CENTRUM VÝZKUMU KONKURENČNÍ SCHOPNOSTI ČESKÉ EKONOMIKY
EKONOMICKO-SPRÁVNÍ FAKULTA MASARYKOVY UNIVERZITY
KONKURENCESCHOPNOST,
RŮSTOVÁ VÝKONNOST A STABILITA
ČESKÉ EKONOMIKY
Antonín Slaný a kol.
2011
KONKURENCESCHOPNOST,
RŮSTOVÁ VÝKONNOST A STABILITA
ČESKÉ EKONOMIKY
Antonín Slaný a kol.
MASARYKOVA UNIVERZITA
EKONOMICKO-SPRÁVNÍ FAKULTA
CENTRUM VÝZKUMU
KONKURENČNÍ SCHOPNOSTI
ČESKÉ EKONOMIKY
BRNO 2011
CENTRUM VÝZKUMU KONKURENČNÍ SCHOPNOSTI ČESKÉ EKONOMIKY
EKONOMICKO-SPRÁVNÍ FAKULTA MASARYKOVY UNIVERZITY
2006
I. ČÁST
2011
KONKURENCESCHOPNOST,
RŮSTOVÁ VÝKONNOST A STABILITA
ČESKÉ EKONOMIKY
Antonín Slaný a kol.
BRNO 2011
Odborní garanti/editoři
prof. Ing. Antonín Slaný, CSc.
doc. Ing. Libor Žídek, Ph.D.
Ing. Zdeněk Tomeš, Ph.D.
doc. Ing. Osvald Vašíček, CSc.
doc. RNDr. Milan Viturka, CSc.
Kolektiv autorů:
prof. Ing. Antonín Slaný, CSc.
(úvod, vedoucí autorského kolektivu, editor)
Ing. Jan Čapek (2.5.)
Ing. Barbora Feixová (3.4.)
Ing. Aleš Franc, Ph.D. (1.4.)
Ing. Miroslav Hloušek, Ph.D. (2.1.)
Ing. Monika Jandová (1.3.)
Ing. Viktorie Klímová, Ph.D. (3.1, 3.2, 3.3.)
Ing. Štěpán Mikula (1.1.)
Ing. Daniel Němec, Ph.D. (2.4.)
Ing. Tomáš Paleta (1.3.)
Ing. Michal Putna (1.1.)
Ing. Miroslav Radiměřský (1.2.)
Mgr. Martin Slanicay (2.2., 2.3.)
Ing. Zdeněk Tomeš, Ph.D. (1. úvod)
doc. Ing. Osvald Vašíček, CSc. (2. úvod)
doc. RNDr. Milan Viturka, CSc. (3.5.)
doc. Ing. Libor Žídek, Ph.D. (1. úvod)
Ing. Vladimír Žítek, Ph.D. (3.1, 3.2, 3.3.)
Technická pomoc:
Lydie Pravdová
Redakce textu:
Mgr. Ondřej Doseděl
Recenzenti:
I. kapitola:
prof. Ing. Vojtěch Krebs, CSc.
Mgr. Pavel Neset, Ph.D.
II. kapitola:
Ing. Petr Harasimovič, M.A.
Ing. Karel Musil, Ph.D.
III. kapitola:
doc. RNDr. Václav Toušek, CSc.
prof. Ing. Jaroslav Macháček, CSc.
Vědecká redakce MU:
prof. PhDr. Petr Fiala, Ph.D., LL.M.
Mgr. Iva Zlatušková
prof. RNDr. Zuzana Došlá, DSc.
Ing. Radmila Droběnová, Ph.D.
Mgr. Michaela Hanousková
doc. PhDr. Jana Chamonikolasová, Ph.D.
doc. JUDr. Josef Kotásek, Ph.D.
Mgr. et Mgr. Oldřich Krpec, Ph.D.
doc. PhDr. Růžena Lukášová, CSc.
prof. PhDr. Petr Macek, CSc.
Mgr. Petra Polčáková
doc. RNDr. Lubomír Popelínský, Ph.D.
Mgr. Kateřina Sedláčková, Ph.D.
prof. MUDr. Anna Vašků, CSc.
prof. PhDr. Marie Vítková, CSc.
Mgr. Martin Zvonař, Ph.D.
PhDr. Alena Mizerová
Publikace vznikla s podporou projektu MŠMT výzkumná centra 1M0524.
© Antonín Slaný a kolektiv, 2011
© Masarykova univerzita 2011
ISBN 978-80-210-5656-5
Vzor citace: NĚMEC, Daniel. Strukturální charakteristiky českého trhu práce pohledem „search and matching“
DSGE modelu In Slaný a kol. Konkurenceschopnost, růstová výkonnost a stabilita české ekonomiky.
Brno: Masarykova univerzita, 2011. 184 strany. ISBN 978-80-210-5656-5.
OBSAH 7
Obsah
Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1. Vybrané aspekty konkurenceschoponosti České republiky . 13
1.1. Tradice, institucionální prostředí a růst . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.1. Měření tradice státnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.2. Tradice státnosti a kvalita vlády . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1.3. Vliv tradice státnosti na ekonomický růst . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.1.4. Shrnutí a diskuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2. Vnější vztahy – zahraniční obchod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.2.1. Ekonomický růst a zahraniční obchod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.2.2. Charakteristika zahraničního obchodu ČR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.2.3. Komoditní struktura zahraničního obchodu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.2.4. Vývoj zahraničního obchodu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.2.5. Externí šoky a ekonomický růst české ekonomiky . . . . . . . . . . . . . . . . . . . . . . . . 38
1.2.6. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.3. Vnitřní migrace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.3.1. Determinanty vnitřní migrace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.3.2. Migrační charakteristiky jednotlivých krajů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.3.3. Vývoj determinant vnitřní migrace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.3.4. Modely vnitřní migrace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.3.5. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.4. Vnější migrace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.4.1. Cizinci na českém trhu práce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.4.2. Odhad dopadu přílivu cizích pracovníků na domácí trh práce:
metoda prostorových korelací . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
1.4.3. Empirická analýza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.4.4. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Použitá literatura k 1. kapitole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2. Růstová výkonnost a stabilita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.1. Finanční akcelerátor v odhadnutém modelu pro českou ekonomiku . . . . . . . . . 73
2.1.1. Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.1.2. Data a odhadová metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.1.3. Výsledky odhadu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.1.4. Ověření modelu na datech . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.1.5. Dynamické vlastnosti modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.1.6. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
OBSAH8
2.2. Strukturální rozdíly a asymetrické šoky mezi českou ekonomikou
a euro zónou 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.2.1. Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.2.2. Estimace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.2.3. Analýza založená na porovnávání modelů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
2.2.4. Analýza založená na impulzních odezvách . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
2.2.5. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.3. Vliv asymetrických šoků a strukturálních rozdílů mezi
českou ekonomikou a euro zónou 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
2.3.1. Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.3.2. Odhad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2.3.3. Asymetrie vlivu šoků . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.3.4. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.4. Strukturální charakteristiky českého trhu práce pohledem
„search and matching“ DSGE modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.4.1. Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.4.2. Data a apriorní hustoty parametrů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
2.4.3. Výsledky odhadu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
2.4.4. Hodnocení kvality modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
2.4.5. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
2.5. Strukturální změny v malé otevřené české ekonomice
v období současné hospodářské krize . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.5.1. Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.5.2. Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
2.5.3. Rekurzívní odhady parametrů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
2.5.4. Preference monetárních autorit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
2.5.5. Analýza rekurzívních impulzních odezev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
2.5.6. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Použitá literatura ke 2. kapitole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3. Role znalostí v ekonomice a koncepce
regionálního rozvoje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.1. Hodnocení znalostních ekonomik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.2. Charakteristika znalostních ekonomik v zemích EU . . . . . . . . . . . . . . . . . . . . . 135
3.2.1. Vzdělávání . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
3.2.2. Výzkum a vývoj . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.2.3. Inovace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.2.4. Informační a komunikační technologie ICT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
OBSAH 9
3.3. Parametry znalostní ekonomiky v regionech ČR . . . . . . . . . . . . . . . . . . . . . . . 143
3.3.1. Vzdělávání . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.3.2. Výzkum a vývoj . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
3.3.3. Inovace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3.3.4. Informační a komunikační technologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3.4. Podpora výzkumu a vývoje z Evropské unie . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.4.1. Operační program Výzkum a vývoj pro inovace . . . . . . . . . . . . . . . . . . . . . . . . 150
3.4.2. Operační program Vzdělávání pro konkurenceschopnost . . . . . . . . . . . . . . . . . 155
3.4.3. Operační program Podnikání a inovace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
3.5. Návrh dlouhodobé koncepce regionálního rozvoje České republiky (základní
východiska a prvotní nástin) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
3.5.1. Stručné shrnutí současného stavu poznání . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
3.5.2. Základní východiska návrhu dlouhodobé koncepce regionálního rozvoje . . . . . 163
3.5.3. Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Použitá literatura ke 3. kapitole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Seznam tabulek a grafů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Seznam tabulek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Seznam grafů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
10
OBSAH 11
Úvod
Aktuálním tématem posledních let je bezesporu problematika konkurenceschopnosti a postavení
české ekonomiky v mezinárodním srovnání a bezpochyby také problematika globální hospodářské
krize, snaha o nalezení jejích příčin a hledání vhodných nástrojů hospodářské politiky pro její
překonání. Předkládaná monografie vydaná v rámci Centra výzkumu konkurenční schopnosti české
ekonomiky (1M0524) na tyto otázky bezprostředně reaguje. Jim je následně podřízena struktura
celého textu.
