonarne, zgodnie z wynikami testu ADF, wykazuj szeregi czasowe krajowych cen trzody chlewnej i mleka. Mona przyj (por. tabela 4.6), e stacjonarno wokó trendu liniowego szeregów czasowych cen tych produktów zostaa w peni potwierdzona przez test KPSS. Test KPSS wskazuje równie na trendostacjonarno szeregów czasowych krajowych cen kukurydzy i yta, ale tego wniosku nie potwierdzaj wyniki testu ADF (por. tabele 4.1.5 i 4.1.6). 4.2. Testowanie przyczynowoci w sensie Grangera Z zagadnieniem przyczynowoci w gospodarce filozofowie i ekonomici zmagaj si od wieków. Jedni wskazuj na niemoliwe ustalenie wiarygodnej 93 zalenoci midzy przyczyn a skutkiem, inni wskazuj jedynie na logiczne (teoretyczne) przesanki ustalania przyczynowoci, a jeszcze inni uwaaj, e moliwe jest równie empiryczne stwierdzanie kierunków zalenoci przyczynowo-skutkowych [Osiska 2008]. Ostatnie podejcie ma z reguy na celu potwierdzanie teorii ekonomii na podstawie materiau empirycznego. Jedn z procedur najczciej stosowanych w badaniach empirycznych jest podejcie oparte na przyczynowoci w sensie Grangera (szerzej rozdzia 2.2.3). Przypomnijmy, e opiera si ona na zaoeniu, e przyczyna wyprzedza skutek w czasie, a poprawne zdefiniowanie przyczyny pozwala na przewidywanie skutku. Przyczynowo w sensie Grangera zakada, e x jest przyczyn dla y, jeeli bieca warto zmiennej y moe by przewidywana dokadniej z wykorzystaniem opó nionych wartoci zmiennych x ni bez nich, przy pozostaej niezmienionej informacji [Charemza, Deadman 1997, s. 157 i dalsze]. W niniejszym rozdziale skoncentrujemy si na ocenie zalenoci krótkookresowych w sensie Grangera pomidzy cenami surowców rolnych a zmiennymi makroekonomicznymi, cenami polskimi a cenami wiatowymi oraz na zalenociach midzy poszczególnymi cenami surowców rolnych. Zdefiniowanie kierunków zalenoci jest niezbdnym warunkiem poprawnej specyfikacji modeli ekonometrycznych sucych prognozowaniu cen surowców rolnych. Jednak naley pamita, e stosowane techniki s dosy wraliwe na charakter danych, std do wyników tych naley podchodzi z pewn ostronoci. Wyniki te pokazuj jedynie zalenoci krótkookresowe bez uwzgldniania relacji dugookresowych. Zatem, jeeli wystpowaa gdziekolwiek relacja kointegrujca midzy parami zmiennych, wówczas test ten moe pokazywa brak zalenoci przyczynowych mimo samoistnego powrotu sytemu do równowagi. Równie, jeeli przepyw informacji jest bardzo szybki, to dane o czstotliwoci miesicznej mog nie pozwoli na uchwycenie kierunków przepywu impulsów cenowych (zalenoci jednoczesne). Stosujc test przyczynowoci, badania oparto na pierwszych rónicach, co wynika z faktu, e praktycznie wszystkie zmienne byy zintegrowane w stopniu pierwszym. Przed obliczeniem pierwszych rónic dane najczciej byy logarytmowane (przeksztacenia tak jak w tabelach 4.1.1-4.1.4). Jeeli w co najmniej jednej zmiennej wystpowaa sezonowo (rozdz. 4.1), wówczas do równania wczano zmienne sezonowe (zerojedynkowe). Opó nienia zidentyfikowano na podstawie kryterium Akaike’a, jednak nie brano pod uwag wikszych opó nie ni 4 (w kilku przypadkach kryterium Akaike’a wskazywaa optymalne opó nienia wiksze ni 4, natomiast inne kryteria informacyjne wskazyway jako najlepsze 1-2 opó nienia dla tych samych przypadków). 94 Czynniki makroekonomiczne a ceny wiatowe W tabeli 4.2.1 przedstawiono wyniki testu przyczynowoci pomidzy zmiennymi obrazujcymi sytuacj makroekonomiczn a cenami wiatowymi surowców rolnych. Sporód zmiennych makroekonomicznych najwiksze zdolnoci prognostyczne dla cen surowców rolnych ma wska nik koniunktury gospodarczej dla krajów OECD. Jedynie w przypadku cen drobiu w ogóle nie znaleziono potwierdzenia wpywu koniunktury gospodarczej. Wiza mona to z dosy krótkim cyklem produkcyjnym w przypadku drobiu i szybkim dostosowywaniem si do popytu konsumpcyjnego (moliwo reakcji natychmiastowych). Tabela 4.2.1. Wyniki testu przyczynowoci Grangera midzy zmiennymi makroekonomicznymi a cenami wiatowymi surowców rolnych df 1 1 2 1 2 2 2 1 2 2 2 2 1 1 2 2 2 1 3 3 4 3 2 3 Przyczyna Ropa Brent Ropa Brent Ropa Brent Ropa Brent Ropa Brent Ropa Brent USD/EUR USD/EUR USD/EUR USD/EUR USD/EUR USD/EUR LIBOR LIBOR LIBOR LIBOR LIBOR LIBOR OECD BCI OECD BCI OECD BCI OECD BCI OECD BCI OECD BCI Skutek Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index F 0,3053 0,2460 7,4379 2,5577 1,2096 2,6474 0,5260 0,2509 2,3778 0,0633 0,0527 0,9086 0,0017 2,7271 0,0411 1,8267 0,9287 2,0078 1,8052 3,2064 2,8387 3,2660 0,1484 5,2207 p 0,5813 0,6205 0,0008 0,1115 0,3008 0,0736 0,5919 0,6171 0,0957 0,9387 0,9487 0,4049 0,9675 0,1004 0,9598 0,1639 0,3970 0,1582 0,1480 0,0245 0,0259 0,0227 0,8622 0,0018 Przyczyna Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Skutek Ropa Brent Ropa Brent Ropa Brent Ropa Brent Ropa Brent Ropa Brent USD/EUR USD/EUR USD/EUR USD/EUR USD/EUR USD/EUR LIBOR LIBOR LIBOR LIBOR LIBOR LIBOR OECD BCI OECD BCI OECD BCI OECD BCI OECD BCI OECD BCI F 0,8056 3,7013 2,4124 0,0272 0,5623 4,1404 1,6858 4,1200 2,1263 0,2008 0,9949 0,2137 0,0043 2,1318 2,9201 2,8315 0,5069 0,6436 0,7789 1,8949 0,8472 1,3279 1,0788 1,3318 p 0,3706 0,0559 0,0925 0,8693 0,5709 0,0175 0,1882 0,0438 0,1223 0,8183 0,3718 0,8078 0,9476 0,1460 0,0565 0,0616 0,6032 0,4234 0,5072 0,1322 0,4971 0,2669 0,3422 0,2656 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.1. i 4.1.2. Zmienn, która w adnym przypadku nie wyprzedzaa zmian wiatowych cen surowców rolnych jest stawka oprocentowania trzymiesicznych depozytów LIBOR. W niektórych przypadkach zalenoci byy odwrotne. Równie wyjtkowo sabo wiatowe ceny surowców rolnych reaguj na zmiany kursów walu- 95 towych (euro/dolar). Kurs USD/EUR okaza si przyczyn w sensie Grangera jedynie dla wiatowych cen wieprzowiny (dla p<0,05). Zaskakujce wyniki uzyskano analizujc zalenoci midzy cenami ropy naftowej Brent a cenami surowców rolnych. Z analiz wynika, e zmiany cen ropy (w sensie Grangera) nie wpywaj na wiatowe (amerykaskie) ceny pszenicy i ceny kukurydzy. Wynika to moe z faktu, e analizowano ceny dla pierwszych przyrostów nie uwzgldniajc zalenoci dugookresowych. Z bada innych autorów [np. Arshad, Hammedd 2009] równie wynika brak zalenoci krótkookresowych midzy cenami ropy a cenami pszenicy i kukurydzy przy jednoczesnym wystpowaniu zalenoci dugookresowej (kointegracyjnej). Co ciekawe, w przypadku polskich cen pszenicy wystpuj zalenoci krótkookresowe (ceny ropy s przyczyn dla cen pszenicy) przy braku relacji kointegrujcej [Hamulczuk, Klimkowski 2012]. Ceny ropy Brent okazay si przyczyn w sensie Grangera dla wiatowych cen woowiny, za w przypadku cen wieprzowiny i cen produktów mlecznych (dairy index) zalenoci byy dwustronne. Ceny krajowe a ceny wiatowe Wyniki analizy przyczynowoci pomidzy cenami wiatowymi a cenami polskimi analogicznych produktów rolnych zamieszczone zostay w tabeli 4.2.2. Kierunki przepywu impulsów cenowych s zgodne z oczekiwaniami i wynikami innych bada [por. Rembeza 2006, 2007]. Praktycznie w kadym przypadku zauway mona, e dominuje kierunek przepywu informacji od cen wiatowych do cen krajowych. Wskazuje to na zasadno zaoenia, e Polska jest ma otwart gospodark i potwierdza, i jestemy biorc cen wiatowych. Tabela 4.2.2. Wyniki testu przyczynowoci Grangera midzy cenami wiatowymi a cenami krajowymi produktów rolnych (w przeliczeniu na USD) df 2 1 2 2 2 2 Przyczyna: cena wiatowa Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Skutek: cena krajowa Pszenica PL Kukurydza PL Wieprzowina PL Woowina PL Drób PL Mleko PL F p 4,8781 10,6260 2,8709 2,5869 2,3166 7,4986 0,0087 0,0014 0,0593 0,0781 0,1016 0,0007 Przyczyna: cena krajowa Pszenica PL Kukurydza PL Wieprzowina PL Woowina PL Drób PL Mleko PL Skutek: cena wiatowa Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index F p 3,4487 2,5941 2,4711 1,1013 0,7413 2,7535 0,0339 0,1098 0,0874 0,3347 0,4779 0,0664 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.2 i 4.1.3. Najsilniejsze powizania cenowe wystpuj w przypadku cen zbó, cen mleka oraz cen woowiny. Nieco sabsze s powizania cenowe w przypadku cen wieprzowiny i drobiu. Najmniejsze rónice midzy wartociami statystyk F (oraz p) wskazuj na dwustronne powizania na rynku wieprzowiny, pszenicy 96 i mleka. Naley podkreli, e przedstawione tutaj wielkoci obrazuj zalenoci krótkookresowe. W wielu przypadkach mamy do czynienia z równowag dugookresow (rozdzia 4.3), std zalenoci te s jeszcze silniejsze od przedstawionych w tabeli 4.2.2. Interakcje midzy wiatowymi cenami produktów rolnych Na rynku produktów rolnych naley oczekiwa wystpowania pewnych zalenoci midzyrynkowych. Wynika to z wystpowania zalenoci o charakterze substytucyjnym i komplementarnym midzy poszczególnymi towarami. Zasadnicze pytanie brzmi, które rynki s dominujce, jeeli chodzi o przepyw sygnaów cenowych. Przykadowo, czy wikszy jest wpyw rynku wieprzowiny na rynek zboowy, czy te rynku zboowego na rynek wieprzowiny. Na to pytanie równie spróbujemy odpowiedzie z wykorzystaniem testów przyczynowoci. Wyniki analizy przyczynowoci pomidzy cenami wiatowymi poszczególnych produktów rolnych zamieszczone zostay w tabeli 4.2.3. Mona uzna, e zalenoci midzyrynkowe nie s silne i nie daj jednoznacznego obrazu wystpujcych powiza midzyrynkowych. Naley podkreli, e s to zalenoci krótkookresowe, nie wykluczajce wystpowania równowagi dugookresowej. Tabela 4.2.3. Wyniki testu przyczynowoci Grangera midzy wiatowymi cenami produktów rolnych df 4 2 2 2 4 2 1 2 1 2 2 4 2 1 2 Przyczyna Pszenica Pszenica Pszenica Pszenica Pszenica Kukurydza Kukurydza Kukurydza Kukurydza Wieprzowina Wieprzowina Wieprzowina Woowina Woowina Drób Skutek Kukurydza Wieprzowina Woowina Drób Dairy index Wieprzowina Woowina F Drób Dairy index Woowina Drób Dairy index Drób Dairy index Dairy index F 2,9612 0,3432 0,5477 1,6535 1,0114 2,2725 0,9761 1,2971 9,1667 0,4907 0,2960 2,4069 3,8558 3,2928 0,3858 p 0,0213 0,7100 0,5793 0,1943 0,4030 0,1060 0,3245 0,2759 0,0028 0,6130 0,7441 0,0514 0,0229 0,0712 0,6805 Przyczyna Kukurydza Wieprzowina Woowina Drób Dairy index Wieprzowina Woowina Drób Dairy index Woowina Drób Dairy index Drób Dairy index Dairy index Skutek Pszenica Pszenica Pszenica Pszenica Pszenica Kukurydza Kukurydza Kukurydza Kukurydza Wieprzowina Wieprzowina Wieprzowina Woowina F Woowina Drób F 1,1268 0,5142 1,6314 2,4488 1,7979 1,6608 3,3771 1,5655 0,4119 0,2563 0,3472 0,8484 0,8785 0,7699 1,4013 p 0,3455 0,5988 0,1986 0,0893 0,1314 0,1929 0,0677 0,2118 0,5218 0,7742 0,7072 0,4964 0,4172 0,3814 0,2490 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.2. Wród zmiennych, które najczciej okazyway si by przyczyn w sensie Grangera dla innych zmiennych s ceny woowiny. S one istotne (na po97 ziomie p < 0,1) dla ksztatowania si cen drobiu, mleka i kukurydzy. Maj one pewne waciwoci prognostyczne dla cen pszenicy, natomiast nie uzyskano potwierdzenia, aby daway dodatkow informacj przy wyjanianiu cen wieprzowiny. Po drugiej stronie znajduj si ceny produktów mlecznych wyraone indeksem cen wiatowych. Szereg czasowy je reprezentujcy w adnym przypadku nie okaza si przyczyn dla innych zmiennych, a impulsy cenowe z rynku woowiny, wieprzowiny i kukurydzy wnosiy dodatkow informacj w wyjanianie ksztatowania si cen produktów mlecznych. Syntetyczny obraz zalenoci miedzy zmiennymi daj rednie wartoci statystyk p dla przeszych zmiennych usuwanych z równania. Uszeregowanie zmienne wedug redniej wielkoci p jest nastpujce (od najmniejszej wartoci do najwikszej): kukurydza, woowina, mleko, pszenica, drób, wieprzowina. Interakcje midzy cenami skupu produktów rolnych w Polsce Ocen przyczynowoci dla szeregów czasowych cen surowców rolnych w Polsce przedstawiono w tabeli 4.2.4. Sporód wszystkich zmiennych najwicej informacji do ksztatowania si innych zmiennych (p < 0,1) wnosiy ceny yta (czterokrotnie), ceny pszenicy i ceny woowiny (trzykrotnie). Ani razu nie wnosiy dodatkowej informacji dla cen pozostaych surowców rolnych ceny kukurydzy. W celu zsyntezowania w przyblieniu kierunku przebiegu impulsów cenowych obliczono rednie wartoci p dla zmiennych bdcych przyczyn (tabela 4.2.4). Wówczas zmienne reprezentujce ceny mona uszeregowa nastpujco: pszenica (0,21), woowina (0,27), yto (0,29), wieprzowina (0,32), mleko (0,35), drób (0,38), kukurydza (0,45). Wartoci w nawiasach s rednimi wartociami p z tabeli 4.2.4. Oznacza to, e „przecitnie” najwicej informacji dla zachowania innych cen wnosz ceny pszenicy, za najmniej – ceny kukurydzy. Przy czym naley zauway, e ceny woowiny s przyczyn w sensie Grangera dla cen pszenicy, które maj najnisz redni warto p. 98 Tabela 4.2.4. Wyniki testu przyczynowoci Grangera midzy cenami skupu produktów rolnych w Polsce df 1 3 1 2 1 1 1 4 2 1 1 1 1 1 1 4 2 2 1 2 1 Przyczyna Pszenica Pszenica Pszenica Pszenica Pszenica Pszenica Skutek F yto 14,3720 Kukurydza 16,0350 Wieprzowina 1,2402 Woowina 0,3008 Drób 3,9028 Mleko 1,6335 yto Kukurydza 30,2490 yto Wieprzowina 2,7059 yto Woowina 0,0564 yto Drób 4,0382 yto Mleko 3,0652 Kukurydza Wieprzowina 0,0290 Kukurydza Woowina 0,0249 Kukurydza Drób 0,5004 Kukurydza Mleko 1,7432 Wieprzowina Woowina 0,9520 Wieprzowina Drób 2,6686 Wieprzowina Mleko 1,4088 Woowina Drób 1,6022 Woowina Mleko 1,0524 Drób Mleko 2,5567 p Przyczyna 0,0002 0,0000 0,2669 0,7406 0,0497 0,2029 0,0000 0,0320 0,9452 0,0460 0,0817 0,8650 0,8749 0,4807 0,1892 0,4354 0,0721 0,2471 0,2072 0,3512 0,1116 yto Kukurydza Wieprzowina Woowina Drób Mleko Kukurydza Wieprzowina Woowina Drób Mleko Wieprzowina Woowina Drób Mleko Woowina Drób Mleko Drób Mleko Mleko Skutek Pszenica Pszenica Pszenica Pszenica Pszenica Pszenica yto yto yto yto yto Kukurydza Kukurydza Kukurydza Kukurydza Wieprzowina Wieprzowina Wieprzowina Woowina Woowina Drób F p 0,2437 1,6333 0,1160 5,4663 0,0339 1,6084 0,9305 1,3301 2,6166 0,2756 2,0433 2,0144 0,0056 2,4215 3,7554 2,2227 1,9732 0,7463 0,1191 0,3951 0,0068 0,6221 0,1855 0,7338 0,0050 0,8541 0,2063 0,3366 0,2606 0,0758 0,6003 0,1546 0,1584 0,9402 0,1223 0,0549 0,0685 0,1420 0,4756 0,7304 0,6742 0,9341 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.3. 4.3. Testowanie wystpowania zalenoci dugookresowych Przedstawione w rozdziale 4.2 wyniki testu przyczynowoci w sensie Grangera daj prawidowe wyniki w przypadku, gdy zmienne s stacjonarne. Jeeli wyjciowe zmienne s niestacjonarne i doprowadzamy je do stacjonarnoci poprzez rónicowanie, badanie przyczynowoci moe by obarczone pewnym ryzykiem. Chodzi o to, e gdy istniej zalenoci dugookresowe (kointegracyjne) midzy zmiennymi, wyniki przyczynowoci mog prowadzi do bdnych konkluzji [Osiska 2008]. W przypadku braku zalenoci dugookresowej wyniki badania przyczynowoci z rozdziau 4.2 s prawidowe. Zatem w niniejszym podrozdziale spróbujemy odpowiedzie na pytanie, czy midzy zmiennymi reprezentujcymi ceny surowców rolnych wystpuj zalenoci dugookresowe. Wykorzystany zostanie test Johansena opisany w rozdziale 2.3 oparty na statystyce ladu. W tabeli pominito wartoci statystyki testu LM, gdy dawa on praktycznie te same wyniki co test oparty na statystyce ladu. Test oparto na zmiennych logarytmowanych. Jeeli co najmniej jedna 99 zmienna charakteryzowaa si wahaniami sezonowymi, wczano zmienne sezonowe. Opó nienia przyjto korzystajc z wyników z rozdziau 4.2. Testujc kointegracj, gdy jedn ze zmiennych bya cena woowiny w Polsce, do zmiennych egzogenicznych wczono zmienn zerojedynkow, niwelujc efekt skokowej zmiany cen woowiny po wejciu Polski do Unii Europejskiej. Oceniajc wystpowanie zalenoci dugookresowych w relacji Polska–wiat ceny polskie przeliczano na dolary wg kursu NBP. Czynniki makroekonomiczne a ceny wiatowe W tabeli 4.3.1 zamieszczone s wyniki testu Johansena, opartego na statystyce ladu, badajcego skointegrowanie zmiennych opisujcych sytuacj makroekonomiczn i cen wiatowych surowców rolnych. Tabela 4.3.1. Wyniki testu Johansena (bez trendu) – zmienne makroekonomiczne a ceny wiatowe Zmienna niezalena Zmienna zalena Pszenica Kukurydza Wieprzowina Ropa Brent Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina USD/EUR Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina LIBOR Woowina Drób Dairy index Pszenica Kukurydza Wieprzowina OECD-BCI Woowina Drób Dairy index df 1 1 2 1 2 2 2 1 2 2 2 2 1 1 2 2 2 1 3 3 4 3 2 3 Rzd macierzy – 0 Warto p Otrace wasna 0,0576 12,1660 0,1505 0,0504 11,4800 0,1861 0,0568 13,7520 0,0894 0,0388 8,1774 0,4539 0,0565 11,8740 0,1649 0,0512 11,3480 0,1937 0,0398 9,0906 0,3637 0,0239 6,2828 0,6663 0,0567 13,6320 0,0931 0,0243 4,9419 0,8128 0,0550 11,7310 0,1723 0,0485 11,5750 0,1808 0,0262 5,5109 0,7531 0,0248 5,0407 0,8028 0,0595 12,9640 0,1163 0,0440 8,8337 0,3879 0,0326 6,7013 0,6181 0,0256 5,5667 0,7470 0,0777 17,6640 0,0216 0,0717 16,1060 0,0388 0,0595 20,4900 0,0070 0,0613 12,2760 0,1453 0,0404 9,5364 0,3240 0,0764 17,3580 0,0242 Rzd macierzy – 1 Warto p Otrace wasna 0,0028 0,5443 0,4607 0,0068 1,3416 0,2467 0,0120 2,3504 0,1253 0,0021 0,4132 0,5203 0,0027 0,5324 0,4656 0,0057 1,1054 0,2931 0,0060 1,1685 0,2797 0,0079 1,5463 0,2137 0,0115 2,2522 0,1334 0,0007 0,1414 0,7069 0,0036 0,7022 0,4020 0,0096 1,8878 0,1694 0,0016 0,3111 0,5770 0,0006 0,1226 0,7263 0,0051 1,0031 0,3166 0,0003 0,0668 0,7961 0,0012 0,2372 0,6262 0,0025 0,4844 0,4865 0,0101 1,9768 0,1597 0,0086 1,6774 0,1953 0,0438 8,6509 0,0033 0,0000 0,0015 0,9689 0,0076 1,4962 0,2213 0,0100 1,9425 0,1634 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.1 i 4.1.2. 100 Potwierdzenie skointegrowania zmiennych, sygnalizujce wystpowanie dugookresowych zalenoci pomidzy cenami wiatowych surowców rolnych a zmiennymi makroekonomicznymi, wystpio w niewielu przypadkach. Kady z szeregów czasowych zmiennych makroekonomicznych skointegrowany by z szeregiem czasowym cen wiatowych wieprzowiny. Pozostae szeregi czasowe wiatowych cen surowców rolnych (z wyjtkiem szeregu czasowego cen misa drobiowego) skointegrowane byy jedynie z szeregiem czasowym wska nika koniunktury gospodarczej dla krajów OECD. Opisujc relacje pomidzy wiatowymi cenami surowców rolnych i zmiennymi makroekonomicznymi od innej strony, mona stwierdzi, e dugookresowa zaleno wystpuje jedynie w przypadku szeregu czasowego wska nika koniunktury gospodarczej dla krajów OECD. W przypadku pozostaych zmiennych makroekonomicznych zaleno dugookresowa wystpowaa jedynie w przypadku cen wieprzowiny. Potwierdza to wniosek sformuowany w rozdziale 4.2, e sporód zmiennych makroekonomicznych najwiksze zdolnoci prognostyczne dla cen surowców rolnych ma wska nik koniunktury gospodarczej dla krajów OECD. Ceny krajowe a ceny wiatowe Badajc zalenoci dugookresowe midzy cenami polskimi a cenami wiatowymi, ceny polskie wyraono w dolarach, mnoc cen w zotych przez kurs USD/PLN. Zawarte w tabeli 4.3.2 wyniki testu Johansena, przy pomocy którego badane byo wystpowanie zalenoci dugookresowych pomidzy cenami wiatowymi a cenami polskimi analogicznych produktów rolnych, wskazuj, e tylko w niektórych przypadkach takie zalenoci maj miejsce. Tabela 4.3.2. Wyniki testu Johansena wiat – Polska (przeliczonych na USD) Zmienna niezalena (wiat) Pszenica Kukurydza Wieprzowina Woowina Drób Dairy index Zmienna zalena (Polska) Pszenica Kukurydza Wieprzowina Woowina Drób Mleko df 2 1 2 2 2 2 Rzd macierzy – 0 Warto p Otrace wasna 0,0830 18,3900 0,0163 0,0901 14,1170 0,0789 0,0609 15,7220 0,0446 0,0432 8,6327 0,4075 0,0527 11,3600 0,1930 0,0796 18,0030 0,0189 Rzd macierzy – 1 Warto p Otrace wasna 0,0076 1,4924 0,2218 0,0093 1,2710 0,2596 0,0176 3,4601 0,0629 0,0001 0,0241 0,8767 0,0041 0,7954 0,3725 0,0094 1,8358 0,1754 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.2, 4.1.3. Zalenoci dugookresowe pojawiaj si przede wszystkim na rynku zbó. Zarówno w przypadku cen pszenicy, jak i kukurydzy, mona mówi o skointegrowaniu szeregów czasowych cen polskich i wiatowych, w tym drugim przy101 padku hipotezy o braku skointegrowania nie mona odrzuci na poziomie 0,05 (p = 0,0789), co identyfikuje wystpowanie zalenoci dugookresowej. Zaleno dugookresow mona zidentyfikowa równie w przypadku polskich cen mleka i wska nika cen wiatowych produktów mlecznych (dairy index). Interesujcy jest przypadek polskich i wiatowych cen wieprzowiny. Szeregi czasowe tych cen s niestacjonarne (por. tabele 4.1.3-4.1.6), ale czny ich rozkad jest stacjonarny, na co wskazuje peny rzd macierzy 3 w tecie Johannesa. W pozostaych przypadkach zaleno dugookresowa pomidzy cenami wiatowymi i cenami polskimi analogicznych produktów nie zostaa zidentyfikowana. W przypadku woowiny wynika to z szoku strukturalnego zwizanego ze wstpieniem Polski do Unii Europejskiej. Identyfikacja zalenoci dugookresowych dla zmian strukturalnych szeregów czasowych jest dosy utrudniona. Natomiast przypomnie naley, e stwierdzono zalenoci krótkookresowe midzy wiatowymi a polskim cenami woowiny (rozdz. 4.2, tab. 4.2.2). Zalenoci dugookresowe midzy wiatowymi cenami produktów rolnych W tabeli 4.3.3 zamieszczone s wyniki testu Johansena badajcego wystpowanie dugookresowych zalenoci midzy szeregami czasowymi wiatowych cen surowców rolnych. Zalenoci takie zidentyfikowane zostay w kilku przypadkach. Stwierdzi mona przede wszystkim skointegrowanie (a wic i wystpowanie zalenoci dugookresowej) w przypadku szeregów czasowych cen zbó: pszenicy i kukurydzy (p = 0,058). Tabela 4.3.3. Wyniki testu Johansena - ceny wiatowe Zmienna niezalena Zmienna zalena df Kukurydza Wieprzowina Pszenica Woowina Drób Dairy index Wieprzowina Woowina Kukurydza Drób Dairy index Woowina Wieprzowina Drób Dairy index Drób Woowina Dairy index Drób Dairy index 4 2 2 2 4 2 1 2 1 2 2 4 2 1 2 Rzd macierzy – 0 Warto p Otrace 0,0683 14,9690 0,0585 0,0462 10,4940 0,2489 0,0493 9,8700 0,2962 0,1061 21,8720 0,0040 0,1035 22,9310 0,0026 0,0438 10,2790 0,2646 0,0453 9,1115 0,3618 0,1052 21,6920 0,0043 0,0614 14,4420 0,0705 0,0512 10,3510 0,2592 0,0622 12,9120 0,1183 0,0606 15,8660 0,0423 0,0572 11,5220 0,1838 0,0438 9,5352 0,3241 0,0878 18,9440 0,0131 Rzd macierzy – 1 Warto p Otrace 0,0068 1,3180 0,2509 0,0065 1,2706 0,2596 0,0001 0,0056 0,9406 0,0000 0,0004 0,9848 0,0095 1,8417 0,1748 0,0079 1,5542 0,2125 0,0002 0,0354 0,8508 0,0001 0,0234 0,8785 0,0102 2,0133 0,1559 0,0005 0,0957 0,7571 0,0020 0,3907 0,5319 0,0195 3,7918 0,0515 0,0002 0,0453 0,8315 0,0038 0,7522 0,3858 0,0053 1,0306 0,3100 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.2. 102 Nie wystpowaa natomiast zaleno dugookresowa pomidzy obydwoma szeregami czasowymi cen zbó z jednej strony a szeregami czasowymi cen woowiny i wieprzowiny z drugiej strony. Wyjanieniem moe by silne uregulowanie rynku woowiny, pojawianie si szoków strukturalnych zwizanych z polityk i chorob BSE. Naley te przypomnie, e mamy równie do czynienia z krótkookresowymi zalenociami przyczynowymi midzy szeregami cen kukurydzy i woowiny. Zmiany cen kukurydzy w USA s przyczyn w sensie Grangera dla tamtejszych zmian cen woowiny (por. tab. 4.3.3, tab. 4.2.3). Dugookresowa zaleno wystpuje w przypadku szeregu czasowego cen wiatowych misa drobiowego oraz szeregu czasowego cen kukurydzy i cen pszenicy. Zwizek ten wydaje si naturalny na tej zasadzie, e zboa stanowi surowiec do produkcji pasz niezbdnych w produkcji misa drobiowego. Podobnie mona te wyjani wystpowanie zalenoci dugookresowej pomidzy obydwoma analizowanymi szeregami czasowymi cen zbó a szeregiem czasowym cen produktów mlecznych (dairy index). Zalenoci dugookresowe pojawiay si równie pomidzy szeregami czasowymi cen produktów zwierzcych. Dziao si tak w przypadku szeregów czasowych cen wieprzowiny i produktów mlecznych oraz dla szeregów czasowych cen woowiny i drobiu. Nie pojawia si natomiast zaleno dugookresowa pomidzy szeregami czasowymi cen woowiny i wieprzowiny. Brakowao równie zalenoci przyczynowej w sensie Grangera (rozdz. 4.2) midzy tymi szeregami czasowymi. Nie stwierdzono zalenoci dugookresowych równie pomidzy szeregami czasowymi cen woowiny i produktów mlecznych. W tym ostatnim przypadku test oparty na statystyce F wskaza, e ceny woowiny s przyczyn w sensie Grangera dla cen produktów mlecznych (tab. 4.2.3). Zalenoci dugookresowe midzy polskimi cenami produktów rolnych Wyniki testowania zalenoci dugookresowych midzy szeregami czasowymi cen surowców rolnych w Polsce przedstawiono w tabeli 4.3.4. Zauway mona, e w przewaajcej wikszoci przypadków mamy do czynienia ze skointegrowaniem zmiennych, co jest samym w sobie potwierdzeniem zalenoci przyczynowych. Mona uzna, e jedynie odmienne zachowania wystpuj dla cen mleka. Zmienna ta nie jest skointegrowana z adn inn zmienn reprezentujc ceny pozostaych analizowanych surowców rolnych. Przy czym najbliej do odrzucenia hipotezy zerowej byo w przypadku badania zalenoci z cenami woowiny. W przypadku zalenoci krótkookresowych ceny mleka byy tylko w jednym przypadku przyczyn dla innych cen, co wykaza test Grangera. 