Zagadnienia ekonomiki rolnej. Kwartalnik

Zagadnienia ekonomiki rolnej Kwartalnik 42012

Kwartalnik 4 (333) 2012 Organ Komitetu Ekonomii Rolnictwa i Rozwoju Obszarów Wiejskich PAN, Instytutu Ekonomiki Rolnictwa i Gospodarki Żywnościowej PIB oraz Sekcji Ekonomiki Rolnictwa PTE

RADA PROGRAMOWA Vaclav Basek, Marian Bozik, Drago Cvijanović, Borys Frumkin, Masahiko Gemma, Dymitr Grekov, Wojciech Józwiak, Bogdan Klepacki, Stanisław Krasowicz, Sergiy M. Kvasha, Rumen Popov, Włodzimierz Rembisz, Michał Sznajder, Andrzej Wiatrak, Jerzy Wilkin, Zofia Wyszkowska, Etsuo Yoshino KOMITET REDAKCYJNY M. Adamowicz, B. Borkowski, M. Halamska, A. Kowalski (red. nacz.), R. Urban, W. Ziętara (sekretarz redakcji) Redaktor: E. Dzierżawa Wydanie publikacji dofinansowane przez Ministerstwo Nauki i Szkolnictwa Wyższego Prenumerata realizowana przez RUCH S.A.: WARUNKI PRENUMERATY Prenumerata krajowa: Zamówienia na prenumeratę w wersji papierowej i na e-wydania można składać bezpośrednio na stronie www.prenumerata.ruch.com.pl Ewentualne pytania prosimy kierować na adres e-mail: prenumerata@ruch.com.pl lub kontaktując się z Telefonicznym Biurem Obsługi Klienta pod numerem: 801 800 803 lub 22 717 59 59 czynne w godzinach 7 00 18 00. Koszt połączenia wg taryfy operatora. Prenumerata ze zleceniem wysyłki za granicę: Informacji o warunkach prenumeraty i sposobie zamawiania udziela RUCH S.A. Biuro Kolportażu Zespół Obrotu Zagranicznego, ul. Annopol 17a, 03-236 Warszawa: tel. +48 (22) 693 67 75, +48 (22) 693 67 82, +48 (22) 693 67 18 www.ruch.pol.pl Prenumeratę i sprzedaż pojedynczych egzemplarzy prowadzi ponadto Redakcja ZER. Dodatkowe informacje na temat warunków prenumeraty redakcyjnej można uzyskać: tel. (22) 50 54 426, (22) 50 54 685 faks (22) 827 19 60, (22) 50 54 636 e-mail: zer@ierigz.waw.pl Prenumerata roczna 1 egz. w 2012 r. (4 numery) wynosi 84 zł (w tym VAT 5%). Cena za numer: 21 zł. Zamówienia na prenumeratę wraz z dowodem wpłaty prosimy nadsyłać na adres: Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej Państwowy Instytut Badawczy, Redakcja Zagadnień Ekonomiki Rolnej, ul. Świętokrzyska 20 pok. 210a (skr. poczt. 984), 00-002 Warszawa e-mail: zer@ierigz.waw.pl Przedpłaty na prenumeratę należy wpłacać na konto Instytutu: PEKAO S.A. IV O/Warszawa nr 68 1240 1053 1111 0010 1493 6433 W tytule przelewu prosimy podać prenumerata ZER 2012. Zakupu pojedynczych egzemplarzy można dokonać w siedzibie IERiGŻ-PIB: Redakcja ZER ul. Świętokrzyska 20, II piętro, pok. 210a Dział Wydawnictw ul. Szkolna 2/4, parter, pok. 3 (pon.-pt. w godzinach 9 00 15 00 ) Warszawa 2012 Nakład 300 egz. ark. wyd. 15,2 ark. druk. 12,3 Skład, łamanie i druk: Dział Wydawnictw Instytutu Ekonomiki Rolnictwa i Gospodarki Żywnościowej PIB, ul. Świętokrzyska 20, tel. 0-22 505 44 44

Artykuły JERZY REMBEZA Instytut Hodowli i Aklimatyzacji Roślin Państwowy Instytut Badawczy Radzików GMO A MIĘDZYNARODOWY RYNEK SOI * Wstęp Soja należy obecnie do grupy najważniejszych produktów roślinnych. Wszechstronność użytkowania oraz zróżnicowanie światowych centrów produkcji i zużycia powodują, że międzynarodowy rynek soi należy do najaktywniejszych. W sezonie 2010/2011 wartość światowego eksportu soi wynosiła około 28 mld $, co stawiało ją na drugim, po pszenicy, miejscu wśród produktów roślinnych. Rynek soi należy również do najszybciej rozwijających się rynków produktów rolnych. Z uwagi na wymagania klimatyczne produkcja soi charakteryzuje się silną koncentracją. Dominującym producentem soi jest USA, ale w ostatnich kilkunastu latach znacznie wzrosła produkcja i eksport soi w krajach Ameryki Południowej, zwłaszcza w Brazylii i Argentynie. Największymi importerami są natomiast Chiny, a następnie UE i Japonia. Zachodzące w minionym dwudziestoleciu zmiany na międzynarodowym rynku soi uwarunkowane są czynnikami o charakterze popytowym i podażowym. Do pierwszych należy zaliczyć wzrost spożycia oraz zużycia na paszę w wielu szybko rozwijających się gospodarkach, zwłaszcza w Chinach. Zmiana uwarunkowań podażowych dotyczy przede wszystkim wprowadzenia do uprawy odmian zmodyfikowanych genetycznie (GM). Od połowy lat 90. ich udział w uprawie systematycznie rośnie. W 2011 r. na odmiany GM przypadało ponad 70% światowej produkcji soi [5]. Odmienne regulacje krajowe oraz preferencje konsumentów względem zmodyfikowanych genetycznie produktów rolno-spożywczych wpływają znacząco na funkcjonowanie całego rynku. Zróżnicowania regulacji, mających istotne znaczenie dla rynku soi, dotyczą m.in.: autoryzacji odmian zmodyfikowanych genetycznie przeznaczonych do uprawy oraz na cele spożywcze i paszowe. W UE i Japonii nie dopuszczono żad- * Projekt został sfinansowany ze środków Narodowego Centrum Nauki przyznanych na podstawie decyzji numer DEC-2011/01/B/HS4/04798.