První kapitola monografie se zabývá vybranými aspekty konkurenceschopnosti české ekonomiky
ve středoevropském regionu. Konkurenceschopnost je v našem pojetí vnímána jako schopnost
dlouhodobého růstu ekonomiky. Faktory, které determinují dlouhodobý ekonomický růst, jsou
proto i faktory konkurenceschopnosti ekonomiky. V našem pojetí jsme se zaměřili na některé
aspekty, které jsou povětšinou spojeny s institucionálním nastavením ekonomického prostředí.
Toto prostředí je většinou ekonomů vnímáno jako zásadní pro schopnost ekonomik dosahovat
růstu. V konkrétní rovině se jednotliví autoři zabývali obecnými institucemi, zahraničním
obchodem, fungováním trhu práce a migrací. Institucionální prostředí dlouhodobě determinuje
schopnost ekonomik dosahovat ekonomického růstu. Pokud můžeme v dlouhodobém časovém
horizontu sledovat konvergenci ekonomické úrovně zemí, pak bychom měli být schopni v relevantním
období sledovat i konvergenci institucionálního prostředí. V předkládané publikaci je na
středoevropské země aplikována teorie Bockstetta, Chanda a Puttermana (2002), která vysvětluje
ekonomický růst tradicí státnosti jednotlivých zemí. Cílem bylo rozšířit původní model a zjistit,
jak zařazení dalších zemí ovlivní celkové výsledky. Souvislosti ekonomického růstu a zahraničního
obchodu hrají důležitou roli zvláště v malých otevřených ekonomikách, jako je právě česká
ekonomika. Autoři dospívají k závěru, že zahraniční obchod působil na ekonomický růst pozitivně
zejména v důsledku dovozu high-tech zařízení, která umožňovala ekonomickou konvergenci.
Vnitřní migrace je významným faktorem přispívajícím k efektivnějšímu využívání výrobního
faktoru práce, jenž jako takový potom hraje významnou roli i v hospodářském růstu. K analýze
vnitřní migrace je použit gravitační model. Cílem bylo zjistit, zda nejčastěji uváděné faktory ekonomické
migrace mohou vysvětlit migrační toky mezi kraji ČR. Významným aspektem konkurenceschopnosti
na trhu práce je otázka, jakým způsobem imigrace zahraničních pracovníků ovlivňuje
postavení pracovníků domácích. K analýze byla využita metoda prostorových korelací, která
identifikovala, že pracovní aktivity cizinců na českém pracovním trhu nemají z hlediska domácích
pracovníků negativní dopad.
Hospodářský pokles se nevyhnul ani české ekonomice, a tak je druhá kapitola věnována problémům
růstové výkonnosti a stability ekonomiky České republiky, a to právě zejména s ohledem
na analýzu dopadů hospodářské krize z konce roku 2008. Analýzu růstové výkonnosti a stability
OBSAH12
české ekonomiky je možno provádět z různých pohledů. V této kapitole nabídneme podrobnější
rozbor čtyř oblastí, které mají přímou souvislost s příčinami a dopady hospodářské krize. První
oblastí jsou finanční frikce a jejich význam pro vývoj české ekonomiky. Druhou oblast představuje
analýza asymetrických šoků mezi českou ekonomikou a ekonomikou Eurozóny a vzájemné vazby
monetárních politik těchto ekonomik. Třetí oblast je reprezentována zkoumáním strukturálních
charakteristik trhu práce a dynamice vývoje zaměstnanosti a nezaměstnanosti v posledních patnácti
letech. Poslední oblastí je pak analýza strukturálních změn v rovině homogenity pozorovaných
dat.
Závěrečná třetí kapitola předkládá pohled na Českou republiku jakožto zemi, jež usiluje o to,
stát se znalostní ekonomikou. Pro hodnocení znalostí existuje několik ustálených metodických
postupů, přičemž jedním z nich je hodnocení Světové banky založené na konstrukci Znalostního
indexu a Indexu znalostní ekonomiky. Z pohledu tohoto hodnocení patří ČR v rámci zemí EU27
mezi průměrné, udržuje si přední postavení mezi zeměmi CE10. Za pozitivní je však třeba považovat
skutečnost, že své postavení v čase vylepšuje. Další možnosti, jak nahlížet na hodnocení
parametrů znalostní ekonomiky, nabízejí různé statistické databáze. Dílčí ukazatele lze seskupit
do čtyř skupin, kterými jsou vzdělávání, výzkum a vývoj, inovace, informační a komunikační technologie.
Pozice ČR je obdobná jako při hodnocení Světové banky, na regionální úrovni se pak
dle očekávání potvrzuje výrazná dominance Hlavního města Praha, které je ve většině indikátorů
následováno Jihomoravským krajem, a to především díky výraznému postavení města Brna. Další
kraje pak následují vždy s odstupem. V současnosti hraje významnou roli též podpora znalostní
ekonomiky ze zdrojů Evropské unie, a to především podpora vzdělávání a zejména výzkumu a vývoje,
který je klíčovým předpokladem kvalitativního růstu založeného na rozvoji inovací. V rámci
této podpory je v českých regionech realizována celá řada infrastrukturních i jiných projektů,
s nimiž se pojí značná budoucí očekávání. V této souvislosti je však třeba dodat, že ČR postrádá
systémově provázanou a současně dostatečně flexibilní koncepci regionálního rozvoje, která by
znamenala efektivnější využívání zdrojů regionální politiky ve smyslu výraznějšího zohlednění regionálních
rozdílů. Návrh takové dlouhodobé koncepce pak celý text uzavírá.
Antonín Slaný
13
VYBRANÉ ASPEKTY1.
KONKURENCESCHOPONOSTI
ČESKÉ REPUBLIKY
1
VYBRANÉ ASPEKTY KONKURENCESCHOPONOSTI ČESKÉ REPUBLIKY14
První kapitola monografie se zabývá vybranými aspekty konkurenceschopnosti české ekonomiky
ve středoevropském regionu. Konkurenceschopnost je v našem pojetí vnímána jako schopnost
dlouhodobého růstu ekonomiky. Faktory, které determinují dlouhodobý ekonomický růst, jsou
proto i faktory konkurenceschopnosti ekonomiky.
V našem pojetí jsme se zaměřili na některé aspekty, které jsou povětšinou spojeny s institucionálním
nastavením ekonomického prostředí. Toto prostředí je většinou ekonomů vnímáno jako
zásadní pro schopnost ekonomik dosahovat růstu. V konkrétní rovině se jednotliví autoři zabývali
obecnými institucemi, zahraničním obchodem, fungování trhu práce a migrací.
Institucionální nastavení
Institucionální prostředí dlouhodobě determinuje schopnost ekonomik dosahovat ekonomického
růstu. Pokud můžeme v dlouhém období sledovat konvergenci ekonomické úrovně zemí, pak bychom
měli být schopni v relevantním období sledovat i konvergenci institucionálního prostředí.
Autoři aplikovali teorii Bockstetta, Chanda a Puttermana (2002), která vysvětluje ekonomický růst
tradicí státnosti jednotlivých zemí, na středoevropské země. Cílem bylo rozšíření původního modelu
a zjištění, jak zařazení dalších zemí ovlivní celkové výsledky.
Vnější vztahy – zahraniční obchod
Souvislosti ekonomického růstu a zahraničního obchodu hrají důležitou roli zvláště v malých otevřených
ekonomikách, jako je česká ekonomika. Autor podkapitoly dospívá k závěru, že zahraniční
obchod působil na ekonomický růst pozitivně zejména v důsledku dovozu high-tech zařízení,
které umožňovaly ekonomickou konvergenci.
Vnitřní migrace
Vnitřní migrace je významným faktorem přispívajícím k efektivnějšímu využívání výrobního faktoru
práce. Jako taková potom hraje významnou roli i v hospodářském růstu. Autoři použili k analýze
vnitřní migrace gravitační model. Cílem bylo zjistit, zda nejčastěji uváděné faktory ekonomické
migrace mohou vysvětlit migrační toky mezi kraji ČR.
Vnější migrace
Významným aspektem konkurenceschopnosti na trhu práce je otázka, jakým způsobem imigrace
zahraničních pracovníků ovlivňuje postavení pracovníků domácích. K analýze byla využita metoda
prostorových korelací, která identifikovala, že pracovní aktivity cizinců na českém pracovním
trhu nemají z hlediska domácích pracovníků negativní dopad.
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 15
Tradice, institucionální prostředí a růst1.1.
Pád východního bloku na konci 80. let po sobě ve východní Evropě zanechal řadu ekonomik,
které musely čelit výzvě ekonomické transformace. Ta znamenala demontáž centrálního plánování
a následný vznik a vývoj tržního hospodářství. Výchozí podmínky jednotlivých ekonomik
rozhodně nebyly shodné. Jednotlivé země se lišily vyspělostí, množstvím a kvalitou přírodních
zdrojů a lidského i fyzického kapitálu. V neposlední řadě se odlišovaly také ve struktuře ekonomik,
institucionálním prostředí a politické nestabilitě často podmíněné etnickou heterogenitou.