103 Tabela 4.3.4. Wyniki testu Johansena dla cen skupu surowców rolnych w Polsce Zmienna niezalena Zmienna zalena yto Kukurydza Wieprzowina Pszenica Woowina Drób Mleko Kukurydza Wieprzowina yto Woowina Drób Mleko Wieprzowina Woowina Kukurydza Drób Mleko Woowina Wieprzowina Drób Mleko Drób Woowina Mleko Drób Mleko df 1 3 1 2 1 1 1 4 1 2 1 1 1 1 1 4 2 2 1 2 1 Rzd macierzy – 0 Warto p Otrace wasna 0,0746 18,6830 0,0145 0,1860 33,1150 0,0000 0,1055 27,0430 0,0004 0,0934 19,6850 0,0097 0,0981 25,3960 0,0009 0,0469 12,2730 0,1454 0,0984 16,7840 0,0301 0,0747 17,6420 0,0217 0,0761 16,5620 0,0327 0,0772 19,9220 0,0089 0,0310 9,0520 0,3673 0,0888 16,4000 0,0348 0,1016 15,6150 0,0464 0,1025 16,9500 0,0283 0,0583 10,1740 0,2725 0,0865 20,0120 0,0085 0,0537 15,2050 0,0538 0,0496 12,7730 0,1238 0,0637 15,4240 0,0497 0,0550 13,6140 0,0937 0,0496 15,0590 0,1386 Rzd macierzy – 1 Warto p Otrace wasna 0,0177 3,4914 0,0617 0,0370 5,1291 0,0235 0,0262 5,1928 0,0227 0,0029 0,5705 0,4501 0,0260 5,1693 0,0230 0,0145 2,8534 0,0912 0,0196 2,6906 0,1009 0,0137 2,6600 0,1029 0,0053 1,0479 0,3060 0,0216 4,2612 0,0390 0,0146 2,8797 0,0897 0,0273 3,7594 0,0525 0,0076 1,0405 0,3077 0,0164 2,2474 0,1338 0,0146 1,9982 0,1575 0,0131 2,5472 0,1105 0,0225 4,4384 0,0351 0,0145 2,8528 0,0912 0,0128 2,5184 0,1125 0,0131 2,5783 0,1083 0,0257 5,0962 0,0240 ródo: opracowanie wasne na podstawie danych z rysunku 4.1.3. Naley podkreli skointegrowanie szeregu czasowego cen woowiny z pozostaymi szeregami czasowymi. Jest to w duej mierze wynik uwzgldnienia zmian strukturalnych (wejcie do UE) w postaci dodatkowej zmiennej egzogenicznej. Bez tej zmiennej we wszystkich przypadkach ceny woowiny nie wykazyway dugookresowych relacji z innymi cenami w Polsce. Wynika to std, e strukturalne szoki, jak ten zwizany ze wstpieniem Polski do UE, obniaj moc zwykych testów kointegracji czy pierwiastka jednostkowego. 104 5.Krótkookresoweprognozycensurowcówrolnych zmodeliprzyczynowych(VARiVECM) Niniejszy rozdzia powicono aplikacji modeli VAR i VECM36 do prognozowania cen surowców rolnych w Polsce. W modelach tej klasy liczba zmiennych endogenicznych jest ograniczana najczciej do 2-4. Std naley mie wiadomo, e dla penego obrazu przyszoci cen na caym rynku rolnym naley oszacowa wiele modeli. Gówne problemy wi si z budow kompleksowego sytemu równa, które byyby powizane ze sob. Z uwagi na szerok problematyk w niniejszym rozdziale przedstawiono jedynie wybrane empiryczne modele. Wszystkie zaprezentowane modele oszacowano na podstawie danych miesicznych przedstawionych w rozdziale czwartym z okresu od stycznia 1996 do czerwca 2012 roku. Tylko jeden model by szacowany na podstawie okresu krótszego. Prognozy obliczano na kolejne dwanacie miesicy. Z uwagi, e oszacowania modeli i statystyki zajmuj duo miejsca, nie przedstawiono ich w wersjach tabelarycznych. Opisano jedynie specyfikacj modeli, przedstawiono ich charakterystyki tabelarycznie oraz przedstawiono graficznie ostateczny wynik modelowania – prognozy poszczególnych zmiennych. 5.1. Koncepcja prognozowania cen surowców rolnych Naley przyj, e gównym celem bada jest wykonanie krótkookresowych prognoz cen surowców rolnych w Polsce na podstawie modeli VAR-VECM. Do tego zagadnienia mona podej na dwa sposoby. Z jednej strony mona oszacowa model dla cen polskich w jaki sposób czc je ze sob. Z drugiej za strony mona spróbowa rozszerzy badania przygotowujc kompleksowy system prognoz zmiennych makroekonomicznych, cen wiatowych i cen krajowych. Mona czy te rozwaania obliczajc wiele wariantów prognoz na podstawie alternatywnych modeli. Innym podejciem jest oszacowanie kilku alternatywnych modeli bezporednio dla cen krajowych. Uzasadnieniem dla takiego sposobu postpowania jest przyjcie zaoenia, e ceny uwzgldniaj ca dostpn informacj rynkow, a ich poziom jest pochodn dostpnych informacji i oczekiwa rynkowych. Zatem ceny w Polsce zawieraj w sobie informacje o cenach innych surowców rolnych w kraju, o czynnikach makroekonomicznych w kraju i na wiecie (ko36 Modele wektorowej autoregresji (VAR) i wektorowe modele korekty bdem (VECM) omówiono w rozdziale 2. 105 niunktura, kursy, stopy procentowe) oraz o cenach surowców (nie tylko rolnych) na wiecie. Oczywicie przyjmujc te zaoenia mona byoby doj do wniosku, e wystarczajce jest prognozowanie cen na podstawie jednowymiarowych szeregów czasowych, ale naszym celem jest prognozowanie przy uyciu modeli wykorzystujcych zalenoci z innymi zmiennymi. Zmiany cen bowiem s uwarunkowane okrelonymi czynnikami. Zastosowanie tych modeli wnika w istot zwizków i zalenoci, jakie wystpuj na rynku. Najwaniejsz kwest jest, czy i w jaki sposób czy poszczególne modele ze sob, po to, aby uzyska spójny obraz przyszoci. czenie modeli moe polega na wczaniu wyników (prognoz) z jednego modelu w formie zmiennych egzogenicznych do innych modeli. Aby to zrobi, naley przede wszystkim odpowiedzie na pytanie, które rynki naley modelowa jako pierwsze. Przykadowo, czy najpierw oszacowany powinien by model dla cen zbó czy te dla cen skupu ywca. Odpowied na to pytanie mona uzyska na podstawie wiedzy eksperckiej, jak i wyników testowania przyczynowoci. Z drugiej strony, mona próbowa wykona prognozy w postaci pewnego spójnego, caociowego systemu. Mona to porówna do istoty modeli równowagi czstkowej (rozdz. 3), z tym e system uwzgldniaby praktycznie jeden parametr – mianowicie ceny rynkowe (oprócz zmiennych makroekonomicznych). Zatem najpierw naleaoby wykona prognozy dla cen i parametrów rynkowych znajdujcych si poza sektorem rolnym (zmienne makroekonomiczne, ceny paliw). Nastpnie naleaoby przej do modeli i prognoz wiatowych cen surowców rolnych budowanych z uwzgldnieniem najwaniejszych informacji makroekonomicznych. Dopiero w kolejnym kroku mona przej do modelowania cen krajowych, uwzgldniajc przy tym prognozy obliczone w dwóch poprzednich krokach. Schemat takiego postpowania pokazuje rysunek 5.1.1. Takie podejcie zasadniczo bazuje na powizaniach jednokierunkowych, std istotna jest kolejno modelowania poszczególnych zmiennych. Powizanie modeli w system polega na wczaniu zmiennych (i prognoz) z modeli oszacowanych wczeniej do zestawu zmiennych egzogenicznych w kolejnych modelach. Zasadnicze pytanie dotyczy formy tych zmiennych (poziomy, rónice, opó nienia). Do zmiennych egzogenicznych naley podchodzi z du ostronoci. Po pierwsze, dlatego e mog one dosy mocno zmieni zalenoci. Po drugie, tych samych zmiennych nie naley wcza jednoczenie do wszystkich modeli, poniewa ich efekty mog si zwielokrotnia (multiplikowa). 106 Rysunek 5.1.1. Przykadowy schemat powiza midzy modelami VAR, VECM sucymi prognozowaniu cen rolnych Modele i prognozy zmiennych makroekonomicznych (kursy, koniunktura, ropa itp.) Zmienne egzogeniczne Zmienne endogeniczne Prognozy Zmienne endogeniczne Prognozy Zmienne egzogeniczne MODEL 2 Zmienne endogeniczne Zmienne endogeniczne MODEL n-ty Zmienne egzogeniczne Zmienne endogeniczne Prognozy Zmienne endogeniczne Zmienne egzogeniczne Prognozy MODEL 2 MODEL 1 Zmienne egzogeniczne Prognozy MODEL k-ty Zmienne egzogeniczne Prognozy Modele i prognozy cen polskich Modele i prognozy cen wiatowych MODEL 1 ródo: opracowanie wasne. Naley mie wiadomo, e bdy prognoz z modeli zmiennych makroekonomicznych i cen wiatowych bd przenoszone na rynek polski. Dlatego te warto obliczy prognozy wedug rónych specyfikacji modeli. Zmieniajc kolejno szacowanych modeli oraz zestawy zmiennych endogenicznych i egzogenicznych, uzyskujemy alternatywne warianty prognoz. Przykadowo, mona cznie modelowa i prognozowa ceny wiatowe oraz krajowe na tych samych 107 rynkach. Generalnie liczba alternatywnych modeli dla tych samych zmiennych jest dua. Podstawowe problemy wi si z kolejnoci szacowania modeli dla poszczególnych zmiennych oraz sposobem czenia poszczególnych modeli ze sob. Std naleaoby si zastanowi nad pewnym urednianiem wyników i wczeniem ekspertów w proces weryfikacji uzyskanych wyników. 5.2. Prognozy zmiennych makroekonomicznych W wietle teoretycznych rozwaa, wyników bada empirycznych zamieszczonych w rozdziale 4, czy innych bada dostpnych w literaturze przedmiotu naley przyj, e ceny surowców rolnych w Polsce w decydujcym stopniu s pochodn ksztatowania si cen wiatowych [np. Rembeza 2010]. Z kolei ceny wiatowe w duej mierze mog by uwarunkowane nie tylko sytuacj na rynkach globalnych, ale i czynnikami makroekonomicznymi. Potwierdzaj to czciowo wyniki badania przyczynowoci i relacji dugookresowych zawarte w rozdziale 4. Std, aby mie peniejszy obraz czynników determinujcych ruchy cen w Polsce, naley wczeniej oszacowa modele i na ich podstawie obliczy prognozy zmiennych makroekonomicznych i cen wiatowych surowców rolnych. Nastpnie mona uwzgldni te zmienne wraz z ich prognozami w postaci zmiennych egzogenicznych w modelach VAR i VECM wykonanych dla cen krajowych. W pierwszym kroku podjto prób budowy modelu VAR lub VECM dla zmiennych spoza sektora rolnego. S to zmienne opisane w rozdziale 4.1, wyraajce zmiany aktywnoci gospodarczej w krajach OECD, kursy walut, ceny ropy i ksztatowanie si stóp procentowych LIBOR. W tym celu oszacowano dwa modele. Jeden model VECM i jeden model VAR. Modele Na pocztku oszacowano model VECM dla nastpujcych zmiennych: kursu USD/EUR, wska nika koniunktury OECD-BCI, cen ropy Brent, oprocentowania 3M-LIBOR. Wszystkie zmienne oprócz OECD-BCI, która pokazuje odchylenia od trendu, byy w logarytmach. Wybór modelu VECM podyktowany by wynikami testu Johansena, gdzie zarówno wnioski oparte na statystyce ladu, jak i statystyce najwikszej wiarygodnoci wskazyway na wystpowanie jednego wektora kointegrujcego. Do modelu wczono w formie zmiennych egzogenicznych dyskretnych zmienne sezonowe z uwagi na sezonowo, jak charakteryzuj si ceny ropy. 108 Optymalne opó nienie w wietle kryterium Akaike’a (AIC) to 3, za pozostae kryteria: Schwarza i Hannana-Quinna (BIC, HQC) wskazuj na 2 opó nienia systemu jako najlepsze. Do analiz wybrano 4 opó nienia, poniewa przy opó nieniu niszego rzdu wystpowaa autokorelacja w resztach dwóch modeli. Dziki temu w ostatecznym modelu reszty wszystkich równa charakteryzoway si brakiem autorelacji (test Ljung-Boxa dla p = 0,05). Tabela 5.2.1. Podstawowe charakterystyki równa modelu VECM wykorzystanych w prognozowaniu zmiennych makroekonomicznych (ceny ropy BRENT, wskanika koniunktury OECD-BCI, kursu USD/EUR i oprocentowania 3M-LIBOR) Parametr opisowy Wspóczynnik determinacji (R2) Wspóczynnik autokorelacji reszt Test Ljung-Boxa (12 opó nie) - warto p Test efektu ARCH (12 opó nie) - warto p Ropa Brent Wspóczynnik korelaUSD/EUR cji wzajemnej dla reszt równa 3M-LIBOR Test Doornika-Hansena - warto p Ropa Brent 0,315 0,002 0,597 0,519 x x x Równania zmiennych USD/EUR 3M-LIBOR 0,094 0,429 0,004 -0,005 0,914 0,074 0,052 0,001 0,160 -0,051 x -0,221 x x 0,000 OECD-BCI 0,938 -0,016 0,784 0,114 0,060 0,002 0,028 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1. Oszacowane modele nie zawsze charakteryzoway si podanymi wasnociami (tab. 5.2.1). W modelu dla oprocentowania LIBOR stwierdzono wystpowanie efektu ARCH (test LM dla 12 opó nie). W modelu dla zmiennej USD/EUR warto p tego testu bya równa 0,051. W efekcie równie odrzucono hipotez zerow mówic o normalnym rozkadzie reszt (test Doornika-Hansena). Oznacza to, e prawdopodobnie mamy do czynienia z zalenociami nieliniowymi w analizowanych szeregach czasowych. Moe to wpywa zarówno na poprawno oszacowa, jak i bdy formuowanych prognoz. Drugi oszacowany model mia na celu obliczenie prognoz kursu PLN/USD oraz PLN/EUR. Obydwie zmienne s niestacjonarne i nie s skointegrowane ze sob. Std oszacowano model VAR dla pierwszych przyrostów logarytmów zmiennych. Z uwagi na to, e szeregi czasowe tych zmiennych nie wykazuj sezonowoci w modelu pominite zostay zmienne sezonowe. Chcc, aby prognozy te byy spójne z prognozami pierwszego modelu, do grona zmiennych egzogenicznych wczono zmienn OECD-BCI (wska nik koniunktury) bez adnych opó nie, która jak wynika z rozdziau 4, ma najwiksze zdolnoci prognostyczne w stosunku do innych zmiennych makroekonomicznych. Zmienna ta jest stacjonarna, dlatego te wczono j bez adnych 109 przeksztace. Ujemny znak stojcy przy tej zmiennej wskazuje, e wraz z popraw koniunktury nastpuje umocnienie zotego. Tabela 5.2.2. Podstawowe charakterystyki równa modelu VAR wykorzystanych w prognozowaniu kursu PLN/USD i PLN/EUR Równania zmiennych PLN/USD PLN/EUR 0,220 0,226 0,008 0,001 0,536 0,816 0,062 0,306 0,029 0,625 Parametr opisowy Wspóczynnik determinacji (R2) Wspóczynnik autokorelacji reszt Test Ljung-Boxa (12 opó nie) - warto p Test efektu ARCH (12 opó nie) - warto p Test Doornika-Hansena - warto p Wspóczynnik korelacji wzajemnej dla reszt równa ródo: opracowanie wasne na podstawie danych z rys. 4.1.1. Opó nienia w tym modelu wynosz 3 miesice i przy takiej specyfikacji modelu brak jest autokorelacji w resztach poszczególnych równa (tab. 5.2.2). Równie w tecie LM odrzucono H0 mówic o istotnym efekcie ARCH w pierwszych 12 miesicach. Odrzucono zostaa co prawda H0 w tecie Doornika-Hansena o normalnym rozkadzie reszt (p=0,03), wci jednak pozostaje on o wiele lepszy ni model pierwszy. Uzyskane prognozy Prognozy punktowe i przedziaowe otrzymane na podstawie opisanych powyej dwóch modeli przedstawiono na wykresach ujtych na rysunku 5.2.1. Z uwagi na wiksz czytelno wykresów, okres historyczny na wykresach skrócono do okresu od stycznia 2005 roku. Poniej przedstawiono merytoryczne uzasadnienia dla scenariusza rozwoju wynikajcego z modeli. W wietle prognoz formuowanych na podstawie danych do czerwca 2012 roku, naley oczekiwa pogorszenia koniunktury w drugiej poowie 2012 roku. Niewielka poprawa koniunktury moe mie miejsce w roku 2013. Oprocentowanie depozytów trzymiesicznych na rynku midzybankowym (LIBOR) moe utrzymywa si na niskim poziomie. Mona to uzasadni polityk banków centralnych, które m.in. poprzez obnianie stóp procentowych bd staray si pobudzi gospodark. Spowolnienie gospodarcze moe powodowa ograniczenia popytu na rop naftow, co w efekcie moe przyczyni si do dalszego spadku cen. Prognozy cen ropy Brent wskazuj, e w drugiej poowie 2012 roku moemy mie do czynienia ze spadkiem ich cen do poziomu okoo 80 USD za baryk, za w pierwszej poowie roku 2013 ceny mog wzrosn. 110 Rysunek 5.2.1. Zmienne makroekonomiczne i ich krótkookresowe prognozy uzyskane na podstawie modeli VAR i VECM 6 3-Month LIBOR [%] Prognoza Górny przedzia 95% Dolny przedzia 95% 102 5 4 100 3 98 2 OECD-BCI 96 Prognoza Górny przedzia 95% 1 Dolny przedzia 95% 2012M01 2013M01 2012M01 2013M01 2012M01 2013M01 2011M01 2011M01 2011M01 2010M01 2010M01 2010M01 2009M01 2008M01 2007M01 2006M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 2005M01 0 94 1,8 200 Ceny ropy BRENT [USD/baryk] Prognoza Górny przedzia 95% Dolny przedzia 95% 180 160 USD/EUR Prognoza Górny przedzia 95% Dolny przedzia 95% 1,6 140 120 1,4 100 80 60 1,2 40 20 7 2009M01 2008M01 2007M01 2006M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 2005M01 1,0 0 7 PLN_USD Prognoza Górny przedzia 95% Dolny przedzia 95% 6 PLN_EUR Prognoza Górny przedzia 95% Dolny przedzia 95% 7 6 6 5 5 4 5 4 3 4 3 2 3 2009M01 2008M01 2007M01 2006M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2 2005M01 1 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1. Z punku widzenia ksztatowania si cen w Polsce najwaniejsze s kursy walutowe. Ich prognozowanie jest obarczone najwyszym ryzykiem, o czym wiadcz szerokie przedziay ufnoci tych prognoz. Najszersze przedziay s w przypadku prognoz uzyskanych z modeli VAR (na pierwszych rónicach). Z prognoz (rys. 5.2.1) wynika, e moemy mie do czynienia z mocnym dolarem (USD/EURO) oraz osabieniem zotego w stosunku do dolara i do euro. 111 Waluty krajów rozwijajcych si z reguy trac w przypadku pogorszenia koniunktury. Std mona uzna, e prognozowane kierunki zmian zmiennych makroekonomicznych charakteryzuj si du spójnoci. Nie oznacza to, e prognozy te musz koniecznie si urzeczywistni. Z reguy w przypadku kursów walutowych czy cen ropy due znaczenie odgrywa czynnik spekulacyjny i zwizane z tym okresy wzrostów i korekt. Mog pojawia si równie zalenoci nieliniowe zwizane z tzw. efektami progowymi. 5.3. Prognozy cen wiatowych surowców rolnych W kolejnym kroku oszacowano dwa modele VECM dla cen wiatowych surowców rolnych. W pierwszym modelu zmiennymi endogenicznymi byy ceny zbó, za drugi model pozwoli na obliczenie prognoz dla cen misa i indeksu cen produktów mlecznych. Model cen pszenicy i cen kukurydzy Z uwagi na to, e wiatowe (amerykaskie) ceny pszenicy i kukurydzy s zintegrowane (test Johansena, tab. 4.3.3) do prognozowania ich wykorzystano model VECM z jednym wektorem kointegrujcym. Aby powiza te ceny z czynnikami makroekonomicznymi, do zbioru zmiennych egzogenicznych wczono szeregi przyrostów logarytmicznych cen ropy Brent i kursu USD/EUR. Zmienne te byy najbardziej istotne sporód analizowanych zmiennych makroekonomicznych, a dodatkowo zwizki midzy nimi a cenami zbó s tumaczone wzgldami merytorycznymi. W roli zmiennych egzogenicznych jest równie wyraz wolny oraz zerojedynkowe zmienne sezonowe. Tabela 5.3.1. Podstawowe charakterystyki równa modelu VECM wykorzystanych w prognozowaniu wiatowych cen pszenicy i kukurydzy Równania zmiennych Parametr opisowy Pszenica 2 Kukurydza Wspóczynnik determinacji (R ) 0,141 0,230 Wspóczynnik autokorelacji reszt 0,031 -0,001 Test Ljung-Boxa (12 opó nie) - warto p 0,187 0,061 Test efektu ARCH (12 opó nie) - warto p 0,011 0,165 Test Doornika-Hansena - warto p 0,000 Wspóczynnik korelacji wzajemnej dla reszt równa 0,451 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.2. Optymalne opó nienie dla takiego modelu wg kryterium AIC wynosio 2, za wg pozostaych kryteriów lepsze byoby 1 opó nienie. Model oparto na jednym opó nieniu zmiennych endogenicznych, poniewa taka specyfikacja mode- 112 lu zapewniaa brak autokorelacji w resztach równa (p>0,05). W przypadku równania opisujcego ceny pszenicy odrzucono H0 zakadajc brak efektu ARCH (test LM) na poziomie p=0,05. W tecie Doornika-Hansena równie odrzucono hipotez zerow mówic o braku normalnoci rozkadu reszt (tab. 5.3.1). Gówne problemy z modelem wi si z zalenociami nieliniowymi, które wpywaj na podwyszon leptokurtyczno reszt. Jako tego modelu pozostawia wic wiele do yczenia, niemniej jednak nie udao si znale lepszego modelu tej klasy. Model cen misa i produktów mlecznych W drugim modelu zmiennymi endogenicznymi byy szeregi czasowe cen woowiny, wieprzowiny i drobiu oraz indeks cen produktów mlecznych (dairy index). Model ten zawiera jeden wektor kointegracyjny oraz 4 opó nienia (wybór wg kryterium AIC). Oszczdniejszy by model z 2 opó nieniami (kryteria: BIC i SIC), ale charakteryzowa si autokorelacj reszt. Tabela 5.3.2. Podstawowe charakterystyki równa modelu VECM wykorzystanych w prognozowaniu wiatowych cen misa i produktów mlecznych Parametr opisowy Wspóczynnik determinacji (R2) Wspóczynnik autokorelacji reszt Test Ljung-Boxa (12 opó nie) - warto p Test efektu ARCH (12 opó nie) - warto p Wspóczynniki korelacji Woowina Wieprzowina wzajemnej dla reszt równa Drób Test Doornika-Hansena - warto p Woowina 0,258 0,004 0,577 0,014 x x x Równania zmiennych Wieprzowina Drób 0,431 0,732 0,055 0,015 0,699 0,639 0,008 0,000 -0,226 -0,034 x -0,128 x x 0,000 Dairy index 0,558 -0,012 0,309 0,000 -0,001 -0,090 -0,005 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.2. Ceny prognozowanych w tym modelu surowców zale zarówno od kosztów pasz, jak i uwarunkowa makroekonomicznych. Aby uj te powizania, do zbioru zmiennych egzogenicznych wczono szeregi pierwszych przyrostów logarytmicznych wiatowych cen pszenicy (reprezentant zbó, z uwagi na gorsze wasnoci modelu z szeregiem czasowym cen kukurydzy) i kursu USD/EUR oraz szereg czasowy zmian koniunktury w krajach OECD (OECD-BCI na poziomach). Rozkad reszt tego modelu nie jest do koca poprawny (tab. 5.3.2). Mimo e mamy do czynienia z brakiem istotnych autokorelacji w resztach, to jednoczenie szacunek skadnika losowego nie posiada rozkadu normalnego. Zatem równie w tym przypadku istnieje due prawdopodobiestwo nieliniowych zalenoci w szeregach czasowych cen. Potwierdzaj to wyniki testu LM 113 na wystpowanie efektu ARCH, gdzie praktycznie wszdzie H0 zostaa odrzucona. Jak wynika z wielu bada [por. Borkowski, Krawiec 2009; Gilbert, Morgan 2010; Figiel i in. 2012], zalenoci nieliniowe s w wikszym stopniu regu ni odstpstwem w ksztatowaniu si cen surowców rolnych. Kwestia tylko czstotliwoci analizowanych szeregów czasowych. Uzyskane prognozy Na rysunku 5.3.1 przedstawiono prognozy punktowe i przedziaowe otrzymane na podstawie powyszych dwóch modeli. Obserwujc prognozy przedziaowe naley mie wiadomo, e obliczane s one przy zaoeniu rozkadu normalnego. Natomiast w obydwu modelach hipoteza o takim rozkadzie zostaa odrzucona, std w rzeczywistoci przedziay te powinny by nieco szersze. Ceny zbó w kolejnych 12 miesicach (lipiec 2012 – czerwiec 2013) mog utrzymywa si na wysokim poziomie. W przypadku pszenicy ceny mog wzrosn, czciowo w wyniku sezonowoci, za ceny kukurydzy mog by nieznacznie nisze w sezonie 2011/12. Takie zachowanie cen oznacza moe konwergencj do dugookresowej równowagi midzy cenami tych zbó. Ostatnie dwa lata charakteryzoway si bowiem duym wzrostem cen kukurydzy przy umiarkowanym wzrocie cen pszenicy. Uzyskane prognozy sugeruj, e wiatowe ceny misa bd ksztatowa si na wysokim poziomie w okresie objtym horyzontem prognozowania. Najwiksze wzrosty cen mog mie miejsce na rynku drobiu i woowiny. Ceny wieprzowiny w wietle prognoz mog by nisze ni w okresie lipiec 2011 – czerwiec 2012. W prognozach cen wieprzowiny i drobiu (kurczaków brojlerów) widoczna jest sezonowo w postaci spadku cen pod koniec 2012 roku. Z kolei na rynku zbó ceny s najnisze w okresie zbiorów. W wietle obliczonych prognoz, na rynku produktów mlecznych (dairy index) moe doj do zahamowania tendencji spadkowej cen, jaka miaa miejsce w midzy lipcem 2011 a czerwcem 2012 roku. Ceny misa i produktów mlecznych s pochodn dwóch si rynkowych dziaajcych w przeciwnych kierunkach. Po pierwsze, wysokich kosztów pasz bdcych pochodn wysokich cen zbó, co wpywa w oczywisty sposób na presj do wzrostu cen misa. Po drugie, pogarszajcej si koniunktury gospodarczej, która ogranicza popyt. W warunkach spadku dochodów, w wyniku fluktuacji koniunkturalnych, konsumenci ograniczaj wydatki, w tym na ywno, mimo e s to wydatki dosy sztywne. Rzeczywisty poziom cen bdzie odzwierciedla przewag której z tych si oraz pewne opó nienia zwizane z reakcj producentów misa na zmiany kosztów produkcji. 114 Rysunek 5.3.1. wiatowe ceny surowców rolnych i ich krótkookresowe prognozy uzyskane na podstawie modeli VECM 400 500 450 350 400 300 350 250 300 200 250 200 150 150 100 100 50 Pszenica [USD/t] Prognoza Górny przedzia 95% Dolny przedzia 95% 50 Prognoza Górny przedzia 95% Dolny przedzia 95% 260 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 0 2005M01 0 Kukurydza [USD/t] 160 Woowina [US cents/pound] 240 Prognoza Wieprzowina [US cents/pound] Prognoza 140 Górny przedzia 95% 220 Dolny przedzia 95% 200 Górny przedzia 95% Dolny przedzia 95% 120 180 100 160 140 80 120 60 100 2012M01 2013M01 2013M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2012M01 110 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 40 2005M01 80 280 100 Drób [US cents/pound] Prognoza 260 Górny przedzia 95% Dolny przedzia 95% 220 240 200 90 180 160 80 140 120 70 Dairy INDEX [2004=100] Prognoza Górny przedzia 95% Dolny przedzia 95% 100 80 60 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.2. 115 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 60 5.4. Modele cen skupu surowców rolnych w Polsce oparte na powizaniach z cenami wiatowymi Zgodnie ze schematem przedstawionym na rysunku 5.1.1 prognozy zmiennych makroekonomicznych i wiatowych cen surowców rolnych wykorzystane zostan do budowy prognoz cen surowców rolnych na rynku polskim. Jako pierwsze, w oparciu o zalenoci pomidzy rynkiem polskim a rynkiem wiatowym oraz zalenoci zachodzce na rynku polskim (por. rozdzia 4), oszacowane zostan modele i prognozy cen zbó. Prognozy te zostan nastpnie wykorzystane do szacowania modeli i wyznaczania prognoz cen surowców pochodzenia zwierzcego. 