4 Jerzy Rembeza nej odmiany GM soi do uprawy, natomiast niektóre mogą być przedmiotem importu; znakowania produktów zawierających GMO. W niektórych krajach, np. w USA, znakowanie jest dobrowolne, w innych, np. w krajach UE i Japonii, obowiązkowe. Jednak nawet w drugiej grupie krajów regulacje mogą się różnić np. w odniesieniu do progowej zawartości GMO. W UE wynosi ona generalnie 0,9%, natomiast w Japonii 5%; stosowanych metod kontroli obecności GMO w produktach. Metody mogą się różnić precyzją, a w konsekwencji partia produktu uznana za wolną od GMO w jednym badaniu, w innym może być zakwalifikowana jako zawierająca GMO. W przypadku stwierdzenia nieautoryzowanych odmian GM oznacza to zawrócenie importowanej partii na granicy. Zróżnicowane regulacje w połączeniu ze zmianami w produkcji wywierają znaczący wpływ na funkcjonowanie rynków, w tym na zachowanie się cen na rynkach o różnych regulacjach. Podobnie jak inne bariery w handlu, wynikające np. z kosztów transportu, ceł i innych regulacji importowych, mogą przyczyniać się do osłabienia integracji rynków. Problem ten dotyczy także rynku produktów zmodyfikowanych genetycznie [10]. Procesy dostosowywania się firm funkcjonujących na rynku międzynarodowym do istniejących regulacji mogą jednak niwelować skutki zróżnicowanych względem GMO regulacji krajowych. Celem badań przedstawionych w niniejszym artykule była analiza zmian w światowej produkcji i eksporcie soi oraz wahań jej cen na rynkach różniących się regulacjami dotyczącymi produktów zmodyfikowanych genetycznie. Przedstawiono zmiany udziału w światowej produkcji i eksporcie krajów, w których szybko upowszechniły się odmiany soi zmodyfikowanej genetycznie. Podjęto także próbę określenia, czy zmieniające się regulacje wpłynęły na charakter powiązań cenowych pomiędzy wybranymi rynkami soi. Materiały źródłowe i metoda analizy Zgodnie z przedstawionymi celami, w opracowaniu przeprowadzono analizy dotyczące dwóch aspektów funkcjonowania rynku soi. Pierwszy dotyczył zmian w wielkości produkcji oraz eksportu. Oprócz danych o globalnym charakterze, wykorzystano dane dotyczące największych eksporterów soi, przede wszystkim Argentyny, Brazylii oraz USA. W analizach tych wykorzystano także dane FAO oraz USDA za lata 1990-2011. Drugi aspekt dotyczył kształtowania się cen soi na rynkach międzynarodowych. Porównano ceny na następujących rynkach: w USA: ceny w Illinois, soja No. 1 yellow; w Argentynie: ceny FOB Buenos Aires; w Brazylii: ceny FOB Rio Grande; w Rotterdamie: ceny c.i.f. dla soi różnego pochodzenia. Z wyżej wymienionych pierwsze trzy dotyczą rynków eksportowych, liberalnych względem GMO, natomiast ostatni może być uznany za reprezentatywny dla krajów UE, charakteryzujących się wysokim poziomem restrykcji wzglę-

GMO a międzynarodowy rynek soi 5 dem GMO. Analizą cen objęto dane za okres XI.1998 IV.2012. W tym okresie zachodziły znaczące zmiany na rynku soi, wynikające z wprowadzania odmian GM. Powierzchnia ich uprawy w krajach eksportujących szybko zwiększała się. Z kolei, w krajach UE miały miejsce zmiany regulacji rynku GMO. W badaniu powiązań cenowych zastosowano standardowe metody integracji i kointegracji, wykorzystując testy ADF oraz Johansena. Analizę długookresowych powiązań opisano modelem VAR, bazując na szeregach, z których usunięto algorytmem Census X12 składniki sezonowe, a filtrem Hodricka-Prescotta trendy. Efekty modelowania VAR zilustrowano graficznie, przedstawiając dekompozycję wariancji. W obliczeniach posługiwano się wielkościami przekształconymi do postaci logarytmów. Analizy cenowe przeprowadzono odrębnie dla dwóch podokresów. Pierwszy obejmował lata od XI.1997 do IX.2004, drugi lata od X.2004 do IV.2012. Przesłankami podziału były zmieniające się (przede wszystkim w krajach UE oraz Brazylii) regulacje dotyczące rynku produktów zmodyfikowanych genetycznie. W krajach UE w roku 1997 wprowadzono regulacje dotyczące znakowania żywności zawierającej GMO. W 1999 r. wprowadzono moratorium na autoryzację nowych odmian GM, a w kolejnych dyrektywach z 2001 r. oraz 2003 r. m.in. doprecyzowano zasady etykietowania żywności zawierającej GMO oraz określono szczegółowe zasady autoryzacji odmian GM. Z kolei, Brazylia do początku lat 2000 uprawiała wyłącznie soję niezmodyfikowaną genetycznie (NGM), w późniejszym okresie także w tym kraju nastąpił szybki wzrost uprawy soi GM. Zmiany w produkcji i eksporcie soi Produkcja soi charakteryzuje się długookresowym trendem wzrostu (rys. 1). W stosunku do roku 1980 zbiory wzrosły trzykrotnie, a więc więcej aniżeli w przypadku kukurydzy i pszenicy. Podobną stopę wzrostu odnotowano w handlu międzynarodowym. Znaczącą dla produkcji i rynku międzynarodowego soi zmianą było wprowadzenie do uprawy odmian zmodyfikowanych genetycznie. Zaczeto je wprowadzać do uprawy w połowie lat 90. XX wieku. Według ISAAA, udział tych odmian w globalnej powierzchni uprawy soi wynosił w 1998 r. 20%, w 2004 r. przekroczył 50%, a w 2011 r. sięgnął 74% [5]. Tempo wzrostu powierzchni tych odmian było regionalnie zróżnicowane i w dużym stopniu zależało od regulacji krajowych dotyczących GMO. W niektórych krajach (m.in. w UE, Indiach i Chinach) odmiany soi GM nie zostały dopuszczone do uprawy, choć w wielu z nich regulacje zezwoliły na ich import do celów spożywczych i paszowych. Natomiast w większości krajów Ameryki Północnej i Południowej restrykcje związane z rejestracją odmian soi GM były łagodniejsze. Na przykład w USA już w 2000 r. udział odmian soi GM przekroczył 50%, a w 2011 r. wyniósł 94%. Również w Argentynie prawie 100% powierzchni uprawy soi zajmują odmiany zmodyfikowane genetycznie. Nieco inaczej wyglądała sytuacja w Brazylii. Początkowo, podobnie jak w UE, odmiany GM nie zostały dopuszczone do uprawy, jednak pomimo zakazu powierzchnia ich

6 Jerzy Rembeza uprawy powoli rosła. W 2006 r. zezwolono na uprawę odmian GM i w 2011 r. zajmowały one już ponad 80% całkowitej powierzchni uprawy soi. Chociaż produkcja soi NGM w Brazylii znacząco zmalała, jednal nadal jest ona głównym dostawcą tej soi na rynku międzynarodowym. W przypadku większości odmian GM (nie tylko soi) dotychczas wymienia się dwa typy modyfikacji genetycznych. Pierwszy dotyczy wprowadzenia genu tolerancji na określony herbicyd (HT), drugi odporności na owady (Bt) 1. W odróżnieniu od kukurydzy i bawełny, w których popularne są odmiany GM odporne na owady, w produkcji soi praktyczne znaczenie mają, jak dotąd, jedynie odmiany HT. Przeprowadzone badania wskazują, że efekty wprowadzenia tych odmian są w dużym stopniu zależne od uwarunkowań przyrodniczo-ekonomicznych [4, 7]. W USA stwierdzono nieznaczny wzrost plonów i zmniejszenie kosztów zużycia herbicydów, co jednak niemal całkowicie równoważone było wzrostem kosztów nasion [1, 8]. Znaczna część korzyści z produkcji odmian GM transferowana była do firm biotechnologicznych sprzedających nasiona oraz herbicydy, na które odmiany GM wykazują tolerancję. W krajach Ameryki Południowej wpływ odmian soi HT na wzrost dochodów był silniejszy, przede wszystkim z uwagi na niższe ceny nasion [11]. Wyraźny wzrost plonów w efekcie uprawy soi HT odnotowano natomiast w Rumunii [2]. Odmiany soi HT ułatwiały prowadzenie walki z chwastami oraz stosowanie bezorkowych technologii uprawy, co samo w sobie generowało korzyści z uprawy tych odmian [11]. Korzyści z uprawy odmian GM mogą być jednak niwelowane przez dodatkowe koszty spowodowane regulacjami rynku GMO, zwłaszcza dotyczącymi znakowania produktów zawierających GMO. Konsekwencją tych regulacji jest konieczność segregacji produktów zawierających i wolnych od GMO na etapie zbioru, transportu, przechowywania i obrotu [3, 9]. Przedstawione na rysunku 1 dane wskazują, że upowszechnienie uprawy soi GM wpłynęło na przyspieszenie tempa wzrostu światowych zbiorów, a w jeszcze większym stopniu światowego handlu. O ile w latach 1980-1995 globalne zbiory soi zwiększyły się o około 50%, to w latach 1996-2011 już o około 90%. Jeszcze większą dynamiką charakteryzował się światowy handel w pierwszym okresie odnotowano wzrost o około 20%, w drugim o ponad 100%. Z danych tych wynika więc, że wprowadzeniu odmian soi zmodyfikowanej genetycznie nie towarzyszyły negatywne zmiany w wolumenie światowej produkcji i handlu. Tempo zmian produkcji soi w poszczególnych krajach było jednak silnie zróżnicowane. Największą dynamiką wzrostu charakteryzowały się zbiory w krajach Ameryki Południowej, w tym w zaliczanych do najważniejszych eksporterów: Argentynie, Brazylii i Paragwaju. Pomiędzy rokiem 2000 a 2011 zbiory w tych krajach wzrosły o ponad 100% (rys. 2). Znacznie mniejszy wzrost zbiorów soi odnotowano w USA oraz pozostałych krajach świata. 1 Część odmian GM posiada te dwie cechy równocześnie.

