WPŁYW CZYNNIKÓW POGODOWYCH NA WIELKOŚĆ I CENY SKUPU PSZENICY I ŻYTA W POLSCE

Transkrypt

1 WODA-ŚRODOWISKO-OBSZARY WIEJSKIE 011:. 11 z. 4 (36) WATER-ENVIRONMENT-RURAL AREAS s Rolnicwo jes jedną z ych gałęzi akywności ludzkiej, na kórą warunki pogodowe mają szczególny wpływ. Niekorzysne warunki pogodowe powodują wiele zmian w środowisku nauralnym, kóre mogą przełożyć się na wymierne sray ekonomiczne. Na całym świecie obserwuje się zjawiska klimayczne, kóre mają wpływ na warunki produkcji rolnej. Do głównych czynników wpływających na wielkość ej produkcji, w szczególności roślinnej, można zaliczyć emperaurę powierza, opady amosferyczne i usłonecznienie. Niewąpliwie czynniki e, w szczególności emperaura, wpływają na wydłużenie lub skrócenie okresu wegeacyjnego. Mała suma opadów w okresie lenim może doprowadzić do niekorzysnego bilansu wodnego niekórych obszarów. Należy eż zwrócić uwagę na wzros emperawww.iep.edu.pl Insyu Technologiczno-Przyrodniczy w Falenach, 011 WPŁYW CZYNNIKÓW POGODOWYCH NA WIELKOŚĆ I CENY SKUPU PSZENICY I ŻYTA W POLSCE Agnieszka TŁUCZAK Uniwersye Opolski, Wydział Ekonomiczny, Zakład Ekonomerii i Meod Ilościowych Słowa kluczowe: ceny zbóż, modele VAR, skup zbóż, es Grangera, związki przyczynowe S r e s z c z e n i e W arykule przedsawiono wyniki analizy zależności między wybranymi czynnikami pogodowymi a wielkością skupu oraz cenami pszenicy i żya w Polsce. W badaniach wykorzysano es przyczynowości Grangera, kóry opiera się na modelach wekorowej auoregresji. Na podsawie oszacowanych, dla pierwszych przyrosów analizowanych zmiennych, modeli wykazano isnienie zależności pomiędzy czynnikami pogodowymi i wielkością skupu oraz brak ych związków między czynnikami pogodowymi a cenami zbóż w Polsce. WSTĘP Adres do korespondencji: dr A. Tłuczak, Uniwersye Opolski, Wydział Ekonomiczny, Zakład Ekonomerii i Meod Ilościowych, ul. Ozimska 46a, Opole; el. +48 (77) , aluczak@uni.opole.pl