5.4.1. Model cen skupu pszenicy i yta w Polsce Ceny pszenicy i yta w Polsce s skointegrowane (por. tabela 4.3.4), std do prognozy ich cen wykorzystany zosta model VECM z jednym wektorem kointegrujcym. Do zbioru zmiennych egzogenicznych modelu wczone zostay pierwotnie szeregi przyrostów logarytmów wiatowych cen pszenicy i kukurydzy wyraonych w zotych (cena wiatowa pomnoona przez aktualny dla danego momentu czasowego kurs USD/PLN), ceny bowiem tych surowców na rynku polskim zwizane byy z cenami na rynku wiatowym (por. tabela 4.3.2). Ten sposób wyraenia cen wiatowych mia na celu uwzgldnienie wpywu waha kursu na ceny surowców rolnych na rynku polskim. Ostatecznie w modelu pozostaa tylko zmienna opisujca ksztatowanie si cen pszenicy, gdy zmienna opisujca ksztatowanie si cen kukurydzy okazaa si nieistotna i jej usunicie z modelu nie pogorszyo jego waciwoci. Do modelu wczone zostay te zmienne binarne opisujce sezonowo. Model ten zosta oszacowany w oparciu o dane z okresu stycze 1996 – czerwiec 2012. Optymalny rzd opó nienia modelu opisujcego ksztatowanie si cen pszenicy i yta zosta zgodnie ustalony na 2 przez wszystkie kryteria informacyjne. Podstawowe charakterystyki tego modelu zawarte zostay w tabeli 5.4.1. Waciwoci uzyskanych modeli s stosunkowo dobre (por. tabela 5.4.1). W przypadku obydwu równa nie mona stwierdzi wystpowania efektu ARCH. Prawdopodobiestwo bdu polegajcego na odrzuceniu hipotezy zerowej, to jest braku wystpowania efektu ARCH w tecie LM (warto p), jest wysokie. Podobnie nie mona stwierdzi wystpowania autokorelacji reszt, tu równie p jest wysokie w przypadku obydwu równa. Test Doornika-Hansena natomiast wskazuje na to, e reszty tego modelu nie maj rozkadu normalnego (hipoteza zerowa tego testu mówica o normalnoci rozkadu zostaa odrzucona), co nie jest wasnoci podan. Moe to mie pewien wpyw na jako 116 modelu i tym samym na uzyskiwane w oparciu o niego prognozy. T konkluzj wyniku testu Doornika-Hansena osabia jednak w pewnym stopniu fakt, e wykresy reszt wykazay symetryczno. Wysoki wspóczynnik korelacji wzajemnej dla reszt równa wskazuje na powizanie midzy szeregami czasowymi cen pszenicy i yta, i czyni zasadnym ich prognozowanie w oparciu o model VECM. Tabela 5.4.1. Podstawowe charakterystyki równa wykorzystanych w prognozowaniu cen pszenicy i yta w Polsce Równanie opisujce ceny ksztatowanie si ceny Pszenicy yta 0,475 0,484 -0,012 -0,018 0,745 0,556 0,876 0,362 0,765 0,000 Parametr opisowy Wspóczynnik determinacji (R2) Wspóczynnik autokorelacji reszt Test Ljung-Boxa (12 opó nie) - warto p Test efektu ARCH (12 opó nie) - warto p Wspóczynnik korelacji wzajemnej dla reszt równa Test Doornika-Hansena - warto p ródo: opracowanie wasne na podstawie danych z rys. 4.2 i 4.3. Uzyskane prognozy Na rysunku 5.4.1 przedstawiono prognozy punktowe i przedziaowe wyznaczone na podstawie przedstawionego wyej modelu. Prognozy przedziaowe wyznaczane byy przy zaoeniu rozkadu normalnego. W modelu uytym do wyznaczenia prognozy hipoteza o takim rozkadzie zostaa odrzucona. Wykres reszt wykaza leptokurtyczno rozkadu reszt, std w rzeczywistoci przedziay te powinny by nieco szersze. Rysunek 5.4.1. Ceny skupu pszenicy i yta w Polsce [PLN/100 kg] oraz ich krótkookresowe prognozy uzyskane na podstawie modelu VECM 160 150 Cena yta Cena pszenicy 140 Prognoza 130 Górny przedzia 95% Prognoza Górny przedzia 95% 120 Dolny przedzia 95% Dolny przedzia 95% 110 100 90 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.3. 117 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 20 2007M01 30 2006M01 40 2005M01 60 50 2006M01 80 70 Wyznaczone na podstawie modelu prognozy sugeruj, e ceny pszenicy i yta w okresie od lipca 2012 do czerwca 2013 roku mog utrzymywa si na stosunkowo wysokim poziomie. W oparciu o prognozy generowane przez ten model, mona spodziewa si mona wzrostu cen tych zbó, w szczególnoci ceny pszenicy, po ich sezonowym spadku w okresie zbiorów. Sezonowa obnika cen wyra nie widoczna w prognozach jest typowa dla rynku zbó, chocia nie zawsze jest to widoczne „goym okiem” z uwagi na mniejszy udzia sezonowoci w porównaniu do zmiennoci wynikajcej z waha cyklicznych. 5.4.2. Model cen skupu pszenicy, yta i kukurydzy w Polsce Cena kukurydzy nie bya wczona do poprzedniego modelu, gdy szereg czasowy jej cen jest znacznie krótszy (dane miesiczne s dostpne w statystyce dopiero od stycznia 2001 r.), co mogo mie wpyw na wyniki prognoz. Budowa modelu sucego do wyznaczania prognoz jest tu podobna jak w poprzednim przypadku (rzd opó nienia 2, jedna zmienna egzogeniczna – przyrosty logarytmów wiatowych cen pszenicy wyraonych w zotych). Konieczne byo jednak wprowadzenie modyfikacji polegajcej na tym, e zostao wprowadzone opó nienie zmiennej egzogenicznej. Zabieg ten przeprowadzono, poniewa w modelu, w którym wystpoway wycznie wartoci biece zmiennej egzogenicznej, wystpowaa wysoka autokorelacja reszt. Zwikszanie opó nienia zmiennych endogenicznych nie dawao efektów, a nawet powodowao zwikszenie wartoci wspóczynnika autokorelacji. Dodatkowym argumentem za wprowadzeniem do modelu opó nionych wartoci zmiennej egzogenicznej byo to, e byy one statystycznie istotne. Tabela 5.4.2. Podstawowe charakterystyki równa wykorzystanych w prognozowaniu cen pszenicy, yta i kukurydzy Parametr opisowy Wspóczynnik determinacji (R2) Wspóczynnik autokorelacji reszt Test Ljung-Boxa (12 opó nie) - warto p Test efektu ARCH (12 opó nie) - warto p Wspóczynnik korelacji wzajemnej dla reszt równa Pszenicy yta Test Doornika-Hansena - warto p Równanie opisujce ceny Pszenicy yta Kukurydzy 0,541 0,568 0,693 -0,003 -0,014 -0,015 0,607 0,669 0,908 0,973 0,686 0,850 x 0,762 0,382 x x 0,311 0,000 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.3. Podstawowe charakterystyki modelu wykorzystanego do cznej estymacji cen pszenicy, yta i kukurydzy zawarte zostay w tabeli 5.4.2. Model ten, po- 118 dobnie jak poprzedni, charakteryzuje si stosunkowo dobrymi waciwociami. Niemniej równie i tutaj test Doornika-Hansena wskazuje, e rozkad reszt odbiega od rozkadu normalnego. Tu równie, jak w poprzednim przypadku, wykresy reszt wykazay ich symetryczno. Wysoka warto wspóczynników korelacji wzajemnej dla reszt równa wskazuje na powizanie midzy szeregami czasowymi cen pszenicy yta i kukurydzy. Równie w przypadku tego modelu prognozowanie cen powinno si odbywa cznie, w oparciu o model VECM, a nie osobno za pomoc modeli szeregów czasowych (np. ARIMA). Uzyskane prognozy Na rysunku 5.4.2 zamieszczone zostay prognozy punktowe i przedziaowe otrzymane na podstawie modelu, którego podstawowe charakterystyki zamieszczone zostay w tabeli 5.4.2. Równie i w tym przypadku przedziay prognoz powinny by nieco szersze ze wzgldu na leptokurtyczno rozkadu reszt. Rysunek 5.4.2. Ceny skupu zbó w Polsce [PLN/100 kg] oraz ich krótkookresowe prognozy wyznaczone na podstawie modeli VECM 160 150 Cena pszenicy Cena yta 140 Prognoza 130 Prognoza 120 Górny przedzia 95% Dolny przedzia 95% 110 Górny przedzia 95% Dolny przedzia 95% 100 90 160 Cena kukurydzy 140 Prognoza 120 Górny przedzia 95% Dolny przedzia 95% 100 80 60 40 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 20 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.3. 119 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 20 2008M01 30 2007M01 40 2006M01 50 2005M01 60 2006M01 80 70 Prognozy uzyskane przy pomocy omawianego modelu daj dla cen pszenicy i yta wyniki w zasadzie identyczne, jak w przypadku modelu, którego efekty przedstawione zostay na rysunku 5.4.2. Omówienia wymaga wic tylko przebieg prognoz cen kukurydzy. Wida tu wyra nie, e model nie prognozuje wyra nego wzrostu poziomu cen kukurydzy w sezonie 2012/2013, a jedynie zmiany cen wynikajce z sezonowoci (dosy gbokiej), bdce powtórzeniem zmian z roku poprzedniego. 5.4.3. Model cen skupu surowców pochodzenia zwierzcego w Polsce Midzy cenami polskich surowców pochodzenia zwierzcego wystpuj relacje dugookresowe (kointegracyjne, por. tabela 4.1.4), std do prognozy ich cen wykorzystany zosta model VECM z jednym wektorem kointegrujcym. Do zbioru zmiennych egzogenicznych modelu wczone zostay pierwotnie szeregi przyrostów logarytmów wiatowych tych surowców wyraone w zotych (wyznaczona w sposób opisany poprzednio), bowiem ceny tych surowców na rynku polskim zwizane byy z odpowiednimi cenami na rynku wiatowym (por. tabela 4.3.2). Ostatecznie wyczona zostaa zmienna opisujca ksztatowanie si cen wieprzowiny, gdy okazaa si nieistotna, a jej usunicie z modelu nie pogorszyo jego waciwoci. Do modelu wczone zostay te zmienne binarne opisujce sezonowo oraz zmienna binarna, której celem byo uchwycenie wpywu akcesji Polski do UE. Zmienna ta przyjmowaa warto 0 dla obserwacji przed majem 2004 r., 0,5 w maju 2004 r. i jeden dla wartoci po tej dacie. Jest to istotne, szczególnie w przypadku cen woowiny, gdzie zaobserwowano ponad 50% wzrost cen po wejciu do UE. Zgodnie ze schematem przedstawionym na rysunku 5.1.1, do zbioru zmiennych egzogenicznych modelu cen produktów zwierzcych wczono równie przyrosty logarytmów cen pszenicy na rynku polskim. Pszenica stanowi zmienn proxy cen pasz, bo zmienne opisujce ksztatowanie si cen pozostaych zbó okazay si nieistotne. Rzd opó nienia zmiennych modelu wynosi 2, zgodnie wskazany przez wszystkie kryteria informacyjne. Podstawowe charakterystyki tego modelu zawarte zostay w tabeli 5.4.2. W przeciwiestwie do modeli wykorzystywanych do generowania prognoz cen zbó na rynku polskim, model, który zostanie wykorzystany do generowania cen surowców pochodzenia zwierzcego, charakteryzuje si nieco gorszymi waciwociami. Dotyczy to przede wszystkim pojawienia si efektu ARCH w dwóch równaniach modelu (por. tabela 5.4.3). Tak jak i we wszystkich pozostaych modelach, tu równie reszty nie maj rozkadu normalnego, z tych samych zreszt przyczyn, co wymienione poprzednio. 120 Tabela 5.4.3. Podstawowe charakterystyki równa wykorzystanych w prognozowaniu cen skupu surowców pochodzenia zwierzcego w Polsce Parametr opisowy Równanie opisujce ksztatowanie si ceny Trzody Woowiny Drobiu Wspóczynnik determinacji (R2) 0,448 0,327 0,498 Mleka 0,767 Wspóczynnik autokorelacji reszt -0,025 -0,001 0,003 -0,044 Test Ljung-Boxa (12 opó nie) - warto p 0,180 0,992 0,722 0,793 Test efektu ARCH (12 opó nie) - warto p 0,658 0,023 0,007 0,129 Trzody x 0,225 0,267 0,006 Woowiny x x 0,172 0,120 Drobiu x x x 0,079 Wspóczynnik korelacji wzajemnej dla reszt równa Test Doornika-Hansena - warto p 0,000 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.3. W modelu wykorzystanym do budowy prognoz cen polskich surowców pochodzenia zwierzcego mona stwierdzi wystpowanie powiza pomidzy równaniami opisujcymi ksztatowanie si cen poszczególnych surowców pochodzenia zwierzcego (wspóczynniki korelacji wzajemnej reszt). Potwierdza to zasadno wykorzystania modelu VECM do budowy prognoz. Uzyskane prognozy Na rysunku 5.4.3 przedstawiono prognozy punktowe i przedziaowe otrzymane na podstawie modelu opisanego w tabeli 5.4.3. Tu równie, podobnie jak w przypadku poprzednich prognoz, przedziay te powinny by nieco szersze, ze wzgldu na leptokurtyczno rozkadu reszt. Najszersze przedziay obserwuje si w przypadku cen wieprzowiny i to tam warto wzgldnych bdów prognoz ex ante jest najwysza. Uzyskane prognozy wskazuj na wzrost cen misa na rynku polskim w okresie objtym horyzontem prognozy. W najwikszym stopniu wzrost ten dotyczy ceny woowiny, która, jak to sugeruje prognoza, bdzie kontynuowa trend wzrostowy. Podobn kontynuacj trendu wida w przypadku rynku drobiu, chocia tutaj bardziej widoczny jest wpyw sezonowoci, obecnej zreszt i w poprzednich latach. Prognozy wzrostu cen na tych dwóch rynkach s zgodne co do kierunku z prognozami cen tych produktów na rynkach wiatowych, aczkolwiek wydaje si, e na rynku polskim wzrost ten bdzie silniejszy (por. rys. 5.3.1). Przyczyn wyra nego wzrostu cen misa na rynku krajowym moe by silniejszy ni na rynkach wiatowych wzrost cen. Naley przypomnie, e równoczenie prognozowano osabienie kursu zotego wzgldem dolara. 121 Rysunek 5.4.3. Ceny skupu surowców pochodzenia zwierzcego w Polsce i ich krótkookresowe prognozy cen [PLN/kg ywca, PLN/100 l mleka] uzyskane na podstawie modelu VECM Dolny przedzia 95% 6,0 2005M01 3,0 2013M01 3,5 3,0 2012M01 4,0 3,5 2011M01 4,5 4,0 2010M01 5,0 4,5 2009M01 5,5 5,0 2008M01 6,0 5,5 2007M01 6,0 2006M01 6,5 2005M01 6,5 2013M01 7,0 2013M01 Dolny przedzia 95% 2012M01 Górny przedzia 95% 7,0 2012M01 7,5 2011M01 Górny przedzia 95% 2011M01 Prognoza 7,5 2009M01 8,0 2008M01 Cena woowiny Prognoza 2007M01 8,5 8,0 2006M01 Cena wieprzowiny 2010M01 9,0 8,5 2010M01 9,0 160 Ceny drobiu Górny przedzia 95% 140 Dolny przedzia 95% 2005M01 2013M01 2012M01 2011M01 2010M01 80 2009M01 2,0 2008M01 90 2007M01 100 2,5 2006M01 110 3,0 2005M01 120 3,5 2009M01 130 4,0 2008M01 4,5 2007M01 5,0 Ceny mleka Prognoza Górny przedzia 95% Dolny przedzia 95% 150 Prognoza 2006M01 5,5 ródo: opracowanie wasne na podstawie danych z rys. 4.1.1-4.1.3. Warto zwróci uwag na prognozowany wzrost cen wieprzowiny z bardzo widocznym wpywem sezonowoci. Prognoza ta jest róna od prognozy cen wieprzowiny na rynku wiatowym (amerykaskim), sugerujcej co najwyej utrzymanie si obecnego poziomu cen (por. rys. 5.3.1). Inny przebieg prognoz wynika czciowo ze sabszej zalenoci cen polskich od cen wiatowych i wikszej integracji krajowego rynku z rynkami europejskimi od momentu wstpienia Polski do Unii Europejskiej. Prognoza wiatowych cen produktów mlecznych (por. rys. 5.3.1) sugeruje zahamowanie tendencji spadkowej. Prognoza uzyskana dla rynku polskiego sugeruje krótkookresowe odbicie cen. Powodem widocznych wizualnie rónic mog by zmiany kursu PLN/USD oraz wysze ceny pasz. Wyra ny jest te wpyw sezonowoci w prognozie zmian cen mleka na rynku polskim bdcy skutkiem specyfiki produkcji mleczarskiej. 122 Podsumowujc uzyskane prognozy cen na rynku krajowym naley zwróci uwag na pewne zalenoci midzy nimi a prognozami cen wiatowych i kursów walutowych. Prognozowano wczeniej umocnienie dolara, przy jednoczesnym osabieniu si waluty polskiej. Przyjcie takiego ksztatu zmiennych miao wpyw na osabienie tendencji wzrostowej cen wiatowych wyraanych w dolarach. Jednak po przeliczeniu ich na zotówki (sabszy zoty) ceny w Polsce wydaj si by wysokie. Zaómy teraz hipotetycznie inn sytuacj. Gdyby w modelach z rozdziau 5.2 (zmiennych makroekonomicznych) prognozowano osabienie dolara, wówczas prognozy cen wiatowych wyraone w walucie amerykaskiej byyby wysze. Ale jednoczenie silniejszy zoty powodowaby, e prognozy cen polskich prawdopodobnie nie róniyby si od przedstawionych w tym rozdziale. 5.5. Modele cen surowców rolnych w Polsce oparte na zalenociach midzyrynkowych w kraju W niniejszym rozdziale wykorzystano inne podejcie do prognozowania cen surowców rolnych w Polsce. Jeeli zaoymy, e ceny rolne uwzgldniaj dosy szybko wszystkie dostpne informacje (o sytuacji w gospodarce, na rynkach wiatowych i krajowym) mona proces prognozowania zawzi tylko do modelowania cen polskich. Wówczas proces prognostyczny jest mniej skomplikowany i wcale nie musi przekada si na pogorszenie jakoci prognoz. Oszacowano dwa modele na podstawie danych z lat 1996-2012, które poczono ze sob. Pierwszy model oszacowano dla cen pszenicy, yta i ywca wieprzowego. Drugi model dla cen skupu ywca woowego, drobiowego, wieprzowego oraz cen skupu mleka. Na rysunkach przedstawiono jedynie prognozy punktowe, poniewa prognozy przedziaowe s dosy szerokie (por. rozdz. 5.4) i niczego nie wnosz. 5.5.1. Model cen skupu pszenicy, yta oraz ywca wieprzowego i drobiowego w Polsce Celem modelowania jest obliczenie prognoz cen zbó, które bd wczone w kolejnym kroku do modelu cen misa i mleka jako zmienne egzogeniczne. Ceny pszenicy i yta s skointegrowane (por. tabela 4.3.4), std do prognozy ich cen uyty zostanie model VECM. Ze wzgldu na powizania cen zbó z cenami produktów zwierzcych (por. tabela 4.3.4), do modelu zostan wczone, jako zmienne endogeniczne, równie ceny wieprzowiny i drobiu. Wykorzystany zostanie model VECM z jednym wektorem kointegrujcym, na co wskazuje wykonany dla tego modelu test Johansena. 123 Optymalny rzd opó nienia modelu opisujcego ksztatowanie si cen pszenicy i yta zosta ustalony na 2 przez wszystkie kryteria informacyjne. Do zbioru zmiennych egzogenicznych wczone zostay binarne zmienne sezonowe. Podstawowe charakterystyki tego modelu zamieszczone zostay w tabeli 5.5.1. Waciwoci uzyskanego modelu s stosunkowo dobre (por. tabela 5.5.1). Przede wszystkim wspóczynniki determinacji kadego z równa s stosunkowo wysokie, co wiadczy o wiarygodnoci prognoz budowanych w oparciu o te modele. W adnym z równa nie mona stwierdzi wystpowania efektu ARCH. Autokorelacja dla rzdu opó nienia reszt równego 12 wystpuje jedynie w równaniu opisujcym ksztatowanie si cen trzody. Zwikszajc opó nienia do 3 mona byoby si pozby autokorelacji w tym równaniu, jednak skomplikowaoby to cao modelu i nie miaoby wikszego wpywu na poziom uzyskiwanych prognoz. Test Doornika-Hansena wskazuje, e reszty tego modelu nie maj rozkadu normalnego. Przyczyny tego stanu rzeczy i jego konsekwencje zostay rozwaane przy omawianiu modeli uzyskanych poprzednio. Tabela 5.5.1. Podstawowe charakterystyki równa modelu VECM wykorzystanego do prognozowania cen skupu pszenicy, yta, wieprzowiny i drobiu w Polsce Parametr opisowy Równanie opisujce ksztatowanie si ceny Pszenicy yta Trzody Wspóczynnik determinacji (R2) 0,406 0,437 0,425 Drobiu 0,506 Wspóczynnik autokorelacji reszt -0,001 -0,004 -0,007 0,009 Test Ljung-Boxa (12 opó nie) - warto p 0,381 0,482 0,017 0,562 Test efektu ARCH (12 opó nie) - warto p 0,618 0,418 0,209 0,132 Wspóczynnik korelacji wzajemnej dla reszt równa Pszenicy x 0,787 0,146 0,151 yta x x 0,136 0,176 Trzody x x x 0,299 Test Doornika-Hansena - warto p 0,000 ródo: opracowanie wasne na podstawie danych z rys. 4.1.3. Uzyskane prognozy Na rysunku 5.5.1 zamieszczone zostay prognozy punktowe cen zbó otrzymane na podstawie omawianego modelu. Pominito prognozy cen wieprzowiny i drobiu poniewa bd one efektem zastosowania kolejnego modelu. Prognozy cen pszenicy i yta uzyskane w oparciu o model tu omawiany s podobne do prognoz uzyskanych w oparciu o modele przedstawionych w rozdziaach 5.4.1 i 5.4.2. Jedyn wyra niejsz rónic jest nieznacznie mniejszy wzrost tych cen, co moe wynika z braku penej transmisji wiatowych cen zbó i kursów walutowych. 124 Rysunek 5.5.1. Ceny skupu pszenicy i yta w Polsce [PLN/100 kg] oraz ich krótkookresowe prognozy uzyskane na podstawie modelu VECM (zmienne endogeniczne: ceny pszenicy, yta, trzody i drobiu) 100 110 Cena yta Cena pszenicy 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2006M01 2005M01 2013M01 2012M01 20 2011M01 30 2010M01 40 2009M01 50 2008M01 60 2007M01 70 2006M01 80 2005M01 90 2007M01 Prognoza Prognoza ródo: opracowanie wasne na podstawie danych z rys. 4.1.3. 5.5.2. Model cen skupu ywca i mleka w Polsce Do modelu wykorzystanego do budowy prognoz cen surowców pochodzenia zwierzcego wczone zostan pierwsze rónice logarytmów cen pszenicy. Prognozy cen pszenicy pochodz z modelu opisanego w rozdziale 5.5.1. Zestaw zmiennych uzupeniony zosta o binarne zmienne sezonowe, pierwsze przyrosty zmiennej binarnej, której celem byo uchwycenie wpywu akcesji Polski do UE (zmienna ta zostaa szczegóowo opisana poprzednio, a potrzeba jej wprowadzenia wynika ze zmian strukturalnych na rynku woowiny). Tabela 5.5.2. Podstawowe charakterystyki równa modelu VAR wykorzystanego do prognozowania cen skupu surowców pochodzenia zwierzcego w Polsce Parametr opisowy Wspóczynnik determinacji (R2) Wspóczynnik autokorelacji reszt Test Ljung-Boxa (12 opó nie) - warto p Test efektu ARCH (12 opó nie) - warto p Trzody Wspóczynnik korelacji wzajemnej Woowiny dla reszt równa Drobiu Test Doornika-Hansena - warto p Równanie opisujce ksztatowanie si ceny Trzody Woowiny Drobiu Mleka 0,4224 0,4314 0,4947 0,7227 0,0146 0,0678 -0,0105 0,0119 0,121 0,720 0,795 0,919 0,70138 0,05840 0,0203 0,2639 x 0,211 0,279 0,015 x x 0,104 0,028 x x x 0,055 0,000 ródo: opracowanie wasne na podstawie danych z rys. 4.1.3. Do budowy prognoz wykorzystany zosta model VAR dla pierwszych rónic zmiennych endogenicznych (ceny: trzody, woowiny, drobiu i mleka), gdy model z takim zestawem zmiennych endogenicznych i egzogenicznych nie 125 wykazywa kointegracji, a szeregi czasowe zarówno zmiennych endogenicznych, jak i egzogenicznych byy niestacjonarne. Optymalny rzd opó nienia tego modelu wynoszcy 1 i zgodnie wskazany przez wszystkie kryteria informacyjne, zosta zwikszony do 3, ze wzgldu na wystpowanie autokorelacji reszt cen wieprzowiny. Nie spowodowao to znaczcej utraty informacji. Podstawowe charakterystyki tego modelu zamieszczone zostay w tabeli 5.5.2. Waciwoci uzyskanego modelu s dosy zrónicowane (por. tabela 5.5.2). W przypadku równania opisujcego ksztatowanie si ceny mleka wspóczynniki determinacji wyra nie wysze ni w innych modelach wykorzystywanych w tym opracowaniu. Wspóczynniki korelacji wzajemnej dla reszt równa s stosunkowo wysokie, co uzasadnia zastosowanie modelu wielorówniowego do budowy prognoz. Jedynie nieznacznie odbiegaj od tego korelacje dla reszt modelu cen mleka, co wskazuje, e ich powizanie z rynkiem misa nie jest silne. W adnym z równa nie wystpowaa istotna autokorelacja reszt dla opó nienia rzdu 12. Natomiast pojawi si istotny efekt ARCH w przypadku równa cen drobiu i woowiny (p = 0,058). Tak jak w zasadzie w kadym modelu, test Doornika-Hansena wskazuje na to, e reszty tego modelu nie maj rozkadu normalnego. Uzyskane prognozy Na rysunku 5.5.2 zamieszczone zostay prognozy punktowe cen skupu ywca oraz mleka. Prognozy cen skupu surowców pochodzenia zwierzcego uzyskane w oparciu o model eksploatujcy jedynie zalenoci midzy cenami na rynku polskim nieco odbiegaj od prognoz generowanych przez model przedstawiony w rozdziale 5.4.3 (por. rys. 5.4.3 i 5.5.2). Prognozy cen woowiny uzyskane z oszacowanego w tym rozdziale modelu praktycznie pokrywajc si z prognozami obliczonymi na podstawie modelu z rozdziau 5.4. Równie prognozy cen mleka co do kierunków s podobne z obydwu modeli i wskazuj na moliwo korekty spadków. 126 Rysunek 5.5.2. Ceny skupu surowców pochodzenia zwierzcego w Polsce [ywiec w PLN/kg, mleko w PLN/100 l] oraz ich krótkookresowe prognozy uzyskane na podstawie modelu VAR 7,0 6,5 Cena wieprzowiny 6,0 Cena woowiny 6,5 Prognoza Prognoza 6,0 5,5 5,5 5,0 5,0 4,5 4,5 4,0 5,0 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 3,0 2005M01 3,5 3,0 2006M01 4,0 3,5 140 Ceny drobiu 4,5 130 Prognoza 4,0 120 3,5 110 3,0 100 2,5 90 2,0 80 Ceny mleka 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 2013M01 2012M01 2011M01 2010M01 2009M01 2008M01 2007M01 2006M01 2005M01 Prognoza ródo: opracowanie wasne na podstawie danych z rys. 4.1.3. Nie w peni potwierdzona zostaa prognoza cen wieprzowiny i cen drobiu z rozdziau 5.4. Model zastosowany w tym rozdziale, aczkolwiek wskazuje na ten sam schemat zmian sezonowych, to raczej sugeruje zatrzymanie tendencji wzrostowej w roku 2013. Rónice pomidzy prognozami cen misa uzyskanymi z obydwu modeli wynikaj najprawdopodobniej z niepenej transmisji cen z rynków wiatowych (zarówno przez ceny surowców, jak i kursy walutowe). Podsumowujc rozwaania, naley podkreli, e przedstawiono jedynie wybrane modele dla kilku najwaniejszych surowców rolnych. W praktyce pole wyboru jest znacznie szersze. Dotyczy ono midzy innymi: x liczby analizowanych rynków, x czstotliwoci danych empirycznych, x okresu, na podstawie którego szacujemy modele, x kolejnoci szacowania modeli i sposobu czenia ich ze sob. 127 W zalenoci od potrzeb mona bada mniejsz lub wiksz liczb rynków. Wydaje si, e ekonometria i prognozowanie na podstawie modeli ilociowych maj dosy cisy charakter. Jednak z uwagi na zoono metod rzadko uzyskuje si tak sam prognoz. W duej mierze uwarunkowane jest to wiedz o metodach, o mechanizmach rynkowych czy te oczekiwa analityków, którzy podwiadomie preferuj pewne modele czy zmienne kosztem innych. Moemy napisa za Evansem [2002], e prognozowanie to zarówno nauka, jak i sztuka. Wymaga szerokiej wiedzy, a take intuicji i wyczucia. Stanowi poczenie metod statystycznych z danymi empirycznymi, które rzadko, o ile w ogóle, pozwalaj na jednoznaczne udzielenie odpowiedzi na postawione pytania. Std proces prognozowania trudno jest uj w postaci uniwersalnych rekomendacji. 