Všechny tyto odlišnosti se jistě projevily i v následném vývoji ekonomik bývalého východního
bloku, sledovaném optikou ekonomického růstu. Po propadu do transformační recese některé
ekonomiky poměrně rychle dosáhly předchozí úrovně, kterou následně překonaly. Zotavování
jiných ekonomik bylo naopak mnohem pozvolnější a některé se na původní ekonomickou úroveň
stále nedostaly. To ilustrují i trajektorie vývoje české, ruské a ukrajinské ekonomiky na grafu
č. 1. Rozdílné trajektorie vývoje jsou zjevné i na změnách rozdělení zachycených na grafu č. 2.
Průměrná ekonomická úroveň se postupně dostává z transformační recese nad výchozí úroveň.
Růst průměru je doprovázen rostoucím rozptylem. Takový vývoj lze interpretovat jako důsledek
rozdílných trajektorií růstu.
Vývoj ekonomické úrovně v České republice, Rusku a na UkrajiněGraf č. 1:
40
80
60
120
100
140
Česká republika Rusko Ukrajina
1990 1995 2000 20102005
Zdroj: Maddison, 2010
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST16
Vývoj rozdělení ekonomické úrovně v zemích bývalého východního bloku v letech 1990–2008Graf č. 2:
HDPnaosobu(1990=100)
50
100
150
200
1990 1992 1994 1996 1998 20082006200420022000
Zdroj: Maddison, 2010
Pro vysvětlení takto odlišného vývoje jednotlivých ekonomik je možno nalézt celou řadu vysvětlení.
Cílem této části práce je aplikovat na vývoj ve východním bloku hypotézu, kterou formulovali
Bockstette et al. (2002). Jádrem jejich práce je hypotéza, že růst ekonomik závisí na tradici
státnosti. Tradice státnosti by přitom na růst měla působit přímo nebo zprostředkovaně. V tomto
případě by tradice státnosti ovlivňovala blíže neidentifikované faktory, které by přímo působily na
hospodářský růst. Bockstette et al. (2002) předkládají dvě možná vysvětlení, proč by tradice státnosti
měla působit na ekonomický růst:
delší tradice státnosti přináší větší zkušenosti (learning-by-doing) a větší množství odborníků. To
podporuje efektivnější fungování státu a vyšší tempa ekonomického růstu;
dlouhodobé fungování státu působí na vznik sítě neformálních institucí (smysl pro hierarchické
řízení atd.), které opět podporují efektivní fungování státu.
První mechanismus je spíše popisem přímého působení na ekonomický růst, kdežto druhý hovoří
spíše ve prospěch nepřímého působení.
Cílem této části je otestovat robustnost modelu proti změně zkoumaného vzorku a testovat hypotézu
o vztahu tradice a růstu pro země východního bloku, které nebyly do původní studie zahrnuty.
V kapitole 1.1.1 je popsána použitá metoda měření tradice státnosti a zhodnocena získaná
data pro země východního bloku. Druhá podkapitola testuje vztah mezi tradicí státnosti a kvalitou
vlády – existencí takového vztahu je vysvětlován její možný vliv na ekonomický růst. Třetí
podkapitola je potom věnována testování vlivu tradice státnosti na ekonomický růst. Závěrečná
diskuse vytyčuje možný přístup k dalšímu výzkumu.
Měření tradice státnosti1.1.1.
Pro kvantifikaci vlivu tradice státnosti na ekonomický růst je potřeba najít způsob jak tuto tradici
měřit. Měření podobných veličin je ze své podstaty nemožné nebo přinejmenším velmi problematické.
Bockstette et al. (2002) se s tímto problémem vypořádali způsobem, který je v literatuře
hojně používán i kritizován – vytvořili index ISA (Index of State Antiquity), který aproximuje tradici
státnosti.
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 17
Při konstrukci indexu ISA jsou sledovány tři charakteristiky státu:1
existuje vláda nad úrovní kmene? (proměnná q1);
je tato vláda místního původu, zahraničního původu (kolonie) nebo se jedná o místní vládu
závislou na zahraniční vládě (satelit)? (proměnná q2);
jakou část území moderního státu tato vláda kontroluje? (proměnná q3).
Tyto tři charakteristiky jsou zjišťovány pro jednotlivá půlstoletí v období 1–1950. To odpovídá
39 hodnocením. Je logické očekávat, že historicky vzdálenější období bude mít menší dopad na
současnost. Proto jsou jednotlivá období diskontována. Hodnota indexu pro n-tou zemi je získána
podle rovnice (1)
ISAn
= ∑N
i=1
(q1i
+ q2i
+ q3i
)(1 + δ)− t
(1)
kde N je počet období, δ je koeficient snižující význam starších období a t je počet období, která
zbývají do nejnovějšího období.2
Bockstette et al. (2002) experimentovali s různými hodnotami parametru δ. Pro testování vlivu
na růst zvolili hodnotu 0,05 (proměnná Statehist5).3
Výsledný index je potom normován na škálu 0–1, kde 1 je hodnota označující největší tradici
státnosti.4
Bockstette et al. (2002) vypočítali hodnoty indexu pro 104 zemí světa. Neuvádí ovšem, proč
byly zvoleny právě tyto země – například zcela opominuli právě země východní Evropy. Při práci
s těmito daty je tedy třeba mít na paměti, že je zde reálné riziko zkreslení analýzy výběrem vzorku
(selection bias). Hodnoty indexu pro země východní Evropy jsou zde doplněny podle stejné metodiky
a na základě stejných zdrojů, které používali Bockstette et al. (2002). Tabulky č. 4 a č. 5 obsahují
hodnoty indexu kalkulované pro období 0–1950 a 0–2000.
Rozšíření období, pro které je index vypočítán, nemá na jeho hodnoty zásadní vliv. Graf č. 3
ukazuje, že u zemí východního bloku nedošlo k výrazným změnám rozdělení indexů vypočítaných
pro období 0–1950 a 0–2000. Oba indexy jsou navíc silně korelovány (viz graf č. 4). Z tohoto
důvodu je dále používán index vypočítaný podle původní metodologie – tedy s hodnotami
za období 0–1950.
Hodnoty indexu ISA pro země východního bloku nabývají relativně vysokých hodnot (viz
graf č. 5). Tato skutečnost však není příliš překvapující. Řada států východního bloku totiž leží na
územích, která již od starověku ovládaly významné mocnosti – Římská říše, Byzantská říše, Persie
nebo Osmanská říše. Na těchto územích tak existovaly státní útvary mnohem déle než například
ve střední, severní nebo i západní Evropě.
1 Pro podrobnější popis včetně kódovacích hodnot viz Bockstette et al. (2002).
2 Pokud je hodnoceno období 0–1950, potom pro půlstoletí 1901–1950 je t = 0.
3 Ostatním testovaným hodnotám δ odpovídají i další jména proměnných: δ = 0 pro Statehist0; δ = 0,001 pro
Statehist01; δ = 0,01 pro Statehist1; δ = 0,05 pro Statehist5; δ = 0,1 pro Statehist10 a δ = 0,5 pro Statehist50.
4 Způsob výpočtu je podrobně popsán v Bockstette et al. (2002).
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST18
Rozdělení indexu ISA ve variantě Statehist5 za období 0–1950 a 0–2000Graf č. 3:
ISA(Statehist5)
0.6
0.5
0.7
0.8
0.9
0−1950 0−2000
Korelace indexu ISA ve variantě Statehist5 za období 0–1950 a 0–2000Graf č. 4:
0.4 0.6 0.7 0.8 0.9
ISA (Statehist5) 0−1950
ISA(Statehist5)0−2000
0.5
0.6
0.7
0.8
1
0.9
Rozdělení hodnot Statehist5 podle regionůGraf č. 5:
As Eu JAm Oc SAm SSAf SVSAf VB
0.2
0.4
0.8
0.6
1.0
Ponzámka: As – Asie, Eu – Evropa (bez zemí východního bloku), JAm – Jižní Amerika, Oc – Oceánie, SAm – Severní Amerika, SSAf –
Subsaharská Afrika, SVSAf – Blízký Východ a severní Afrika, VB – východní blok.
Zdroj: Bockstette et al. (2002); vlastní výpočty
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 19
Tradice státnosti a kvalita vlády1.1.2.
Bockstette et al. (2002) předpokládají, že s rostoucí tradicí státnosti by se měla díky zkušenostem
zvyšovat i efektivita vlády a jejího aparátu. Efektivní fungování vlády by potom mělo v dlouhém
období podporovat ekonomický růst.
Hypotézu o vztahu mezi kvalitou vlády a tradicí státnosti lze testovat pomocí indexu ISA a indexů
popisujících efektivitu fungování vlády a kvalitu byrokracie. Efektivita fungování vlády je zde
aproximována pomocí indexu Government effectiveness (GE), který publikuje World Bank. Kvalitu
byrokracie potom popisuje hodnocení PRS Group, publikované v International Country Risk
Guide (ICRG) – použita byla proměnná Bureaucracy Quality (BQ).5
Pro obě hodnocení platí, že
vyšší bodová hodnota znamená vyšší kvalitu. Pokud by tedy platila hypotéza Bockstette et al.
(2002), potom by oba indexy musely být pozitivně korelovány s ISA. (Hypotéza byla testována
na datech pro rok 2000.)
V případě GE je korelace pro země původního vzorku významná s korelačním koeficientem
ρ = 0,426*** (viz graf č. 6).6
Test významnosti korelace však nepotvrdil existenci tohoto vztahu
pro země východního bloku (ρ = −0,018).