2 18 Woda-Środowisko-Obszary Wiejskie. 11 z. 4 (36) ury w okresie laa, powodującej zwiększone parowanie wody i zmniejszanie się jej zapasów w glebie [BAŃSKI, BŁAŻEJCZYK 011; JACZEWSKA-KALICKA 008]. Od warunków meeorologicznych, ale również od inensywności produkcji zależy wielkość plonów zbóż, co wpływa na wielkość skupu podsawowych zbóż. Rynek zbóż jes najważniejszym rynkiem branżowym ziarno zbóż jes wykorzysywane na siew, do spożycia oraz jako surowiec dla różnych przemysłów, w ym dla przemysłu spożywczego, farmaceuycznego oraz spiryusowego. Skup na rynku zbóż jes prowadzony przez cały rok. Charakerysyczna sezonowość skupu zbóż wiąże się z cyklem produkcyjnym. Szczy skupu wysępuje uż po żniwach, czyli w rzecim kwarale każdego roku kalendarzowego. Zwiększona podaż ziarna dosępnego na rynku wpływa bezpośrednio na ceny zbóż w skupie. Celem badań było usalenie związków przyczynowych pomiędzy warunkami pogodowymi a wielkością i cenami skupu pszenicy i żya w Polsce. W ym celu zasosowano es przyczynowości Grangera 1), kórego procedura opiera się na modelach wekorowej auoregresji VAR. METODY I MATERIAŁ BADAWCZY e VAR są licznie prezenowane w lieraurze ekonomerycznej, dlaego w niniejszym opracowaniu zosaną przedsawione ich ogólne założenia. e wekorowej auoregresji, kóre sformułował Sims w 1980 r., są o modele wielorównaniowe, w kórych każda zmienna jes objaśniana przez swoje opóźnienia oraz przez opóźnienia pozosałych zmiennych. Podsawowa posać modelu VAR przedsawia się nasępująco [KUSIDEŁ 000]: y k A0 D A y e = 1,,, T (1) i1 i i gdzie: y wekor obserwacji na bieżących warościach wszyskich n zmiennych modelu: y ={y 1, y,, y n }; D wekor deerminisycznych składników równań; A 0 macierz paramerów przy zmiennych wekora D ; A i macierze paramerów przy opóźnionych zmiennych wekora y, macierze A 0 i A i nie zawierają zerowych elemenów; e wekor sacjonarnych zakłóceń losowych ) ; numer obserwacji. 1) Definicja przyczynowości w sensie Grangera głosi, że zmienna x jes przyczyną zmiennej y, jeżeli bieżące warości zmiennej y można prognozować z większą dokładnością za pomocą przeszłych warości zmiennej x niż bez ich wykorzysania, z założeniem, że pozosała informacja jes niezmieniona. ) Składniki losowe powinny charakeryzować się brakiem auokorelacji oraz rozkładem normalnym.

3 A. Tłuczak: Wpływ czynników pogodowych na wielkość i ceny skupu 19 (1) jes szacowany klasyczną meodą najmniejszych kwadraów, a uzyskane esymaory są zgodne i asympoycznie efekywne. Głównym celem sosowania modeli VAR jes znalezienie isonych powiązań między zmiennymi. Isoną kwesią w modelowaniu wekorowej auoregresji jes sacjonarność zmiennych 3). Do badania sacjonarności zosał wykorzysany najpopularniejszy es, a mianowicie rozszerzony es Dickeya-Fullera (es ADF), bazujący na oszacowaniu paramerów równania: lub y y y k 1 iyi k i1 () y 1 iyi (3) i1 Saysyka esowa przyjmuje posać: ˆ DF (4) S( ˆ) gdzie: ˆ ocena parameru z równania () lub (3) oszacowanego klasyczną meodą najmniejszych kwadraów; ˆ s średni błąd szacunku parameru δ. Saysyka DF pozwala na weryfikację hipoez: H 0 : δ = 0 (brak sacjonarności) wobec hipoezy H 1 : δ 0 (proces jes sacjonarny) [KUSIDEŁ 000]. W celu usalenia rzędu opóźnień, podobnie jak w przypadku modeli ARMA, sosuje się kryeria informacyjne, a na użyek ej pracy, zwrócimy szczególną uwagę na kryerium SBC (Schwarz Bayesian Crierion), dla kórego saysyka ma posać [KUSIDEŁ 000]: ~ 1 SBC l l k logt (5) gdzie: l ~ T maksymalna warość logarymu wiarygodności modelu, w kórym ~ jes esymaorem największej wiarygodności; 3) Brak sacjonarności zmiennych może prowadzić do obiecujących wyników, nawe jeśli regresja nie będzie miała sensu. Sacjonarność w węższym sensie, bo aką będziemy się ineresować na porzeby badań, oznacza sałość średniej oraz wariancji w czasie oraz niezależność kowariancji od czasu.