128 6.Projekcjewiatowychcensurowcówrolnych zmodelirównowagiczstkowej–ocenaexpost Niniejszy rozdzia powicono ocenie jakoci dugookresowych projekcji wiatowych cen surowców rolnych. W szczególnoci skoncentrowano si na ocenie, na ile dugookresowe projekcje formuowane z wykorzystaniem modeli równowagi czstkowej, wspierane wiedz merytoryczn ekspertów, stanowi mog wiarygodne ródo informacji rynkowej. Liczba róde, z których moemy uzyska informacje o przewidywanej sytuacji na wiatowych rynkach rolnych, jest do ograniczona. Co prawda, powstaje wiele projekcji odnoszcych si do rynków rolnych, sporód których spora cz podejmuje zagadnienie zmian na rynku wiatowym, jednak wikszo z nich nie ma cigego charakteru. Projekcje (czy prognozy) tego rodzaju wykonywane s najczciej incydentalnie za pomoc rónej metodyki, z reguy przez rónych ekspertów. By mona dokona oceny jakoci dugookresowych projekcji cen, powinny one charakteryzowa si kilkoma istotnymi cechami. Musz one by wykonywane systematycznie, a ich metodyka nie powinna ulega gwatownym zmianom. Tego typu projekcje s wykonywane na podstawie modeli równowagi rynkowej. Mówimy tutaj o modelach równowagi czstkowej FAPRI, USDA czy AGLINK. Modele te opisano w rozdziale trzecim. Projekcje wielkoci produkcji, zuycia, handlu oraz cen ukazuj si co roku i przeprowadzane s od wielu lat. W ocenie przyszej sytuacji podstawowe znaczenie ma rozwizanie otrzymane na podstawie danych rzeczywistych przeduone poza prób statystyczn dla najbardziej prawdopodobnych kierunków rozwoju przy przyjtych zmiennych objaniajcych. Nazywane jest ono przez autorów opracowa projekcj bazow (baseline projections). Wyniki przewidywa z modeli równowagi nazywane s przez autorów raportów projekcjami (w odrónieniu od prognoz) z uwagi na dwa podstawowe czynniki. Po pierwsze, prognozy maj mikroekonomiczny charakter i stanowi wynik oczekiwa konkretnych uczestników rynku. Natomiast organizacje, które publikuj prognozy nie s typowymi uczestnikami rynku podejmujcymi ryzyko rynkowe zwizane z dziaalnoci produkcyjn czy handlow. Po drugie, z uwagi na to, e badania s finansowane przez rzdy czy ponadnarodowe organizacje, autorzy nie chc wystpowa jako uczestnik rynku, który swoimi opiniami zmienia obraz rzeczywistoci i wpywa na zachowanie innych uczestników rynku. Std w celu zachowania neutralnoci uywa si okrelania projekcja. Nato- 129 miast musimy mie wiadomo, e jeeli przyjmowane zaoenia s w opinii analityków najbardziej prawdopodobne (nie maj charakteru hipotetycznego), wówczas projekcje nie róni si wiele od prognoz formuowanych przez niezalenych ekspertów. W kolejnych podrozdziaach przedstawimy projekcje cen wiatowych wybranych grup towarowych uzyskane na podstawie modeli FAPRI i AGLINK-COSIMO, a take pokaemy, na ile przysza sytuacja na rynkach wiatowych odbiegaa od tego, co byo treci projekcji. W miar moliwoci wskazane zostan równie przyczyny takiego stanu rzeczy. Rozdzia ten podzielono na pi czci. W pierwszej przedstawiono uwarunkowania zmian cen w analizowanym okresie. Kolejne trzy obejmuj ocen projekcji odwoujcych si do poszczególnych segmentów rynku rolnego: produktów rolinnych (pszenica, kukurydza, rzepak), misa (woowina, wieprzowina, drób) i produktów mlecznych (mleko w proszku, ser, maso). Rozdzia koczy cz podsumowujca ocen jakoci projekcji. Istnieje wiele rónych mierników dokadnoci wnioskowania w przyszo. W opracowaniu wykorzystano warto odchylenia rzeczywistych realizacji zmiennej prognozowanej od wyznaczonej projekcji. Rozwaajc trafno projekcji uywamy pojcia bdu, analogicznie jak bdy prognozy. Bdy projekcji obliczamy na podstawie informacji ex post, wykorzystujc projekcje tworzone w przeszoci i porównujc je z wielkociami faktycznymi, które mog by obserwowane w trakcie dokonywania oceny. Miernikiem bdów wykorzystanym w pracy jest redni bezwzgldny bd procentowy (Mean Absolute Percentage Error – MAPE), który dany jest wzorem [Cielak red. 2004]: MAPE 1 k k¦ t 1 Yt Yˆt 100% , Yt (6.1) gdzie: k – liczba wykonanych prognoz ex post, Yt – realizacja zmiennej Y w momencie t, t – prognoza zmiennej Y na moment t. Odniesieniem dla tak obliczonych bdów projekcji z modeli równowagi czstkowej s bdy prognoz naiwnych. Istnieje wiele rodzajów prognoz naiwnych. Najprostsza z nich jest ta, w której prognoza na kolejne okresy objte horyzontem prognozowania równa jest ostatniej zaobserwowanej wartoci rzeczywistej, co oznacza zaoenie, e ceny w przyszoci pozostan niezmienne. Porównywanie bdów prognoz ma na celu odpowied na pytanie, czy budowa- 130 nie zaawansowanych modeli równowagi czstkowej przynosi jakiekolwiek korzyci przy przewidywaniu przyszych zjawisk. Ocenie poddano projekcje wykonywane od roku 2004. W pierwszym roku obliczono bdy projekcji formuowanych na kolejne 7 lat (na okres od roku 2004 do 2010). Z uwagi na fakt, e dla produktów rolinnych ceny obliczane s na podstawie roku gospodarczego (sezonu) w chwili dokonywania oblicze nie byy dostpne informacje o cenach z roku 2011. Ostatnie poddane ocenie projekcje pochodz z roku 2009. Bdy projekcji o horyzoncie jednego roku byy redni bdów siedmiu projekcji rocznych. Projekcji dwuletnich jest ju mniej, albowiem tylko sze, natomiast bdy projekcji 4-letnich s redni ju tylko z zaledwie czterech wykonanych prognoz. Wszystko to powoduje, e naley podchodzi ostronie do interpretacji tych mierników i wycigania na ich podstawie wniosków. 6.1. Ksztatowanie si cen surowców rolnych w latach 2004-2011 W latach 2004-2011 rednioroczne ceny surowców rolnych ulegay znacznym wahaniom niespotykanym na tym rynku od lat 70. Po ponad dwóch dekadach spadku realnych cen towarów rolnych, doszo do znaczcych i niespodziewanych wzrostów cen. Zmiany cen wybranych zagregowanych grup surowców rolnych przedstawiono na rysunku 6.1.1. Wida wyra nie, e kierunki zmian cen dla rónych grup surowców pozostaj zbiene37. Najwikszym wahaniom ulegay ceny zbó oraz artykuy mleczarskie. W analizowanym okresie zdecydowanie najsilniejszym wzrostem cen by ten z roku 2007, który by równie mocno zauwaalny na kadym z omawianych rynków. Ta ostatnia zwyka cen surowców rolnych z racji swojej skali oraz szeregu konsekwencji ekonomicznych staa si tematem wielu opracowa ekonomicznych, których autorzy próbowali wyjani przyczyny tak nagych wzrostów cen na wiatowych rynkach rolnych [Robles i in. 2009; Stoll, Whaley 2009; Gilbert, Morgan 2010; Noumura 2010]. Analiza róde decydujcych o tak nagych wzrostach obejmuje szereg zagadnie. Najwaniejsze przyczyny wzrostów cen surowców rolnych w latach 2007-08 mona podzieli na te, które wynikaj ze wzrostu popytu oraz te, które spowodoway obnienie poday. Jako pierwsze omówione zostan te, które wynikaj ze wzrostu popytu. 37 Nie dotyczy to rynku cukru, który nie jest przedmiotem analizy w niniejszym opracowaniu. 131 Rysunek 6.1.1. Miesiczne indeksy efektywnego kursu USD [prawa o] oraz wiatowych cen wybranych grup agregatowych artykuów rolnych [lewa o] (rednia z lat 2002-2004 = 100) 140 300 Indeks cen artykuów rolnych 270 130 Indeks cen misa Indeks cen artykuów mleczarskich 240 120 Indeks cen zbó Efektywny kurs dolara listopad11 stycze11 czerwiec11 marzec10 sierpie10 padziernik09 maj09 grudzie08 luty08 lipiec08 wrzesie07 listopad06 kwiecie07 stycze06 czerwiec06 marzec05 60 sierpie05 60 maj04 70 padziernik04 90 grudzie03 80 luty03 120 lipiec03 90 wrzesie02 150 listopad01 100 kwiecie02 180 stycze01 110 czerwiec01 210 ródo: opracowanie wasne na podstawie danych FRED (Federal Reserve Economic Data) i FAO. Do najistotniejszych czynników wpywajcych na wzrost popytu w ostatnich latach wg literatury nale: x wzrost gospodarczy w krajach rozwijajcych si, szczególnie w Chinach i pastwach azjatyckich przekadajcy si na wzrost popytu na ywno, x wzrostu dochodu i zmiany wzorców konsumpcji ywnoci (wzrost spoycia produktów pochodzenia zwierzcego w krajach rozwijajcych si), x deprecjacja dolara amerykaskiego, x spekulacja na rynkach terminowych surowców rolnych, x wzrost zuycia surowców rolnych na produkcj biopaliw [Gilbert, Morgan 2010; Noumura 2010; Robles i in. 2009; Tyner 2010]. Pierwsze dwa z wymienionych powyej czynników s ze sob cile powizane. Wzrost gospodarczy w krajach rozwijajcych si jest przyczyn zwikszenia siy nabywczej zamieszkujcej tam ludnoci. Konsekwencj wzrostu do- 132 chodów jest natomiast nie tylko zwikszenie popytu na ywno w ogóle, lecz równie wzrost spoycia produktów pochodzenia zwierzcego [OECD-FAO 2008; Abbott i in. 2011; IFPRI 2011; Hobijn 2008]. Zmiany wzorców konsumpcji dodatkowo zwikszaj popyt na zboa paszowe, w szczególnoci na kukurydz i soj. Przyczyny demograficzne sprawiaj, e najwikszy wpyw na wzmocnienie popytu globalnego na ywno odgrywa wzrost gospodarczy rejestrowany w Chinach i Indiach. Przykadowo, w Chinach wzrost ludnoci pomidzy rokiem 2001 a 2011 wyniós 5,49% [OECD, baza danych], podczas gdy konsumpcja misa drobiowego wzrosa o 40,95%, a misa wieprzowego o 23,38% [USDA baza FAS]. W Indiach przy blisko 16% wzrocie populacji w tym samym okresie konsumpcja misa drobiowego wzrosa o 52,53%, a woowego o 115,42%. Czynnik ten odgrywa równie wan rol w okresie wzrostu cen w roku 2010/11. Wanym czynnikiem odpowiedzialnym za wzrosty cen byo te osabienie dolara amerykaskiego. Zjawisko wzrostu cen surowców rolnych i energetycznych w okresach spadku wartoci dolara amerykaskiego obserwowane jest od wielu lat [Nazlioglu, Soytas 2012]. Wynika ono z faktu, e wiatowe ceny wikszoci surowców rolnych denominowane s w dolarze. Osabienie dolara sprawia, e ceteris paribus popyt na artykuy rolne – jak i surowce energetyczne – w pastwach importujcych ywno ronie, gdy ich cena w walutach lokalnych spada. Przekada si to nastpnie na wzrost ceny dolarowej. Zwraca si jednak uwag, e obserwowane w latach 2007-08 wzrosty cen artykuów rolnych byy o wiele wysze ni skala deprecjacji dolara [Hobijn 2008], co wida na rysunku 6.1.1, na którym przedstawiono zmiany efektywnego kursu dolara38 oraz wiatowych cen artykuów rolnych podawane za FAO w latach 2001-2011. Warto równie doda, e w przypadku cen zbó (linia zielona) wzrost by wikszy ni dla agregatu „artykuy rolne” (linia pomaraczowa). Kolejnym czynnikiem odpowiedzialnym za nage wzrosty cen ywnoci w latach 2007-2008 jest spekulacja kontraktami terminowymi na surowce rolne. Pogarszajca si koniunktura na giedach papierów wartociowych spowodowaa odpyw czci kapitau spekulacyjnego, który odnalazszy dobre warunki do pomnaania zysków na towarowych rynkach terminowych przeniós tam cz swoich zasobów. Towarowe rynki terminowe od zawsze postrzegane byy jako wartociowe aktywa pod wzgldem dywersyfikacji ryzyka, co jest szczególnie istotne w okresach spadków koniunktury gospodarczej. Na amerykaskich giedach terminowych liczba otwartych pozycji na kontraktach dotyczcych pszeni38 Efektywny kurs walutowy to indeks rednich waonych kursu waluty krajowej wzgldem walut gównych partnerów handlowych, gdzie wagami s wzgldne rozmiary handlu z danym krajem. 133 cy wzrosa pomidzy lutym 2005 roku a lutym 2008 roku ponad dwukrotnie, a kukurydzy blisko dwuipókrotnie. Wzrost ten spowodowany by zajmowaniem dugich pozycji39 przez graczy niezwizanych z sektorem rolnym [OECD-FAO 2008]. Spekulacje na rynkach terminowych s czsto wymieniane wród czynników sprawczych wzrostu cen surowców rolnych w latach 2007-08 [Mayer 2011; Hobijn 2008; Robles i in. 2009]. Z drugiej strony odnale mona równie prace negujce znaczcy wpyw spekulacji na zwyk cen ywnoci [Stoll, Whaley 2009]. Przegld opracowa wspierajcych oraz negujcych hipotez o istotnym wpywie dziaa spekulacyjnych na wzrost cen surowców rolnych przedstawia Zawojska [2011]. Istotn rol w zwikszaniu popytu na surowce rolne odegra wzrost produkcji biopaliw, bdcy konsekwencj polityki pastw rozwinitych wspierajcych rozwój paliw wytwarzanych ze róde odnawialnych [OECD-FAO 2008; Gilbert, Morgan 2010]. Mowa tu o produkcji etanolu ze zbó (gównie kukurydzy) bd trzciny cukrowej czy biodiesla z olejów rolinnych. W ostatnich latach ze wzgldu na ustawowo okrelane minimalne progi wykorzystania biopaliw w przemyle ich produkcja gwatownie wzrosa. Przykadowo w USA, kraju bdcym gównym eksporterem kukurydzy (dostarcza ponad poow kukurydzy na rynek midzynarodowy), etanol z przeznaczeniem na paliwo wytwarzano z surowców rolnych ju w latach 80. Wtedy jednak przeznaczano mniej ni 3% cakowitych zbiorów kukurydzy na ten cel. Najwikszy ilociowy skok dokona si w latach 2005-07, a w roku 2007 23,1% poday kukurydzy zuywano na produkcj bioetanolu [USDA baza FAS]. Zmiany iloci kukurydzy uytej do produkcji bioetanolu i procentowego zuycia kukurydzy na ten cel przedstawiono na rysunku 6.1.2. Wzrost popytu na surowce przeznaczane na produkcj biopaliw nie wpywa wycznie na cen tych surowców. Ograniczona poda ziemi, szczególnie w krajach rozwinitych, sprawia, e wraz z rozwojem biopaliw wiksza powierzchnia uytków rolnych przeznaczana jest pod produkcj takich surowców, jak kukurydza czy rzepak, co powoduje ograniczenie poday i w konsekwencji wzrost cen pozostaych artykuów rolnych [Abbot i in. 2011]. Jakkolwiek sam fakt wpywu rozwoju biopaliw na wzrost popytu na surowce rolne i wynikajcy std wzrost cen nie jest poddawany w wtpliwo, róne s oceny co do skali wpywu tego czynnika. Bole i Londo [2008] uwaaj, e wpyw biopaliw na ceny surowców rolnych pozostaje ograniczony. Warto równie nadmieni, e czynnik ten nawet silniej 39 Pozycja duga oznacza nabycie instrumentów finansowych zwizanych ze zobowizaniem kupna w przyszoci towaru bazowego. Zajmowanie pozycji dugiej wie si z przewidywaniem wzrostu cen towaru bazowego. 134 ni w roku 2007/08 wpyn na wzrost cen surowców rolnych w roku 2010/11 [Abbot i in. 2011]. Rysunek 6.1.2. Zuycie kukurydzy na produkcj bioetanolu [w mln ton – skala lewa] oraz udzia zuycia na ten cel w caoci produkcji kukurydzy [w % – skala prawa] w USA w latach 1980-2010 140 35% 120 30% 100 25% 80 20% 60 15% 40 10% 20 5% 0 0% Kukurydzaprzeznaczonanabioetanol[wmilionachton] Udziazuycianabioetanolwcaociprodukcjikukurydzy ródo: opracowanie wasne na podstawie danych FAPRI. Na wzrost cen wpyw mia te pewien spadek poday surowców rolnych. Do czynników zmniejszajcych poziom poday w omawianym okresie zaliczy naley: x nisze zbiory zbó, szczególnie w Australii; x niski poziom inwestycji w sektorze rolnym na wiecie w ostatnich latach; x wzrost kosztów produkcji. Istotne znaczenie spadku produkcji artykuów rolnych w krajach bdcych tradycyjnie eksporterami ywnoci jest podnoszony przez wielu autorów problem spadku produkcji w wyniku niekorzystnych warunków pogodowych [Hobijn 2008; Gilbert, Morgan 2010; Nomura 2010]. Obnienie poziomu produkcji szczególnie wyra nie wystpio przykadowo na rynku pszenicy. Dotkno trzech najwikszych na wiecie dostawców tego surowca. Spadek poday dotyczy zwaszcza Australii, gdzie zbiory pszenicy na skutek klski suszy zmalay w dwóch kolejnych latach o blisko poow w porównaniu do lat wczeniejszych. Wpyw ograniczenia poday nastpi dodatkowo w latach, w których poziom wiatowych zapasów by niski. Wielko produkcji pszenicy trzech najwikszych eksporterów oraz stosunek wiatowych zapasów do spoycia (stock to use ratio) przedstawiono na rysunku 6.1.3. Do powanego szoku podaowego doszo te chociaby na rynku misa, kiedy to w roku 2004 z powodu epidemii BSE doszo do zaamania amerykaskiego eksportu woowiny. 135 Rysunek 6.1.3. Produkcja pszenicy w Australii, Kanadzie i USA [w tys. ton – skala lewa] oraz wielko stosunku zapasów do spoycia [skala prawa] w latach 2001/02-2010/11 140 000 40 Kanada Australia USA Zapasy do spoycia 35 120 000 30 100 000 25 80 000 20 60 000 15 40 000 10 20 000 5 0 0 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10 10/11 ródo: opracowanie wasne na podstawie danych FAPRI. Kolejnym czynnikiem „odpowiedzialnym” za wzrost cen artykuów rolnych w ostatnich latach jest obserwowany od ponad dwóch dekad niski poziom inwestycji w sektorze rolnym na wiecie [Nomura 2010; Gilbert, Morgan 2010]. Naley przy tym zaznaczy, e nie jest to czynnik, którego wpyw na nagy wzrost cen surowców rolnych byby kluczowy. Niedoinwestowanie sektora rolnego jest wynikiem zmniejszajcej si dochodowoci w rolnictwie w ostatnich dekadach poprzedniego wieku. Konsekwencj niesatysfakcjonujcego uzbrojenia technicznego jest niska elastyczno cenowa produkcji, co objawia si szczególnie wyra nie w warunkach nagych zwyek cen na rynkach rolnych. Ograniczenie poday surowców rolnych wynikao równie z wysokich cen surowców energetycznych, w tym przede wszystkim ropy, co odbija si na kosztach prowadzenia dziaalnoci produkcyjnej [OECD-FAO 2008]. Warto doda, e rozwój rynku biopaliw spowodowa, e wzrost cen ropy wpywa na zwikszenie popytu na surowce rolne wykorzystywane w produkcji biopaliw. Dlatego te zauwaa si, e od roku 2006 nastpia zmiana relacji pomidzy cenami ropy a zbó polegajca na ustaleniu si dodatniej korelacji zmian pomidzy nimi [Tyner 2010; Hamulczuk, Klimkowski 2012]. Wzrost kosztów dotkn szczególnie mocno produkcj zwierzc, gdzie oprócz wysokich cen ropy producenci musieli si równie zmaga z wysokimi cenami pasz wywoanymi wzrostem cen zbó paszowych. Ostatni z czynników wzmacniajcych wzrost zmiennoci cen na rynkach rolnych w omawianym okresie jest zwizany z polityk handlow. W odpowie- 136 dzi na wzrost cen surowców rolnych wiele krajów (przykadowo Argentyna, Egipt, Kazachstan czy Rosja) wprowadzio ograniczenia w wymianie handlowej tymi artykuami [Nomura 2010]. List instrumentów polityki rolnej i handlowej wprowadzonych przez kraje rozwijajce si w odpowiedzi na wzrost cen artykuów rolnych w latach 2007-08 wymienia Demeke i in. [2009]. Polityka ywnociowa odegraa due znaczenie take w przypadku wzrostu cen w latach 2010-11, gdy Chiny podjy decyzj odbudowania zapasów soi [Abbott i in. 2011]. Koczc omawianie róde wzrostów cen artykuów rolnych, warto zwróci uwag na to, e wiele z przedstawionych przyczyn samoistnie nie wpynoby w istotny sposób na sytuacj popytowo-podaow. Dopiero skumulowane oddziaywanie wielu czynników w tym samym czasie pocigno za sob tak znaczcy wzrost cen. Przykadowo, zwikszona aktywno inwestorów spekulacyjnych na rynkach terminowych nie wpynaby na wzrost cen surowców rolnych, gdyby stan zapasów wiatowych by wysoki. Doszo te do kumulacji procesów zwizanych ze wzrostem popytu na ywno w krajach rozwijajcych si i rozwoju produkcji biopaliw w krajach rozwinitych. Powyszy przegld najwaniejszych przyczyn zmian cen produktów rolnych mia na celu pokazanie zoonoci warunków ksztatujcych ceny na wiatowych rynkach rolnych, a take najistotniejszych si oddziaujcych na wielko popytu i poday na surowce rolne. Warto pamita, e analiza przyczyn wzrostów cen zostaa dokonana ex-post. Co wicej, analiza przyszych zmian wspomnianych powyej czynników najprawdopodobniej nie pozwala na efektywn predykcj cen artykuów rolnych. Przykadowo, w roku 2008/09 ceny wikszoci produktów rolinnych wyra nie spady, pomimo e sia oddziaywania wikszoci omawianych czynników nie ulega zmniejszeniu. Warto równie doda, e zawarte w literaturze fachowej wnioski z analizy przyczyn wzrostu cen w latach 2007-08 czsto do dzisiaj – pomimo przeprowadzenia szeregu bada – wzajemnie si wykluczaj, jak jest to w przypadku oceny wpywu spekulacji czy rozwoju rynku biopaliw [Zawojska 2011, Mutuc 2010]. 6.2. Projekcje cen produktów rolinnych W ramach produktów rolinnych omówione zostan projekcje cen trzech surowców rolnych: pszenicy, kukurydzy oraz rzepaku. Ksztatowanie si cen tych surowców w przeszoci – niezalenie od geograficznego umiejscowienia notowania cen – wykazuje due podobiestwa. Zauway mona wzrost cen tych surowców w roku 1994, 2004 oraz 2007. W przypadku tego pierwszego szczytu notowa, by on szczególnie mocny w przypadku kukurydzy, a delikatniej przebiega na rynku rzepaku. Kolejna zwyka cen z roku 2004 jest najmniej wyra na na rynku 137 pszenicy. Wzrosty cen zapocztkowane w roku 2007 dotycz za wszystkich omawianych rynków. Oba powysze wzrosty cen spowodowane byy niskim poziomem zapasów w krajach bdcych najwikszymi eksporterami. Projekcje cen pszenicy Pszenica jest obok soi najwaniejszym towarem podlegajcym wymianie midzynarodowej na wiatowych rynkach rolnych. Ma te z pewnoci niezwykle due znaczenie dla polskiego rolnictwa. W ramach obydwu analizowanych modeli równowagi czstkowej prognozuje si obecnie sytuacj cenow na najwaniejszych rynkach krajowych i regionalnych40. W modelu FAPRI od samego pocztku publikowania prognoz podaje si projekcje czterech cen wiatowych – cen europejsk w Rotterdamie, cen kanadyjsk, australijsk oraz amerykask. T ostatni – cen fob pszenicy twardej w portach poudniowych USA dla roku gospodarczego zaczynajcego si 1 czerwca – przyjmuje si najczciej za gówn cen wiatow. Jest ona take uznana za tak w niniejszym opracowaniu. Dodatkowo przedstawiono projekcje cen pszenicy w porcie w Rotterdamie. Ceny pszenicy w ostatnich latach podlegay gwatownym zmianom, których przyczyny zostay powyej omówione. Siedem ostatnich projekcji wiatowych cen pszenicy wykonanych przy uyciu modelu FAPRI oraz AGLINK-COSIMO, a take przebieg cen redniorocznych od 1990 roku przedstawiono na rysunku 6.2.1. Kada z projekcji obejmuje okres 10 lat. Zaznaczono je lini cig niebiesk (model FAPRI) oraz przerywan fioletow (AGLINK-COSIMO). Jednoczenie czerwon lini zaznaczono faktyczne ceny, jakie odnotowano w kolejnych latach. W ten sam sposób skonstruowany jest kady z kolejnych wykresów w tym rozdziale. W przypadku rysunków przedstawiajcych projekcje tylko jednego modelu zaznaczone s one niebiesk lini cig. 40 W roku 2011 w ramach modelu FAPRI prognozowano bilanse rynku pszenicy w nastpujcych pastwach/regionach: USA, Algieria, Argentyna, Australia, Brazylia, Kanada, Chiny, Egipt, Unia Europejska, Indie, Iran, Japonia, Meksyk, Maroko, Pakistan, Rosja, Korea Poudniowa, Tajwan, Tunezja, Ukraina, pozostae afrykaskie, pozostae amerykaskie, pozostae azjatyckie, pozostae europejskie i reszta Oceanii. W przypadku modelu AGLINK-COSIMO s to nastpujce rynki: Kanada, Stany Zjednoczone, Unia Europejska, Rosja, Ukraina, Australia, Nowa Zelandia, RPA, Algiera, Egipt, Afryka Subsaharyjska, reszta Afryki, Argentyna, Brazylia, Chile, Meksyk, Urugwaj, reszta Ameryki Poudniowej i rodkowej oraz 11 pastw azjatyckich (m.in. Chiny, Indie, Japonia, Turcja). 138 Rysunek 6.2.1. Projekcje wiatowych cen pszenicy twardej (US Gulf) uzyskane z modelu FAPRI i AGLINK-COSIMO [w USD za ton] 350 Pszenica US Gulf 300 250 200 150 100 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia ciga niebieska (FAPRI) i linia przerywana fioletowa (AGLINK-COSIMO), ceny rzeczywiste – linia czerwona ródo: opracowanie wasne na podstawie projekcji modelu FAPRI (FAPRI World Agricultural Outlook z lat 2004-2011) i projekcji modelu AGLINK-COSIMO (OECD-FAO Agricultural Outlook). Wida wyra nie, e projekcje obydwu modeli byy raczej konserwatywne. Prognozowano utrzymanie przez najblisze lata jednego poziomu cen, który zazwyczaj nie róni si znaczco od ostatniej zarejestrowanej ceny rocznej. Dopiero w przypadku ostatnich projekcji wida wyguszanie cykli zmian cen. Projekcje uzyskane z modelu AGLINK-COSIMO równie wykazuj wysokie uzalenienie od ostatnio obserwowanej ceny, przy czym wedug adnej z prognoz tworzonych po roku 2007 ceny nie utrzymuj si w dugim okresie powyej 250 USD za ton. Zauway te mona, e ceny prognozowane na przysze lata przez model FAPRI s wysze. W przypadku projekcji tworzonych przed 2007 rokiem widoczna jest rónica pomidzy cenami prognozowanymi a faktycznymi warunkami cenowymi obserwowanymi w ostatnich latach. Jest to sytuacja, w której atwo o krytyk konstruowanych w oparciu o omawiane modele projekcji. Usprawiedliwieniem niech pozostanie fakt, e rodowisko naukowców i analityków rynkowych do dzi nie potrafi precyzyjnie okreli, która bd które z przyczyn drastycznego wzrostu cen surowców rolnych w 2007 roku byy tymi najwaniejszymi. Przykadowo, brak zgody co do siy wpywu wzrostu cen ropy na wzrost cen surowców rolnych [Mutuc 2010, Tyner 2010], czy roli dziaa spekulacyjnych 139 na rynkach terminowych na zmiany cen towarów rolnych, o czym szerzej pisze wspomniana ju Zawojska [2011]. Na rysunku 6.2.2 przedstawiono ceny historyczne oraz projekcje cen pszenicy w porcie w Rotterdamie. Kierunek zmian tych cen pozostaje w wysokim stopniu zbieny z amerykaskimi cenami pszenicy. Rysunek 6.2.2. Projekcje cen pszenicy w porcie w Rotterdamie uzyskane z modelu FAPRI [w USD za ton] 350 Pszenica Rotterdam 300 250 200 150 100 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Graficzna analiza odchyle midzy projekcjami a cenami rzeczywistymi sugerowa moe wysokie bdy prognoz. rednie bdy (MAPE) projekcji z omawianych modeli s nisze od bdów prognoz naiwnych tylko w przypadku rocznego i dwuletniego horyzontu prognoz. Dla projekcji o duszym horyzoncie to prognozy naiwne cechuj si niszymi rednimi bdami. Niski poziom trafnoci projekcji w analizowanym okresie spowodowany by nagym wzrostem cen w roku 2007, a take nie mniej gwatownym spadkiem cen na rynkach rolnych, jaki obserwowany by od III kwartau 2008 roku. Naley jednak zauway, e wedle projekcji z roku 2007 i 2008 ceny miay si obniy, co te jest przyczyn ich wyszoci nad prognozami naiwnymi. Do gównych róde bdów prognoz zaliczy naley z pewnoci szoki podaowe wywoane niekorzystnymi warunkami pogodowymi, deprecjacj dolara amerykaskiego, a take przepyw kapitau spekulacyjnego na rynki terminowe. Istotn rol odegra te rozwój rynku biopaliw. 140 Projekcje cen kukurydzy Najwikszym eksporterem kukurydzy pozostaj od wielu lat Stany Zjednoczone. Na wiatowym rynku wanymi graczami s te Argentyna, Brazylia, Francja, Ukraina i Wgry. W ramach modelu FAPRI dokonuje si projekcji bilansów kukurydzy na 30 rynkach lokalnych. Podobna liczba rynków lokalnych funkcjonuje w ramach modelu AGLINK-COSIMO. Z wykorzystaniem obydwu modeli dokonano projekcji cen fob kukurydzy notowanej w poudniowych portach USA (US Gulf). Jest to rednia cena w roku gospodarczym trwajcym od 1 wrzenia do 31 sierpnia. Rysunek 6.2.3. Projekcje wiatowych cen kukurydzy (US Gulf) uzyskane z modelu FAPRI i AGLINK-COSIMO [w USD za ton] 280 Kukurydza US Gulf 230 180 130 80 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia ciga niebieska (FAPRI) i linia przerywana fioletowa (AGLINK-COSIMO), ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Na rysunku 6.2.3 przedstawiono projekcje cen kukurydzy tworzone na bazie obydwu modeli. Zauway mona podobiestwo pomidzy projekcjami cen pszenicy i kukurydzy w wysokoci rónicy pomidzy prognozowanymi, a pó niej zanotowanymi cenami. Podobnie jak w przypadku cen pszenicy, równie ceny kukurydzy prognozowano najczciej na poziomie zblionym do tego, jaki obserwowano w ostatnim roku. Wedle wikszoci projekcji w kolejnych latach dojdzie do nieznacznego wzrostu cen, co zwizane jest z planowa- 141 nym wzrostem rynku biopaliw. Kukurydza pozostaje gównym surowcem do ich produkcji41. Zatem projekcji wiatowych cen kukurydzy w analizowanym okresie nie mona uzna za trafne. Przyczyny takiego stanu rzeczy s w istocie podobne – warunki pogodowe, spekulacja itp. Za dodatkowy czynnik uzna naley niedoszacowanie znaczenia produkcji biopaliw i zwizanego z tym wzrostu popytu na kukurydz. Czynnik ten nie wpywa wycznie na cen kukurydzy, poniewa wzrost cen jakiejkolwiek z upraw wpywa poprzez ograniczon poda ziemi na cen innych produktów rolinnych, niemniej w przypadku kukurydzy mia on najwiksze znaczenie. Istotn rol odegra te wzrost popytu na miso i artykuy mleczarskie w krajach rozwijajcych si, poniewa kukurydza naley obok soi do najwaniejszych zbó paszowych. Projekcje cen rzepaku wiatowe zbiory rzepaku w ostatnich szesnastu latach ulegy podwojeniu. Istotnie wpyno na to wykorzystanie nasion rzepaku do produkcji biodiesla. Najwikszymi producentami rzepaku jest Unia Europejska oraz Kanada, Chiny i Indie. UE oraz Kanada to – obok Australii – take najwiksi wiatowi eksporterzy rzepaku, dlatego ceny wiatowe wyznaczane s w portach w Hamburgu oraz Vancouver. Ceny rzepaku nie s prognozowane w ramach modelu AGLINK-COSIMO, dlatego posuymy si jedynie projekcjami z modelu FAPRI. Ceny rzepaku w ostatnich latach podlegay podobnym fluktuacjom jak ceny omawianych wczeniej zbó. Tutaj jednak systematycznie obserwowany wzrost wykorzystania rzepaku do produkcji biopaliw oraz rosnce progi minimalnego wykorzystania biopaliw w gospodarce spowodoway zmian kierunku dugookresowych prognozowanych zmian cen na tym rynku. Od roku 2008 projekcje wskazuj na dalszy wzrost cen rzepaku, podczas gdy wczeniej spodziewano si raczej minimalnego spadku cen w dugim okresie, podobnie jak miao to miejsce w przypadku projekcji cen zbó. Dotyczy to zarówno cen w porcie Vancouver (rys. 6.2.4), jak i cen w porcie w Hamburgu (rys. 6.2.5). 