GMO a międzynarodowy rynek soi 7 Rys. 1. Zmiany w globalnej produkcji i eksporcie soi (1980=100) Rys. 2. Zmiany zbiorów soi w wybranych krajach (1990=100) Światowy eksport soi odznacza się jeszcze większą niż produkcja koncentracją. Na czterech czołowych eksporterów: Argentynę, Brazylię, Paragwaj i USA przypada ponad 80% światowych zbiorów i ponad 90% światowego eksportu. Wskaźniki te nie uległy większym zmianom w okresie upowszechniania odmian GM (rys. 3). Wyraźnym zmianom uległa natomiast wewnętrzna struktura w ramach czołowej czwórki. Zarówno w produkcji, jak i eksporcie systematycznie malał udział USA, wzrastał natomiast udział pozostałych trzech krajów. Pomimo tych zmian, USA pozostały największym producentem i eksporterem soi.

8 Jerzy Rembeza Rys. 3. Zmiany udziału wybranych krajów w światowych zbiorach i eksporcie soi Zmiany w wewnętrznych regulacjach oraz na rynkach międzynarodowych wywarły również wpływ na import soi przez kraje UE, które są po Chinach największym jej importerem. Najwyższy poziom importu, około 18 mln ton, rejestrowano w latach 2001-2003. W kolejnych latach import ten malał do poziomu 12-13,5 mln w latach 2009-2011. Zmieniła się równocześnie struktura importu unijnego. Systematycznie zmniejszał się import z USA, głównym zaś eksporterem do UE stała się Brazylia. Zmiany w produkcji soi w Brazylii następujące po 2005 r. spowodowały jednak, że kraj ten zaczął się przestawiać na produkcję soi GM. W następstwie tego eksport z Brazylii do UE uległ spadkowi, wzrósł natomiast import z Paragwaju, Kanady oraz Ukrainy. Poza spadkiem importu soi, widoczna jest więc dywersyfikacja unijnego importu. W 1999 r. na Brazylię i USA przypadało ponad 85% całego importu krajów UE, w 2011 r. udział ten obniżył się do 60%. Ceny soi na rynkach międzynarodowych Soja należy do głównych produktów roślinnych będących przedmiotem handlu międzynarodowego. Poziom cen soi ma istotne znaczenie nie tylko dla jej producentów, ale również firm zajmujących się przetwórstwem spożywczym oraz produkcją pasz. Z uwagi na wysoką aktywność rynku międzynarodowego można oczekiwać, że ceny soi na poszczególnych regionalnych rynkach powinny charakteryzować się zbliżonym poziomem i być ze sobą silnie powiązane. W analizowanym okresie ceny soi na badanych rynkach uległy dużym zmianom. Do 2003 r. oscylowały, przy relatywnie niedużych wahaniach, wokół 200 $/t. W późniejszym okresie nastąpił ich dynamiczny wzrost i w połowie 2008 r. osiągnęły poziom 550-600 $/t (rys. 4). Wraz ze wzrostem cen nastąpił wyraźny wzrost ich krótkookresowej zmienności. Charakter zmian był podobny na wszystkich uwzględnionych w badaniach rynkach.

GMO a międzynarodowy rynek soi 9 Rys. 4. Ceny soi na wybranych rynkach ( USD/t) Rys. 5. Różnice logarytmów cen soi pomiędzy wybranymi rynkami Dokładniej kształtowanie się relacji cenowych pomiędzy poszczególnymi rynkami odzwierciedlają różnice cen. Ich wielkość w wyrażeniu względnym przedstawiono na rysunku 5. Z powyższych danych wynika, że: najwyższym poziomem cen charakteryzował się rynek w Rotterdamie, najniższym natomiast w USA (Illinois). Takie zróżnicowanie jest naturalne, ponieważ rynek w Rotterdamie jest rynkiem importowym i ceny uwzględniają m.in. koszty transportu; ceny w Rotterdamie wyraźnie wzrosły w stosunku do pozostałych rynków w latach 2005-2008. W tym okresie były one wyższe od cen amerykańskich

10 Jerzy Rembeza o około 25%. Po 2008 r. obserwowany jest jednak wyraźny spadek tej różnicy. Na przełomie lat 2011/2012 wynosiła ona około 10%, w granicach poziomu z przełomu lat 1998/1999. Podobne zmiany dotyczyły różnic pomiędzy cenami w Rotterdamie a cenami w Argentynie i Brazylii; w całym analizowanym okresie różnice cenowe pomiędzy rynkiem argentyńskim a brazylijskim były niewielkie i sporadycznie przekraczały 5%, przy czym zazwyczaj niższe ceny notowano na pierwszym z nich. Analizę związków pomiędzy cenami soi poprzedzono testowaniem stopnia integracji zmiennych. Wyniki testów ADF wskazują, że wszystkie zmienne były zintegrowane w stopniu jeden, a więc stacjonarne były ich pierwsze różnice. W tej sytuacji nie ma podstaw analiza korelacji cen na ich poziomie, możliwa jest tylko analiza korelacji pomiędzy pierwszymi różnicami cen, opisująca jedynie związki o charakterze krótkookresowym. Uzyskane wyniki świadczą o pewnym zróżnicowaniu współczynników pomiędzy poszczególnymi parami rynków oraz podokresami (tab. 1). Niezależnie od okresu, najściślejsze powiązania krótkookresowe zachodziły pomiędzy rynkiem argentyńskim i brazylijskim. Rynki te sąsiadują ze sobą i charakteryzują się podobną pozycją na rynku międzynarodowym. W drugim podokresie znacznie wzrosła korelacja cen soi pomiędzy wszystkimi badanymi rynkami, najbardziej w przypadku par USA Brazylia oraz USA Rotterdam. Równocześnie wyraźnie spadło zróżnicowanie współczynników korelacji cen pomiędzy poszczególnymi parami rynków. Tabela 1 Współczynniki korelacji pomiędzy pierwszymi różnicami cen soi Okres Pary rynków XI.1997 IX.2004 X.2004 IV.2012 XI.1997 IV.2012 USA Brazylia 0,6183 0,8293 0,7446 USA Argentyna 0,7330 0,8417 0,7984 USA Rotterdam 0,7025 0,8956 0,8153 Brazylia Argentyna 0,8752 0,8994 0,8908 Brazylia Rotterdam 0,7456 0,8025 0,7801 Argentyna Rotterdam 0,7270 0,8250 0,7865 Źródło: Obliczenia własne. Dynamiczną analizę związków o charakterze długookresowym przeprowadzono przy użyciu testu Johansena oraz modelu VAR. Wyniki testu Johansona wskazały na istnienie trzech wektorów kointegrujących, co potwierdza hipotezę o istnieniu długookresowych związków pomiędzy cenami na tych rynkach (tab. 2). Potwierdziły zarazem niestacjonarność zmiennych. W tej sytuacji zdecydowano się użyć w dalszej analizie modelu VAR, do którego wprowadzono zmienne oczyszczone z trendu. W ten sposób szeregi cenowe przekształcono w zmienne stacjonarne, co umożliwiło zastosowanie podstawowego modelu VAR.