Testování s daty BQ (viz graf č. 7) dává obdobné výsledky. U původního vzorku zemí je tradice
státnosti významně korelována s kvalitou byrokracie (ρ = 0,420***), ale u zemí východního bloku
je tento vztah opačný a nevýznamný (ρ = −0,11).
Pro korelace jak s GE tak s BQ platí, že zařazení zemí východního bloku do vzorku korelaci
oslabuje – v případě GE na 0,235*** a v případě BQ na 0,289***. To podporuje domněnku, že
výsledky testování hypotézy, kterou vyslovili Bockstette et al. (2002), jsou silně závislé na výběru
vzorku.
Vztah ISA a indikátoru kvality vlády pro rok 2000Graf č. 6:
0.2 0.4 0.6 0.8 1.0
ISA (Statehist5)
GE
–2
–1
0
2
1
AUT
BEL
CYP
DNK
FIN
FRA
DEU
GRC
ISL
IRL
ITA
NLD
NOR
PRT
ESP
SWECHE
TUR
GBRCANUSA
ARG
BRB
BOL
BRA
CHL
COL
CRI
DOM
ECU
SLV GTM
GUY
HTI
HND
JAM
MEX
NIC
PAN
PRY
PER
TTO
URY
VEN
AGO
BEN
BWA
BDI
CMR
CPV
CAF
TCD
COG
ETH
GABGMB
GHA
GIN
CIVKEN
LSO
MDG
MWI
MLI
MRT
MUS
MOZ
NER
NGA
RWA
SEN
ZAF
SWZ
TGO
UGA
ZMB ZWE
DZA
EGY IRN
ISR
JOR MAR
SYR
TUN
AUS
FJI
NZL
PNG BGD
CHN
HKG
IND
IDN
JPN
KORMYS
NPL
PAK
PHL
SGP
LKA
TWN
THA
AFG
ALB
ARM
AZE
BLR BIH
BGR
HRV
CZE
EST
GEO
HUN
KAZ
KGZ
LVA
LTU
MKD
MDA
MNEPOL
ROU
RUS
SVK
SVN
TJKTKM
UKR
UZB
Poznámka: původní země jsou vyznačeny černě a země východního bloku modře.
Zdroj: Bockstette et al. (2002); World Bank (2011)
5 Jedním ze zdrojů pro tvorbu GE je právě BQ.
6 Všechny použité zkratky zemí jsou standardní ISO kódy.
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST20
Vztah ISA a indikátoru kvality byrokracie pro rok 2000Graf č. 7:
0.2 0.4 0.6 0.8 1.0
ISA (Statehist5)
BQ
0
1
2
3
4
Poznámka: původní země jsou vyznačeny černě a země východního bloku modře.
Zdroj: Bockstette et al. (2002); PRS Group (2010)
Vliv tradice státnosti na ekonomický růst1.1.3.
Vliv tradice státnosti na ekonomický růst testovali Bockstette et al. (2002) pomocí modelu konvergence
odvozeného z modelu použitého v Mankiw, Romer & Weil (1992)7
(2) a jeho rozšířené
verze (3):
GDPG
= β0
+ β1
log(GDPI
) + β2
log(II/GDP
) + β3
log(n + g + δ) + β4
SCHOOL (2)
GDPG
= β0
+ β1
log(GDPI
) + β2
log(II/GDP
) + β3
log(n + g + δ) + β4
SCHOOL + β5
ISA (3)
Proměnné a zdroje dat jsou popsány v tabulce č. 1. Stejné modely jsou pro testování použity i v této
části práce. Model byl v obou variantách odhadnut pomocí OLS na datech zahrnujících země použité
v Bockstette et al. (2002), všechny dostupné země a země východního bloku. Každá varianta
byla navíc odhadnuta pro období 1960–1995 (období použité v Bockstette et al. (2002),), 1960–
2005, 1960–1974, 1975–1989 a 1990–2005 (období transformace ekonomik východního bloku).
Odhady pro delší časová období (viz tabulka č. 2) s původní množinou zemí jsou srovnatelné
s výsledky, které publikovali Bockstette et al. (2002). Na rozdíl od Bockstette et al. (2002), není
významný vliv počáteční úrovně HDP na osobu a také (adjustovaný) koeficient determinace vykazuje
nižší hodnoty. Tyto rozdíly mohou být způsobeny odlišnostmi v použitých datech popřípadě
rozdíly ve vzorku zemí. Bockstette et al. (2002), totiž model odhadovali pro vzorek 88 zemí
(87 po očištění o vlivné pozorování) – hodnoty indexu ISA přitom vypočítali pro 104 zemí. My
jsme pro odhady použili všechny země, pro které byla dostupná potřebná data (97 ze 104 zemí
pro delší období).
Při testování dat pro kratší časové úseky byl systematicky významný pouze vliv podílu investic na
HDP. To může být způsobeno vlivem hospodářského cyklu – velikost investic je silně procyklická. Pro
odstranění vlivu hospodářského cyklu (business-cycle bias) byla z dat spojených z HDP nejdříve pomocí
Hodrick-Prescottova filtru (λ = 100) získána trendová složka a ta byla následně použita pro výpočet
vysvětlovaných a vysvětlujících proměnných.8
Po této úpravě byly významné i odhady parametrů pro
7 Mankiw, Romer & Weil (1992) používají log(SCHOOL) a jinou definici proměnné SCHOOL.
8 Vyhlazena byla vždy celá dostupná časová řada. Potřebný výsek byl získán až následně.
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 21
jiné vysvětlující veličiny – zejména pro log(n + δ + g), a také pro SCHOOL. Vliv ISA byl významný
pouze v období 1960–1974. Pokud by tradice státnosti měla vliv na vývoj a úroveň institucí, potom by
se jednalo o očekávatelný výsledek. Instituce jsou obecně považovány za determinantu výkonu (růstu)
v dlouhém období – pro delší časové úseky vyšel vliv ISA ako významný. Je možné, že patnáctileté
úseky nepředstavují dostatečně dlouhé období pro prosazení vlivu tradice státnosti.
Při zvýšení počtu pozorování o země východního bloku (viz tabulka č. 3) došlo k významným
změnám ve výsledcích modelu. V první řadě model v základní formě (2) nevyšel pro období
1960–1995 statisticky významný a v rozšířené formě (3) jen těsně přesáhl hranici významnosti
α = 10 %. Jako významný vyšel v obou případech pouze vliv podílu investic na HDP.
Možné vysvětlení těchto výsledků spočívá v periodě, pro kterou byl model odhadnut. Počátek
90. let totiž znamenal pro země východního bloku hluboký propad do transformační recese (viz
graf č. 1), který mohl vnést do modelu konstruovaného pro běžné fungování ekonomik nevysvětlitelné
vlivy.9
Tomuto vysvětlení by odpovídaly i výsledky odhadů modelu pro období 1960–2005.
Data pro toto období zahrnují nejen propad do hluboké transformační recese, ale také i následné
ozdravování ekonomik. Pro toto období vychází model v obou variantách významný a významné
jsou také všechny odhadnuté parametry. Adjustovaný koeficient determinace je ovšem oproti
odhadům modelu na původním vzorku zemí nižší.
Odhady pro kratší časové úseky ukázaly především značnou citlivost modelu na výběr vzorku.
Pro období 1960–1974 a 1975–1989 byl vzorek rozšířen o 6, respektive 7 zemí a výsledky odhadů
jsou velmi odlišné. Menší roli zde zřejmě sehrálo zkreslení hospodářským cyklem – pro cyklicky
očištěná i neočištěná data odhad identifikoval jako významné stejné vysvětlující proměnné.
Významný vliv přisoudil ISA opět jenom v jediném případě – v období 1975–1989. Tedy v odlišném
období, než tomu bylo u původního vzorku zemí.
Zvláštní pozornost si zaslouží odhad pro poslední krátké období (1990–2005) – ten totiž pracuje
s největším počtem zemí (n = 117) a také zachycuje období transformace. Pro tuto periodu nebyl
vliv ISA identifikován jako významný. Na nevýznamnost vlivu tradice státnosti aproximované indexem
ISA na hospodářské růsty zemí východního bloku v transformačním období ukazuje i graf
č. 8. Ten zachycuje korelaci mezi hodnotami ISA a průměrným tempem cyklicky vyhlazeného
HDP na osobu. Korelační koeficient pro tyto proměnné nabývá hodnoty −0,146 a test nezamítá
hypotézu o jeho nevýznamnosti.
Korelace ISA s cyklicky očištěným průměrným růstem HDP na osobuGraf č. 8:
0,5 0.6 0.7 0.8 0.9
ISA (Statehist5)
PrůměrnýrůstHDP
0.00
0.02
0.04
1.00
0.06
0.08
AFG
ALB
ARM
AZE BLR
BIH
BGR
HRV
CZE
EST
GEO
HUN
KAZ
KGZ
LVA
LTU
MKD
MDA
MNE
POL
ROU
RUS
SVK
SVN
TJKTKMUKR
UZB
Poznámka: země východního bloku v období 1990–2005. Zdroj: Heston et al. (2011), vlastní výpočty
9 Pro řadu ekonomik zemí východního bloku jsou navíc dostupná data až po pádu komunismu. Zkrácení testovaného
období na periodu 1960–1990 by tak přineslo zmenšení zkoumaného vzorku v podstatě na původní vzorek zemí.