41 Podnoszenie problemu szeregu niekorzystnych efektów zwizanych z rozwojem rynku biopaliw przez strony rzdowe w USA i w UE oraz wzrost znaczenia gosów domagajcych si rezygnacji z polityki wspierania produkcji biopaliw z surowców rolnych to kwestia dopiero ostatnich miesicy. 142 Rysunek 6.2.4. Projekcje kanadyjskich cen rzepaku (Cash Vancouver) uzyskane z modelu FAPRI [w USD za ton] 550 Rzepak Vancouver 500 450 400 350 300 250 200 150 100 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Rysunek 6.2.5. Projekcje cen rzepaku w Unii Europejskiej (CIF Hamburg) uzyskane z modelu FAPRI [w USD za ton] 650 600 Rzepak CIF Hamburg 550 500 450 400 350 300 250 200 150 100 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Z uwagi na skorelowanie cen rzepaku i zbó, a co za tym idzie – zbliony przebieg cen oraz projekcji, bdy prognoz s na podobnym poziomie. Bdy prognoz dla rocznego oraz dwuletniego horyzontu s nisze w przypadku pro- 143 jekcji modelu FAPRI, natomiast trzy- i czteroletnie prognozy cen rzepaku s zdecydowanie trafniejsze w przypadku modeli naiwnych. Dotyczy to obydwu prognozowanych cen rzepaku. Niska trafno projekcji wynika przede wszystkim z niedoszacowania wpywu biopaliw na wzrost popytu na rzepak. Pewn rol odegray tu równie wysokie ceny ropy naftowej zwikszajce dochodowo produkcji paliw z surowców rolnych. 6.3. Projekcje cen misa Ceny misa pozostaj w pewnym stopniu powizane z cenami produktów rolinnych, w szczególnoci zbó. Wynika to z faktu uzalenienia kosztów zakupu pasz od cen zbó. W okresach podwyszonych cen, np. pszenicy, opacalno produkcji zwierzcej maleje, co sprawia, e pewna cz producentów zmniejsza liczb trzymanych zwierzt lub wycofuje si z rynku. Konsekwencj obnionej poday jest wówczas wzrost ceny misa. Z tego te powodu praktycznie wszystkie przedstawione wczeniej czynniki odpowiedzialne za wzrost cen produktów rolinnych oddziauj na ceny misa. Naley jednak pamita, e reakcje producentów na zmiany dochodowoci prowadzonej dziaalnoci dotyczce ograniczania czy przede wszystkim zwikszania produkcji s o wiele szybsze w przypadku produkcji misa drobiowego ni wieprzowiny, czy w szczególnoci woowiny, co wynika z rónic w dugoci cyklu produkcyjnego. Warto te pamita, e poszczególne rodzaje misa mog by do pewnego stopnia traktowane jako dobra substytucyjne. Religijne tabu zabraniajce spoycia niektórych rodzajów misa (wieprzowina w islamie i judaizmie, woowina w hinduizmie), w skali globalnej nie wpywaj istotnie na wspomniany fakt substytucyjnoci rónych rodzajów misa. W ostatnich latach obserwuje si wzrostow tendencj ksztatowania si cen misa, co tumaczone jest nie tylko wysokimi cenami zbó i pasz, ale przede wszystkim rosncym popytem na miso w krajach szybko rozwijajcych si. Przykadem kraju, w którym obserwuje si najwyra niejszy wzrost zapotrzebowania na miso, s Chiny [Abbott i in. 2011]. Projekcje cen woowiny Najwikszymi producentami misa woowego na wiecie jest USA, Brazylia i Chiny. Wanymi graczami na midzynarodowym rynku wymiany woowiny s oprócz wyej wspomnianych take Argentyna, Indie oraz Australia. Najwikszym importerem netto pozostaje Japonia. Odbiorcami o stale rosncym zapotrzebowaniu s muzumaskie kraje Afryki Pónocnej, w szczególnoci Algieria i Egipt. Znaczcym importerem jest równie Rosja. 144 Ceny woowiny w ostatniej dekadzie poprzedniego stulecia podlegay trendowi spadkowemu. Zosta on odwrócony wraz z powrotem epidemii BSE na pocztku pierwszej dekady XXI wieku. Gwatowny wzrost cen w roku 2003 by wynikiem dalszego obnienia poday oraz wzrostu barier w handlu midzynarodowym na skutek pojawiania si przypadków BSE w Ameryce. W kolejnych latach ceny nie ulegy obnieniu. W 2007 roku pojawi si natomiast nowy czynnik decydujcy o dalszym wzrocie cen woowiny, czyli naga zwyka cen produktów rolinnych, w szczególnoci zbó paszowych. W ostatnich latach da si równie zauway rosnc presj na ceny wynikajc z cigego wzrostu popytu na miso w krajach rozwijajcych si. Za cen wiatow przyjmuje si najczciej t notowan w USA, której projekcje tworzone s zarówno w ramach modelu FAPRI (rys. 6.3.1), jak i AGLINK-COSIMO (rys. 6.3.2). Rysunek 6.3.1. Projekcje wiatowych cen woowiny (Nebrasca Direct Fed-Ster) uzyskane z modelu FAPRI [w USD za ton] 2500 Woowina US 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Analiza graficzna wskazuje na pewne rónice midzy projekcjami a odnotowanymi pó niej faktycznymi cenami rynkowymi. W szczególnoci nietrafne okazay si projekcje z lat 2004-2006. Wedle projekcji naleao si wówczas spodziewa spadku cen po przejciowym kryzysie zwizanym z wystpieniem chorób epidemicznych i nastpujcych po nich zmian w polityce handlowej pa 145 biorcych udzia w wymianie midzynarodowej42. Projekcje cenowe lat nie odbiegaj ju znaczco od faktycznie obserwowanych cen. Rysunek 6.3.2. Projekcje wiatowych cen woowiny (Nebraska lw) uzyskane z modelu AGLINK-COSIMO [w USD za ton] 3800 Woowina US 3500 3200 2900 2600 2300 2000 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Trafno projekcji cen woowiny jest znaczco wysza ni projekcji cen produktów rolinnych. O ile w przypadku tych ostatnich miernik MAPE dla prognoz jednorocznych oscylowa w granicach od 15,94% (rzepak w Vancouver) do 24,69% (pszenica w UE), to przy tym samym horyzoncie prognozowania dla prognoz woowiny MAPE wyniós 6,04% i 7,89% odpowiednio dla projekcji z modelu FAPRI i modelu AGLINK-COSIMO. Wynika to jednak wycznie z mniejszej zmiennoci rednich cen rocznych woowiny. Co jest istotne to fakt, e prognozy naiwne okazay si trafniejsze dla kadego horyzontu prognozowania od projekcji z modeli równowagi czstkowej. Najwiksza rónica dotyczy projekcji 3-letnich modelu AGLINK-COSIMO, dla których bd prognozy (MAPE) jest dwukrotnie wyszy ni dla prognoz naiwnych. Projekcje cen wieprzowiny Najwikszym producentem misa wieprzowego s Chiny, które odpowiadaj za okoo poow globalnej poday. Olbrzymi popyt wewntrzny sprawia jednak, e Chiny s wci importerem netto wieprzowiny. Duym importerem 42 Chodzi tu o polityk zamykania rynku przed potencjalnie gro nym dla zdrowia misem pochodzcym z pastw zagroonych chorob BSE. 146 jest równie Japonia, Korea Poudniowa czy Rosja. Najwikszymi eksporterami wieprzowiny od lat pozostaj Stany Zjednoczone, kraje Unii Europejskiej (Dania, Niemcy, Belgia), Kanada i Brazylia. Rysunek 6.3.3. Projekcje wiatowych cen misa wieprzowego (Barrow and Gilt – waga poubojowa) uzyskane z modelu FAPRI [w USD za ton] 1500 Wieprzowina US 1400 1300 1200 1100 1000 900 800 700 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak rys. 6.2.1. Za cen wiatow przyjmuje si najczciej t notowan na rynku amerykaskim. Taka te modelowana jest w ramach dwóch omawianych modeli, przy czym w modelu AGLINK-COSIMO prognozuje si ceny wieprzowiny w wadze ywej. Od roku 2004 ceny wzrastay w wyniku zmniejszania poday woowiny wynikej z powodu epidemii BSE oraz zmniejszenia wymiany handlowej misem drobiowym, bdcego konsekwencj pojawienia si przypadków ptasiej grypy. W ostatnich latach wysoki poziom cen wieprzowiny wynika prawdopodobnie równie z wysokich kosztów pasz. Na wiatowym rynku wieprzowiny, podobnie jak na rynkach lokalnych da si zauway wystpowanie cykli cenowych, tzw. cykli wiskich. Wydaje si jednak, e nagy wzrost cen na rynku zbó w ostatnich latach zaburzy ksztat tych waha. Cykliczny charakter zmian cen jest wci widoczny w ksztacie projekcji cen, zaprezentowanych na rysunkach 6.3.3 i 6.3.4, tworzonych na bazie analizowanych obydwu omawianych modeli. Podobnie jak w przypadku rynku woowiny, projekcje modelu FAPRI wydaj si by „smuklejsze”. 147 Rysunek 6.3.4. Projekcje wiatowych cen wieprzowiny (Barrow and Gilt – waga ywa) uzyskane z modelu AGLINK-COSIMO [w USD za ton] 2000 Wieprzowina US 1800 1600 1400 1200 1000 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Trafno projekcji cen misa wieprzowego uzyskanych z obydwu modeli równowagi czstkowej nie s wysokie. Projekcje tworzone na bazie modeli cen wieprzowiny dla okresu rocznego i dwuletniego, dla których MAPE wynosz okoo 12%, nie s trafniejsze ni prognozy naiwne. W przypadku projekcji trzyi czteroletnich zaznacza si przewaga projekcji z modeli równowagi, przy czym wysz trafnoci cechuj si te tworzone na bazie modelu FAPRI. Przykadowo, bdy projekcji czteroletnich z modeli równowagi wynosz 9,3-10,6% przy bdach prognoz naiwnych na poziomie 15%. Podobnie jak w przypadku projekcji cen woowiny, due rónice pomidzy wartociami prognozowanymi a faktycznie pó niej zanotowanymi dotyczyy prognoz z lat 2004-06, kiedy spodziewano si, e wzrosty cen w latach 2002-04 byy krótkotrwaym efektem transmisji wyszych cen z rynków woowiny i drobiu, na których doszo do epidemii chorób zaka nych. Projekcje cen drobiu Midzynarodowy rynek misa drobiowego zdominowany jest przez dwóch najwikszych eksporterów netto – USA i Brazyli. Unia Europejska od 2007 roku staa si importerem netto drobiu, jednak najwikszymi odbiorcami tego misa s Chiny, Rosja, Japonia i Meksyk [OECD]. Poniewa w ramach modelu AGLINK-COSIMO dochodzio do zmian ceny uznawanej za wiatow, analizowa bdziemy wycznie projekcje 148 cen z modelu FAPRI. Za cen wiatow uznaje si najczciej t z rynku amerykaskiego. Rysunek 6.3.5. Projekcje wiatowych cen misa drobiowego (US 12-city Wholesale) uzyskane z modelu FAPRI [w USD za ton] 2100 Drób US 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Podobnie jak w przypadku poprzednio omawianych rynków misa, zaobserwowa mona wzrost cen w ostatnich latach. Na rynku drobiu dochodzio take do czasowych ogranicze w handlu zwizanych z pojawieniem si w 2003 i pó niej w 2007 roku epidemii ptasiej grypy. Na rysunku 6.3.5 przedstawiono projekcje cen drobiu uzyskane na bazie modelu FAPRI. Wida wyra nie, e wedug projekcji publikowanych w latach 2004-2006 wzrost cen wywoany ptasi gryp w roku 2004 by chwilowy i nie powinien wpyn na dugookresowy trend zmian cen drobiu. Prognozy publikowane w kolejnych latach coraz mocniej uwzgldniaj wzrost popytu globalnego na miso oraz reakcje producentów na wysokie koszty pasz, czego efektem s wysze szacunki cen w przyszoci. Analiza graficzna wskazuje, e projekcje cen uzyskiwane z modelu FAPRI w wikszoci przypadków si nie sprawdziy, cho z drugiej strony wielokrotnie udao si przewidzie kierunek zmian cen. Za szczególnie nietrafne uzna naley projekcje z lat 2004-2006. Spodziewano si wówczas spadku cen po zawirowaniach zwizanych z ptasi gryp, a ponadto oczekiwano znacznego wzrostu produkcji w krajach rozwijajcych si, który mia doprowadzi do obniki cen. Projekcje z modeli równowagi czstkowej okazay si trafniejsze od 149 prognoz naiwnych wycznie w przypadku rocznego i dwuletniego horyzontu czasowego. Rónice w wielkoci MAPE trudno te uzna za znaczce. W przypadku projekcji rocznych MAPE dla projekcji z modelu FAPRI i naiwnych wyniosy odpowiednio 7,25% i 8,65%, a dla dwuletnich 9,22% i 10,03%. Natomiast prognozy naiwne cechoway si niszymi bdami dla horyzontu trzech i czterech lat. W przypadku tych ostatnich MAPE dla projekcji z modelu FAPRI i prognoz naiwnych wyniós odpowiednio 20,38% i 14,36%. 6.4. Projekcje cen artykuów mleczarskich Najwaniejszymi produktami mlecznymi podlegajcymi wymianie handlowej jest odtuszczone mleko w proszku, sery i maso. Gównym skadnikiem masa s tuszcze, mleka w proszku – biako, za przy produkcji serów wykorzystuje si oba te skadniki. Poniewa gównym surowcem do produkcji tych artykuów pozostaje mleko krowie, zauwaa si podobiestwo w przebiegu cen kadego z omawianych artykuów mleczarskich w kolejnych latach. Inaczej ni w przypadku dotychczas omawianych artykuów, z racji zmiany metodologii, pierwsze projekcje cen z modelu AGLINK-COSIMO dotycz roku 2008. W tym roku zdecydowano o zmianie ceny uznawanej za wiatow w tym modelu. Dostpne s wic zaledwie cztery projekcje tych samych cen wiatowych. Ograniczona liczba projekcji nie pozwala niestety na porównywanie trafnoci projekcji tworzonych na bazie modeli FAPRI i AGLINK-COSIMO. Uwaga ta dotyczy cen wszystkich artykuów mleczarskich. Projekcje cen odtuszczonego mleka w proszku Najwikszymi eksporterami odtuszczonego mleka w proszku (SMP) jest Nowa Zelandia, USA, Australia i pastwa Unii Europejskiej (gównie Niemcy i Francja). Importerami netto jest wikszo krajów Dalekiego Wschodu, Meksyk, Rosja oraz kraje Afryki Pónocnej. W modelu FAPRI jedn z cen wiatowych jest cena z rynku europejskiego, tymczasem w modelu AGLINK-COSIMO za cen wiatow przyjmuje si cen notowan w rejonie Oceanii. Przebieg zmian cen na obydwu rynkach wraz z projekcjami przedstawiono na rysunkach 6.4.1 i 6.4.2. Kierunek zmian cen na obydwu rynkach jest podobny, przy czym ceny mleka w proszku notowanego w Europie s wysze. Po okresie wzgldnej stabilizacji cen w latach 1990-2004 doszo do wzrostu cen. W analizowanym okresie najwysze ceny notowano w roku 2007, po czym nastpi spadek cen. W roku 2010 ponownie ceny odtuszczonego mleka w proszku na rynku wiatowym wzrosy. 150 Rysunek 6.4.1. Projekcje wiatowych cen SMP (FOB Northern Europe) uzyskane z modelu FAPRI [w USD za ton] 4500 SMP N. Europe 4100 3700 3300 2900 2500 2100 1700 1300 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Rysunek 6.4.2. Projekcje wiatowych cen SMP (FOB Oceania) uzyskane z modelu AGLINK-COSIMO [w USD za ton] 4500 SMP Oceania 4100 3700 3300 2900 2500 2100 1700 1300 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Wedug publikowanych raportów oczekiwano wzrostu cen mleka w proszku, co uzasadniono wzrostem popytu na produkty mleczarskie oraz wzrostem kosztów prowadzenia tego typu produkcji w ostatnich latach. Wzrost 151 cen w wartociach nominalnych pozostaje jednak stosunkowo nieduy, co wie si ze staym wzrostem produkcji w pastwach rozwijajcych si, w szczególnoci w Chinach i Indiach. Projekcje cen na podstawie obydwu modeli zakaday – zgodnie z pó niejszym stanem rzeczy – e wzrost cen w roku 2007 odbiega znaczco od trendu i ceny wróc do dugookresowego trendu. Nagy, blisko dwukrotny wzrost cen w roku 2007 sprawi, e trafno projekcji nie jest wysoka. W przypadku projekcji jednorocznych MAPE dla projekcji z modelu FAPRI wyniosa 16,39% i bya znaczco nisza ni bd prognoz naiwnych (23,20%). W przypadku projekcji czteroletnich rónice s ju jednak niewielkie. Projekcje cen sera Rynek sera jest zdominowany przez producentów z Unii Europejskiej, Australii i Nowej Zelandii, którzy s gównymi eksporterami tego artykuu. Najwaniejszymi odbiorcami jest natomiast Rosja oraz Japonia. Ser importuj te w duych ilociach Chiny, Meksyk i pastwa arabskie, z Egiptem i Arabi Saudyjsk na czele. Importerem netto pozostaj równie USA. Rysunek 6.4.3. Projekcje wiatowych cen sera (FOB Northern Europe) uzyskane z modelu FAPRI [w USD za ton] 5200 Ser N. Europe 4800 4400 4000 3600 3200 2800 2400 2000 1600 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Ceny sera w ostatnich latach ksztatoway si podobnie do cen SMP, przy czym zauway naley, e wzrost cen z roku 2007 zosta podtrzymany równie w roku 2008. Podobnie jak w przypadku wszystkich omawianych produktów 152 mleczarskich, wzrost cen w ostatnich latach napdzany by wzrostem kosztów oraz zwikszajcym si popytem, w szczególnoci w krajach azjatyckich oraz w Afryce Pónocnej. Na rysunku 6.4.3 przedstawiono ksztatowanie si cen sera w portach europejskich, które s jedn z cen wiatowych w modelu FAPRI, wraz z projekcjami na najblisze lata. Na rysunku 6.4.4 przedstawiono za projekcje cen sera w rejonie Oceanii tworzone w ramach modelu AGLINK-COSIMO. Podobnie jak w przypadku cen SMP, projekcje wskazuj, e ceny sera bd w najbliszych latach rosn, przy czym poziom cen zaley w najwikszym stopniu od cen w ostatnich okresach sprzed wykonania projekcji. Zauway mona równie, e podobnie jak w przypadku projekcji cen na wikszoci pozostaych rynków produktów mlecznych prognozy modelu FAPRI s gadsze, czyli przewiduje si liniowe, bardziej równomierne zmiany cen w okresie objtym prognozowaniem. Rysunek 6.4.4. Projekcje wiatowych cen sera (FOB Oceania) uzyskane z modelu AGLINK-COSIMO [w USD za ton] Ser Oceania 5200 4800 4400 4000 3600 3200 2800 2400 2000 1600 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Trafno projekcji cen sera jest porównywalna z dokadnoci projekcji cen SMP. W kadym z analizowanych horyzontów prognozowania projekcje tworzone na bazie modelu równowagi czstkowej FAPRI okazay si dokadniejsze od prognoz naiwnych. Niemniej jednak, tylko w przypadku projekcji jednorocznych rónica pomidzy bdami jest znaczca (MAPE dla projekcji z modelu FAPRI – 14,09%; dla prognoz naiwnych – 27,84%). 153 Projekcje cen masa Maso to kolejny produkt podlegajcy wymianie handlowej powizany cile z produkcj mleka krowiego43. Gównymi eksporterami globalnymi masa jest Nowa Zelandia, Australia i pastwa Unii Europejskiej, przy czym warto eksportu z Nowej Zelandii przekraczaa w ostatnich latach poow wartoci handlu masem na rynku globalnym. Maso jest importowane przede wszystkim przez pastwa azjatyckie, kraje Afryki Pónocnej oraz Meksyk. Najwikszymi importerami netto s Rosja i Japonia. Zmiany redniorocznych cen masa maj wiele wspólnego ze zmianami pozostaych produktów mleczarskich, przy czym skala wzrostu cen w ostatnich dziesiciu latach jest nawet wysza. Podobnie jak w przypadku serów wysoki poziom cen z roku 2007 zosta utrzymany w roku 2008, a spadek cen w roku nastpnym nie sta si pocztkiem trendu spadkowego cen. W ramach modelu FAPRI przygotowuje si projekcje ceny masa notowane w portach europejskich, za w modelu AGLINK-COSIMO ceny z rejonu Oceanii. Ich przebieg w czasie jest podobny, co obrazuj rysunki 6.4.5 i 6.4.6, na których przedstawiono te projekcje cen masa. Rysunek 6.4.5. Projekcje wiatowych cen masa (FOB Northern Europe) uzyskane z modelu FAPRI [w USD za ton] 5000 Maso N.Europe 4500 4000 3500 3000 2500 2000 1500 1000 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. 43 W skali globalnej, z racji efektywnoci produkcji, liczy si praktycznie wycznie mleko krowie. W przypadku wikszych producentów mleka, to pochodzce od innych zwierzt hodowlanych, stanowi duy odsetek produkcji mleka wycznie w Indiach (ok. 60%) [OECD 2012]. 154 Rysunek 6.4.6. Projekcje wiatowych cen masa (FOB Oceania) uzyskane z modelu AGLINK-COSIMO [w USD za ton] 5000 Maso Oceania 4500 4000 3500 3000 2500 2000 1500 1000 1990 1995 2000 2005 2010 2015 2020 Oznaczenia: prognozy wygase – linia niebieska, ceny rzeczywiste – linia czerwona ródo: jak do rys. 6.2.1. Powysze rysunki obrazuj, jak dalece rozminy si projekcje z faktycznymi cenami obserwowanymi w drugiej poowie pierwszej dekady XXI wieku. Podobnie jak w przypadku projekcji cen pozostaych artykuów rolnych, na bazie oblicze modelowych nie byo moliwe przewidzenie nagego wzrostu poziomu cen w latach 2007-2008 czy równie szybkiego spadku cen w roku kolejnym. Wydaje si, e pewnego rodzaju zaskoczeniem bya te skala wzrostu popytu na artykuy mleczarskie, w tym maso, w ostatnich latach. Projekcje cen masa uzyskane z modelu FAPRI naley uzna za nietrafne. rednie bdy prognoz ksztatoway si na poziomie od 22,57% dla projekcji rocznych do 52,23% dla projekcji czteroletnich. Z drugiej strony, niezalenie od wyboru horyzontu prognozowania, projekcje cen tworzone na bazie omawianych modeli okazay si trafniejsze ni prognozy naiwne. 6.5. Trafno projekcji dugookresowych – uwagi kocowe Porównanie notowanych cen z projekcjami ex post uzyskiwanymi na bazie modeli FAPRI i AGLINK-COSIMO oraz prognozami naiwnymi kae krytycznie spojrze na moliwoci prognostyczne obydwu analizowanych modeli. Publikowane projekcje cenowe nie zakaday nagego wzrostu cen artykuów ywnociowych w roku 2007, a take nastpujcego po nim nie mniej gwatownego spadku cen. W wikszoci przypadków projekcje wskazyway na utrzymywanie si ostatnio obserwowanych trendów zmian cen. Wyjtkiem s projek155 cje tworzone na rok 2008 i pó niejsze lata, wedug których wysoki poziom cen w roku 2007 jest chwilowym odstpstwem od dugookresowych trendów zmiany cen. Niemniej naley zauway, e w kolejnych latach po roku 2008 projekcje wzrostu cen surowców rolnych okazyway si trafne. Ograniczenie analizy projekcji wiatowych cen surowców rolnych do konstatacji o niskiej trafnoci prognoz byoby jednak zbytnim uproszczeniem. Warto bowiem pamita, e prognozowanie cen jest zdecydowanie najtrudniejszym zadaniem stawianym przed modelami równowagi. W szczególnoci dotyczy to modeli równowagi czstkowej, których wyniki s cile uzalenione od zmiennych egzogenicznych. Rola przyjmowanych zaoe makroekonomicznych trudna jest do przecenienia. Nawet drobne rónice pomidzy zakadanymi ex ante a faktycznie odnotowanymi wartociami wska ników ekonomicznych, takimi jak warto PKB, poziom inflacji czy kurs walutowy, s w stanie cakowicie zmieni wyniki oblicze [OECD-FAO 2008, Baumel 2001]. Tymczasem biorc pod uwag zoono procesów zachodzcych w gospodarce wiatowej tworzenie projekcji zmian PKB poszczególnych pastw w horyzoncie dziesicioletnim niewiele si róni od rzucania komi, czego dowiody zreszt wydarzenia po roku 2007. Wpyw kryzysu gospodarczego na sytuacj na wiatowych rynkach rolnych sta si zreszt przyczyn, dla której od roku 2009 w publikacjach OECD dotyczcych projekcji modelu AGLINK-COSIMO podaje si trzy scenariusze rónice si poziomem wzrostu globalnego PKB [OECD-FAO 2009]. W przypadku prognozowania wiatowych cen surowców rolnych szczególnie istotne znaczenie odgrywaj zaoenia dotyczce kursów walutowych. Naley pamita, e ceny wiatowe nie s ksztatowane przez zalenoci pomidzy globalnym popytem a globaln poda. Ceny wiatowe wynikaj natomiast z równowagi pomidzy nadwykami produkcyjnymi pastw eksportujcych a niedoborami na dany artyku rolny w pastwach importujcych ywno. Wielko handlu midzynarodowego na poszczególnych rynkach wynosi najczciej nie wicej ni 10% globalnej produkcji44. Nawet niewielka zmiana kursu waluty danego kraju moe znaczco wpyn na warto wymiany handlowej z reszt wiata. Rol szczególn odgrywa tutaj dolar amerykaski. Poniewa jest to najwaniejsza waluta wiatowa, to w niej denominowane s wartoci surowców rolnych. O mechanizmach z tym zwizanych wspomniano przy okazji omawiania przyczyn wzrostu cen produktów rolinnych w latach 2007-08. 44 Istniej oczywicie wyjtki od tej zasady, czego dobitnym przykadem jest rynek olei rolinnych, a z omawianych w pracy – rynek pszenicy. 