GMO a międzynarodowy rynek soi 11 Hipoteza H0 liczba wektorów kointegrujących Analiza kointegracji cen soi wyniki testu Johansena Test śladu Tabela 2 Test maks. wartości własnej wartość poziom p wartość poziom p r = 0 121,449 0,0000 66,251 0,0000 r 1 55,198 0,0000 39,215 0,0001 r 2 15,983 0,0422 14,862 0,0402 r 3 1,121 0,2898 1,121 0,2898 Źródło: Obliczenia własne. Ponieważ ceny na rynku brazylijskim i argentyńskim były zbliżone, w modelu pozostawiono dane dla trzech rynków: USA, Brazylii i Rotterdamu. Kształtowanie się dekompozycji wariancji dla 12-miesięcznego okresu przedstawiono na rysunku 6. Podobnie jak prosta analiza korelacji, również modelowanie VAR wskazuje na zmianę reakcji cenowych pomiędzy poszczególnymi rynkami. Uzyskane wyniki są jednak znacznie dokładniejsze. Na ich podstawie można stwierdzić, że: rynek amerykański w pierwszym podokresie silniej reagował na zmiany cen na rynku brazylijskim, natomiast w drugim okresie reagował głównie na impulsy ze strony rynku własnego. Nieznacznie nasiliła się również reakcja na ceny rynku w Rotterdamie; rynek w Rotterdamie w pierwszym okresie mocno reagował na impulsy płynące ze wszystkich rynków, przy czym w miarę upływu czasu nasiliła się reakcja na ceny brazylijskie, słabła zaś reakcja na ceny rynku amerykańskiego oraz własnego. W drugim podokresie zasadniczy udział w zmienności cen rynku w Rotterdamie miał rynek amerykański, wyraźnie zmalała natomiast reakcja na ceny rynku brazylijskiego; w pierwszym podokresie rynek brazylijski reagował przede wszystkim na impulsy płynące ze strony rynku własnego oraz rynku amerykańskiego. W drugim podokresie zasadniczy udział w zmienności cen na rynku brazylijskim miały impulsy cenowe płynące ze strony rynku amerykańskiego, w przeciwieństwie do impulsów cenowych z rynku własnego, których znaczenie wyraźnie się zmniejszyło. Uzyskane w modelowaniu VAR wyniki świadczą o tym, że wiodącą rolę w procesie stanowienia cen soi pełnią rynki eksportowe, głównie zaś rynek amerykański. Jego wpływ na kształtowanie cen na pozostałych rynkach wyraźnie wzrósł w drugim podokresie w efekcie zmian w produkcji soi oraz regulacji europejskich. Pierwszy podokres charakteryzował się zmienną polityką UE względem GMO, co niekorzystnie wpływało na import soi zmodyfikowanej genetycznie. W okresie tym Brazylia była przede wszystkim producentem soi NGM, co stawiało ją w korzystniejszej sytuacji niż USA i Argentynę, gdzie dominowała soja GM. W późniejszych latach stabilizacja regulacji i autory-

12 Jerzy Rembeza zacja kilku kreacji soi GM na rynku unijnym z jednej strony, a zmiana odmianowa w produkcji soi w Brazylii z drugiej, odmieniły sytuację. Wyniki modelowania VAR w jeszcze większym stopniu niż analiza korelacji wskazują na wyraźne zmiany reakcji cenowych zachodzących na rynkach międzynarodowych soi. Przy ogólnej tendencji do spadku różnic w poziomie cen zmieniło się znaczenie poszczególnych rynków w ich kształtowaniu. XI.1998 IX.2004 USA Rotterdam Brazylia 100 80 60 80 60 40 20 60 40 20 50 40 30 20 10 0 2 4 6 8 10 12 0 2 4 6 8 10 12 0 2 4 6 8 10 12 X.2004 IV.2012 USA Rotterdam Brazylia 100 80 100 80 60 80 60 40 40 60 40 20 20 20 0 2 4 6 8 10 12 0 2 4 6 8 10 12 0 2 4 6 8 10 12 USA Brazylia Rotterdam Rys. 6. Dekompozycja wariancji cen soi wyniki modelowania VAR Podsumowanie Wprowadzenie do uprawy odmian zmodyfikowanych genetycznie wywarło istotny wpływ na funkcjonowanie międzynarodowego rynku soi. Zachodzące zmiany powinny być więc interpretowane w kontekście regulacji dotyczących rynku produktów zmodyfikowanych genetycznie. Z przeprowadzonej analizy wynika bowiem, że zarówno zmiany w regulacjach po stronie eksporterów, jak i importerów, wywierają wpływ na rynek międzynarodowy, w tym zwłaszcza na zachowanie się cen. Upowszechnieniu uprawy odmian soi GM towarzyszyło przyspieszenie wzrostu światowych zbiorów i obrotów międzynarodowych, przy ograniczeniu domi-

GMO a międzynarodowy rynek soi 13 nującej roli USA na tym rynku. Uzyskane wyniki wskazują jednak, że zarazem wzrosło znaczenie rynku północnoamerykańskiego w kształtowaniu cen na rynkach międzynarodowych. Paradoks ten można wyjaśnić podobną strukturą odmianową produkowanej soi w krajach będących jej eksporterami oraz zmianami regulacji po stronie UE. W konsekwencji liczący się eksporterzy soi oferują przede wszystkim soję GM. Przed 2005 r. część eksporterów spoza USA, zwłaszcza Brazylia, produkowała głównie soję NGM, odróżniając się swoją ofertą. Przy wprowadzaniu w UE restrykcji względem produktów zawierających GMO miało to istotne znaczenie, wzmacniając przewagą rynku brazylijskiego. Stabilizacja regulacji unijnych dotyczących GMO po 2003 r., a także autoryzacja kilku kreacji soi GM uwrażliwiły rynek europejski również na ceny północnoamerykańskie. Znaczenie rynku USA w kształtowaniu cen soi wynikać może także z bardzo aktywnego rynku transakcji terminowych. Biorąc pod uwagę liczbę zawartych kontraktów, największą światową giełdą jest Chicago Board of Trade (funkcjonująca obecnie w ramach CME Group). W latach 2000-2011 obroty kontraktami terminowymi na soję na CBOT wzrosły kilkakrotnie. W kolejnych analizach cen soi interesujące byłoby więc uwzględnienie notowań na rynkach terminowych. Uzyskane w pracy wyniki potwierdzają celowość uwzględniania analiz cenowych w badaniach dotyczących zmian w funkcjonowaniu rynków. W analizach dotyczących porównania znaczenia poszczególnych rynków wnoszą one dodatkową informację, wzbogacając wyniki analiz dotyczących wolumenu produkcji i obrotów. Literatura: 1. Bernard J.C., Pesek J.D., Fan C.: Delaware farmers adoption of GE soybeans in a time of uncertain US adoptions. Agribusiness, No. 20, 2004. 2. Brookes G.: The farm-level impact of herbicide-tolerant soybean in Romania. AgBioForum, No. 8, 2005. 3. Bullock D.S., Desquilbert M.: The economics of non-gmo segregation and identity preservation. Food Policy, vol. 27, 2002. 4. Carpenter J.: Peer-reviewed surveys indicate positive impact of commercialized GM crops. Nature Biotechnology, No. 28, 2010. 5. Clive J.: Global status of commercialized biotech/gm crops. ISAAA, Brief No. 43, 2011. 6. Falkner R., Gupta A.: The limits of regulatory convergence: globalization and GMO politics in the south. International Environmental Agreements, No. 9, 2009. 7. Fernandez-Cornejo J., McBride W.: Adoption of bioengineered crops. Agricultural Economic Report, USDA, 2002. 8. Fernandez-Cornejo J., Hendricks C., Mishra A.: Technology adoption and off-farm household income: the case of herbicide-tolerant soybeans. Journal of Agricultural Applied Economics, No. 37, 2005. 9. Lapan H.E., Moschini G.: Innovation and trade with endogenous market failure: the case of genetically modified products. American Journal of Agricultural Economics, No. 86, 2004.