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST22
Shrnutí a diskuse1.1.4.
Bockstette et al. (2002) přišli s hypotézou, která vysvětluje ekonomické růsty tradicí státnosti jednotlivých
zemí. Svoji hypotézu podpořili ekonometrickým modelem odvozeným z Mankiw,
Romer & Weil (1992), kde k vysvětlujícím proměnným odvozeným ze Solowova modelu ad hoc
přidávají proxy proměnou – index ISA reflektující tradici státnosti. Hodnoty ISA přitom zjišťovali
pro 104 zemí světa, ale v regresi použili pouze 88 států. Výběr zemí pro kalkulaci ISA nijak nezdůvodňují
a některé oblasti nechávají zcela bez povšimnutí – mezi jejich výběrem zemí například
zcela chybí země východního bloku. Ve zkoumaném období se jistě nejednalo o standardní tržní
ekonomiky, ale na druhou stranu to zjevně nebylo kritériem pro zařazení do vzorku – ten obsahuje
například i Angolu nebo Čínu.
Cílem této části bylo rozšířit jejich analýzu o zkoumání vlivu zařazení zemí východního bloku
do vzorku zkoumaných zemí. (Tedy de facto testování robustnosti odhadů původního modelu
proti změně vzorku pozorování.) a především otestování centrální hypotézy o vlivu tradice státnosti
na růst v případě zemí východního bloku v období transformace (1990–2005).
Replikace původního modelu a jeho rozšíření o země východního bloku jasně ukázala, že výsledky
testování jsou silně závislé na výběru období a výběru zkoumaného vzorku. To znamená,
že se závěry učiněnými Bockstette et al. (2002) je nutné v obecné rovině zacházet se značnou opatrností.
Zhoršení vlastností modelu bylo způsobeno právě přidáním zemí východního bloku, pro
které se zdá, že centrální hypotéza neplatí – cyklicky očištěný průměrný růst není v transformačním
období korelován s ISA, ani s indikátory institucionální kvality.
Přes tyto negativní výsledky je práce Bockstette et al. (2002) mimořádně inspirativní a jejich
hlavní myšlenka „tradition matters“ si zaslouží další pozornost. Zásadní vylepšení pro její aplikaci
na vývoj zemí východního bloku by mohlo spočívat ve změně konstrukce ISA. Původní konstrukce
zohledňuje extrémně dlouhé časové období, které způsobuje, že státy východního bloku mají
vysoké hodnoty ISA – kontinuita instituce státu i populace je však v těchto zemích často sporná.
Prvním bodem by tedy mělo být zmenšení časového rozsahu pro hodnocení.
Další možnou modifikací je i změna sledovaných kritérií (q1, q2, q3) tak, aby zachycovaly nejen
existenci forem vlády, ale i jejich kvalitu. Spolu s radikálním zmenšením zkoumané časové periody
se sledování kvality stává reálným. Poslední možností rozvoje je opustit sledování hospodářského
růstu – který může být tradicí státnosti ovlivňován pouze velmi zprostředkovaně – a zaměřit se
na sledování vývoje institucionálního prostředí.
Z tohoto hlediska se země východního bloku zdají být velmi dobrým vzorkem – vysvětlení
i samotný popis chování institucionálního prostředí v transformujících se ekonomikách totiž v literatuře
stále chybí.
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 23
Proměnné použité v rovnicích (2) a (3)Tabulka č. 1:
GDPG
průměrné tempo růstu HDP na osobu v relevantním období (průměr prvních
diferencí logaritmů proměnné rgdpl z Heston et al. (2011))
GDPI
počáteční ekonomická úroveň (proměnná rgdpl z Heston et al. (2011))
II/GDP
průměrný podíl investic na HDP za relevantní období (vypočteno z proměnné ci
z Heston et al. (2011))
n průměrné tempo růstu populace za relevantní období (průměr prvních diferencí
logaritmů proměnné POP z Heston et al. (2011))
g průměrné tempo růstu technologické úrovně.
δ průměrná míra depreciace kapitálu. (g + δ odhadují Mankiw, Romer & Weil
(1992) na 0,05)
SCHOOL podíl populace ve věku 15–19 let navštěvující nějakou formu střední školy, Barro
& Lee (2010)
ISA index tradice státnosti (Bockstette et al. (2002) a vlastní výpočty)
Výsledky regresní analýzy pro původní státyTabulka č. 2:
const log(GDPI
) log(I/GDP) log(n + g + δ) SCHOOL ISA R2
období 1960–1995 (n = 97)
− 0,076** − 0,003 0,019*** − 0,023 0,021*** 0,295***
(0,034) (0,002) (0,003) (0,014) (0,009)
− 0,033 − 0,003 0,017*** − 0,005 0,019*** 0,021*** 0,375***
(0,035) (0,002) (0,003) (0,014) (0,009) (0,006)
období 1960–2005 (n = 97)
− 0,100*** − 0,004** 0,020*** − 0,031** 0,023*** 0,376***
(0,031) (0,002) (0,003) (0,012) (0,008)
− 0,056* − 0,004** 0,018*** − 0,014 0,021*** 0,020*** 0,456***
(0,031) (0,002) (0,003) (0,012) (0,007) (0,005)
období 1960–1974 (n = 97)
− 0,095 − 0,002 0,020*** − 0,027 0,010 0,152***
(0,058) (0,003) (0,005) (0,021) (0,016)
− 0,066 0,002 0,020*** − 0,016 − 0,008 0,019 0,168***
(0,060) (0,003) (0,005) (0,022) (0,016) (0,012)
období 1975–1989 (n = 97)
− 0,085 − 0,003 0,019*** − 0,027 0,016 0,161***
(0,057) (0,003) (0,005) (0,021) (0,013)
− 0,060 − 0,003 0,019*** − 0,016 0,008 0,018 0,174***
(0,059) (0,003) (0,005) (0,022) (0,016) (0,012)
období 1990–2005 (n = 94)
− 0,122** − 0,000 0,020*** − 0,030 0,002 0,184***
(0,051) (0,003) (0,005) (0,019) (0,011)
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST24
const log(GDPI
) log(I/GDP) log(n + g + δ) SCHOOL ISA R2
− 0,088 0,000 0,020*** − 0,020 − 0,002 0,017 0,198***
(0,053) (0,003) (0,005) (0,020) (0,011) (0,010)
období 1960–1974, cyklicky očištěná data (n = 97)
− 0,105** − 0,003 0,021*** − 0,033** 0,012 0,243***
(0,042) (0,003) (0,004) (0,015) (0,013)
− 0,083* − 0,003 0,021*** − 0,024 0,012 0,015 0,259***
(0,044) (0,002) (0,004) (0,016) (0,010) (0,008)
období 1975–1989, cyklicky očištěná data (n = 97)
− 0,099** − 0,004 0,020*** − 0,033** 0,016 0,256***
(0,042) (0,003) (0,004) (0,015) (0,010)
− 0,079* − 0,004 0,020*** − 0,025 0,014 0,014 0,268***
(0,043) (0,003) (0,004) (0,016) (0,010) (0,008)
období 1990–2005, cyklicky očištěná data (n = 94)
− 0,097** − 0,003 0,019*** − 0,031** 0,018** 0,270***
(0,040) (0,002) (0,004) (0,015) (0,009)
− 0,078* − 0,003 0,019*** − 0,016 0,014* 0,013 0,282***
(0,042) (0,002) (0,004) (0,022) (0,009) (0,008)
Výsledky regresní analýzy pro všechny dostupné státyTabulka č. 3:
const log(GDPI
) log(I/GDP) log(n+g+δ) SCHOOL ISA R2
období 1960–1995 (n = 112)
přidané země: Afghánistán, Albánie, Arménie, Ázerbájdžán, Bělorusko, Bosna a Hercegovina, Bulharsko, Chorvatsko,
Česká republika, Estonsko, Gruzie, Maďarsko, Kazachstán, Kyrgyzstán, Litva, Lotyšsko, Makedonie, Moldávie, Černá
Hora, Polsko, Rumunsko, Rusko, Slovensko, Slovinsko, Tádžikistán, Turkmenistán, Ukrajina, Uzbekistán. (Stejné státy
byly přidány i pro období 1960–2005.)