156 Równie trudno jest sformuowa wnioski dotyczce polityki handlowej poszczególnych pastw. Czsto zmiany polityki s podyktowane potrzeb chwili, tak jak miao to miejsce w przypadku ogranicze w imporcie misa woowego po rozprzestrzenieniu si choroby BSE. Biorc pod uwag, e przykadowo na rynku masa import tylko dwóch pastw, Rosji i Japonii, odpowiada ponad 40% globalnego importu, zmiana polityki handlowej moe w znaczcy sposób wpyn na cen. Zmiany w polityce handlowej odegray te bardzo du rol w ksztatowaniu cen zbó w latach 2007-2008 [Robles i in. 2009]. Przykadem wanej zmiany technologicznej wpywajcej na wiatowe ceny artykuów rolnych jest gwatowny rozwój rynku biopaliw. Wydaje si, e nie doceniono tego czynnika w wystarczajcym stopniu, co miao konsekwencje w rozregulowaniu wielu rynków i w zwikszeniu zmiennoci cenowych. Wspierana przez rzdy pastw wysokorozwinitych produkcja paliw z produktów rolinnych nie tylko zmienia cakowicie ukad si popytowo-podaowych na rynku zbó, ale uzalenia te rynki rolne od ceny ropy naftowej. Dodatkowym utrudnieniem jest te znaczne uzalenienie sektora rolnego od nieujmowanych przecie w modelach nagych szoków podaowych zwizanych chociaby z niekorzystnymi warunkami pogodowymi czy epidemiami chorób zaka nych. Projekcje budowane s bowiem dla typowych, przecitnych warunków pogodowych. Std te naley pozytywnie oceni wprowadzane do modeli analizy wraliwoci na warunki egzogeniczne. Dziki temu uzyskujemy, obok projekcji o charakterze punktowym, pewien zakres, w jakim ceny mog si ksztatowa w zalenoci od przyjtych zaoe zewntrznych czy stanów przyrody. Dziki temu oraz merytorycznym uzasadnieniom i komentarzom projekcje przedstawiaj obraz tego, co jest moliwe i przy jakich zaoeniach. Istotnym ograniczeniem jest równie konieczno pracy na danych rocznych. Jak zauwaa Baumel [2001], w szybko zmieniajcym si wiecie dane historyczne bardzo szybko staj si praktycznie bezuyteczne przy estymacji równa stosowanych w modelu. Wykorzystywanie danych redniorocznych moe te stanowi istotn przeszkod przy wychwytywaniu zmian w moliwociach produkcyjnych pastw rozwijajcych si, takich jak Indie czy Brazylia. Wreszcie, nie wolno zapomina o ostrzegawczej roli prognoz. Z jednej strony, wieloletnie projekcje wskazujce na utrzymywanie si cen rolnych na niskim poziomie mogy zniechci do inwestowania w rolnictwie. Majc na uwadze te projekcje wywierana bya dosy silna presja na polityk pastwa w zakresie niwelowania skutków niskich cen lub te podjcia dziaa majcych na celu odwrócenie takiej tendencji. Za takie dziaanie naley uzna polityk 157 w zakresie biopaliw, która obok aspektów rodowiskowych prowadzia do zdjcia duych nadwyek produkcyjnych z rynku rolnego (produkty rolinne). Zatem projekcje zapewne doprowadziy do aktywizacji polityki rolnej. Z drugiej strony, ostatnio publikowane projekcje zakadajce utrzymywanie si wysokiego poziomu cen produktów rolnych mog powodowa zmniejszenia presji poprzez polityk na wzrost cen. Zwaszcza w obliczu kryzysu finansowego i problemów w zakresie wyywienia w krajach rozwijajcych si. Zatem oczekiwania co do wysokiego poziomu cen niekonieczne musz si zici. W tym kontekcie mona si zastanawia, na ile projekcje cen wiatowych s podstaw decyzji produkcyjnych poszczególnych producentów, to przypadku decydentów politycznych prognozy dugookresowe odgrywaj wan rol w procesie decyzyjnym. Biorc pod uwag wszystkie te czynniki, naley zaznaczy, e projekcje tworzone na bazie omawianych modeli s w duym stopniu uzalenione od poczynionych zaoe makroekonomicznych oraz ostatnio obserwowanych zmian na rynkach rolnych. Powoduje to, e projekcje opracowywane w kolejnych latach róni si znacznie midzy sob. Sytuacja ta nie jest ograniczona wycznie do projekcji cenowych. Przykadem mog tu by projekcje odnonie salda obrotów pszenic w Chinach. Wedle projekcji modelu FAPRI z lat 2005 i 2006 w dugim okresie Chiny miay sta si importerem netto pszenicy. W nastpnym roku prognozowano, e Chiny stan si eksporterem netto, w 2008 r. – importerem, a w roku 2009 i 2010 – po raz kolejny eksporterem. Za kadym razem byo to odbiciem ostatnio obserwowanych zmian w sytuacji popytowo-podaowej na rynku pszenicy w Chinach, która czsto podlegaa zmianom na skutek wydarze nieistotnych z punktu widzenia dugookresowych tendencji. Wida wic, e przewidywanie zmian sytuacji rynkowych jest zajciem niezmiernie trudnym. W szczególnoci dotyczy to projekcji cen, które – cho kluczowe dla oceny przyszych warunków rynkowych – s najmniej stabiln w czasie z prognozowanych wielkoci. Gdyby bra pod uwag wycznie bdy projekcji cenowych uzyskiwanych na bazie modeli równowagi czstkowej i porównywa j z bdami prognoz naiwnych, wyników nie mona by uzna za satysfakcjonujce. Z drugiej jednak strony, projekcje zazwyczaj trafnie okrelay przyszy kierunek zmian cen, co jest w istocie podstawowym kryterium oceny projekcji cenowych tworzonych na bazie modeli równowagi. Przy wyznaczaniu projekcji przyjmuje si okrelone zaoenia dotyczce wpywu czynników egzogenicznych na dany rynek. W rzeczywistoci czynniki te charakteryzuj si du zmiennoci. Dotyczy to nie tylko warunków przyrodniczo-klimatycznych, ale i czynników makroekonomicznych (np. kursów 158 walut, poziomu inflacji, tempa wzrostu gospodarczego). W ostatnich latach w projekcjach dotyczcych rynków rolnych obliczane s granice zmiennoci (pasma) ksztatowania si projektowanej wielkoci. Autorzy raportu OECD-FAO z roku 2012 [OECD/FAO 2012, s. 45] okrelili zmienno wiatowych cen pszenicy od projekcji bazowej na -15% do +19%, a cen zbó paszowych na -17% do +20%. Podobne rozwizanie przyjto take w projekcji Komisji Europejskiej. Zmienno cen pszenicy w UE z tytuu niestabilnych wielkoci makroekonomicznych oceniana jest na 10% dla pszenicy, 8% dla cen zbó paszowych [European Commision 2011, s. 62]. Na zmienno rynku wpywaj nie tylko wielkoci makroekonomiczne, ale take plony rolin45, które wpywaj na ceny. Z tego powodu zmienno cen pszenicy w UE ocenia si na 10%, jczmienia i kukurydzy na 11%, ceny wieprzowiny na 4%, ceny woowiny, masa, chudego mleka w proszku na 3% [European Commision 2011, s. 71-72]. Zawodno tych modeli w predykcji znacze nadzwyczajnych, jakim by gwatowny wzrost cen w latach 2007-08, nie powinna w aden sposób przekrela pozytywnej oceny moliwoci wykorzystywania wyników modeli równowagi do tworzenia projekcji cen krajowych. Znaczna zachowawczo projekcji co do stopnia zmian cen wynika bowiem z samej konstrukcji tych modeli i przyjmowanych zaoe makroekonomicznych. Pamitajc dodatkowo o braku sensownej alternatywy dla projekcji omawianych modeli naley uzna je za uyteczne narzdzie przy konstruowaniu projekcji cen rolnych na rynku krajowym. W cisym znaczeniu nie s to prognozy rynkowe, które maj ze swojej natury mikroekonomiczny charakter. Wskazuj one jednak kierunek rozwoju rynku z uwzgldnieniem informacji bdcych w posiadaniu analityków branowych. Uwzgldniajc wpyw zmiennoci rónych czynników determinujcych rynek mona wyznaczy granice (pasmo), w którym rynek bdzie si ksztatowa w przyszoci. Przy czym, naley projekcje takie uzupenia obszernymi komentarzami pokazujcymi zagroenia dla realizowanego scenariusza. 45 W modelach przyjmuje si zaoenie o przecitnych warunkach przyrodniczoklimatycznych w okresie wegetacji. 159 7.Przykadyprognozowaniadugookresowego censkupusurowcówrolnychwPolsce W niniejszym rozdziale przedstawiono problematyk empirycznego rozwizywania problemów zwizanych z dugookresowym prognozowaniem cen surowców rolnych. W podrozdziale pierwszym odniesiono si do problematyki estymacji i kalibracji jednorównaniowych modeli i modeli równowagi czstkowej oraz przyjmowanych zaoe. Drugi podrozdzia powicono estymacji i kalibracji jednorównaniowych modeli ekonometrycznych. Zaprezentowano tam równie przykadowe prognozy cen. W ostatnim podrozdziale przedstawiono estymacje równa cenowych zawarte w modelu równowagi czstkowej AGMEMOD oraz projekcje cen uzyskane na ich podstawie. 7.1. Kwestie estymacji, kalibracji i zaoe Powizania midzy cenami krajowymi a wiatowymi, czy cenami w Unii Europejskiej s bezsprzeczne. Dotyczy to zarówno krótkich, jak i dugich okresów. Std naley przyj, e ceny krajowe w zdecydowanej mierze s funkcj cen na rynkach midzynarodowych. Dodatkowo na poziom cen krajowych wpywaj kursy walutowe, polityka rolna oraz lokalne uwarunkowania popytowo-podaowe. Szerzej ta problematyka zostaa przedstawiona w rozdziale 1. Prognozujc na podstawie modeli ilociowych (w modelach nieformalnych równie) naley oszacowa wpyw poszczególnych czynników oddziaujcych na ceny krajowe. Za podstawow mona przyj posta modelu dan wzorem (1.5), gdzie zmiany cen w Polsce s iloczynem cen wiatowych, kursów walutowych oraz odchyle od prawa jednej ceny. Równanie to dla dobra j moemy zapisa w postaci logarytmiczno-liniowej: ln Pt K E0 E1 ln Et E 2 ln PtW H t , (7.1) gdzie: Pt K – ceny krajowe surowca wyraone w walucie krajowej, PtW – ceny wiatowe surowca wyraone w innej walucie (u nas w USD), Et – kurs walutowy (np. PLN/USD), E 0 , E1 , E 2 – parametry modelu, H t – skadnik losowy. Zasadnicze pytania dotycz midzy innymi tego, jaka powinna by wielko oszacowanych parametrów, na ile oszacowania s zgodne z teori i logik 161 oraz czy posta modelu tutaj przedstawiona jest wystarczajca, czy te model taki naley uzupeni o inne zmienne. Poniej postaramy si odpowiedzie na te pytania. Równanie (7.1) mona oszacowa za pomoc klasycznej metody najmniejszych kwadratów lub te dokona ich kalibracji na podstawie szacunków eksperckich. W obydwu tych przypadkach wartoci wspóczynników E1 , E 2 powinny by dodatnie i wyraa procentowe reakcje cen polskich na zmiany cen wiatowych (w USD) i zmiany kursu walutowego. Zatem, jeeli rynki s silnie zintegrowane, wielkoci te powinny by bliskie jednoci, jeeli nie – powinny by bliskie zeru. Na oszacowania znaczcy wpyw maj zmiany uwarunkowa w wymianie handlowej. Wystpoway okresy, w których reakcje cen krajowych na zmiany cen wiatowych byy niewielkie (w warunkach bardziej restrykcyjnej polityki handlowej), za obecnie wpyw ten wydaje si by wikszy. Mona przypuszcza, e oszacowane parametry bd pokazyway efekt redni. Natomiast z prognostycznego punktu widzenia lepiej jest, gdy oszacowane parametry s aktualne zarówno obecnie, jak i dla interesujcego nas horyzontu czasowego w przyszoci. W przypadku duych rónic midzy oszacowaniami ekonometrycznymi a oczekiwanymi wielkociami parametrów lepiej jest zaoy z góry warto parametrów (dokona ich kalibracji). Dosy czsto na rynkach rolnych mamy do czynienia ze zmianami relacji cen krajowych do cen wiatowych (por. rozdziay 1.3, 1.4). Wraz z liberalizacj rynków rolnych ceny krajowe zbliaj si do cen na rynkach zagranicznych. Uwidoczniono to na rysunku 7.1.1, gdzie przedstawiono rozoony w czasie sposób wyrównywania si cen. Stopie tej konwergencji uzaleniony jest od charakteru dobra i lokalnych uwarunkowa. Moe okaza si, e poziom cen nie bdzie zmierza dokadnie do poziomu cen UE bd wiatowych, tylko zatrzyma si kilka lub kilkanacie procent poniej lub powyej z uwagi na specyfik rynku czy relacje popytowo-podaowe (wyraajc porednio wpyw kosztów transakcyjnych). Naley zatem w jaki sposób uwzgldni w modelu konwergencj cen krajowych do poziomu cen wiatowych lub te unijnych. Efekt zmian uwarunkowa rynkowych, gównie polityki handlowej, mona uchwyci za pomoc zmiennych sztucznych. Jeeli zmiana miaa charakter nagy (np. w przypadku cen woowiny z momentem wstpienia Polski do UE), wówczas wystarczy wczy do modelu zmienn binarn zawierajc zera do momentu wstpienia do UE i jeden od tego momentu. Dziki temu zabiegowi moemy uzyska lepsze oszacowania parametrów oraz poprawi jako modelu. 162 Cena Rysunek 7.1.1. Schemat rozoonej w czasie konwergencji cen krajowych do cen w UE lub do cen wiatowych Ceny w UE, ceny wiatowe czas ródo: opracowanie wasne. W przypadku zmian powolnych, tak jak na rysunku 7.1.1, do modelu mona wczy zmienn ln(t) lub te 1/t. W obydwu przypadkach raczej naleaoby dokona zaoenia, e czas (t) nie rozpoczyna si od jednoci, ale od wartoci, np. 3, 5, czy 8. Mona tego dokona metod prób i bdów analizujc uzyskane oszacowania i statystyki obrazujce dopasowanie modelu. Moe zdarzy si równie sytuacja, e moemy mie do czynienia na danym rynku z obydwoma typami konwergencji. Moliwe jest uwzgldnienie wikszej liczby zmiennych. Inne rozszerzenia modelu (7.1) wiza mogyby si z uwzgldnieniem innej struktury opó nie. Przykadowo, mona zaoy, e ceny w Polsce zale od cen wiatowych z biecego i z poprzedniego roku. Naley jednak pamita, e nadmierne rozszerzanie modelu moe przybra posta data mining. W przypadku szeregów czasowych zawierajcych kilkanacie obserwacji wystpuj trudnoci z oszacowaniem rozbudowanych modeli. Std te podstawowe znaczenie w ocenie jakoci modelu ma dopasowanie i sensowno wspóczynników. Jeeli oszacowania s niezadowalajce, wówczas mona dokona kalibracji. Przykadowo, zakadamy, e elastyczno cen polskich na zmiany cen wiatowych i na zmiany kursu PLN/USD wynosi w obydwu przypadkach 0,8. Oznacza to, e szacunki parametrów stojcych przy tych zmiennych wynosz E1 E 2 0,8 . Wówczas równanie (7.1) przeksztacamy do postaci (ln Pt K 0 ,8 ln E t 0 ,8 ln Pt W ) E 0 H t . W tym momencie mona dokona estymacji ekonometrycznej dla skorygowanego szeregu czasowego (po lewej 163 stronie nierównoci). W zalenoci od tego, jakie prawidowoci reprezentuje przeksztacony szereg czasowych: stay poziom, trend, skokowe (strukturalne) zmiany, uwzgldni mona róny zestaw zmiennych objaniajcych, które wyjaniaj obliczone rónice. Nale do nich wskazane wczeniej przeksztacenia czasu, np. 1/t czy zmienne binarne. Model AGMEMOD wraz z jego dwustopniowym sposobem modelowania cen przedstawiono w rozdziale 3.4. Tam proces estymacji/kalibracji równa cenowych by podobny do przedstawionego wyej. Przy czym cena krajowa bya tam funkcj ceny w UE, ale wyraonej w PLN, oraz wska ników samowystarczalnoci (w poprzednim roku) w Polsce i w UE. Inne zmienne (gównie sztuczne) równie mogy by uwzgldniane, w zalenoci od potrzeb. W tym przypadku kurs walutowy stanowi zmienn egzogeniczn, a jego wpyw na poziom cen krajowych wynika z przeliczenia cen wiatowych wyraonych w USD na euro, a nastpnie z przemnoenia cen europejskich wyraonych w euro na ceny wyraone w PLN. Z bada Hamulczuka [2008] wynika, e przykadowo na rynku wieprzowiny okoo 20% zmian kursu PLN/euro skutkuje okoo 12% zmian ceny. Transmisja kursu nie jest pena z uwagi na ujemne skorelowanie cen wiatowych i kursów walutowych. Modele oszacowane czy otrzymane w wyniku kalibracji mona podda ocenie z wykorzystaniem standardowych mierników (dopasowanie, istotno, rozkad reszt). Podstawowym kryterium dopuszczalnoci modelu pozostaje jednak realno uzyskanych parametrów obrazujcych si transmisji impulsów cenowych i kursowych. Majc oszacowany model naley przyj odpowiednie wartoci zmiennych objaniajcych. Chodzi tutaj gównie o ceny wiatowe i kursy walutowe, a w modelu AGMEMOD dodatkowo o PKB/capita i inflacj w okresie prognostycznym. Ma to kluczowe znaczenie dla dokadnoci formuowanych prognoz. Moe si okaza, e pomimo dobrego modelu prognozy bd znacznie odbiegay od rzeczywistoci, jeeli przyjmiemy niewaciwe wartoci zmiennych objaniajcych. Ceny wiatowe mona przyj na podstawie dostpnych projekcji z modeli FAPRI, AGLINK-COSIMO czy USDA. Z wyników bada przedstawionych w rozdziale 6 wynika, e dokadno tych prognoz nie jest wysoka. Trudno jest jednak o wskazanie jakiego innego rozwizania. Oczywicie kady prognosta moe przyj inny sposób ustalania wielkoci zmiennych objaniajcych. By moe dobrym rozwizaniem byoby urednianie projekcji otrzymywanych z rónych modeli równowagi. Skoro projekcje otrzymywane z analizowanych modeli równowagi w znacznym stopniu odzwierciedlaj sytuacj w momencie 164 prognozowania, naleaoby si zastanowi nad przyjciem redniej (waonej) z projekcji z ostatnich 2-3 lat. Innym rozwizaniem byoby korygowanie cen wiatowych przez analityków wedle ich uznania. Kluczowe znaczenie ma równie przyjcie odpowiedniego poziomu kursu walutowego. Równie tutaj moemy wykorzysta istniejce publikacje z prognozami. Przykadowo, mona skorzysta z prognoz zmian kursów ze strony Instytutu FAPRI (za IHS Global Insight), na podstawie projekcji IMF (naley obliczy majc prognozy PKB wyraonego w USD i PLN) czy te przyj redni wielko wynikajc z kilku róde. W naszych badaniach przyjlimy dwa moliwe scenariusze ksztatowania si kursu PLN/USD (rys. 7.1.2), na bazie których szacowane s projekcje cen krajowych prezentowane w kolejnych rozdziaach. Pierwszy z nich – nazywany kursem FAPRI – przyjto za prognozami zmian kursów przyjmowanych przez Instytut FAPRI. Drugi – oznaczany jako kurs autorski – jest projekcj zakadajc pewne osabienie polskiej waluty w latach 2012-13, a nastpnie jej umacnianie w tempie zakadanym przez FAPRI. Miao to na celu pokazanie wpywu kursu walutowego na poziom uzyskiwanych prognoz/projekcji. Rysunek 7.1.2. Zaoenia kursowe PLN/USD 4,50 Kurs FAPRI Kurs autorski 4,00 3,50 3,00 2,50 2,00 1995 2000 2005 2010 2015 2020 ródo: opracowanie wasne. Rozwizaniem czsto stosowanym przez praktyków z uwagi na due trudnoci w prognozowaniu kursów jest zaoenie kursu na ostatnio notowanym poziomie. Tak przyjto kurs PLN/EUR w modelu AGMEMOD (wynika to z faktu, e w przypadku wszystkich krajów UE posiadajcych inn walut ni 165 euro stosuje si takie podejcie) na poziomie roku 2011. Innym rozwizaniem byoby przyjcie kursu na poziomie rednim z ostatnich kilku lat. 7.2. Przykady prognoz uzyskanych z wykorzystaniem prostych modeli Zaprezentowane poniej modele byy budowane z myl ukazania zalenoci cen krajowych od zmian cen wiatowych. Ceny wiatowe wyraone w dolarach wraz z projekcjami z roku 2012 pochodz z modelu FAPRI (pszenica, kukurydza, wieprzowina, drób) bd modelu AGLINK-COSIMO (woowina i produkty mleczne). W modelach opisujcych zmiany cen zbó w sezonach posuono si redni arytmetyczn rednich kursów miesicznych NBP od lipca do czerwca roku nastpnego. Dane odnonie cen krajowych, wiatowych i kursu walutowego zlogarytmowano. Dodatkowo w modelach wykorzystano zmienne sztuczne. Zmienna UE ma na celu uchwycenia zmian cen wynikajcych z przystpienia Polski do Unii Europejskiej. Przyjmuje ona wartoci 0 dla lat 1997-2003, 1/2 dla roku 2004 i 1 dla lat po roku 2004. Zmienna 1/t5 ma na celu uchwycenie potencjalnych konwergencji cen krajowych do cen wiatowych w wyniku liberalizacji handlu surowcami rolnymi. Zmienn jest trend hiperboliczny dla t=5 w roku 1995, t=6 w roku 1996 itd. Tworzc model cen woowiny wykorzystano zmienn bse_2003, która oddaje zmiany cen na tym rynku spowodowane efektami wystpienia choroby BSE, która wybucha w roku 2001. Spowodowao to utrudnienia w handlu woowin przez kolejne dwa lata. Najwikszy wpyw by odczuwalny w roku 2003, kiedy to w wyniku nadwyek produkcyjnych (i braku moliwoci eksportowych) ceny w Polsce znaczco si obniyy. Przyjmuje ona warto 1 dla roku 2003 i 0 dla pozostaych lat. Równie w przypadku tych cen uyto dodatkowej zmiennej l_t_2004, celem której byo uchwycenie powolnej konwergencji (obok skokowej zmiany cen) cen krajowych do cen wiatowych po integracji z UE. Jej konstrukcja odpowiada zmiennej 1/t5, przy czym t wynosi 1 do roku 2003, 2 w roku 2004, 3 w roku 2005 itd. Estymacj parametrów modeli, w pierwszym kroku, dokonywano metod najmniejszych kwadratów w oparciu o 16 obserwacji z lat 1995-2010 (wyjtek kukurydza, dla której dane byy dostpne od sezonu 2001/2002). Na podstawie modelu z dwoma zmiennymi objaniajcymi (ceny wiatowe i kurs PLN/USD). W przypadku, gdy uzyskiwane wspóczynniki nie byy zgodne z teori bd parametry modelu dalekie byy od zadowalajcych, dodawano zmienne sztuczne. Jeeli nadal nie udao si uzyska „dobrych modeli”, skracano prób i/lub doko- 166 nywano kalibracji modelu. Tak byo w przypadku modeli zbó i misa. Wszystkie obliczenia przeprowadzono w programie GRETL. 7.2.1. Modele i prognozy cen skupu zbó w Polsce Poniej przedstawiono prognozy polskich cen pszenicy oraz kukurydzy na podstawie modeli „uzaleniajcych” ceny polskich surowców rolnych od zmian cen wiatowych i kursu dolara amerykaskiego. Z uwagi na fakt, e prognozy wiatowych cen zbó podawane s w sezonach a nie latach kalendarzowych, kurs walutowy, jaki wykorzystano w tych obliczeniach, jest redni arytmetyczn z 12 miesicy rozpoczynajcych si w lipcu. Analiza dugookresowych tendencji na rynku zbó wskazuje, e pomimo istnienia szeregu barier w wymianie midzynarodowej, szczególnie w pocztkowym etapie analizowanego okresu, ceny na polskim rynku s silnie uzalenione od sytuacji popytowo-podaowej na rynku wiatowym. Ceny pszenicy Sporód szeregu analizowanych modeli cen pszenicy (l_pszenica_PL) najbardziej podanymi cechami (elastycznociami) wyrónia si ten z trzema zmiennymi objaniajcymi. Oprócz cen wiatowych (l_pszenica_US) i kursu dolara amerykaskiego (l_PLN/USD(VII_VI)) zmiany cen polskiej pszenicy zalene s tu równie od zmiennej UE. W tabeli 7.2.1 przedstawiono statystyki omawianego modelu oszacowanego na podstawie danych logarytmicznych. Model ten oszacowano na podstawie cen poczwszy od sezonu 2001/2002. Po czci byo to spowodowane gorszymi oszacowaniami modelu na podstawie danych od sezonu 1995/1996, a po czci faktem, e dane z rynku drugiego z analizowanych zbó (kukurydzy) byy dostpne od tego sezonu. Niektóre ze zmiennych nie s statystycznie istotne, natomiast model w takiej postaci charakteryzowa si najsensowniejszymi parametrami. Wspóczynniki stojce przy zmiennych wskazuj, e zarówno zmiany cen wiatowych, jak i kursu walutowego silnie oddziauj na ceny krajowe. Wspóczynniki elastycznoci krajowych cen wzgldem kursu i cen wiatowych zawieraj si w przedziale 0,71-0,84, co wydaje si by sensown wielkoci. Natomiast wejcie Polski do Unii Europejskiej obniyo poziom cen pszenicy, co zapewne ma zwizek z koniecznoci rezygnacji ze skupu interwencyjnego zbó prowadzonego przez Agencj Rynku Rolnego. Dopasowanie wartoci estymowanych do rzeczywistych dalekie jest ideau, niemniej wydaje si, e model dobrze opisuje dugookresowe zalenoci pomidzy wiatowymi a krajowymi cenami pszenicy. 167 Tabela 7.2.1. Oszacowania i statystyki modelu cen pszenicy w Polsce (l_Pszenica_PL) Oznaczenia Staa l_PLN/USD(VII-VI) l_Pszenica_US UE Wsp. determ. R-kwadrat F(3, 12) Logarytm wiarygodnoci Autokorel.reszt - rho1 Wspóczynnik Se 1,071 1,842 0,716 0,450 0,837 0,274 -0,131 0,126 Statystyki modelu 0,535 Skorygowany R-kwadrat 4,607 Warto p dla testu F 9,302 Kryt. inform. Akaike'a 0,014 Stat. Durbina-Watsona Warto p 0,572 0,138 0,010 0,318 0,419 0,023 -10,605 1,719 ródo: opracowanie wasne. Rysunek 7.2.1. Wartoci obserwowane, estymowane i prognozowane cen pszenicy w Polsce [w PLN za ton] 800 750 700 650 600 550 Wartoci teoretyczne 500 Ceny pszenicy w Polsce 450 Prognozy - kurs FAPRI 400 Prognozy - kurs autorski 350 2001/02 2005/06 2009/10 2013/14 2017/18 2021/22 ródo: opracowanie wasne. Wartoci teoretyczne i prognozy otrzymane na podstawie modelu z tabeli 7.2.1 zawarto na rysunku 7.2.1. W najbliszych latach przewiduje si, e ceny pszenicy na krajowym rynku bd ksztatoway si na poziomie okoo 600-700 z za ton. Rónice w prognozach wynikaj z wysokiej elastycznoci krajowych cen pszenicy na poziom kursu walutowego. Wida równie, e po sezonie 2013/14 ceny zaczynaj si stabilizowa. W projekcjach FAPRI cena na rynku amerykaskim wyraona w dolarach nie podlega a tak znacznej obnice, jak jest to w przypadku ceny polskiej. Due znaczenie odgrywa tu bowiem zaoenie systematycznego umacniania si polskiego zotego. Obnianie cen mona uzasadni zwikszaniem stanu zapasów w wyniku cigego wzrostu efektywnoci produkcji. 168 Ceny kukurydzy Oszacowany model objania zmiany cen kukurydzy krajowej wycznie zmianami kukurydzy na rynku wiatowym (l_kukurydza_US) oraz zmianami kursu dolara amerykaskiego (l_PLN/USD(VII-VI)). W przypadku obu zmiennych wspóczynniki s dodatnie, co oznacza, e zarówno wzrost wartoci dolara, jak i wzrost wiatowej ceny kukurydzy skutkuje wzrostem ceny krajowej. W innych modelach wpyw kursu walutowego by bliski zeru. Wiza to mona z duym powizaniem cen kukurydzy z cenami ropy i przeciwnymi zmianami cen ropy i kursu dolara. To oraz zmniejszenie presji eksportowej z USA na rynki wiatowe „usprawiedliwiaj” nisze wartoci wspóczynników ni w modelu pszenicy. Statystyki modelu zaprezentowano w tabeli 7.2.2. Biorc pod uwag ograniczenia zwizane z liczebnoci próby, naley uzna, e model cechuje si szeregiem podanych cech, takich jak chociaby brak autokorelacji reszt. Tabela 7.2.2. Oszacowania i statystyki modelu cen kukurydzy w Polsce (l_kukurydza_PL) Oznaczenia Staa l_kukurydza_US l_PLN/USD(VII-VI) Wsp. determ. R-kwadrat F(3, 12) Logarytm wiarygodnoci Autokorel.reszt - rho1 Wspóczynnik Se 2,266 1,742 0,694 0,243 0,418 0,535 Statystyki modelu 0,663 Skorygowany R-kwadrat 6,900 Warto p dla testu F 5,595 Kryt. inform. Akaike'a -0,114 Stat. Durbina-Watsona Warto p 0,234 0,025 0,460 0,567 0,022 -5,189 2,211 ródo: opracowanie wasne. Na rysunku 7.2.2 przedstawiono prognozy cen kukurydzy. Taki kierunek uzyskanych prognoz jest konsekwencj projekcji FAPRI, wedug których wiatowa cena kukurydzy wzronie wyra nie w najbliszych latach. Umacnianie si zotego sprawi, e na krajowym rynku wzrost ten nie bdzie a tak widoczny, a ceny kukurydzy po sezonie 2013/14 w kolejnych latach mog zawiera si w przedziale 650-700 z/ton. 169 Rysunek 7.2.2. Wartoci obserwowane, estymowane i prognozowane cen kukurydzy w Polsce [w PLN za ton] 800 750 700 650 600 550 Wartoci teoretyczne 500 Ceny kukurydzy w Polsce 450 Prognozy - kurs FAPRI 400 Prognozy - kurs autorski 350 2001/02 2005/06 2009/10 2013/14 2017/18 2021/22 ródo: opracowanie wasne. 7.2.2. Modele i prognozy cen skupu ywca w Polsce Elastyczno krajowych cen misa na zmiany cen wiatowych, a w szczególnoci zmiany kursu walutowego, jest nisza ni w przypadku pozostaych omawianych w tym rozdziale cen. Wynika to moe m.in. z wikszych barier w handlu. Z uwagi na to, e uzyskiwane wyniki estymacji z wykorzystaniem KMNK byy dalekie od oczekiwa, wszystkie modele skalibrowano wg procedury przedstawionej w poprzednim podrozdziale. Wspóczynniki elastycznoci cen krajowych na zmiany cen wiatowych i zmiany kursu PLN/USD przyjto na poziomie 0,5. Ceny woowiny Sytuacja popytowo-podaowa na rynku woowiny podlegaa w omawianym okresie wyjtkowo licznym zmianom. Z uwagi na znaczne obostrzenia w handlu misem woowym, a take znaczn specyfik samego rynku, przeoenie zmian sytuacji na rynku wiatowym na krajowe ceny jest najczciej znacznie opó nione i praktycznie zawsze niepene. Znalazo to odbicie take w strukturze modelu. Po pierwsze, zawiera on trzy dodatkowe, poza cenami wiatowymi (l_woowina_US) i kursem walutowym (l_PLN/USD), zmienne objaniajce. Wejcie Polski do Unii Europejskiej i moliwo handlu na jednolitym rynku unijnym szczególnie silnie wpyna na sytuacj na rynku woowiny, co oddaj zmienne UE oraz l_t_2004. Ceny tego misa wzrosy w wyniku akcesji do Unii 170 o ponad 50%. Na ceny woowiny silnie wpyna równie epidemia choroby szalonych krów (BSE). Obostrzenia w handlu oraz spadek popytu spowodowa wówczas spadek cen, szczególnie w roku 2003, std obecno zmiennej bse_2003. W tabeli 7.2.3 przedstawiono statystyki skalibrowanego modelu. Tabela 7.2.3. Skalibrowany model cen ywca woowego w Polsce (l_woowina_PL) Oznaczenia Staa l_woowina_US l_PLN/USD l_t_2004 UE bse_2003 Wspóczynnik -3,584 0,500 0,500 0,158 0,183 -0,184 Se 0,013 x x 0,037 0,064 0,034 Warto p 0,000 x x 0,002 0,019 0,000 ródo: opracowanie wasne. Wedug projekcji ceny woowiny do roku 2013/14 bd wysokie i osign poziom ponad 6 z/kg (przy zaoeniu autorskiego poziomu kursu). W kolejnych trzech latach ceny mog ulec obnieniu, by nastpnie wzrosn do poziomu ok. 5,75z/kg. Wartoci projekcji przedstawiono na rysunku 7.2.3. Rysunek 7.2.3. Wartoci obserwowane, estymowane/kalibrowane i prognozowane cen ywca woowego w Polsce [w PLN za kg] 6,5 6,0 5,5 5,0 4,5 4,0 Wartoci teoretyczne 3,5 Ceny woowiny w Polsce 3,0 Prognozy - kurs FAPRI 2,5 Prognozy - kurs autorski 2,0 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 ródo: opracowanie wasne. 