14 Jerzy Rembeza 10. Parcell J.L., Kalaitzandonakes N.G.: Do agricultural commodity prices respond to bans against bioengineered crops? Canadian Journal of Agricultural Economics, vol. 52, 2004. 11. Qaim M., Traxler G.: Roundup ready soybeans in Argentina: farm level and aggregate welfare effects. Agricultural Economics, No. 32, 2005. JERZY REMBEZA Plant Breeding and Acclimatization Institute National Research Institute Radzików GMO AND INTERNATIONAL SOY MARKET Summary The analyses presented in the article concerned changes in the level and structure of turnover, and price relations on the international soy market. It was stated that popularisation of genetically modified soy strains had no negative impact on the volume of international turnover. However, trade directions changed considerably, especially in the European Union Member States. While significance of import from USA has decreased, the meaning of import from Brazil has increased. At the same time, however, in accordance with the analyses of price transmission, in 2004/05-2011/12 the impact of price signals generated by the Brazilian market on the EU prices decreased in comparison to 1996/97-2003/04, while the impact of the American market prices increased. The reason for these changes might have been the amendments to regulations concerning cultivation of genetically modified soy in Brazil, and stabilisation of regulations concerning the genetically modified products market in the EU.

PIOTR SULEWSKI Szkoła Główna Gospodarstwa Wiejskiego Warszawa ZASTOSOWANIE TEORII PORTFELA I MODELU WYCENY AKTYWÓW KAPITAŁOWYCH DO OCENY RYZYKA W GOSPODARSTWACH ROLNYCH Wstęp Ze względu na biologiczny charakter procesów produkcyjnych rolnictwo stanowi jedną z bardziej ryzykownych działalności gospodarczych. W codziennym działaniu rolnicy muszą zmagać się z licznymi czynnikami ryzyka, takimi jak ryzyko produkcyjne, cenowe, rynkowe, instytucjonalne, osobiste, biznesowe czy finansowe [9]. Jeden z kluczowych czynników decydujących o efektywności tych zmagań stanowi właściwie dobrana strategia zarządzania ryzykiem, pozwalająca skutecznie zredukować jego poziom lub ograniczyć negatywne skutki niepożądanych zdarzeń. Jedną z metod skutecznego zmniejszania ryzyka jest dywersyfikacja działalności i właściwy ich dobór do portfela produkcyjnego. Autorem klasycznej definicji portfela i tym samym prekursorem szerokiej grupy metod analitycznych zwanych analizami portfelowymi jest laureat nagrody Nobla w dziedzinie ekonomii z 1990 roku Harry Markowitz, który w 1952 r. opracował tzw. teorię portfelową, odnoszącą się w głównej mierze do zagadnienia optymalizacji struktury inwestycji finansowych. Definiując portfel Markowitz zaznaczył jednak, iż jest to coś więcej niż tylko zbiór aktywów finansowych, takich jak akcje czy obligacje [12]. Z rozważań Markowitza wynika, iż niwelowanie ryzyka jest możliwe przez dywersyfikację, czyli zróżnicowanie składu portfela. Dokonuje się to na zasadzie wzajemnego wpływu aktywów na siebie. Miarami owego wpływu są kowariancje (lub współczynniki korelacji). Można bowiem znaleźć dwa walory o identycznej oczekiwanej stopie zwrotu, ale ujemnie skorelowane, co umożliwia zredukowanie ryzyka bez konieczności obniżenia zysku [10]. Teoria Markowitza bazuje na założeniu, iż korzyści z dywersyfikacji rosną wówczas, gdy maleje stochastyczna zależność między poszczególnymi aktywami. Inaczej mówiąc, jeżeli inwestor potrafi oszacować maksymalną wielkość ryzyka (mierzonego wariancją), jaką jest skłonny zaakceptować, celem optymalizacji portfela inwestycyjnego jest maksymalizacja oczekiwanej stopy zwrotu, przy zachowaniu określonego poziomu ryzyka.

16 Piotr Sulewski W innym ujęciu, jeśli inwestor określi oczekiwany poziom stopy zwrotu z inwestycji, portfelem optymalnym będzie taki, który minimalizuje ryzyko (wariancję) z zachowaniem oczekiwanej stopy zwrotu. W sposób formalny zależności te można wyrazić następującymi wzorami [7]: a) maksymalizacja oczekiwanej stopy zwrotu: n 2 n n i=1 i=1 i=1 E(R p ) = w i E(R i ) z zastrzeżeniem, że: σ p = w i w j σ ij σ b) minimalizacja ryzyka (wariancji stopy zwrotu) n n n 2 ^ σ p = w i w j σ ij i=1 i=1 i=1 z zastrzeżeniem, że: E(R p ) = w i E(R i ) = E(R) gdzie: ^ σ preferowany poziom wariancji, ^ R preferowana oczekiwana stopa zwrotu, w i, w j wagi aktywów w portfelu. Powstające w wyniku optymalizacji, opisanej powyższymi algorytmami, portfele aktywów określane są mianem portfeli efektywnych Markowitza. Pojęcie efektywności w tym przypadku odnosi się do relacji między oczekiwaną stopą zwrotu a poziomem ryzyka. Portfelem efektywnym będzie struktura aktywów, dla której przy określonym poziomie stopy zwrotu nie można bardziej zmniejszyć ryzyka mierzonego wariancją (nie istnieje inna struktura, która przy założonym poziomie stopy zwrotu charakteryzowałaby się mniejszym ryzykiem). Z drugiej strony, portfelem efektywnym jest też taka struktura, dla której przy określonym poziomie ryzyka (mierzonego wariancją) nie można znaleźć wariantu charakteryzującego się wyższą stopą zwrotu. Preferencją racjonalnego inwestora jest, według Markowitza, wybór portfela efektywnego [10]. Zaproponowane przez Markowitza podejście przyczyniło się do intensywnego rozwoju metod analizy ryzyka, przy czym znalazły one zastosowanie głównie w odniesieniu do rynków finansowych. Pomimo tego, iż szeroki wachlarz narzędzi analizy ryzyka dostępnych w sektorze finansowym nie był z założenia przeznaczony do stosowania w sektorach produkcyjnych gospodarki, wydaje się, iż przy pewnych założeniach nie ma metodycznych przeszkód, by podejmować próby aplikacji niektórych z nich poza sektorem finansowym, w tym też w rolnictwie. Według Andersona i in. [1], rolnik planujący pewną strukturę upraw nie różni się, co do zasady, niczym od inwestora giełdowego planującego skład swojego portfela aktywów kapitałowych. Niewątpliwie stwierdzenie takie wydaje się dość dużym uproszczeniem, jakkolwiek zarówno inwestor giełdowy, jak i rolnik planujący strukturę upraw, oczekują pewnej stopy zwrotu z zainwestowanych środków przy określonym poziomie ryzyka. Kwestia związku dywersyfikacji produkcji rolnej z ryzykiem jest w literaturze dotyczącej ekonomiki rolnictwa traktowana jako swego rodzaju paradyg- ^ 2