4 0 Woda-Środowisko-Obszary Wiejskie. 11 z. 4 (36) k liczba szacowanych paramerów; T liczba obserwacji. Procedura sosowania esu Grangera rozpoczyna się od oszacowania paramerów modeli [BORKOWSKI 005; CHAREMZA, DEADMAN 1997]: y 0 1y 1... y p p (6) y 0 1y 1... p y p 1x 1 x... p x p (7) gdzie: x realizacja zmiennej X; y realizacja zmiennej Y; p rząd opóźnień zmiennych. W eście Grangera weryfikacji poddaje się hipoezy posaci: H 0 ; H : : 1 Saysyka esowa ma posać:. s n s F (8) s ( ) gdzie: n liczebność próby; s, s wariancje składników losowych odpowiednio modelu (6) i (7), i zakładając prawdziwość hipoezy zerowej ma ona rozkład chi-kwadra ( p ). Dane miesięczne o warunkach pogodowych, wielkości skupu zbóż oraz o cenach skupu zbóż zaczerpnięo z Biuleynów Saysycznych Głównego Urzędu Saysycznego [GUS 011]. W badaniach uwzględniono nasępujące czynniki pogodowe: emperaura w C, opady amosferyczne w mm, zachmurzenie w okanach, usłonecznienie w h oraz wielkość skupu w ysiącach on pszenicy oraz żya, jak również ceny ych zbóż w skupie w zł (100 kg) 1. Ze względu na wielość zmiennych przyjęo nasępujące oznaczenia: v 1 średnia emperaura, C; v suma opadów amosferycznych w miesiącu, mm; v 3 średnie zachmurzenie, w okanach; v 4 suma usłonecznienia w miesiącu, h; v 5 wielkość skupu pszenicy, ys..; v 6 wielkość skupu żya, ys..;

5 A. Tłuczak: Wpływ czynników pogodowych na wielkość i ceny skupu 1 v 7 średniomiesięczna cena pszenicy, zł (100 kg) 1 ; v 8 średniomiesięczna cena żya, zł (100 kg) 1. WYNIKI BADAŃ W opracowaniu zbadano wysępowanie związków przyczynowych pomiędzy warunkami pogodowymi a wielkością skupu oraz cenami podsawowych zbóż w Polsce, w okresie od października 00 r. do grudnia 010 r. Wszyskie analizowane zmienne charakeryzują się dużym bądź umiarkowanym zróżnicowaniem współczynnik zmienności dla zmiennych, opisujących warunki pogodowe, kszałuje się na średnim poziomie 58% (ab. 1). Najmniejszym zróżnicowaniem charakeryzuje się zmienna v 3 średnie zachmurzenie w okanach (wsp. zmienności 19%) oraz zmienna v 7 średniomiesięczna cena pszenicy w zł (100 kg) 1 (wsp. zmienności 7%) (rys. 1). Pozosałe podsawowe saysyki opisowe dla analizowanych zmiennych przedsawiono w abeli 1. Tabela 1. Podsawowe saysyki opisowe analizowanych zmiennych Table 1. The basic characerisic of he individual ime series Paramery Wyszczególnienie Specificaion Parameers v 1 v v 3 v 4 v 5 v 6 v 7 v 8 Średnia Mean 8,4 54, 5, 157,1 314,9 47, 53,9 4,6 Odchylenie sandardowe Sandard deviaion 7,71 31,11 0,99 99,55 47,54 43,37 14,68 13,45 Współczynnik zmienności, % Variaion coefficien, % Minimum Minimum 7, 9,0,5 14,6 59, 9,5 34,5 5,3 Maximum Maximum,1 157,4 7,1 405,1 141,9 65,1 9, 73,7 Mediana Median 8,5 44,9 5, 146,6 37,9 34,4 49,4 36,3 Objaśnienia: v 1 średnia emperaura w C, v suma opadów amosferycznych w miesiącu w mm, v 3 średnie zachmurzenie w okanach, v 4 suma usłonecznienia w miesiącu w h, v 5 wielkość skupu pszenicy w ys., v 6 wielkość skupu żya w ys., v 7 średniomiesięczna cena pszenicy w zł (100 kg) 1, v 8 średniomiesięczna cena żya w zł (100 kg) 1. Źródło: obliczenia własne na podsawie danych GUS. Explanaions: v 1 mean emperaure in C, v monhly sum of precipiaion in mm, v 3 mean cloudiness in ocanes, v 4 monhly sum of insolaion in h, v 5 purchase of whea in housand ons, v 6 purchase of rye in housand ons, v 7 monhly mean price of whea in zł (100 kg) 1, v 8 monhly mean price of rye in zł (100 kg) 1. Source: own sudies acc. o GUS daa. W celu sprowadzenia zmiennych do porównania, dokonano ich oczyszczenia z wahań sezonowych i przypadkowych, wykorzysując dosępną w programie GRETL procedurę TRAMO/SEATS. Procedurę ę szczegółowo opisały m.in. GRUDKOWSKA i PAŚNICKA [007].