171 Ceny wieprzowiny Elastycznoci zmian cen kursu walutowego i cen wiatowych oszacowane z wykorzystaniem KMNK wynosiy okoo 0,2-0,3, co z punktu widzenia innych bada (np. dane FAPRI) wydaje si by zbyt nisk wielkoci. Std równie ten model skalibrowano przyjmujc elastycznoci na poziomie 0,5 (tabela 7.2.4). Uwzgldniono dodatkowo jeszcze jedn zmienn obrazujc relatywny, w stosunku do cen w USA czy krajach UE, wzrost cen skupu ywca wieprzowego w ostatnich latach. Przyczyn tego wzrostu nie naley wiza bezporednio z integracj, niemniej mia on miejsce w tym czasie. Wynika najpewniej ze sabego tempa wzrostu koncentracji, a co za tym idzie – efektywnoci produkcji w kraju, w wyniku czego nastpi relatywny wzrost cen krajowych w stosunku do zagranicznych. Tabela 7.2.4. Skalibrowany model cen ywca wieprzowego w Polsce (l_wieprzowina_PL) Oznaczenia Staa l_wieprzowina_US l_PLN/USD UE Wspóczynnik -2,836 0,500 0,500 0,171 Se 0,036 x x 0,058 Warto p 0,000 x x 0,011 ródo: opracowanie wasne. Rysunek 7.2.4. Wartoci obserwowane, estymowane/kalibrowane i prognozowane cen ywca wieprzowego Polsce [w PLN za kg] 5,5 Wartoci teoretyczne 5,0 Ceny wieprzowiny w Polsce Prognozy - kurs FAPRI 4,5 Prognozy - kurs autorski 4,0 3,5 3,0 2,5 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne. Prognozy obliczone na podstawie uzyskanego modelu wskazuj na utrzymanie cen na wyszym poziomie ni w latach poprzednich na krajowym 172 rynku. Szczególnie wysokich cen naley spodziewa si w kilku najbliszych latach jako efektu wysokich kosztów pasz. Efekt kosztów powinien by agodzony w kolejnych latach. Obrazuje to rysunek 7.2.4, na którym zaprezentowano projekcje cen wieprzowiny. Naley pamita, e projekcje te przedstawiaj kierunek zmian, wokó którego naley oczekiwa waha powodowanych cyklami wiskimi. Ceny drobiu Zalenoci pomidzy wiatowymi a krajowymi cenami drobiu oddaje model (tab. 7.2.5), który podobnie jak miao to miejsce w przypadku wieprzowiny oraz woowiny zosta poddany kalibracji. Ceny wiatowe drobiu oraz kurs PLN/USD w niewystarczajcym stopniu wyjaniay dynamik cen polskich. Po skorygowaniu cen o zaoony wpyw tych zmiennych pozostaa cz zmiennoci charakteryzowaa si du nieregularnoci. Odpowiednimi zmiennymi, które okazay si pomocne w ich wyjanieniu s ceny zbó (ceny pszenicy i kukurydzy s skorelowane) opó nione o jeden rok (zboa notowane s dla sezonów, co powoduje, e rzeczywiste opó nienie wynosi pó roku). Z uwagi na duszy szereg czasowy wykorzystano ceny pszenicy (mimo e z merytorycznego punktu widzenia kukurydza jest gównym surowcem przy produkcji pasz dla drobiu). Poziom cen pszenicy w okresie prognostycznym przyjto na poziomie projekcji z rysunku 7.2.1. Tabela 7.2.5. Skalibrowany model cen ywca drobiowego w Polsce (l_drób_PL) Oznaczenia Staa l_drób_US l_PLN/USD l_pszenica_PL(t-1) Wspóczynnik -5,363 0,500 0,500 0,367 Se 0,630 x x 0,102 Warto p 0,000 x x 0,006 ródo: opracowanie wasne. Projekcje obliczone na podstawie modelu wskazuj na utrzymywanie si wysokich cen drobiu w najbliszych kilku latach (rys. 7.2.5). Bd wic one przewyszay ostatnio obserwowane rednioroczne ceny misa drobiowego. Uzasadnieniem dla utrzymania si wysokich cen drobiu s przewidywane wysze ceny zbó. Ponadto naley zauway, e istnieje jeszcze pole dla wzrostu cen krajowych z uwagi na fakt, e s one o okoo 30% nisze ni w zachodnich krajach Unii Europejskiej. 173 Rysunek 7.2.5. Wartoci obserwowane, estymowane/kalibrowane i prognozowane cen ywca drobiowego w Polsce [w PLN za kg] 4,10 3,90 3,70 3,50 3,30 Wartoci teoretyczne 3,10 Ceny drobiu w Polsce 2,90 Prognozy - kurs FAPRI Prognozy - kurs autorski 2,70 2,50 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 ródo: opracowanie wasne. 7.2.3. Modele i prognozy cen produktów mlecznych i cen skupu mleka W niniejszym podrozdziale przedstawiono modele cen zbytu najwaniejszych produktów mlecznych w Polsce oparte na cenach wiatowych, za które przyjto ceny w Oceanii (projekcje z modelu AGLINK-COSIMO). Nastpnie na podstawie cen produktów mlecznych oszacowano prognozy cen skupu mleka w Polsce. Rynek produktów mlecznych wyrónia si na tle dotychczas omawianych o wiele silniejsz zbienoci przebiegu cen krajowych i wiatowych. Skutkuje to dobrymi statystykami modeli, czego przykadem moe by fakt, e wspóczynnik determinacji R2 kadego z trzech modeli przekracza poziom 0,90. Z drugiej strony, naley zaznaczy, e w znacznej mierze wynika to jednak z trendu charakteryzujcego analizowane tu szeregi czasowe cen. Ceny zbytu odtuszczonego mleka w proszku (SMP) Wybrany model cen zbytu odtuszczonego mleka w proszku zawiera trzy zmienne objaniajce. Ceny SMP w Polsce zale od cen na rynku wiatowym (cena mleka odtuszczonego w Oceanii – l_SMP_Oceania) oraz od kursu PLN/USD. W obu przypadkach wspóczynniki s dodatnie, a ich poziom mona uzna za akceptowalny. Istotny statystycznie wpyw na ceny ma te omawiana ju wczeniej zmienna 1/t5. Ujemna warto wspóczynnika oznacza, e w kolejnych latach ceny polskie stopniowo wzrastay zbliajc si do poziomu cen midzynarodowych. Sporód zawartych w tabeli 7.2.1 statystyk modelu warto zwróci uwag na niskie wartoci p przy poszczególnych zmiennych, wysok 174 warto wspóczynnika R2, czy warto statystyki DW, wskazujc na brak wystpowania autokorelacji reszt. Tak wysoka korelacja cen krajowych z cenami wiatowymi wynika z tego, e ponad 70% produkcji mleka chudego jest przeznaczona na eksport. Krajowe ceny SMP s ksztatowane przez rynki wiatowe. Tabela 7.2.6. Oszacowania i statystyki modelu cen zbytu odtuszczonego mleka w proszku (l_SMP_PL) Oznaczenia Staa l_SMP_Oceania l_PLN/USD 1/t5 Wsp. determ. R-kwadrat F(3, 12) Logarytm wiarygodnoci Autokorel.reszt - rho1 Wspóczynnik Se 0,804 0,980 0,685 0,102 0,613 0,160 -2,078 0,582 Statystyki modelu 0,941 Skorygowany R-kwadrat 64,354 Warto p dla testu F 22,651 Kryt. inform. Akaike'a -0,065 Stat. Durbina-Watsona Warto p 0,428 0,000 0,002 0,004 0,927 0,000 -37,303 2,024 ródo: opracowanie wasne. Rysunek 7.2.6. Wartoci obserwowane, estymowane i prognozowane cen zbytu SMP w Polsce [w PLN za ton] 1300 1200 1100 1000 900 800 Wartoci teoretyczne 700 Ceny SMP w Polsce 600 Prognozy - kurs FAPRI 500 Prognozy - kurs autorski 400 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne. Prognozy obliczone na podstawie oszacowanego modelu wskazuj, e w najbliszych latach ceny SMP w Polsce bd ksztatoway si na wysokim poziomie oscylujc wokó ceny 1 050 zotych za ton. Prognozy wzrostu cen SMP na wiecie w roku 2013 spowoduj wzrost cen krajowych w tym okresie do ponad 1 130 lub 1 050 zotych w zalenoci od przyjtych zaoe odnosz175 cych si do ksztatowania si kursu walutowego. Przy zaoeniu kursu PLN/USD na poziomie prognozowanym przez autorów ceny przekrocz 1 100 zotych za ton. Wzrost cen mleka odtuszczonego na wiatowych rynkach nie bdzie tak silnie odczuwany w kraju z uwagi na stae umacnianie si zotego wzgldem dolara. Projekcje wskazuj, e podobnie wysokie ceny uksztatuj si równie pod koniec okresu prognozowania. Wartoci projekcji przedstawiono na rysunku 7.2.6. Model cen masa Model wyjaniajcy zmiany cen zbytu masa w Polsce jest w duym stopniu podobny do tego, obrazujcego zmiany cen SMP. Zawiera takie same zmienne objaniajce. Rónice dotycz wartoci wspóczynników przy poszczególnych zmiennych, które dla modelu cen masa przedstawiono w tabeli 7.2.7. Ceny masa sabiej reaguj zarówno na zmiany kursu walutowego (l_PLN/USD), jak i w szczególnoci ceny wiatowej (ceny mleka w rejonie Oceanii – l_maso_Oceania). W badanym okresie silniej natomiast oddziaywa na ceny czynnik konwergencji cen (zmienna 1/t5). Kada ze zmiennych jest istotna statystycznie przy poziomie istotnoci 5%. Model charakteryzuje si wysok wartoci wspóczynnika R2. Tabela 7.2.7. Oszacowania i statystyki modelu cen zbytu masa (l_maso_PL) Oznaczenia Staa l_maso_Oceania l_PLN/USD 1/t5 Wsp. determ. R-kwadrat F(3, 12) Logarytm wiarygodnoci Autokorel.reszt - rho1 Wspóczynnik Se 3,509 1,135 0,397 0,112 0,566 0,220 -3,331 0,665 Statystyki modelu 0,928 Skorygowany R-kwadrat 51,913 Warto p dla testu F 21,657 Kryt. inform. Akaike'a -0,521 Stat. Durbina-Watsona Warto p 0,009 0,004 0,024 0,000 0,911 0,000 -35,313 3,024 ródo: opracowanie wasne. Projekcje cen wykonane na podstawie omawianego modelu przedstawiono na rysunku 7.2.7. Zgodnie z przebiegiem cen na rynku wiatowym ceny w Polsce po pocztkowym wzrocie w roku 2011 mog powoli obnia si do roku 2016, w kierunku dugookresowego trendu. Rónice w wartoci prognozowanych cen, wynikajce z przyjcia rónych zaoe co do ksztatowania si przyszego kursu zotego, wynosz tu okoo 70 zotych. 176 Rysunek 7.2.7. Wartoci obserwowane, estymowane i prognozowane cen zbytu masa w Polsce [w PLN za ton] 1600 1400 1200 1000 Wartoci teoretyczne Ceny masa w Polsce 800 Prognozy - kurs FAPRI 600 Prognozy - kurs autorski 400 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne. Model cen sera Gouda W przypadku rynku sera uznano, e zmiany cen zbytu sera Gouda na krajowym rynku najlepiej oddaje model z dwiema zmiennymi objaniajcymi, którego charakterystyki przedstawiono w tabeli 7.2.8. Zwracaj tu uwag wysokie wartoci wspóczynników przy obu zmiennych objaniajcych, w szczególnoci dotyczy to kursu dolara amerykaskiego. Oznacza to, e transmisja impulsów cenowych z rynków wiatowych jest bardzo silna. Obydwie zmienne s statystycznie istotne, a sam model charakteryzuje si bardzo dobrym dopasowaniem, co odzwierciedlaj zaprezentowane w dolnej czci tabeli statystyki modelu. Dodawanie dodatkowych zmiennych nie poprawiao w sposób znaczcy dopasowania modelu do danych historycznych. W odrónieniu od poprzednio omawianych artykuów mleczarskich na rynku sera mechanizm konwergencji cen nie tumaczy zmian cen krajowych sera Gouda w stosunku do tych uznawanych za wiatowe. Projekcje krajowych cen zbytu sera Gouda zaprezentowano na rysunku 7.2.8. Ksztat przyszych zmian cen sera jest zbieny z prognozowanymi cenami mleka w proszku, co oznacza, e spadkowy trend cen sera po roku 2012 ma zosta odwrócony w roku 2016. Zauway mona równie due rónice pomidzy dwoma przedstawianymi wariantami prognoz przekraczajce poziom 100 z za ton. 177 Tabela 7.2.8. Oszacowania i statystyki modelu cen zbytu sera Gouda (l_ser_PL) Oznaczenia Staa l_Ser_Oceania l_PLN/USD Wsp. determ. R-kwadrat F(3, 12) Logarytm wiarygodnoci Autokorel.reszt - rho1 Wspóczynnik Se 0,357 0,551 0,703 0,060 0,941 0,101 Statystyki modelu 0,917 Skorygowany R-kwadrat 72,224 Warto p dla testu F 25,111 Kryt. inform. Akaike'a -0,011 Stat. Durbina-Watsona Warto p 0,528 0,000 0,000 0,905 0,000 -44,222 1,896 ródo: opracowanie wasne. Rysunek 7.2.8. Wartoci obserwowane, estymowane i prognozowane cen zbytu sera Gouda w Polsce [w PLN za ton] 1600 1400 1200 1000 Wartoci teoretyczne Ceny sera Gouda w Polsce Prognozy - kurs FAPRI 800 Prognozy - kurs autorski 600 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne. Model cen skupu mleka Prognozowanie cen skupu mleka na podstawie cen wiatowych jest trudne, poniewa mleko jako surowiec nie posiada ceny wiatowej. Std prognozujc ceny zakada si, co jest zgodne z wieloletnimi obserwacjami, e ceny te zale od cen artykuów mleczarskich. Majc projekcje cen sera, masa czy mleka w proszku mona przyj, e to ich funkcj bd ceny pacone producentom rolnym. W praktyce estymacja takiego równania KMNK jest dosy trudna z uwagi na silne skorelowanie cen poszczególnych produktów mlecznych. Std zamiast trzech zmiennych do bada przyjto zmienn syntetyczn, któr jest rednia waona logarytmów cen produktów mlecznych (l_PRODML_PL). Mona to zapi178 sa: l_PRODML_PL=0,3*(l_SMP_PL)+0,4*(l_maso_PL)+0,3*(l_ser_PL). Wagi te nadano w sposób ekspercki. Oszacowania i statystyki modelu cen skupu mleka (na podstawie danych zlogarytmowanych) zawarto w tabeli 7.2.9. Wspóczynnik elastycznoci cen mleka wzgldem syntetycznej miary cen produktów mlecznych jest bliski jednoci, co oznacza, e cena mleka jest w peni zalena od sytuacji popytowo-podaowej na rynkach artykuów mlecznych. Dodatkowo w równaniu uwzgldniono efekty integracji z UE, w wyniku której ceny mleka wzrosy nieznacznie w relacji do cen produktów mlecznych. Wszystkie zmienne s statystycznie istotne. Zwraca równie uwag dua warto wspóczynnika R2. Tabela 7.2.9. Oszacowania i statystyki modelu cen skupu mleka Oznaczenia Staa l_PROD_ML_PL UE Wsp. determ. R-kwadrat F(3, 12) Logarytm wiarygodnoci Autokorel.reszt - rho1 Wspóczynnik Se -2,711 0,506 1,029 0,076 0,101 0,034 Statystyki modelu 0,979 Skorygowany R-kwadrat 296,274 Warto p dla testu F 29,633 Kryt. inform. Akaike'a -0,303 Stat. Durbina-Watsona Warto p 0,000 0,000 0,011 0,975 0,000 -53,266 2,463 ródo: opracowanie wasne. Na rysunku 7.2.9 zawarto prognozy cen skupu mleka w Polsce uzyskane na podstawie zastosowanej procedury. Przyjmujc zaoony poziom cen wiatowych produktów mlecznych, a tym samym poziom cen tych produktów w Polsce, mona oczekiwa, e tendencja wzrostowa cen mleka zostanie zahamowana i po roku 2014 utrzymywa si bdzie – w zalenoci od zakadanych zmian kursu walutowego – na poziomie 110 lub 120 z za 100 litrów. 179 Rysunek 7.2.9. Wartoci obserwowane, estymowane i prognozowane cen skupu mleka w Polsce [w PLN za 100 l] 130 120 110 100 90 80 Wartoci teoretyczne 70 Ceny mleka w Polsce 60 Prognozy - kurs FAPRI 50 Prognozy - kurs autorski 40 1995 2000 2005 2010 2015 2020 ródo: opracowanie wasne. 7.3. Prognozy cen na podstawie modelu AGMEMOD W kolejnym kroku do prognozowania cen surowców rolnych wykorzystano model równowagi czstkowej AGMEMOD. Uzyskane prognozy mog si róni od tych, zawartych w rozdziale 7.2, poniewa model ten uwzgldnia szerokie spektrum powiza na rynku krajowym. Dodatkowo brane s pod uwag zmiany w poziomie samowystarczalnoci na poszczególnych rynkach. Odmienny jest równie sposób przenoszenia sygnaów cenowych z rynku wiatowego na rynek krajowych (rozdz. 3.4). Naley podkreli, e w modelu AGMEMOD przyjto ceny wiatowe w okresie prognostycznym na takim samym poziomie (lub zmieniajce si zgodnie z tak sam dynamik) jak w przypadku analiz wykonywanych w rozdz. 7.2. Kurs PLN/USD zawiera si pomidzy scenariuszem FAPRI i autorskim (rys. 7.1.2), za kurs PLN/EURO przyjto na poziomie 4,10. 7.3.1. Prognozy cen zbó W modelu AGMEMOD analizowane s gówne rynki zboowe w Polsce i innych krajach UE. Naley mie na uwadze, e modelowaniu podlegaj ceny w poszczególnych latach kalendarzowych, a nie w sezonach. Cena krajowa jest funkcj cen europejskich oraz samowystarczalnoci w Polsce i UE. Dodatkowo mona wcza inne zmienne, aby lepiej uchwyci dynamik zmian i przejcia midzy rónymi reimami cenowymi. Ceny europejskie (kluczowe, por. rozdz. 180 3.4) s funkcj cen wiatowych oraz zmiennych obrazujcych zmiany w WPR i w polityce handlowej. Projekcje cen zbó w Polsce przedstawiono na rysunku 7.3.1. Zauway mona, e zmiany cen poszczególnych gatunków zbó charakteryzuj si zblionym przebiegiem. Mamy do czynienia z maymi rónicami midzy poszczególnymi cenami w okresie objtym projekcj w porównaniu z okresem historycznym. Zwracaj uwag wysokie, w porównaniu do cen innych gatunków zbó, ceny yta. Rysunek 7.3.1. Ceny skupu zbó w Polsce w latach 1995-2011 i ich prognozy do 2021 roku [w PLN za ton] 900 850 Pszenica 800 Kukurydza 750 yto 700 Jczmie 650 600 550 500 450 400 Prognozy 350 300 250 200 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne na podstawie modelu AGMEMOD. Porównujc te projekcje z projekcjami cen z rozdziau 7.2.1 wida pewne rónice. W przypadku projekcji cen pszenicy z modelu AGMEMOD s one w pierwszej czci okresu prognozowania znaczco wysze, natomiast w pó niejszych latach prognozowane ceny zawieraj si pomidzy dwoma wariantami projekcji tworzonej na bazie prostych modeli. Podobnie rzecz si ma z projekcjami cen kukurydzy. Projekcje modelu AGMEMOD s pocztkowo wysze, jednak ju od roku 2014 s znaczco nisze od obu wariantów projekcji tworzonych na bazie modeli omawianych w rozdziale 7.2. Znaczny wpyw na prognozowane ceny na podstawie modelu AGMEMOD ma przyjty kurs EURO/USD. W projekcji AGMEMOD zaoono umacnianie si euro w stosunku do USD. Przyjto, e w 2020 r. kurs ten wynosi bdzie 0,66 euro za 1 USD. Natomiast w projekcjach AGLINK-COSIMO przyjto niezmienny kurs na poziomie 0,72 euro za USD. Warto zauway, e kada z prognoz wskazuje na utrzymy- 181 wanie si w dugim okresie cen zbó na znaczco wyszym poziomie ni ich rednie wartoci z pierwszej dekady XXI wieku. 7.3.2. Prognozy cen misa Jeeli chodzi o rynek misa, to w modelu AGMEMOD w wikszoci przypadków (oprócz drobiu) modeluje si rynek ywych zwierzt (pogowie) oraz rynek misa w wadze poubojowej (przykad rynku trzody chlewnej i misa wieprzowego znajduje si w rozdz. 1.5). Std te analizowane s tu inne kategorie cen ni w rozdziale 7.2. Zamiast cen ywca modeluje si ceny w wadze poubojowej (woowina kl. R, wieprzowina kl. E) oraz ceny zbytu drobiu (tuszka drobiowa). W przypadku kadego z analizowanych gatunków misa ceny kluczowe pochodz z rynku niemieckiego. Wszystkie zmienne wyraone s w zotych za ton. O ile wic nie naley porównywa poziomów cen, to mona analizowa kierunki zmian prognozowanych cen. Wedug projekcji cen woowiny z modelu AGMEMOD, wzrost cen w pierwszych latach moe by wyszy ni dla prognoz z rozdziau 7.2, w kolejnych latach procentowy wzrost cen jest jednak podobny. Take w przypadku projekcji cen wieprzowiny, jak i drobiu nie zauwaa si znaczcych rónic pomidzy projekcjami z modelu AGMEMOD i uzyskiwanymi na bazie prostych modeli. Rysunek 7.3.2. Ceny skupu misa w Polsce w latach 1995-2011 i ich prognozy do 2021 roku [w PLN za ton] 1300 700 1200 650 1100 600 1000 550 Prognozy 800 500 700 450 400 350 900 Wieprzowina kl E (lewa o) Drób - cena zbytu kurczaki (lewa o) Woowina Kl R3 (prawa o) 300 600 500 400 300 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne na podstawie modelu AGMEMOD. 182 7.3.3. Prognozy cen produktów mlecznych i cen skupu mleka Na rynku mleka i produktów mlecznych w modelu AGMEMOD wystpuj te same kategorie produktowe (i w tych samych jednostkach) co w rozdziale 7.2.3. Std analizujc odpowiednie wykresy atwo jest o analiz porównawcz projekcji. W modelu AGMEMOD cenami kluczowymi s: w przypadku cen sera – Francja, cen mleka w proszku – Holandia, cen masa – Niemcy. Zaprezentowane na rysunku 7.3.3 projekcje cen z modelu AGMEMOD nie pozostaj w sprzecznoci z projekcjami przedstawionymi w rozdziale 7.2. W przypadku cen SMP, projekcje modelu AGMEMOD nie zawieraj jedynie spadku cen w roku 2012. Projekcje cen masa zakadaj natomiast wysze poziomy cen w latach 2011-13. Brak wyra nych rónic pomidzy projekcjami z modelu AGMEMOD i z przedstawianych wczeniej prostych modeli dla cen sera Gouda, a take dla cen skupu mleka. Rysunek 7.3.3. Ceny skupu mleka [PLN/100 l] i zbytu podstawowych artykuów mleczarskich [w PLN za ton] w Polsce w latach 1995-2011 i ich prognozy do 2021 r. 1800 1600 1400 130 SMP (lewa o) Ser Gouda (lewa o) Maso (lewa o) Mleko skup (prawa o) 120 110 100 1200 90 1000 80 70 800 Prognozy 600 60 50 400 40 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019 2021 ródo: opracowanie wasne na podstawie modelu AGMEMOD. W wielu miejscach projekcje tworzone na bazie modelu AGMEMOD pozostaj zbiene z wczeniej przedstawionymi projekcjami tworzonymi na bazie prostych modeli. Nie powinno to jednak wpywa na ocen przydatnoci prezentacji tych projekcji. Wrcz przeciwnie, potwierdzenie kierunku przyszych zmian cen surowców rolnych uzna naley za wan informacj. Tym bardziej, e projekcje z modelu AGMEMOD tworzone s na bazie szerszego zakresu informacji ni ma to miejsce w przypadku projekcji przedstawionych w rozdziale 7.2. W wikszym stopniu uwzgldniaj one krajow i unijn specyfik poszcze- 183 gólnych rynków surowców rolnych, a take bior pod uwag powizania midzyrynkowe. Wyznaczenie prognoz tych samych zmiennych rónymi metodami, które róni si przyjtymi zmiennymi objaniajcymi i opieraj si o inne zaoenia jest wanym sposobem zwikszania trafnoci projekcji. Prognozy wyznaczono rónymi metodami, okrelaj „pole”, w którym moe si znale przysza warto zmiennej. 184 Podsumowanie Celem bada, których wyniki zaprezentowano w niniejszej pracy, byo przedstawienie metodycznych przesanek prognozowania cen surowców rolnych na podstawie zalenoci przyczynowych. Literatura przedmiotu z zakresu statystyki, ekonometrii i prognozowania wskazuje na wiele potencjalnych modeli, które mog znale praktyczne zastosowanie w prognozowaniu cen. Praktyka pokazuje jednak, e ich wykorzystanie aplikacyjne przez analityków zajmujcych si sektorem rolno-ywnociowym jest minimalne. Niniejsza publikacja, podobnie jak wydane rok wczeniej opracowanie autorów na temat moliwoci prognozowania cen na podstawie modeli szeregów czasowych, czciowo uzupenia t luk. Przeprowadzone badania miay na celu zarówno przedstawienie moliwoci budowy prognoz krótko- i dugookresowych. Z jednej strony, chodzi tutaj o metody identyfikacji najbardziej istotnych czynników determinujcych poziom i zmiany cen rolnych, z drugiej, o przedstawienie metod i zasad umoliwiajcych ekstrapolacj poznanych prawidowoci w przyszo. Punktem wyjcia prognozowania cen na rynku krajowym jest identyfikacja podstawowych czynników determinujcych poziom cen surowców rolnych. Nale do nich: czynniki popytowe, podaowe, uwarunkowania makroekonomiczne, ksztat polityki ekonomicznej (rolnej i handlowej) oraz ceny rolne na rynkach wiatowych. Przedstawione badania empiryczne zasadniczo potwierdziy due znaczenie powyszych czynników na przebieg cen surowców rolnych w Polsce. Niemniej jednak, budowa poprawnego empirycznego modelu opisujcego zachowania cenowe jest bardzo trudnym zadaniem, czsto skazanym na porak. Nawet gdy uda si oszacowa dobry model w okresie próby, nie mona zagwarantowa, e przyjmowane zaoenia o ekstrapolacji prawidowoci w przyszo bd spenione. Jak wynika z bada, trudnoci w ilociowym podejciu do prognozowania wynikaj z kilku powodów. Wikszo z nich wie si z kwantyfikacj informacji. Mimo wielu róde informacji rynkowej, nie wszystkie istotne dane statystyczne s dostpne. Zatem, ju z tego powodu prognozy na wielu rynkach nie mog by wykonywane przy wykorzystaniu zaawansowanych modeli ekonometrycznych. Istniej surowce, które pojawiaj si sezonowo na rynku, std informacja dostpna jest tylko dla wybranych miesicy w roku, niekoniecznie tych samych w kolejnych latach. Ich ceny s uwarunkowane lokalnie, w mniejszym stopniu wpywa na nie sytuacja na rynkach wiatowych. Dodatkowo wystpuje na tych rynkach szereg informacji, np. o przymrozkach czy utrudnieniach handlowych, które maj duy wpyw na biec sytuacj, a nie maj odzwierciedle- 185 nia w historycznych danych. Nie naley si wic dziwi, e w wielu przypadkach to wanie prognozy eksperckie dominuj w przewidywaniu przyszoci na rynku rolnym. Na rynkach rolnych dosy czsto dochodzi te do zmiany reimów cenowych spowodowanych wzgldami politycznymi oraz szokami egzogenicznymi w postaci zmian stanów natury. Oznacza to, e w rzeczywistoci rzadko jest spenione zaoenie mówice o niezmiennoci parametrów modelu w czasie. Tym samym trudno jest opisa rzeczywisto, a jeszcze trudniej przyj zaoenia dotyczce okresu prognostycznego. Dochodzi do tego istotna rola trudnego do pomiaru czynnika spekulacyjnego i oczekiwa uczestników rynku, sprawiajca, e rzeczywisty poziom cen niekoniecznie jest prost funkcj najwaniejszych zmiennych objaniajcych. Jak wynika z bada, szeregi czasowe cen surowców rolnych charakteryzuj si zoon struktur zmiennoci. Obok trendu, obserwujemy wahania cykliczne, sezonowe oraz nieregularne. Specyfika produkcji rolnej powoduje czste i niespodziewane zaburzenia struktury szeregów czasowych, co ma odzwierciedlenie w postaci nietypowych obserwacji. Z reguy s one wywoane niekorzystnymi warunkami pogodowymi oraz epidemiami i s czsto zlokalizowane w ssiedztwie punków zwrotnych trendu. Wejcie Polski do Unii Europejskiej te miao istotny wpyw na zmian prawidowoci obserwowanych na rynkach rolnych, czego najbardziej widoczny efekt dotyczy cen woowiny. Efekty te czciowo mona uj za pomoc zmiennych binarnych lub te poprzez ograniczanie zakresu czasowego bada. Ten drugi sposób znaczco jednak ogranicza efektywno estymacji z uwagi na redukcj dugoci analizowanych szeregów czasowych. Przeprowadzone badania potwierdzaj, e midzy cenami surowców rolnych wystpuj zalenoci o charakterze przyczynowym. Std do krótkookresowego prognozowania cen rekomendujemy teoretyczne wektorowe modele autoregresji (VAR) oraz wektorowe modele korekty bdem (VECM). Modele te maj charakter dosy uniwersalny i pozwalaj na uchwycenie zarówno prawidowoci wystpujcych w szeregach czasowych jak i interakcji midzy cenami krajowymi, cenami wiatowymi czy czynnikami zewntrznymi. Strukturalizacja tych modeli pozwala na poznanie bliej