− 0,051 − 0,005 0,025** − 0,008 0,001 0,034
(0,085) (0,005) (0,010) (0,034) (0,004)
− 0,092 − 0,005 0,010*** − 0,037 0,003 0,017 0,039*
(0,095) (0,005) (0,010) (0,037) (0,004) (0,018)
období 1960–2005 (n = 112)
− 0,110*** − 0,005*** 0,016*** − 0,045*** 0,003*** 0,326***
(0,028) (0,002) (0,003) (0,011) (0,001)
− 0,085*** − 0,005 0,017*** − 0,035*** 0,003*** 0,011* 0,342***
(0,031) (0,002) (0,003) (0,013) (0,001) (0,006)
období 1960–1974 (n = 98)
přidané země: Afghánistán, Albánie, Bulharsko, Maďarsko, Polsko, Rumunsko
− 0,135*** − 0,003 0,028*** − 0,042** 0,001 0,383***
(0,042) (0,002) (0,004) (0,016) (0,002)
− 0,122*** − 0,003 0,027*** − 0,036** 0,001 0,008 0,218***
(0,044) (0,002) (0,004) (0,017) (0,002) (0,008)
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 25
const log(GDPI
) log(I/GDP) log(n+g+δ) SCHOOL ISA R2
období 1975–1989 (n = 104)
přidané země: Afghánistán, Albánie, Bulharsko, Maďarsko, Polsko, Rumunsko, Slovensko
− 0,094** − 0,008*** 0,016*** − 0,049*** 0,008** 0,189***
(0,046) (0,003) (0,006) (0,016) (0,003)
− 0,053 − 0,008*** 0,013** − 0,033* 0,008** 0,024** 0,234***
(0,047) (0,003) (0,006) (0,017) (0,003 (0,009
období 1990–2005 (n = 117)
přidané země: Afghánistán, Albánie, Arménie, Ázerbájdžán, Bělorusko, Bosna a Hercegovina, Bulharsko, Chorvatsko,
Česká republika, Estonsko, Gruzie, Maďarsko, Kazachstán, Kyrgyzstán, Litva, Lotyšsko, Makedonie, Moldávie, Černá
Hora, Polsko, Rumunsko, Slovensko, Slovinsko, Tádžikistán, Turkmenistán
− 0,132*** − 0,003* 0,019*** − 0,043*** 0,003 0,275***
(0,028) (0,002) (0,005) (0,009) (0,002)
− 0,130*** − 0,003* 0,019*** − 0,043*** 0,003 0,001 0,268***
(0,053) (0,003) (0,005) (0,020) (0,004) (0,011)
období 1960–1974, cyklicky očištěná data (n = 98)
− 0,127*** − 0,005** 0,026*** − 0,045*** 0,001 0,364***
(0,041) (0,002) (0,004) (0,015) (0,002)
− 0,113*** − 0,005** 0,025*** − 0,039** 0,001 0,009 0,367***
(0,042) (0,002) (0,004) (0,016) (0,002) (0,008)
období 1975–1989, cyklicky očištěná data (n = 104)
− 0,077* − 0,006** 0,017*** − 0,037** 0,008*** 0,210***
(0,041) (0,003) (0,004) (0,015) (0,003)
− 0,038 − 0,006** 0,014*** − 0,022 0,008*** 0,023*** 0,259***
(0,042) (0,002) (0,005) (0,015) (0,003) (0,008)
období 1990–2005, cyklicky očištěná data (n = 117)
− 0,140*** − 0,004** 0,016*** − 0,052*** 0,003 0,323***
(0,027) (0,002) (0,005) (0,009) (0,002)
− 0,133*** − 0,004** 0,016*** − 0,050*** 0,003 0,004 0,319***
(0,029) (0,006) (0,005) (0,010) (0,002) (0,006)
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST26
Hodnoty Idesu ISA za období 0–1950 pro země východního blokuTabulka č. 4:
Statehist δ = 0 δ = 0,001 δ = 0,01 δ = 0,05 δ = 0,1 δ = 0,5
AFG 0,37 0,37 0,41 0,57 0,71 0,90
ALB 0,84 0,84 0,84 0,84 0,85 0,89
ARM 0,93 0,93 0,93 0,92 0,91 0,89
AZE 0,37 0,38 0,41 0,56 0,69 0,83
BLR 0,49 0,49 0,53 0,66 0,76 0,83
BIH 0,86 0,86 0,86 0,87 0,88 0,91
BGR 0,63 0,63 0,66 0,77 0,83 0,89
HRV 0,88 0,88 0,88 0,88 0,88 0,89
CZE 0,56 0,56 0,60 0,74 0,83 0,90
EST 0,43 0,44 0,47 0,62 0,74 0,89
GEO 0,47 0,47 0,51 0,65 0,75 0,83
HUN 0,47 0,48 0,52 0,66 0,77 0,89
KAZ 0,55 0,56 0,59 0,72 0,81 0,85
UNK 0,84 0,84 0,84 0,84 0,84 0,86
KGZ 0,32 0,32 0,36 0,51 0,65 0,83
LVA 0,36 0,37 0,40 0,56 0,71 0,87
LTU 0,37 0,38 0,42 0,59 0,74 0,91
MKD 0,87 0,87 0,87 0,87 0,86 0,89
MDA 0,86 0,86 0,86 0,87 0,88 0,87
MNE 0,89 0,89 0,89 0,90 0,91 0,95
POL 0,48 0,48 0,53 0,69 0,83 0,94
ROU 0,87 0,87 0,87 0,87 0,87 0,93
RUS 0,48 0,49 0,53 0,70 0,84 0,99
SRB 0,87 0,87 0,87 0,88 0,90 0,95
SVK 0,49 0,49 0,53 0,66 0,77 0,89
SLO 0,89 0,89 0,89 0,89 0,88 0,88
TJK 0,83 0,83 0,83 0,83 0,83 0,83
TKM 0,56 0,56 0,60 0,73 0,82 0,85
UKR 0,58 0,59 0,62 0,74 0,82 0,85
UZB 0,84 0,84 0,84 0,84 0,85 0,86
TRADICE, INSTITUCIONÁLNÍ PROSTŘEDÍ A RŮST 27
Hodnoty Indexu ISA za období 0–2000 pro země východního blokuTabulka č. 5:
Statehist δ = 0 δ = 0,001 δ = 0,01 δ = 0,05 δ = 0,1 δ = 0,5
AFG 0,38 0,38 0,42 0,58 0,73 0,91
ALB 0,84 0,84 0,84 0,85 0,86 0,93
ARM 0,93 0,93 0,92 0,91 0,90 0,87
AZE 0,38 0,39 0,42 0,57 0,70 0,83
BLR 0,50 0,50 0,54 0,67 0,77 0,83
BIH 0,86 0,86 0,87 0,88 0,88 0,91
BGR 0,64 0,64 0,67 0,77 0,84 0,90
HRV 0,88 0,88 0,88 0,88 0,88 0,90
CZE 0,57 0,57 0,61 0,75 0,84 0,90
EST 0,44 0,45 0,48 0,63 0,75 0,87
GEO 0,48 0,48 0,52 0,66 0,76 0,83
HUN 0,49 0,49 0,53 0,67 0,78 0,90
KAZ 0,56 0,56 0,60 0,72 0,81 0,84
UNK 0,84 0,84 0,84 0,84 0,85 0,88
KGZ 0,33 0,34 0,37 0,53 0,67 0,83
LVA 0,37 0,38 0,42 0,58 0,72 0,86
LTU 0,39 0,39 0,43 0,60 0,75 0,88
MKD 0,88 0,88 0,88 0,88 0,88 0,93
MDA 0,86 0,86 0,86 0,87 0,87 0,86
MNE 0,89 0,89 0,89 0,90 0,91 0,97
POL 0,49 0,49 0,54 0,71 0,84 0,93
ROU 0,87 0,87 0,87 0,87 0,88 0,92
RUS 0,49 0,50 0,54 0,71 0,86 1,00
SRB 0,87 0,87 0,87 0,89 0,90 0,94
SVK 0,50 0,50 0,54 0,68 0,78 0,90
SLO 0,90 0,90 0,90 0,90 0,89 0,92
TJK 0,84 0,84 0,84 0,84 0,84 0,86
TKM 0,57 0,57 0,61 0,74 0,83 0,87
UKR 0,59 0,59 0,63 0,75 0,83 0,87
UZB 0,84 0,84 0,84 0,85 0,85 0,88
28
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD 29
Vnější vztahy – zahraniční obchod1.2.
V malé otevřené ekonomice hrají vnější vlivy významnou roli a z tohoto důvodu jim musí být věnována
pozornost. Ta se soustřeďuje mimo jiné i na zahraniční obchod jako hlavní kanál, kterým vnější
stimuly působí na domácí ekonomiku. Pokud se chceme zabývat vztahem mezi zahraničním obchodem
a ekonomickým růstem, obecněji souvislostmi ekonomického růstu a zahraničních vlivů, můžeme
si danou problematikou rozdělit do dvou částí. První představuje vliv zahraničního obchodu na
ekonomický růst jako takový, a opačně pak vliv růstu HDP na obchod. Druhou možnost, jak téma
uchopit, pak můžeme spojit s ekonomickými fluktuacemi a identifikovat zahraniční šoky. Globální
ekonomická recese představuje z tohoto pohledu zajímavou možnost se těmito jevy zabývat. V kontextu
české ekonomiky, kde se hovoří o tzv. importované krizi, je tento přístup ještě aktuálnější.
Cílem této části bude identifikovat a prozkoumat vazby mezi zahraničním obchodem a ekonomickým
růstem v rámci české ekonomiky, a to jak z pohledu prvního přístupy, tedy působení zahraničí
na ekonomický růst, tak i z druhého pohledu dopadu zahraničního šoku na naši ekonomiku.
Ekonomický růst a zahraniční obchod1.2.1.
Ekonomická teorie obecně považuje liberalizaci zahraničního obchodu za pozitivní příspěvek
k ekonomickému růstu. V empirické rovině tento předpoklad podpořili např. Frankel – Romer
(1999), když identifikovali pozitivní vztah mezi HDP a zahraničním obchodem tak, že zvýšení
podílu objemu obchodu na HDP o jeden procentní bod zvýší úroveň HDP o 0,5 až 2,0%.
Pozitivní korelaci mezi růstem exportu a ekonomickým růstem prokázali jak dřívější studie např.
Balassa (1978) či novější práce Van den Berg – Lewer (2006). Situaci české ekonomiky z pohledu
růstu a obchodu ilustruje graf následující straně.