6 v 1 v v 3 v , , Woda-Środowisko-Obszary Wiejskie. 11 z. 4 (36) 4, ,

7 v 5 v v 7 v Rys. 1. Kszałowanie się miesięcznych warości analizowanych zmiennych w okresie ; źródło: opracowanie własne na podsawie danych GUS Fig. 1. The monhly values of he analyzed variables for he period ; source: own sudies acc. GUS daa A. Tłuczak: Wpływ czynników pogodowych na wielkość i ceny skupu 3

8 4 Woda-Środowisko-Obszary Wiejskie. 11 z. 4 (36) owanie za pomocą modeli VAR wymaga, aby zmienne były sacjonarne, zaem w pierwszej kolejności zbadano sacjonarność zmiennych v i, i = 1,, 8. Na podsawie esu ADF, gdy poziom isoności wynosi 0,05, odrzucono hipoezy o sacjonarności zmiennych. Za sacjonarne uznano pierwsze przyrosy zmiennych Δv 4). Tabela. Wyniki esu ADF dla zmiennych v i oraz Δv i, i = 1,, 8 Table. The resuls of ADF es for variables v i and Δv i, i = 1,, 8 Variable Warość saysyki ADF ADF saisic p-value Variable Warość saysyki ADF ADF saisic p-value v 1,3167 0,1666 Δv 1 3,7980 0,009 v 1,7665 0,3977 Δv 3,8380 0,005 v 3,5811 0,0968 Δv 3 3,8679 0,00 v 4,4063 0,1399 Δv 4 3,4393 0,0097 v 5 1,8796 0,343 Δv 5,887 0,0473 v 6,956 0,44 Δv 6,3385 0,0187 v 7,19 0,33 Δv 7,5533 0,0103 v 8,35 0,1648 Δv 8,069 0,0375 Źródło: wyniki własne. Source: own sudies. W kolejności usalono rzędy opóźnień dla modeli VAR, podczas wyboru opymalnego rzędu opóźnień kierowano się kryerium informacyjnym Schwarza SBC (ab. 3). W ym celu oszacowano nasępujące modele (ab. 4): Dla przyjęych opóźnień, w wyniku esymacji modeli w programie GRETL [Program kompuerowy: GRETL 011], orzymano nasępujące modele eoreyczne: model 1: Δv 5 = 0,589469Δv 5 1 0,30010Δv 5 0,047684Δv ,44917Δv 1 model : Δv 5 = 0,609915Δv 5 1 0,85960Δv 5 + 0,178634Δv 1 + 0,04838Δv model 3: Δv 5 = 0,566498Δv 5 1 0,6976Δv 5 + 3,494Δv ,04838Δv 3 model 4: Δv 5 = 0,588936Δv 5 1 0,77790Δv 5 0, Δv ,030405Δv 4 model 5: Δv 6 = 0,563008Δv 6 1 0,71136Δv 6 + 0,17637Δv ,50984Δv 1 model 6: Δv 6 = 0,5636Δv 6 1 0,73043Δv 6 + 0, Δv 1 0,014884Δv model 7: Δv 6 = 0,56130Δv 6 1 0,4391Δv 6 0,64775Δv 3 1 1,35563Δv 3 model 8: Δv 6 = 0,55659Δv 6 1 0,51740Δv 6 + 0,004583Δv ,004715Δv 4 model 9: Δv 7 = 0,446435Δv ,033847Δv 1 1 model 10: Δv 7 = 0,447939Δv7 1 0, Δv 1 model 11: Δv 7 = 0,44594Δv ,059676Δv 3 1 4) Pierwsze przyrosy zmiennych Δv oznaczają różnicę pomiędzy poziomem zmiennej w okresach oraz 1, Δv = v v 1.