prawidowoci rzdzcych rynkiem, które mog by wykorzystywane równie w nieformalnym prognozowaniu cen. Najwaniejsz kwesti przy prognozowaniu na podstawie modeli VAR i VECM jest stworzenie sensowej koncepcji modelowania rynków, z czym wie si kwestia kolejnoci estymacji równa oraz sposób czenia ze sob modeli. W tym zakresie istnieje wiele alternatywnych kombinacji, które musz by bra- 186 ne pod uwag przez badaczy. Z jednej strony, mona zbudowa system równa obejmujcych czynniki zewntrze, ceny wiatowe i krajowe surowców rolnych. Z drugiej strony, ca procedur mona sprowadzi do modeli wyspecyfikowanych tylko dla krajowych cen surowców rolnych. Dalsze moliwoci modyfikacji wi si z przyjciem rónych okresów historycznych, stanowicych podstaw estymacji modeli. Alternatywne podejcia zapewne bd daway odmienne prognozy, ale dziki temu mona wyznaczy z wikszym prawdopodobiestwem zakres, w jakim poszczególne ceny mog si zawiera. Przeprowadzone badania wskazuj, e specyfikacja równa modeli VAR i VECM jest wyjtkowo trudna. Gówne problemy wi si z ustaleniem zestawu zmiennych endogenicznych, skadu zmiennych egzogenicznych (i ich przeksztace) czy opó nie wród zmiennych endo- i egzogenicznych. Niewielka zmiana którego z parametrów ma istotny wpyw na poziom uzyskiwanych prognoz. Jako otrzymywanych modeli bya zadowalajca, jeeli chodzi o dopasowanie czy losowanie reszt. Niemniej jednak regu byo odrzucanie hipotezy zerowej o normalnoci rozkadu reszt. Problem ten wiza si z wystpowaniem nieliniowych zalenoci zwizanych z tzw. efektem ARCH. Fakt, e szeregi czasowe cen rolnych wykazuj zalenoci nieliniowe, wskazuje, e prognozowanie cen jest obarczone duym ryzykiem ich nietrafnoci. Wicej na ten temat mona byoby powiedzie, gdyby przeprowadzono analiz prognoz wygasych. W drugim ujciu analizowano potencjalne moliwoci dugookresowego prognozowania cen surowców rolnych na podstawie zalenoci przyczynowych. Wród modeli formalnych do celów symulacji przewidywania (tworzenia projekcji) najczciej zastosowanie znajduj modele równowagi czstkowej. Z uwagi na szczegóowe okrelenie powiza pomidzy poszczególnymi rynkami a instrumentami polityki ekonomicznej, modele równowagi czstkowej s czsto wykorzystywane do oceny zmian na rynkach rolnych, gdzie polityka pastwa ma dosy due znaczenie. Modele te pozwalaj szczegóowo analizowa powizania wewntrz sektora i midzy sektorem a jego otoczeniem. W rolnictwie, w którym wystpuj powizania wewntrz- i midzygaziowe, jest to szczególnie istotne. Wane znaczenie ma take powizanie sytuacji na krajowych rynkach rolnych z rynkami krajów ssiednich i sytuacj popytowo-podaow na rynkach wiatowych. Do najbardziej rozpowszechnionych modeli równowagi czstkowej sektora rolnego nale model AGLINK-COSIMO (OECD-FAO), model USDA oraz model FAPRI. Pozwalaj one na coroczne przygotowywanie dugookresowych projekcji dla najwaniejszych rynków rolnych w wiecie. Dugookresowe projekcje sektora rolnego w przypadku kilku modeli równowagi czstkowej s re187 gularnie publikowane wraz z obszernym uzasadnieniem i interpretacj wyników. Projekcje dla poszczególnych krajów Unii Europejskiej mona uzyska wykorzystujc model AGMEMOD. W ramach bada przeanalizowano dokadno publikowanych projekcji cen wiatowych najwaniejszych produktów rolnych tworzonych przy wykorzystaniu modeli FAPRI i AGLINK-COSIMO. Porównanie notowanych cen z projekcjami ex post kae krytycznie spojrze na moliwoci prognostyczne obydwu analizowanych modeli. W wikszoci przypadków projekcje wskazyway na utrzymywanie si ostatnio obserwowanych trendów zmian cen, a ich dokadno nie odbiegaa znaczco od prognoz naiwnych zakadajcych trwae utrzymywanie si ostatnio obserwowanych cen. Jedn z przyczyn niskiej trafnoci s przyjmowane zaoenia o przyszym ksztatowaniu si otoczenia makroekonomicznego. Wpyw kryzysu gospodarczego na sytuacj na wiatowych rynkach rolnych wymienia si za gówn przyczyn nietrafnoci projekcji. Dodatkowym utrudnieniem jest te znaczne uzalenienie sektora rolnego od cakowicie losowych szoków podaowych (pogoda czy epidemie). W wietle analiz ex post, wydaje si, e przede wszystkim nie doceniono w wystarczajcym stopniu konsekwencji rozwoju rynku biopaliw dla caego sektora rolnego. Gdyby bra pod uwag wycznie bdy projekcji cenowych uzyskiwanych na bazie modeli równowagi czstkowej, nie mona by uzna ich za satysfakcjonujce. Natomiast naley przypuszcza, e projekcje cen wiatowych odgrywaj wan rol w procesie decyzyjnym o ksztacie polityki ekonomicznej. Ostrzegawcza i aktywizujca funkcja projekcji powoduje, e w warunkach projekcji niskich cen wywierana bya dosy silna presja na polityk pastw w celu podjcia dziaa majcych na celu zapobieeniu takiej tendencji. Za tego typu dziaanie naley uzna polityk w zakresie biopaliw, która obok aspektów rodowiskowych prowadzia do zdjcia duych nadwyek produkcyjnych z rynku rolnego (produkty rolinne). Obecnie moliwe jest pojawienie si sytuacji odwrotnej – projekcje wysokich cen, i negatywne tego skutki, mog skoni polityków do zmiany zasad funkcjonowania rynku biopaliw. Pamitajc o braku sensownej alternatywy dla projekcji omawianych modeli naley uzna je za jedno z narzdzi przydatnych przy konstruowaniu projekcji cen rolnych na rynku krajowym. Mona to zrobi bezporednio wykorzystujc model AGMEMOD. Niemniej jednak, nie kady ma do niego dostp. Mona te, wykorzystujc publikowane dane statystyczne i projekcje cen wiatowych, oszacowa modele transmisji cen z rynków wiatowych na rynki krajowe. W najprostszej postaci modelu cena krajowa byaby funkcj ceny wiatowej i kursu walutowego. Podstawowe znaczenie w ocenie jakoci modelu ma dopasowanie wartoci empirycznych z teoretycznymi i merytorycznie uzasad188 niona warto wspóczynników. Z uwagi na zmiany relacji cen krajowych do cen wiatowych, oszacowanie dobrych modeli ekonometrycznych jest trudne. W przypadku niezadowalajcych wspóczynników transmisji mona dokona kalibracji modeli przyjmujc wspóczynniki z innych bada. Majc oszacowany model naley przyj odpowiednie wartoci zmiennych objaniajcych: cen wiatowych i kursu walutowego. Przyjmujc alternatywne (z rónych róde, przy rónych zaoeniach) wartoci tych zmiennych mona budowa prognozy o charakterze scenariuszowym. Prezentowane modele pozwalaj nie tylko na przewidywanie, ale i na uzyskanie szeregu informacji o prawidowociach, jakie wystpuj na poszczególnych rynkach. Mona wówczas zbudowa prognoz w mniej formalny sposób czc twarde fakty z intuicj i wiedz pozastatystyczn. Wiedza ta obejmuje równie informacje, które nie znajduj odzwierciedlenia w danych historycznych. Nawet gdy przewidujemy na podstawie modeli formalnych, nie oznacza to, e prognoz naley kadorazowo zaakceptowa, gdy stanowi ona tylko jedno ze róde informacji o przyszym przebiegu zjawiska w czasie. 189 Literatura x Abbott P.C., Hurt C., Tyner W.E., What’s driving food prices? Oak Brook, IL: Farm Foundation Issue Report, 2008. x Abbott P.C., Hurt C., Tyner W.E., What’s Driving Food Prices in 2011? Oak Brook, IL: Farm Foundation Issue Report, 2011. x AGMEMOD Partnership 2005, Impact analysis of the CAP reform on main agricultural commodities. Final Report, European Commission Directorate General JRC – IPTS (Institute for Prospective Technological Studies), 2005. x Ardeni, P.G., Does the Law of One Price Really Hold for Commodity Prices? “American Journal of Agricultural Economics”, Vol. 71, No. 3, 1989. x Arshad F.M., Hammeed A.A.A., The Long Run Relationship Between Petroleum and Cereals Prices, “Global Economy & Finance Journal”, Vol. 2. No.2, March 2009. x Banse M., Ledebur O., Salamon P., van Leeuwen M., Bouma F., Salputra G., Fellmann T., Nekhay O., Impact of Russia and Ukraine on the international price formation and the EU markets - A Model based analysis, 123rd EAAE Seminar “Price Volatility and Farm Income Stabilisation”, February 23-24, Dublin 2012. x Banse M., Tangermann S., Agricultural implications of Hungary’s Accession to the EU – Partial versus general equilibrium effects. 50th EAAE Seminar “Economic Transition and the Greening of Policies: New Challenges for Agriculture and Agribusiness in Europe”, October 15-17, Giessen 1996. x Baumel C.P., How U.S. Grain Export Projections from Large Scale Agricultural Sector Models Compare with Reality? 2001. http://www.iatp.org/iatp/publications.cfm?accountID=258&refID=72945. x Binfield J., Meyers W., Westhoff P., Challenges of incorporating EU enlargement and CAP reform in the GOLD model framework, 89th EAAE Seminar “Modelling Agricultural Policies: state of the art and new challenges”, February 3-5, Parma 2005. x Blanco-Fonseca M., WP4 Baseline, Deliverable: D4.1. Common Agricultural Policy Regional Impact – The Rural Development Dimension. Literature Review of Methodologies to Generate Baselines for Agriculture and Land Use, JRC, IPTS, 2010. x Bole T., Londo M., The Changing dynamics between biofuels and commodity markets, 2008, http://www.ecn.nl/docs/library/report/2008/m08052.pdf . x Borkowski B,. Dudek H., Szczesny W., Ekonometria. Wybrane zagadnienia, PWN, Warszawa, 2004. 191 x Borkowski B., Krawiec M., Ryzyko cenowe na rynku surowców rolnych, [w:] Zarzdzanie ryzykiem cenowym a moliwoci stabilizowania dochodów producentów rolnych – aspekty poznawcze i aplikacyjne, pr. zbior. pod red. M. Hamulczuka i S. Staki, IERiG-PIB, Raport PW, nr 148, Warszawa, 2009. x Box G.E.P., Jenkins G.M., Analiza szeregów czasowych. Prognozowanie i sterowanie, PWN, Warszawa 1983. x Burrell A. (red.), Impacts of the EU Biofuel Target on Agricultural Markets and Land Use. A Comparative Modelling Assessment, JRC, European Commission, 2008. x Chantreuil F., Hanrahan K., AGMEMOD EU Argicultural Market Outlook. Drustvo Agrarnih Ekonomistov Slovenije, DAES, 2007. x Chantreuil F., Hanrahan K.F., van Leeuwen M. (red), The Future of EU Agricultural Markets by AGMEMOD, Springer, 2012. x Chantreuil F., Tabeau A., van Leeuwen M., Estimation of impact of EU agricultural policies on the world market prices, 107th EAAE Seminar "Modelling of Agricultural and Rural Development Policies", January 29th February 1st, Sevilla, 2008. x Charemza W.W., Deadman D.F., Nowa ekonometria, PWE, Warszawa 1997. x Cielak M. (red.), Prognozowanie gospodarcze: metody i zastosowania, PWN, Warszawa 2004. x Conforti P., Londero P., AGLINK: The OECD partial equilibrium model, Working Paper no.8, INEA, The National Institute of Agricultural Economics, Roma 2001. x Conforti P., The Common Agricultural Policy in main Partial Equilibrium models, Osservatorio sulle Politiche Agricole dell'UE, INEA, Working Paper No. 8, 2001. x Dbrowski I., Teoria równowagi ogólnej. Rys historyczny i obecny status w ekonomii, SGH, Warszawa 2009. x Demeke M., Pangrazio G., Maetz M., Country responses to turmoil in global food markets: The nature and preliminary implications of the policies pursued in the 2006-2008 episode, [w:] Safeguarding food security in volatile global markets, Prakash A. (ed.), FAO, Rome 2011. x Donnellan T., Hanrahan K., McQuinn K., Riordan B., Policy analysis with AGMEMOD Model: Dealing with diversity in the EU Agri-Food Sector, RERC, EAAE Congress, Zaragoza 2002. x Draper N.R., Smith H., Analiza regresji stosowana, PWN, Warszawa 1973. 192 x Enders W., Applied Econometric Time Series, Willey, New York 2010. x Engle R.F., Granger C.W.J., Co-integration and Error Correction, “Econometrica”, vol. 55, 1987. x Esposti R., Camaioni B., Technical Report on the Modeling Structure, AGMEMOD WP2 D2, Project no. SSPE-CT-2005-021543, 2007. x European Commissions 2011, Prospects for Agricultural Markets and Income in the EU 2011-2020,. European Commission. Directorate General for Agriculture and Rural Development, December 2011. x Evans M., Practical Business Forecasting, Blackwell Publishers, 2002. x FAPRI 2011, FAPRI U.S. and World Agricultural Outlook. FAPRI Staff Reports 1999-2010, FSR 1, Food and Agricultural Policy Research Institute. Iowa State University and the University of Missouri-Columbia, 2011, http://www.fapri.iastate.edu/outlook/. x FAPRI 2011a, MU Stochastic U.S. Crop Model Documentation, FAPRIMU Report #09-11, 2011, http://www.fapri.missouri.edu/outreach/publications/2011/FAPRI_MU_Rep ort_09_11.pdf. x FAPRI, FAPRI U.S. and World Agricultural Outlook. FAPRI Staff Report, Food and Agricultural Policy Research Institute, Iowa State Universoty and the University of Missouri-Columbia, roczniki od 2004 do 2011, http://www.fapri.iastate.edu/outlook/. x Federal Reserve Economic Data, baza danych (research.stlovisfed.org. fred2). x Ferris J.N., Agricultural Prices and Commodity Market Analysis, Michigan State University Press, Copyright 2005 by John N. Ferris. x Figiel S., Cenowa efektywno rynku towarowego na przykadzie zbó w Polsce, Wydawnictwo UW-M, Olsztyn 2002. x Figiel S., Hamulczuk M., Klimkowski C., Price volatility and accuracy of price risk measurement depending on methods and data aggregation: The case of wheat prices in the EU countries. 123. seminarium EAAE w Dublinie “PRICE VOLATILITY AND FARM INCOME STABILISATION, Modelling Outcomes and Assessing Market and Policy Based Responses”, 23-24 Luty 2012, http://ageconsearch.umn.edu x Findley D., Monsell B., Bell W., Otto M., Chen M., New Capabilities and Methods of the X-12-ARIMA Seasonal Adjustment Program, “Journal of Business and Economic Statistics”, 1998. x Gajda J.B., Prognozowanie i symulacje a decyzje gospodarcze, Wydawnictwo C.H. Beck, Warszawa, 2001. 193 x Gajda J.B., Ekonometria praktyczna, ABSOLWENT, ód 2002. x Gajda J.B., Ekonometria, Wydawnictwo C.H. Beck, Warszawa 2004. x Gardner B.L., The Economic of Agricultural Policies, McGraw-Hill Publishing Company, New York 1990. x Gdek S., Analiza wspózalenoci cen produktów rolnych, „Roczniki Nauk Rolniczych”, seria G, Tom 97, 2010. x Gilbert C.L., Morgan C.W., Food price volatility, “Philosophical Transactions of The Royal Society”, vol. 365, 2010. x Gomez, V., Maravall A., Seasonal Adjustment and Signal Extraction in Economic Time Series, [w:] Tsay R.S. (red.) A Course in Time Series Analysis, J. Wiley and Son, New York 2001. x Grabiski T., Wydymus S., Zelia A., Metody doboru zmiennych w modelach ekonometrycznych, PWN, Warszawa 1982. x Granger C.J.W., Newbold P., Spurious Regression in Econometrics, „Journal of Econometrics”, vol. 2, s. 111-120, 1974. x Grudkowska S., Demetra+ User Manual, Eurostat, 2011, www.crosportal.eu/sites/default/files/Demetra+%20User%20Manual_0.pdf. x Gruszczyski M., Kuszewski T., Podgórska M. (red), Ekonometria i badania operacyjne, PWN, Warszawa 2009. x Hamulczuk M., Modele równowagi czstkowej w prognozowaniu i symulacjach na rynku rolnym; model AGMEMOD, „Zeszyty Naukowe Szkoy Gównej Gospodarstwa Wiejskiego w Warszawie. Problemy Rolnictwa wiatowego”, T. 4 (19), 2008. x Hamulczuk M. (red.), Prognozowanie cen surowców rolnych z wykorzystanie, modeli szeregów czasowych, Raport PW nr 10, IERIG-PIB, Warszawa 2011. x Hamulczuk M., Dokadno dugookresowych projekcji na rynku rolnym przykad modelu FAPRI i rynku pszenicy, „Roczniki Nauk Rolniczych. Seria G - Ekonomika Rolnictwa”, T. 98, z. 1, 2011. x Hamulczuk M., Hertel K., Implikacje likwidacji kwot mlecznych dla polskiego rolnictwa – wyniki symulacji z wykorzystaniem modelu AGMEMOD, „Wspóczesna ekonomia”, nr 3, Warszawa 2009. x Hamulczuk M., Klimkowski C., Powizania pomidzy cenami ropy a cenami pszenicy w Polsce, „Roczniki Nauk Rolniczych”, seria G, Tom 98, s. 176-190, 2011. x Hamulczuk M., Klimkowski C., Response of the Polish Wheat Prices to the World's Crude Oil Prices, “Acta Oeconomica et Informatica” ,Volume 15, Number 2, 2012. 194 x Hamulczuk M., Stako S., Ekonomiczne skutki likwidacji kwot mlecznych w Unii Europejskiej – wyniki symulacji z wykorzystaniem modelu AGMEMOD, „Zagadnienia Ekonomiki Rolnej”, nr 4, 2009. x Hanrahan K., The GOLD Model 2.1: An introductory manual, Mimeo, Rural Economy Research Centre, Dublin 2001. x Heijman W., Krzyanowska Z., Gdek S., Kowalski Z., Ekonomika rolnictwa. Zarys teorii, Fundacja Rozwój SGGW, Warszawa 1997. x Hellwig Z., Problemy optymalnego wyboru predykant, „Przegld Statystyczny”, XVI, nr 3, 1969. x Hertel K., Zastosowanie modelu równowagi czstkowej AGMEMOD, [w:] Ocena skutków potencjalnych zmian Wspólnej Polityki Rolnej oraz wpywu uwarunkowa makroekonomicznych na polski sektor rolno-ywnociowy na podstawie wyników modelowania, S. Figiel, M. Hamulczuk (red.), IERiG-PIB, Warszawa 2009. x Hobijn B., Commodity Price Movements and PCE Inflation, “Current Issues in Economics and Finance”, Vol. 14, Nr 8, 2008. x IFPRI 2011, Food Price Volatility: Implications for ACP countries, Brussels 2011. x Kowalski A., Rembisz W., Rynek rolny i interwencjonizm a efektywno i sprawiedliwo spoeczna, IERiG-PIB, Warszawa 2005. x Kramer J., Konsumpcja. Prawidowoci, struktura, przyszo, PWE, Warszawa 1993. x Kufel T., Kufel P., Postulat zgodnoci a pocztki dynamicznego modelowania ekonometrycznego, [w:] Dynamiczne modele ekonometryczne, UMK, Toru 2007. x Kuside E., Modelowanie wektorowo-autoregresyjne VAR. Metodologia i zastosowanie w badaniach ekonomicznych, Absolwent, ód 2000. x Listorti G., Esposti R., Making the world market price endogenous within the AGMEMOD modelling framework: an econometric solution, 107th EAAE Seminar “Modelling Agricultural and Rural Development Policies”. January 29th -February 1st, Sevilla, 2008. x Lütkepohl H., Krättzig M., Applied Time Series Econometrics, Cambridge Univeristy Press, 2007. x Maddala G.S., Ekonometria, PWN, Warszawa 2006. x Majewski E., Ws A., Sulewski P., Cygaski ., Ryzyko dochodowe w kontekcie zmian WPR – analiza scenariuszy, [w:] Zarzdzanie ryzykiem cenowym a moliwoci stabilizowania dochodów producentów rolnych – aspekty 195 x x x x x x x x x x x x x x x poznawcze i aplikacyjne, Hamulczuk M., Stasko S. (red.), IERiG-PIB, Warszawa 2009. Majsterek M., Zastosowanie procedury Johansena do analizy sprzenia inflacyjnego w gospodarce polskiej, „Przegld Statystyczny”, tom XLV, 1998. Majsterek M., Zmienne zintegrowane w stopniu drugim w modelowaniu ekonometrycznym, „Przegld Statystyczny”, tom L, 2003. Mayer J., Trends and volatility in commodity prices, and food security, Paper presented at G24 Technical Group Meeting, Pretoria, 18 march 2011. Meyers W. H., Westhoff P., Fabiosa J., Hayes D., The FAPRI Global Modeling System and Outlook Process, “Journal of International Agricultural Trade and Development”, Volume 6, Issues 1, 2010. Mills T.C., The Econometric Modeling of Financial Time Series, Cambridge University Press, Cambridge 2002. Moschini G., Hennessy D.A., Uncertainty, Risk Aversion and Risk Management for Agricultural Producers, [w:] Handbook of Agricultural Economics, Elsevier Science Publishers, Amsterdam 2000. Mutuc, M.M., What Drives Commodity Prices More: Oil Demand or Supply Shocks? Poster presented for presentation at the Agricultural & Applied Economics Association, Denver, 25-27 June 2010. Nazlioglu S., Soytas U., Oil price, agricultural commodity prices, and the dolar: A panel cointegration and causality analysis, “Energy Economics” vol. 34, 2012. Nomura, The coming surge in food prices, Nomura Global Economics and Strategy, 8th september 2010. OECD 2007, Documentation of the Aglink-Cosimo Model, Working Party on Agricultural Policies and Markets. OECD, Paris 2007, http://www.oecd.org/site/oecd-faoagriculturaloutlook/45172745.pdf OECD, baza danych, www.oecd.org/site/oecd-faoagriculturaloutlook/ database-oecd-faoagriculturaloutlook.htm. OECD/FAO 2012, OECD-FAO Agricultural Outlook 2012-2021, OECD Publishing and FAO, roczniki od 2004 do 2012, (adres dla rocznika 2012) http://dx.doi.org/10.1787/agr_outlook-2012-en. Osiska M., Ekonometria finansowa, PWE, Warszawa 2006. Osiska M., Ekonometryczna analiza zalenoci przyczynowych, Wydawnictwo Naukowe UMK, Toru 2008. Pérez Domínguez I., Britz W., Gopalakrishnan B.N., Post-model Analysis in large-scale models: the examples of Aglink-Cosimo, CAPRI and GTAP2012, Paper prepared for 15th Annual Conference on Global Economic Analysis 196 x x x x x x x x x x x x x x x "New Challenges for Global Trade and Sustainable Development" Geneva, Switzerland, June 27-29, 2012. Popyt na ywno. Stan i perspektywy. Analizy Rynkowe, IERiG-PIB, ARR, MRiRW, nr 12, Warszawa 2011. Radetzki M.A., Handbook of Primary Commodities in Global Economy, Cambridge University Press, 2010. Rembeza J., Transmisja cen na rynku zbó i jej wpyw na proces transmisji cen, [w:] Ewolucja rynku zboowego i jej wpyw na proces transmisji cen, IERiG-PIB, Raport PW nr 38. Warszawa 2006. Rembeza J., Transmisja cen na rynku misa, [w:] Ewolucja rynku misnego i jej wpyw na proces transmisji cen, IERiG-PIB, Raport PW, nr 73, Warszawa 2007. Rembeza J., Transmisja cen w gospodarce polskiej, Wydawnictwo Uczelnianie PK, Koszalin 2010. Rembisz W., Mikroekonomiczne podstawy wzrostu dochodów producentów rolnych, Wyd. Vizja Press&IT, Warszawa 2007. Rembisz W., Krytyczna analiza podstaw i ewolucji interwencji w rolnictwie, „Wspóczesna Ekonomia”, nr 4, WSFiZ, Warszawa 2010. Rembisz W., Stako S., Interwencjonizm rynkowy w rolnictwie. [w:] Rynek rolny w ujciu funkcjonalnym, Rembisz W., Idzik M. (red.), WSFIZ, IERIG-PIB, Warszawa 2007. Réquillart, V., Bouamra-Mechemache, Z., Jongeneel, R., Penel, C., Economic analysis of the effects of the expiry of the EU milk quota system, Report prepared for the European commission, IDEI, Toulouse 2008. Ritson Ch., Agricultural Economics. Principles and Policy, Collins, London 1977. Robles M., Torero M., von Braun, J., When speculation matters, Issue Brief 57, International Food Policy Research Institute, Washington 2009, http://ifpri.org/pubs/ib/ib57.pdf. Rosiak E., opaciuk W., Krzemiski M., Produkcja biopaliw i jej wpyw na wiatowy rynek zbó oraz rolin oleistych i tuszczów rolinnych, Raport PW nr 29, IERiG-PIB, Warszawa 2011. Rynek misa. Stan i perspektywy. Analizy rynkowe, Nr 43, IERiG-PIB, ARR, MRiRW, pa dziernik 2012. Serra T., Zilberman D., Price volatility in ethanol markets, “European Review of Agricultural Economics”, Vol. 38(2), 2011. Sims C.A., Macroeconomics and Reality. „Econometrica”, vol. 49, 1980. 197 x Stock J.H., Watson M.W., Introduction to Econometrics, Addison Wesley, Boston 2007. x Stoll H.R., Whaley R.E., Commodity Index Investing and Commodity Futures Prices, 2009, http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1633908. x wietlik K., Ceny ywnoci w procesie rynkowych przemian polskiej gospodarki (1994-2004), Studia i Monografie nr 141, IERiG-PIB, Warszawa 2008. x Toda, H.Y., Yamamoto T., Statistical inferences in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66, s. 225-250, 1995. x Tomczyk E., Podstawy analizy szeregów czasowych, [w:] Gruszczyski M., Podgórska M. (red): Ekonometria, SGH, Warszawa 2008. x Tomek W.G., Robinson K.L., Kreowanie cen artykuów rolnych, PWN, Warszawa 2001. x Tongeren, F., van Meijl H., van Surry Y., Global models applied to agricultural and trade policies: A review and assessment, “Agricultural Economics”, nr 26, 2001. x Tracy M., Polityka rolno-ywnociowa w gospodarce rynkowej. Wprowadzenie do teorii i praktyki, UW, Olympus Centrum Edukacji i Rozwoju Biznesu, Warszawa 1997. x Tyner W.E., Taheripour F., Policy Options for Integrated Energy and Agricultural Markets, “Review of Agricultural Economics”, Vol. 30, Nr 3, 2008. x Tyner W.E., The Integration of Energy and Agricultural Markets, “Agricultural Economics”, Vol. 41 Issue Supplement s1, November 2010. x Uebayashi A., Agricultural Outlook and Its Baseline Process using AGLINK Model, OECD, 2008, http://www.unece.org/fileadmin/DAM/stats/documents/ces/sem.44/wp.7.e.p df. x USDA, baza danych FAS www.fas.usda.gov/fassearch.asp. x Welfe A., Ekonometria. Metody i ich zastosowanie, PWE, Warszawa, 2009. x Westhoff P., The European Union Grain, Oilseed, Livestock and Dairy (EU GOLD) Model, FAPRI at the University of Missouri, 2001. x Westhoff P., Brown S., Binfield J., Why Stochastics Matter: Analyzing Farm and Biofuel Policies. 107th EAAE Seminar "Modeling of Agricultural and Rural Development Policies", 29 January - 1 February, Sevilla, 2008. 198 x Westhoff P., Brown S., Hart C., When Point Estimates Miss the Point: Stochastic Modeling of WTO Restrictions, „Journal of International Agricultural Trade and Development”, vol. 2, 2006. x Wisner R.N., McVey M., Baumel C.P., Curtiss C.F., Are Large-Scale Agricultural-Sector Economic Models Suitable for Forecasting? 2002, http://www2.econ.iastate.edu/faculty/wisner/largescalemodels.pdf. x Witkowska D., Podstawy ekonometrii i teorii prognozowania, Oficyna Ekonomiczna, Kraków 2006. x Wo A., Agrobiznes. Makroekonomia. Tom I. Wydawnictwo Key Text, Warszawa 1996. x X-12-ARIMA Reference Manual, version 0.3, US. Bureau of the Census, 2011, http://www.census.gov/ts/x12a/v03/x12adocV03.pdf. x Zawojska A., Czy spekulacje finansowe wpywaj na midzynarodowe ceny towarów rolno-ywnociowych? „Problemy Rolnictwa wiatowego”, tom 11, 2011. x Zieliski Z., Liniowe modele ekonometryczne jako narzdzie opisu i analizy przyczynowych zalenoci zjawisk ekonomicznych, UMK, Toru 1991. x Zwierzta gospodarskie w 2011 r., GUS, Informacje i opracowania statystyczne, Warszawa 2012. EGZEMPLARZ BEZPATNY Nakad 650 egz.,ark. wyd.12,2 Druk i oprawa: EXPOL Wocawek