V grafu vidíme, že korelace mezi ekonomickým růstem a růstem zahraničního obchodu platí
také v našich podmínkách. Výjimku představuje období let 1997 a 1998. Tuto odchylku můžeme
vysvětlit domácí recesí. Oproti tomu následující ekonomické zpomalení v roce 2000 a globální
recese z let 2008/2009 je spojena se stejným vývojem obchodu a růstu. Skutečnost, že obchod
dosahuje svého minima o kvartál dříve než ekonomický růst, nás opravňuje hovořit o importované
krizi, což potvrzuje význam pozornosti věnované zahraničním vlivů na malou otevřenou
ekonomiku.
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD30
Vývoj obchodu a ekonomický růst (tempa růstu v %)Graf č. 9:
-30
-20
-10
0
10
20
30
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55
–6
–4
–2
0
2
4
6
8
10
HDP (pravá osa)Vývoz zboží a služeb Dovoz zboží a služeb
Zdroj: ČNB
Charakteristika zahraničního obchodu ČR1.2.2.
Daným cílům musí logicky předcházet charakteristika zahraničního obchodu. Z tohoto důvodu
jí začneme. Nejprve se budeme zabývat otevřeností ekonomiky, která nám poslouží jako ilustrace
toho, jak velký vliv na českou ekonomiku může mít zahraničí. Následně se podíváme na samotnou
charakteristiku českého zahraničního obchodu, a to jak z pohledu teritoriální struktury, tak
také z pohledu struktury komoditní.
Otevřenost ekonomiky1.2.2.1.
Skutečnost, že česká ekonomika je do značné míry vystavena zahraničním vlivům, je běžně známa.
Potvrzují nám to také ukazatele otevřenosti ekonomiky, jak je vidno z následující tabulky. Pokud se
podíváme na jednotlivá data, vidíme, že poměr exportu k HDP se pohybuje na relativně vysokých
číslech. Ještě výraznější vliv zahraniční na naši ekonomiku můžeme vidět, pokud se podíváme na poměr
obratu zahraničního obchodu na HDP. Oba ukazatele kulminovaly v předkrizovém roce 2007
hodnotou 80%, respektive 155%. Následující pokles nám ilustruje běžně uváděný fakt, že poslední
recese byla do naší ekonomiky importována ze zahraničí. Jelikož se jedná o poměrové ukazatele, musel
v prvním případě export klesat výrazněji než HDP a tím snižovat produkci domácí ekonomiky.
Otevřenost ekonomiky (ukazatele v poměru k HDP)Tabulka č. 6:
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Export 63% 65% 60% 62% 70% 72% 76% 80% 77% 69% 79%
Obrat 130% 133% 123% 126% 140% 141% 149% 155% 150% 133% 154%
Saldo −3% −3% −2% −2% 0% 3% 3% 5% 5% 6% 5%
Zdroj: ČNB, vlastní zpracování
V této souvislosti je zajímavý ukazatel poměru salda zahraničního obchodu na HDP. Můžeme rozdělit
období na dvě části, kdy česká ekonomika byla nejprve dovozní zemí a následně se změnila ve
vývozce. Zlom koresponduje s rokem 2004, tedy rokem vstupu do EU. Takto skutečnost by sváděla
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD 31
k interpretaci v intencích vstupu do EU. Jelikož bariéry obchodu byly odstraňovány kontinuálně již
v dřívějších dobách, nelze se na tuto interpretaci spolehnout. Jako přijatelnější vysvětlení se jeví oživení
v západní Evropě, která představuje hlavní trh českého exportu. V kontextu ekonomické krize
a vývoje výše zmíněných ukazatelů by se dal očekávat pokles poměru salda na HDP. Ovšem vidíme,
že ukazatel dosahoval maximální hodnoty v roce 2009, kdy jsou ostatní ukazatele na nejnižších
hodnotách téměř za celé desetiletí. Jako možná interpretace tohoto faktu by nám mohla posloužit
reexportní orientace české ekonomiky, ke které se dostaneme později.
I když se ukazatel poměru exportu na HDP běžně používá v ekonomických analýzách, vyslovil
Český statistický úřad jisté pochybnosti ohledně jeho interpretace (ČSU, 2009). ČSU argumentuje
v intencích reexportu a oproti ukazateli poměru exportu na HDP staví podíl exportu na produkci. Pro
rok 2007 pak dostává podíl exportu na HDP 31% pro celkovou produkci, respektive 35% pro tržní
produkci. Dané závěry sice snižují význam zahraničí pro českou ekonomiku, přesto představuje jedna
třetina značný objem produkce, a zabývat se vlivy zahraničního obchodu na ekonomický růst je proto
relevantní.
Srovnání běžně užívaného ukazatele poměru vývozu na HDP a poměru vývozu na produkci
v mezinárodním srovnání zemí EU reprezentuje následující graf.
Podíl vývozu zboží a služeb na produkci a HDP v zemích EU (%, rok 2007)Graf č. 10:
Vývoz/Produkce Vývoz/HDP
0
40
30
20
40
50
60
70
80
90
100
MT BE SK ČR IE NL EE SI AT LT SE DK CY DE NO FI LV IT FR ES
Zdroj: ČSU
Je patrné, že nižší význam zahraničního obchodu z pohledu poměru vývozu na produkci se projevuje
ve všech zmíněných zemích. Přesto lze vypozorovat, že trend je u obou ukazatelů podobný. Země,
které v ukazateli poměru vývozu na HDP dominují, hrají také hlavní roli v případě poměru vývozu
na produkci. Na druhou stranu jsou zde patrné jisté odchylky. Nejvýznamnější z nich se týká právě
české ekonomiky. Danou odchylku je možné vysvětlit vyšší poměrem reexportu v české ekonomice.
Teritoriální struktura zahraničního obchodu1.2.2.2.
Nyní, když jsme si vymezili ČR jako otevřenou ekonomiku, tak se podíváme na samotnou strukturu
zahraničního obchodu. Na tuto problematiku lze pohlížet dvěma úhly pohledu. První představuje
teritoriální zaměření zahraničního obchodu a druhé samotná struktura obchodovaného
zboží. Začneme konkrétními obchodními partnery české ekonomiky dle jejich významnosti:
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD32
Významní obchodní partneři České republiky (dle výše obratu)Tabulka č. 7:
země 2005 2006 2007 2008 2009
Německo 1 1 1 1 1
Slovensko 2 2 2 2 2
Polsko 3 3 3 3 3
Čína 10 10 7 5 4
Francie 5 4 4 4 5
Itálie 6 5 5 6 6
Rakousko 4 6 6 8 7
Rusko 8 7 10 7 8
Nizozemsko 7 8 9 10 9
Velká Británie 9 9 8 9 10
Zdroj: MPO, Ročenka zahraničního obchodu
Vidíme, že dle předpokladů je největším partnerem naši ekonomiky Německo. Samotní sousedé
České republiky s výjimkou Rakouska zaujímají stabilně první tři příčky. Zajímavý je vývoj na
čtvrté pozici umístěné Číny, která zaznamenala největší nárůst významnosti, což odpovídá i růstu
významu Číny ve světové ekonomice. Ze států mimo EU se v žebříčku deseti nejvýznamnějších
obchodních partnerů umístilo Rusko. Zde můžeme očekávat, že významnou roli hraje dovoz
surovin z Ruské federace. Nejvýznamnější ekonomika světa USA skončila až na 14 místě, které
stabilně držela i v předchozích letech. Ekonomická krize neměla na pořadí zemí vliv, což se dalo
očekávat, jelikož zasáhla také zmíněné obchodní partnery.
Z dané tabulky tedy můžeme říct, že nejvýznamnější pro český růst je stav německé ekonomiky.
Daným závěrům odpovídají také konkrétní objemy obchodu. Přibližně 85% exportů směřuje do EU
a zároveň téměř 70% importů odtud pochází, je jednoznačné, že česká ekonomika je silně závislá na
dění ve zbytku Evropské unie. V tomto podílu hraje dominantní roli právě zmiňované Německo, se
kterým dosahuje obrat obchodu cca 30% podílu celkového obratu zahraničního obchodu ČR, kdy
se podíl exportu do Německa pohybuje okolo 32% a importu okolo 26% MPO (2010).
Z daných důvodů se můžeme při snaze odhadnout zahraniční vlivy na naši ekonomiku soustředit
na vliv Německa. Z dlouhodobého hlediska by se jednalo o konkurenceschopnost našich
podniků v kontextu německé konkurence. Z pohledu fluktuací ekonomiky pak hrají roli šoky
v německé ekonomice. I když je USA až 14 nejdůležitějším obchodním partnerem české ekonomiky,
pak pokud nepříznivé podmínky v tamní ekonomice budou působit na německou ekonomiku,
dopady na ČR budou větší než by se z prvního pohledu na významnost USA pro český zahraniční
obchod mohlo zdát.
Komoditní struktura zahraničního obchodu1.2.3.
Když jsme vymezili teritoriální orientace české ekonomiky, tak nyní přistoupíme k struktuře obchodu.