9 A. Tłuczak: Wpływ czynników pogodowych na wielkość i ceny skupu 5 Tabela 3. Warości saysyki SBC oraz rzędy opóźnień dla szacowanych modeli Table 3. The values of BIC saisics for chosen rank of delay models Rząd opóźnień Rank of delay SBC Rząd opóźnień Rank of delay 1 9, ,6430 9, , , , , , , , , , , , , ,9356 Źródło: wyniki własne. Source: own sudies. SBC Tabela 4. e VAR Table 4. VAR models 1 endogeniczna Endogenous variable egzogeniczna Exogenous variable Δv 1 9 endogeniczna Endogenous variable egzogeniczna Exogenous variable Δv 1 Δv 10 Δv Δv 5 Δv 7 3 Δv 3 11 Δv 3 4 Δv 4 1 Δv 4 5 Δv 1 13 Δv 1 6 Δv 14 Δv Δv 6 Δv 8 7 Δv 3 15 Δv 3 8 Δv 4 16 Δv 4 Źródło: wyniki własne. Source: own sudies. model 1: Δv 7 = 0,44815Δv , Δv 4 1 model 13: Δv 8 = 0,57094Δv ,097358Δv 1 1 model 14: Δv 8 = 0,567968Δv , Δv 1 model 15: Δv 8 = 0,57068Δv 8 1 0,019818Δv 3 1 model 16: Δv 8 = 0,571664Δv ,008880Δv 4 1 Za pomocą esu Jarque-Bera zweryfikowano hipoezy o normalności rozkładów składników losowych [THADEWALD, BUNNING 007], naomias es mnożnika Lagrange a LM posłużył do weryfikacji hipoez o braku auokorelacji składników losowych modeli [OSIŃSKA 007]. Na poziomie isoności 0,05 składniki losowe wszyskich modeli charakeryzowały się pożądanymi własnościami, czyli rozkładem normalnym i brakiem auokorelacji.

