KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH Sławomir Śmiech, Monika Papież email: smiechs@uek.krakow.pl papiezm@uek.krakow.pl
Plan prezentacji Wprowadzenie Ceny węgla a ceny energii elektrycznej Ceny węgla energetycznego na rynku krajowym i międzynarodowym Czynniki wpływające na cenę węgla (zmienne wykorzystane w analizie) Modele prognostyczne Wyniki badań Podsumowanie
W Polsce energia elektryczna jest w około 88% wytwarzana z węgla Według szacunków cena węgla stanowi co najmniej połowę kosztów wytworzenia energii Handel węglem energetycznym na rynku wewnętrznym opiera się (głównie) na długoterminowych kontraktach pomiędzy producentami węgla i producentami energii Rośnie import węgla do Polski (głównie z Rosji) (około 12,5 mln ton w 2011), eksport węgla z Polski maleje
Prognozy cen węgla są przydatne producentom węgla energetycznego (polityka handlowa) i producentom energii (wybór źródeł alternatywnych, negocjacje z Urzędem Regulacji Energetyki) W pracy przyjęto, że prognozy będą wyznaczane dla ceny węgla rosyjskiego w portach bałtyckich Zastosowana metodologia obejmuje ekonometryczne modele szeregów czasowych Horyzont prognoz będzie wynosił 2 kwartały (6 miesięcy)
Ceny węgla a ceny energii elektrycznej FOB ROS - cena eksportowa węgla rosyjskiego Coal_elec - cena węgla energetycznego dla energetyki w Polsce, E_ind - cena energii dla przemysłu w Polsce, EXAA - cena spot energii na giełdzie w Wiedniu, TGE - cena spot energii na TGE. Ceny w zł/mwh.
Ceny węgla energetycznego na rynku krajowym i międzynarodowym
Determinanty cen węgla zmienne wykorzystane w analizie a) Wskaźniki wyprzedzające i opisujące koniunkturę gospodarczą JPMorgan Global Manufacturing PMI Indeks PMI dla przemysłu strefy euro Baltic Dry Index (DBI) b) Produkcja energii elektrycznej z węgla w Europie i Polsce c) Ceny energii, emisji CO2 i paliw pierwotnych EXAbase ceny spot energii na RDN na giełdzie EXAA w Wiedniu; EUA - BlueNext ceny spot uprawnień do emisji CO2; Brent cena spot ropy Brent na bazie FOB; CIF ARA cena węgla w imporcie określoną na bazie CIF ARA; FOB ROS cena eksportowa węgla rosyjskiego w portach bałtyckich na bazie FOB.
Modele prognostyczne Ekonometryczne modele szeregów czasowych Modele stochastyczne Modele przyczynowoopisowe Nieliniowe AAR, LSTAR, SETAR Liniowe (ARIMA, AR), modele trendu i sezonowości, Modele adaptacyjne Jednorównaniowe ARDL, ARIMAX Wielorównaniowe VAR, VECM
Założenia analizy: Modele budowano bazując na szeregach miesięcznych z okresu styczeń 2003 r. wrzesień 2011 oraz kwartalnych z okresu I kwartał 2003 r. do III kwartał 2011. Okres analizy podzielono na część uczącą oraz testową. Pierwsza obejmowała wartości od stycznia 2003 r. do czerwca 2011, oraz od I kwartału 2003 r. do II kwartału 2011. Drugą stanowiły miesiące lipiec-wrzesień 2011, oraz III kwartał 2011.
Etap 1. Konstrukcja i weryfikacja modeli prognostycznych (dane z okresu uczącego) Estymacja parametrów modeli poszczególnych klas Ocena modeli w ramach kryteriów statystycznych Ocena trafności prognoz ex post dla zaproponowanych modeli miernik MAPE Wybór reprezentantów poszczególnych klas Etap 2. Wyznaczenie prognoz na okres lipiecwrzesień 2011, oraz III kwartał 2011 r. Ekstrapolacja modeli zaproponowanych w I etapie Utworzenie prognozy agregatowej (mediana prognoz poszczególnych modeli) Ocena prognoz miernikiem MAPE
Hipotezy badawcze Rynek węgla energetycznego nie jest efektywny tzn. nie jest prawdą, że najlepszą prognozą jest prognoza naiwna Wybrane klasy modeli można skutecznie wykorzystać do krótkookresowego prognozowania cen węgla energetycznego Modele budowane jedynie w oparciu o szereg prognozowanej zmiennej są gorsze w sensie błędów od modeli przyczynowo-opisowych Wskaźniki wyprzedzające koniunkturę (PMI, Baltic Dry Index) poprawiają jakość prognoz Odporne metody estymacji (regresja kwantylowa) dają lepsze rezultaty niż metody klasyczne Modele nieliniowe są skuteczniejsze niż modele liniowe Agregacja wyników pozwala minimalizować błędy prognoz
Rezultaty analizy. Wyniki dla danych kwartalnych
Rezultaty analizy. Wyniki dla danych kwartalnych Bardzo duży rozrzut błędów dla okresu historycznego Akceptowalne błędy w okresie weryfikacji dla większości modeli Duże błędy w okresie weryfikacji dla modelu naiwnego Błędy dla zagregowanych prognoz są akceptowalne Widoczna zależność pomiędzy wartościami MAPE dla okresu historycznego i okresu weryfikacji
Rezultaty analizy. Wyniki dla danych miesięcznych
Rezultaty analizy. Wyniki dla danych miesięcznych Akceptowalne błędy w okresie historycznym i w okresie weryfikacji dla większości modeli Prognozy wyznaczane metodą naiwną są akceptowalne Trudno wskazać najlepsze czy najgorsze klasy modeli Nie ma zależności pomiędzy wartością błędów prognoz w okresie historycznym i w okresie weryfikacji
Parametry rozkład prognoz ceny eksportowej węgla rosyjskiego w portach bałtyckich w zł/t na Q3-Q4 2011 Minimum Kwartyl 1 Mediana Kwartyl 3 Maksimum Rzeczywista Q3 2011 303.1 348.9 355.4 365.1 390.9 351.3 Q4 2011 276.0 345.7 368.6 381.4 453.3 374.8
Parametry rozkład prognoz ceny eksportowej węgla rosyjskiego w portach bałtyckich w zł/t na lipiec-wrzesień 2011 lipiec 2011 sierpień 2011 wrzesień 2011 Minimum 327.5 319.0 337.3 Kwartyl 1 331.9 337.5 361.6 Mediana 333.7 341.7 372.6 Kwartyl 3 338.2 347.5 376.5 Maksimum 358.0 395.8 467.9 Rzeczywista 337.2 341.1 375.7
Podsumowanie: Prognozowanie cen węgla energetycznego w portach bałtyckich okazało się zadaniem trudnym W przypadku modeli opartych na danych kwartalnych błędy modeli choć duże, były niższe niż wyniki otrzymane modelem naiwnym Wyniki dla modeli opartych na danych miesięcznych były zadowalające i porównywalne z modelem naiwnym Modele przyczynowo-opisowe pozwalają trafniej prognozować ceny węgla Wskaźniki wyprzedzające koniunkturę były istotnymi zmiennymi w modelach przyczynowo-opisowych i poprawiały trafność prognoz Estymacja odporna daje co najmniej takie same rezultaty jak podejście klasyczne Nie udało się wykazać przewagi modeli nieliniowych nad liniowymi Agregacja wyników modeli pozwala znacząco poprawić trafność prognoz