Zastosowanie teorii portfela i modelu wyceny aktywów kapitałowych 17 mat. Wskazuje się przy tym głównie zalety dywersyfikacji rozumianej jako poszerzenie wachlarza wytwarzanych i sprzedawanych produktów, tj. lepsze wykorzystanie czynników produkcji i właśnie ograniczenie ryzyka prowadzonej działalności [5, 17]. Dywersyfikacja jako metoda zarządzania ryzykiem może polegać na rozszerzeniu i różnicowaniu asortymentu wyrobów (dywersyfikacja produktowa), rodzajów działalności (dywersyfikacja sektorowa, branżowa) oraz rozszerzeniu obszaru aktywności gospodarczej (dywersyfikacja geograficzna). Korzyści z dywersyfikacji przejawiają się w zmniejszeniu ryzyka strat poprzez to, iż spadek wpływu z jednego źródła może być skompensowany wpływami z innych źródeł [6 za 19]. Co do zasady, dywersyfikacja ma sens jedynie w sytuacji względnie niskiego stopnia korelacji między produktami (branżami, rynkami itd.). Hardaker i in. [9] zwracają uwagę, iż efektywne kombinacje działalności nie ograniczają się jedynie do minimalizacji wariancji, a właściwa struktura produkcji stanowi wobec tego odzwierciedlenie stopnia awersji do ryzyka. Zdaniem wspomnianych autorów, w miarę wzrostu awersji do ryzyka rośnie też stopień dywersyfikacji produkcji. W przypadku gospodarstw rolnych istotnym problemem jest jednak fakt, iż większość działalności jest ze sobą dość silnie dodatnio skorelowana, co może ograniczać zasadność stosowania dywersyfikacji jako skutecznej metody zarządzania ryzykiem. Szczególnie znaczącym problemem wydaje się to w przypadku gospodarstw roślinnych. Według Berga i Kramera [4], wysoka dodatnia korelacja przychodów pomiędzy poszczególnymi działalnościami rolniczymi wynika przede wszystkim z korelacji cen produktów rolnych, jakkolwiek jeśli zależności te są jedynie umiarkowane, to efekty dywersyfikacji mogą nadal być znaczące. Według OECD [16], dywersyfikacja produkcji w gospodarstwach roślinnych może zmniejszać zmienność przychodów nawet o około 20%. Większe możliwości wykorzystania pozytywnego wpływu dywersyfikacji na ryzyko mają jednak gospodarstwa prowadzące działalność zarówno w dziale produkcji roślinnej, jak i zwierzęcej. Wiąże się to jednak z koniecznością stosowania całkowicie różnych technologii, maszyn, budynków itd., co może znacząco podnosić koszty funkcjonowania gospodarstwa. Na problem ten zwraca uwagę m.in. Hardaker i in. [9], podkreślając, iż dywersyfikacja prowadząca do rezygnacji z korzyści związanych ze specjalizacją może okazać się dla gospodarstwa bardzo kosztowna. Warto zauważyć, iż rolnik podejmujący zdywersyfikowaną produkcję musi posiadać znacznie szerszą wiedzę i umiejętności dotyczące prowadzonych działalności niż rolnik z gospodarstwa wyspecjalizowanego. Może to stanowić istotny aspekt w przypadku mieszanych gospodarstw roślinno-zwierzęcych, jako że de facto większość rolników prowadzących działalności zwierzęce zajmuje się także produkcją roślinną. Możliwości ograniczenia ryzyka w przypadku gospodarstw mieszanych wydają się jednak znacząco większe niż w jednostkach prowadzących jedynie działalności roślinne, chociaż właściwa ocena ryzyka w takiej sytuacji powinna uwzględniać kwestię jego transferu z jednego działu do drugiego (szczególnie w przypadku zwierząt żywionych paszami produkowanymi we własnym gospodarstwie). Z drugiej strony, również dywersyfikacja ograniczona do działal-

18 Piotr Sulewski ności roślinnych może mieć na poziomie gospodarstwa pozytywny wpływ na zmniejszanie ryzyka chociażby poprzez wymuszanie stosowania zmianowania, co pozwala na ograniczanie zagrożenia ze strony szkodników, chwastów czy też chorób roślin [8, 16]. Na znaczenie zmianowania i związanej z tym dywersyfikacji w redukcji ryzyka wskazali m.in. Nel i Loubser [15, 20]. W odniesieniu do znaczenia dywersyfikacji jako strategii zarządzania ryzykiem w rolnictwie należy nadmienić, co podkreśla też m.in. raport OECD, iż efektywne jej stosowanie w rolnictwie wymaga odpowiedniego poziomu wiedzy rolników na temat możliwości i skutków różnicowania produkcji w gospodarstwie. Spełnienie tego warunku możliwe jest poprzez dostarczenie narzędzi pozwalających w jednoznaczny sposób skwantyfikować i ocenić ryzyko różnych portfeli produkcyjnych. Pomimo bogatego instrumentarium i ogromnej popularności, metody oparte o teorię portfeli nie są powszechnie wykorzystywane do analiz ryzyka w rolnictwie. W literaturze dotyczącej zarządzania ryzykiem w tym sektorze można jednak spotkać przykłady zastosowań niektórych z metod nawiązujących do teorii portfeli, jak chociażby podejście oparte na średniej i wariancji [np. 1, 3]. Do rzadkości należą jednak próby implementacji dla potrzeb rolnictwa bardziej rozwiniętych zastosowań tej teorii, jak model Sharp a czy model wyceny aktywów kapitałowych CAPM. Próby takie podjęte zostały m.in. przez P. Narayan a [14], a wcześniej także w pracy Barry ego [2] czy Turvey a [18]. W kontekście zasygnalizowanych problemów pojawia się pytanie o zasadność stosowania dywersyfikacji jako skutecznej metody ograniczania ryzyka. Uzasadnione wydają się też pytania o to, czy i ewentualnie które z powszechnie uprawianych roślin przyczyniają się do zmniejszania ryzyka, a uprawa których wiąże się z jego zwiększeniem. W warstwie metodycznej pojawiają się natomiast pytania o możliwości wykorzystania rozbudowanego instrumentarium analitycznego, wykorzystywanego w sektorze finansowym do badania wpływu dywersyfikacji struktury produkcji na poziom ryzyka w gospodarstwach rolnych. Metodyka Głównym celem merytorycznym opracowania była ocena wpływu dywersyfikacji na poziom ryzyka w produkcji roślinnej oraz określanie charakteru poszczególnych roślin uprawnych w kontekście ich oddziaływania na zwiększanie lub zmniejszanie ryzyka w zdywersyfikowanej strukturze upraw. Celem metodycznym była natomiast próba zastosowania w analizie sektora rolniczego narzędzi analizy ryzyka szeroko wykorzystywanych na rynkach kapitałowych. Podstawę metodologiczną stanowiła znana z zastosowań w finansach teoria portfela Markowitza oraz bezpośrednio do niej nawiązujące modele: jednowskaźnikowy Sharp a i model wyceny aktywów kapitałowych CAPM (Capital Assets Pricing Model). Model Sharp a, określany mianem modelu jednowskaźnikowego, powstał jako uproszczenie klasycznej teorii portfela i opiera się na założeniu, że kształtowanie się stóp zwrotu poszczególnych akcji zdeterminowane jest działaniem czynnika odzwierciedlającego zmiany na rynku kapitałowym, co oznacza, iż zmiany cen tych akcji są powiązane pewną zależnością