10 6 Woda-Środowisko-Obszary Wiejskie. 11 z. 4 (36) Uzyskane w eście Grangera wyniki pozwoliły zidenyfikować jednokierunkowe zależności przyczynowe pomiędzy analizowanymi zmiennymi (ab. 5). Na podsawie saysyki esu G można swierdzić, że zmienne Δv 1, Δv, Δv 3, Δv 4 (kóre są pierwszymi różnicami nasępujących zmiennych: emperaura w C, opady amosferyczne w mm, zachmurzenie w okanach, usłonecznienie w h) są przyczynami dla zmiennej Δv 5 (pierwsze różnice zmiennej wielkość skupu pszenicy, w ys. ). Naomias na zmienną Δv 6 (pierwsze różnice zmiennej wielkość skupu żya, w ys. ) mają wpływ zmienne Δv 1, Δv (pierwsze różnice zmiennych: emperaura, w C, opady amosferyczne, w mm). W pozosałych przypadkach różnice pomiędzy modelami 3 i 4 są nieisone, zaem nie wysępują zależności przyczynowe między zmiennymi w sensie Grangera. Tabela 5. Warości saysyki Grangera G oraz warości kryyczne χ 0,05 Table 5. The values of Granger es saisic and criical value of χ 0.05 Warość saysyki G The value of G saisic χ 0,05 Warość saysyki G The value of G saisic χ 0, ,9003 5, ,3743 3,8414 9,3536 5, ,3864 3, ,6044 5, ,3869 3, ,87 5, ,5 3, ,449 5, ,530 3, ,3000 5, ,545 3, ,8834 5, ,834 3, ,850 5, ,1146 3,8414 Źródło: wyniki własne. Source: own sudy. PODSUMOWANIE Przeprowadzone badania wykazały, że modele VAR są użyecznym narzędziem idenyfikacji związków przyczynowych między zmiennymi. W niniejszym opracowaniu przedsawiono wyniki badań zależności między warunkami meeorologicznymi a wielkością skupu pszenicy i żya w Polsce oraz warunkami meeorologicznymi a cenami skupu ychże zbóż. Wyniki powierdziły hipoezę o wysępowaniu jednokierunkowych zależności między czynnikami meeorologicznymi a wielkością skupu, a co za ym idzie ilością zboża, jaką rolnicy uzyskują ze swoich upraw. Nie wykryo isonych związków między czynnikami meeorologicznymi a cenami ych zbóż w Polsce. Brak ych związków wynika przypuszczalnie z obowiązującej Wspólnej Poliyki Rolnej oraz daleko posunięego inerwencjonizmu cenowego na wspólnoowych rynkach rolnych.

11 A. Tłuczak: Wpływ czynników pogodowych na wielkość i ceny skupu 7 LITERATURA BORKOWSKI B Wnioskowanie o przyczynowości na podsawie modeli VAR [online]. [Dosęp ] Dosępny w Inernecie: hp:// referauucz/borkowski.pdf BAŃSKI J., BŁAŻEJCZYK K Globalne zmiany klimau, wpływ na rozwój rolnicwa na świecie [online]. [Dosęp ] Dosępny w Inernecie: hp:// 6_Globalne_zmiany.pdf CHAREMZA W., DEADMAN D Nowa ekonomeria. Warszawa. Polskie Wydawnicwo Ekonomiczne ss GUS 011. Biuleyn saysyczny [online]. Warszawa. [Dosęp ]. Dosępny w Inernecie: hp:// GRUDKOWSKA S., PAŚNICKA E X-1-ARIMA i TRAMO/SEATS empiryczne porównanie meod wyrównania sezonowego w konekście długości próby [online]. Warszawa. [Dosęp ]. Dosępny w Inernecie: JACZEWSKA-KALICKA A Wpływ zmian klimaycznych na plonowanie i ochronę zbóż w Polsce [online]. Warszawa. [Dosęp ]. Dosępny w Inernecie: hp:// planproecion.pl/pliki/008/48--6 KUSIDEŁ E e wekorowo-auoregresyjne VAR. Meodologia i zasosowania. Łódź. Wydaw. Absolwen s OSIŃSKA M Ekonomeria współczesna. Toruń. Wydaw. Dom Organizaora ss Program kompuerowy GRETL 011. Dosępny w Inernecie: hp:// THADEWALD T., BUNING H Jarque Bera es and is compeiors for esing normaliy a power comparison. Journal of Applied Saisics. Vol. 34 no. 1 s Agnieszka TŁUCZAK THE EFFECT OF WEATHER CONDITIONS ON THE PURCHASE AND PRICE OF WHEAT AND RYE IN POLAND Key words: causal relaionships, cereal prices, cereal procuremen, Granger es, VAR models S u m m a r y The aricle presens he resuls of analysis of he relaionship beween seleced climaic facors and he purchase of cereals and cereal prices in Poland. The sudy used he causaliy Granger es, which is based on he vecor auoregression models. Based on he esimaed models he auhor shows he relaionships beween weaher and he quaniy of purchase and a lack of such relaionships beween weaher and he prices of cereals in Poland. Praca wpłynęła do Redakcji r.