Zastosowanie teorii portfela i modelu wyceny aktywów kapitałowych 19 ze zmianami indeksu giełdowego lub portfela rynkowego. Zależność tę można przedstawić za pomocą równania [10]: R i = α i + β i R m + e i gdzie: R i stopa zwrotu z i-tej akcji, R m stopa zwrotu z rynku, α i, β i współczynniki równania, e i składnik losowy równania. Równanie powyższe przedstawia liniową zależność stopy zwrotu z akcji od stopy zwrotu z całego rynku. Jak pisze Jajuga [10], równanie to ma charakter przybliżony, a działanie innych czynników (poza ogólną sytuacją rynku mierzoną indeksem lub portfelem) zawarte jest w składniku losowym. W praktyce równanie to jest szacowane i przyjmuje postać: R i = α i + β i R m gdzie R m oznacza portfel rynkowy lub indeks rynkowy. Powyższe równanie określane jest mianem linii charakterystycznej papieru wartościowego, a kluczowy jego element stanowi współczynnik β (beta), który wskazuje, jak zmienia się stopa zwrotu danego instrumentu finansowego, gdy stopa zwrotu z całego portfela rynkowego (lub indeksu giełdowego) zmieni się o 1%. Współczynniki β stanowią jeden z podstawowych parametrów charakterystyki papierów wartościowych. W niniejszym opracowaniu koncepcja portfeli Markowitza i powiązane z nią modele Sharp a i CAPM wykorzystane zostały do oceny poziomu ryzyka różnych działalności rolniczych w ramach produkcji roślinnej. Odpowiednik aktywów finansowych, poddawanych analizie w oryginalnych zastosowaniach teorii portfela, stanowiły poszczególne gatunki upraw rolniczych. W pracy wykorzystano informacje dotyczące średnich (w skali kraju) cen i plonów poszczególnych roślin uprawnych, publikowane przez Główny Urząd Statystyczny za lata 1999-2010 1. Odpowiednikiem portfela rynkowego była struktura zasiewów w Polsce, uwzględniająca główne rośliny uprawne o charakterze typowo rolniczym (z pominięciem upraw ogrodniczych, plantacji wieloletnich, sadów czy 1 Należy w tym miejscu zaznaczyć, iż zgodnie z tym, co wykazał m.in. Kobus [11], wartości zagregowane na poziomie kraju (średnie plony) charakteryzują się mniejszą zmiennością niż plony na poziomie konkretnego gospodarstwa. Zjawisko to obrazuje w pewnym sensie znaczenie dywersyfikacji geograficznej, która nie była jednak przedmiotem niniejszego opracowania. Przebieg pogody w różnych częściach kraju może być odmienny, przez co wielkości zagregowane (jak średni plon) podlegają mniejszym wahaniom, niż te same parametry na poziomie pojedynczej jednostki produkcyjnej. Dodatkowo, na poziomie pojedynczego gospodarstwa wahania plonów mogą wynikać z niewłaściwych praktyk produkcyjnych, co przy wyższym stopniu agregacji danych ulega uśrednieniu. Z punktu widzenia celów analizy, zastosowanie wartości uśrednionych w skali kraju wydaje się jednak wystarczające, gdyż pozwala ocenić omawiane zjawisko, uwzględniając jedynie wahania w czasie wynikające z czynników zewnętrznych tak dla poszczególnych roślin, jak i dla całej struktury zasiewów (odpowiednik portfela rynkowego w oryginalnym zastosowaniu teorii portfelowej).

20 Piotr Sulewski upraw specjalnych). Oryginalna stopa zwrotu zastąpiona została wartością produkcji z 1 ha uprawy, obliczoną jako iloczyn średniej ceny w kraju i plonu w poszczególnych latach oraz kategorią nadwyżki bezpośredniej. Znaczenie poszczególnych roślin w portfelu rolnika odzwierciedlone zostało ich udziałem w strukturze upraw w Polsce w 2010 roku. Ograniczenie zakresu analizy do działalności roślinnych wynikało z obiektywnych możliwości zgromadzenia danych dotyczących wahań cen i wielkości produkcji z jednostki produkcyjnej w poszczególnych latach, co w przypadku działalności zwierzęcych było praktycznie niemożliwe. Bezpośrednie porównywanie działalności roślinnych i zwierzęcych byłoby też utrudnione z powodu dualnej natury ryzyka, oznaczającej, iż jego łączny poziom składa się z dwóch elementów, tzn. ryzyka systematycznego i specyficznego. W teorii finansów ryzyko systematyczne określane jest też ryzykiem rynkowym, odzwierciedlającym sytuację na rynku danych instrumentów (np. akcji) i nie wynika z cech konkretnego instrumentu, a bardziej z cech rynku. W sensie formalnym wyrażone jest ono w wariancji portfela rynkowego (indeksu), a jego miarą dla konkretnego instrumentu (np. akcji) jest współczynnik β, ukazujący, jak zmiany sytuacji rynkowej przekładają się na ten konkretny walor. W odniesieniu do rolnictwa i produkcji roślinnej można przyjąć, iż odpowiednikiem ryzyka systematycznego jest przede wszystkim ryzyko pogodowe (przebieg warunków atmosferycznych), determinujące sytuację wszystkich upraw (jeśli jest susza, to dotyka ona wszystkie uprawy, co świadczy o jej systematycznym charakterze, chociaż różne rośliny mogą charakteryzować się różną odpornością na suszę i element ten stanowi odzwierciedlenie pierwiastka specyficznego w ryzyku całkowitym). W przypadku działalności zwierzęcych charakter ryzyka systematycznego jest odmienny, tzn. wpływ warunków pogodowych nie jest jego głównym źródłem, w związku z czym problemy te z założenia nie są w pełni porównywalne. W kontekście celów pracy należy podkreślić, iż ryzyko systematyczne, w przeciwieństwie do ryzyka specyficznego, uznawane jest za niedywersyfikowalne. Umiejętna dywersyfikacja pozwala natomiast na zmniejszenie ryzyka specyficznego. W konsekwencji istniejących ograniczeń przeprowadzone badania obejmowały następujące rośliny uprawne: pszenicę, żyto, jęczmień, mieszanki zbożowe, pszenżyto, grykę, kukurydzę, rzepak, strączkowe jadalne, ziemniaki i buraki cukrowe. W pierwszym etapie analizy, korzystając z opartego na teorii portfeli jednowskaźnikowego modelu Sharpe a, dokonano określenia współczynników β dla poszczególnych roślin uprawnych. Współczynniki te wskazują, o ile przeciętnie zmienia się wartość produkcji z 1 ha danej uprawy, jeśli wartość produkcji z odpowiednika portfela rynkowego (zdywersyfikowanego gospodarstwa, w którym 1 ha podzielony został pod poszczególne rośliny proporcjonalnie do ich znaczenia w strukturze zasiewów w skali kraju) zmienia się o 1%. Wyznaczenie współczynników β pozwoliło następnie na ocenę wpływu dywersyfikacji struktury zasiewów na poziom ryzyka przychodów. W przypadku, gdyby współczynniki β wynosiły 1, dywersyfikacja struktury zasiewów nie miałaby znaczenia dla poziomu ryzyka przychodów. Współczynnik β równy zero oznaczałby natomiast, iż taka roślina nie jest w żaden sposób (w sensie

Zastosowanie teorii portfela i modelu wyceny aktywów kapitałowych 21 statystycznym) związana z tym, co się dzieje z pozostałymi roślinami byłaby to roślina wolna od ryzyka 2 systematycznego. W przypadku współczynnika β mniejszego od zera, wartość z produkcji 1 ha danej uprawy zmieniałaby się odwrotnie do wartości z 1 ha odzwierciedlającego całą strukturę zasiewów, co przekładałoby się na znaczące korzyści z dywersyfikacji. Współczynniki β dla poszczególnych roślin policzono według formuły: β rośliny = kowariancja (R i, R m ) / wariancja (R m ) gdzie: R i oznaczało wartość produkcji z 1 ha danej uprawy (odpowiednik stopy zwrotu z konkretnego aktywa finansowego); R m wartość produkcji z 1 ha zdywersyfikowanej struktury zasiewów (odpowiednik stopy zwrotu z portfela rynkowego). Tabela 1 Podstawowe informacje o roślinach uwzględnionych w analizie Roślina Udział w strukturze zasiewów w 2010 r. a Odchylenie standardowe średnich b plonów Odchylenie standardowe średnich b cen Średnia wartość produkcji w zł na 1 ha (cena plon) za lata 1999-2010 (ceny bieżące) Odchylenie standardowe wartości średniej produkcji z 1 ha Pszenica 0,24 4,0 9,8 1926 491 Żyto 0,15 2,7 9,6 906 253 Jęczmień 0,12 3,3 8,9 1482 318 Mieszanki 0,14 2,9 7,7 989 208 Pszenżyto 0,15 2,9 8,4 1354 308 Gryka 0,01 1,6 28,5 930 364 Kukurydza 0,03 5,6 9,1 2611 566 Rzepak 0,08 3,8 19,3 2360 664 Strączkowe jadalne 0,00 1,7 46,1 4555 1101 Ziemniaki 0,05 19,4 4,4 5018 1175 Buraki cukrowe 0,02 59,6 2,8 5372 1347 a Jako 100% potraktowano sumę zasiewów roślin uwzględnionych w analizie. b Słowo średnie oznacza w tym przypadku przeciętne w sensie terytorialnym (z gospodarstw w całym kraju). Źródło: Obliczenia własne na podstawie danych GUS. Rośliny uwzględnione w analizie, ich udział w strukturze zasiewów w Polsce (odpowiednik wagi poszczególnych aktywów) oraz średnie wartości przychodów z 1 ha i odchylenie standardowe zamieszczone zostały w tabeli 1. 2 Sytuacja taka byłaby możliwa w przypadku w pełni kontrolowanych warunków produkcji, w odizolowaniu od wpływu czynnika pogody i przy założeniu gwarantowanych cen.

22 Piotr Sulewski W drugiej części opracowania, wykorzystując podstawowe założenia metodyczne opisane wcześniej, dokonano oszacowania modelu CAPM (oryginalnie model wyceny aktywów kapitałowych) za pomocą formuły [13]: R (CAPM)= R f + β rośliny * (R m R f ) gdzie: R f oznacza oryginalnie stopę zwrotu wolną od ryzyka, w tym przypadku wartość czynszu dzierżawnego, R m stopę zwrotu z portfela rynkowego. W modelu CAPM, w odróżnieniu od modelu jednowskaźnikowego, zawarta jest też stopa wolna od ryzyka, co pozwala na uwzględnienie w ocenie ryzyka faktu, iż inwestor zamiast dokonywać ryzykownych inwestycji może wybrać bezpieczny instrument finansowy o określonej stopie zwrotu pozbawionej ryzyka. W rzeczywistości instrumenty całkowicie wolne od ryzyka nie istnieją, niemniej przyjmuje się, że rolę taką mogą pełnić bony skarbowe. Adaptując model wyceny aktywów kapitałowych do zastosowań w rolnictwie, stopę wolną od ryzyka zastąpiono czynszem dzierżawnym równym wysokości płatności bezpośrednich na 1 ha (płatność podstawowa). Przyjęto założenie, iż jest to najmniej ryzykowana alternatywa dla prowadzenia działalności produkcyjnej 3. Stosowanie modelu CAPM wiąże się z przyjęciem kilku założeń, analogicznych do założeń stosowanych w oryginalnych zastosowaniach tego narzędzia w ocenie aktywów kapitałowych (niektóre z założeń, ze względu na różnice 3 W oryginalnych zastosowaniach modelu jednowskaźnikowego i modelu CAPM stosowane stopy zwrotu stanowią miernik zysku z dokonanej inwestycji. W przypadku zastosowań w rolnictwie, przyjęcie wartości produkcji z 1 ha jako odpowiednika stopy zwrotu w modelu jednowskaźnikowym byłoby wystarczające, ponieważ istotne w tym przypadku były jedynie różnice wahań przychodów poszczególnych upraw na tle zdywersyfikowanej struktury upraw. Pozwalało to na pominięcie kosztów produkcji, których precyzyjne oszacowanie jest w znacznej mierze utrudnione. Poza tym, poziom ponoszonych nakładów i związanych z nimi kosztów w znacznie większym stopniu niż wartość produkcji zależy od technologii i umiejętności zarządczych poszczególnych rolników, co wskazuje, iż wahania po stronie kosztów mają mniejsze znaczenie dla statystycznej oceny ryzyka uprawy poszczególnych roślin niż wahania plonów i cen, a w konsekwencji wartości produkcji. Wprowadzenie odpowiednika stopy wolnej od ryzyka w postaci czynszu dzierżawnego komplikuje tę sytuację, gdyż wartość produkcji uzyskiwana jest jako efekt poniesienia pewnych nakładów, a więc i kosztów. Uzyskanie czynszu dzierżawnego nie wiąże się natomiast, co do zasady, z bezpośrednim ponoszeniem kosztów, wobec czego wartość produkcji nie może stanowić wielkości porównywalnej z czynszem dzierżawnym. Inaczej wyglądała sytuacja w przypadku oryginalnego zastosowania stopy wolnej od ryzyka i stóp zwrotu obarczonych ryzykiem na rynkach kapitałowych, gdyż wysokość stopy danego aktywa czy portfela stanowi też wynagrodzenie inwestora za wyłożony kapitał. W przypadku rolnika, jego wynagrodzeniem jest różnica między uzyskanymi przychodami a poniesionymi kosztami. Dopiero ta różnica może stanowić wielkość współmierną do porównania z odpowiednikiem stopy wolnej do ryzyka. Nadwyżka nad odpowiednikiem stopy wolnej (nadwyżka nad możliwym do uzyskania czynszem dzierżawnym) jest więc premią za podjęcie ryzyka (rolnik mógł wydzierżawić i nie ponosić ryzyka, analogicznie jak inwestor może kupić bony skarbowe). W związku z powyższym, w modelu CAPM uzyskane przychody obciążone zostały wskaźnikiem kosztów oszacowanym na podstawie relacji kosztów bezpośrednich do wartości produkcji roślinnej w poszczególnych latach w gospodarstwach uczestniczących w systemie rachunkowości rolniczej FADN. Pozwoliło to na określenie szacunkowej wartości przeciętnych w skali kraju nadwyżek bezpośrednich.