Využijeme standardní členění obchodu do skupin SITC10
:
10 Rozdělení tříd: 0 – potraviny a živá zvířata, 1 – nápoje a tabák, 2 – surové materiály nepoživatelné s výjimkou
paliv, 3 – minerální paliva, maziva a příbuzné materiály, 4 – živočišné a rostlinné oleje, tuky a vosky, 5 – chemikálie
a příbuzné výrobky, 6 – tržní výrobky tříděné hlavně podle materiálu, 7 – stroje a přepravní zařízení, 8 – různé
průmyslové výrobky, 9 – komodity a předměty obchodu netříděné.
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD 33
Struktura zahraničního obchodu dle třídění skupin SITCTabulka č. 8:
export import
SITC 2004 2005 2006 2007 2008 SITC 2004 2005 2006 2007 2008
0 2,7% 3,2% 2,9% 2,9% 3,1% 0 4,5% 4,2% 4,3% 4,4% 5,4%
1 0,5% 0,6% 0,5% 0,6% 0,7% 1 0,6% 0,6% 0,7% 0,5% 0,7%
2 2,7% 2,5% 2,6% 2,7% 2,6% 2 2,8% 2,7% 2,4% 2,7% 2,3%
3 2,9% 3,1% 2,9% 2,7% 3,4% 3 9,2% 9,5% 8,0% 10,4% 9,2%
4 0,1% 0,1% 0,1% 0,1% 0,1% 4 0,2% 0,2% 0,2% 0,2% 0,3%
5 6,0% 6,3% 6,0% 5,8% 6,0% 5 11,0% 10,4% 10,4% 10,3% 11,2%
6 22,6% 21,8% 20,8% 20,2% 19,5% 6 20,5% 20,4% 20,9% 19,7% 17,7%
7 50,9% 51,0% 53,2% 54,2% 53,8% 7 40,3% 41,4% 43,0% 41,3% 41,2%
8 11,5% 11,4% 11,0% 10,8% 10,7% 8 10,8% 10,5% 10,1% 10,4% 11,9%
9 0,1% 0,0% 0,0% 0,0% 0,1% 9 0,1% 0,1% 0,1% 0,1% 0,1%
Zdroj: MPO, Ročenka zahraničního obchodu
Nejvýznamnější třídy jsou jednoznačně třída 6 a 7, tedy tržní výrobky tříděné hlavně podle materiálu
spolu se stroji a přepravními zařízení. To nám dokládá, že český zahraniční obchod se
týká hlavně výrobků zpracovatelského průmyslu. Bezkonkurenčně nejvýznamnější je třída 7, která
se na celkovém exportu podílí více než polovinou a v případě importu představuje průměrně
cca 42%. Třída 7 hraje nejvýznamnější roli v importu i v exportu, což nám naznačuje, že můžeme
mluvit o českém zahraničním obchodu spíše jako o obchodu uvnitř odvětví (intra-industry).
Jelikož třída 7 představuje silně agregovanou veličinu, pak pokud chceme hovořit o intra-industry
obchodu je nutné podívat se na další členění uvnitř této skupiny. Na druhou stranu platí, že budeme-li
uvažovat o mezinárodním obchodu v intencích teorie, tak můžeme předpokládat, že ekonomika,
která by se řídila čistě teorií komparativních výhod, by musela vykazovat rozdílné hodnoty
dovozu a vývozu. Uvedené kategorie navíc agregují charakterově podobné výrobky, a tak lze tedy
předpokládat, že by zde měla být i podobná komparativní výhoda. Při vědomí dané nepřesnosti
můžeme uvažovat o české ekonomice jako o intra-industry.
V rámci komoditní struktury zahraničního obchodu se hovoří o tzv. transformačním výkonu
ekonomiky. Jde o to, jakým způsobem ekonomika využívá importované vstupy zda je spotřebovává
nebo po zpracování exportuje. Pro hodnocení transformačního výkonu se používá
přístup dle Jirgese a Plchové (1996), kdy jsou na jedné straně vzaty dovozy surovin (SITC 2 a 3)
a na druhé straně pak vývozy výrobků (SITC 5, 6, 7 a 8). Vyjdeme-li z předchozí tabulky, hodnoty
pro českou ekonomiku jsou značně pozitivní. Dovoz surovin představuje přibližně 11%
zahraničního obchodu, oproti téměř 90% vývozu výrobků. Na druhou stranu značný rozdíl
v daných hodnotách lze přičítat obchodu uvnitř odvětví, kdy budou využity spíše polotovary
než prvotní suroviny. Můžeme předpokládat, že pro reexportní výrobu bude česká ekonomika
využívat spíše dovozy tříd 5, 6, 7 a 8 než dovozy tříd 2 a 3. Tomu nasvědčují i konkrétní čísla.
V případě třídy 6 a 8 jsou podíly na celkovém obchodu jak v případě dovozu i vývozu na podobné
úrovni. V případě třídy 5 je česká ekonomika čistým dovozcem a v případě třídy 7 naopak
vývozy převyšují přibližně o 10 procentních bodů dovozy. Tyto skutečnosti nám znemožňují
jednoznačné hodnocení transformačního výkonu ekonomiky, což opět můžeme přičíst obchodu
uvnitř odvětví.
Pokud využijeme rozčlenění importů dle Mesároše (2000), získáme tři skupiny dle užití importů:
importy pro osobní spotřebu skupiny SITC 0, 1 a 8, importy pro výrobní spotřebu skupiny
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD34
2–6 a konečně importy pro investiční činnost skupiny 711
. Pokud bychom zde chtěli hodnotit
transformační výkon ekonomiky, vidíme, že skupiny 2–6 představují 40,7% z celkového dovozu.
Skupina SITC 7 pak dosahuje hodnot 41,2%. Tato data můžeme dle dané metodiky interpretovat
tak, že přibližně 80% českých dovozů slouží k výrobě nebo k investicím. Oproti předchozímu
přístupu by nyní vycházel transformační výkon ekonomiky mnohem hůře. Ovšem když se podíváme
na exportní stranu, dosahují skupiny 2–6 podílu 31,6% a skupina 7 53,8%. Daná čísla lze
opět vysvětlit reexportní orientací české ekonomiky a tím, že náš zahraniční obchod má charakter
obchodu uvnitř odvětví, a z tohoto důvodu je hodnocení transformačního výkonu pomocí nastíněných
postupů problematické.
Dle Gertlera (2006) vypovídá exportní struktura o technologické úrovni ekonomiky a zároveň platí,
že vyšší technologická úroveň vede k vyšší ekonomické úrovni. Lze předpokládat, že komodity
třídy 6 a 7 budou patřit spíše mezi produkty s vyšší technologickou úrovní, což by mluvilo pozitivně
pro českou ekonomiku, a dalo by se to interpretovat tak, že zahraniční obchod přispívá k ekonomickému
růstu země. Na druhou stranu dané agregované skupiny představují heterogenní skupinu
výrobků, uvnitř které se může technologická úroveň značně lišit. Z tohoto důvodu se používá detailnější
ukazatel, kterým je podíl technologicky vyspělé tzv. high-tech produkce na celkovém exportu.
Exportní stranou zahraničního obchodu se význam high-tech obchodu nevyčerpává. Irwin (2003)
se zabývá importní stranou, kdy považuje zahraniční obchod za kanál, kterým se do země mohou
dostat nové technologie. Daný příliv zahraničních technologií může mít podobu jednak transferu
know-how, další možnost představuje přímý nákup vyspělejších technologií do výroby, případně
získání důležitých informací zpětným inženýringem a jejich následná replikace. Z naznačeného důvodu
je pro nás zajímavá jak exportní, tak importní stránka high-tech zahraničního obchodu.
Podíl high-tech zahraničního obchodu na celkuTabulka č. 9:
2008 vývoz dovoz
letecká technika 0,5 0,4
výpočetní technika 7,1 6,1
elektronika a telekomunikace 4,8 5,2
farmacie 0,2 0,7
vědecké přístroje 0,7 1,4
elektrotechnika 0,5 0,3
chemie 0,1 0,6
stroje neelektrické 0,8 0,7
ostatní HT 0,1 0,1
celkem podíl high-tech 14,8 15,5
Zdroj: ČSU
11 SITC 7 zahrnuje také produkci pro osobní spotřebu např. automobily. Přesto lze použití dané rozlišení jako ilustraci
využití importů v domácí ekonomice.
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD 35
Z uvedené tabulky vyplývá, že česká ekonomika je čistým dovozcem high-tech výrobků. To můžeme
přičíst technologickému dohánění vyspělejších států a díky tomu můžeme zahraniční obchod
považovat za pozitivní činitel ekonomického růstu. Konkrétní čísla opět potvrzují, že obchod
probíhá spíše uvnitř odvětví, než že by odpovídal teorii komparativních výhod a docházelo ke
specializaci. Abychom si udělali lepší obrázek o high-tech obchodu, podíváme se nyní na vývoj
jeho podílu, jak nám jej přináší níže uvedený graf.
High-tech zahraniční obchod (% celkového obchodu)Graf č. 11:
4,0
5,0
6,0
7,0
8,0
9,0
10,0
11,0
12,0
13,0
14,0
15,0
16,0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
High-tech vývoz High-tech dovoz
Zdroj: ČSU
Z daného grafu můžeme vyčíst několik pozitivních údajů. Zatímco dovoz high-tech zboží vykazuje
relativně stabilní hodnoty v rozmezí 11% až 16%, high-tech vývoz zaznamenal značný růst.
To můžeme přičítat technologické změně české ekonomiky a technologickému vyspění našich výrob.
Vyjdeme-li z Irwinovy (2003) argumentace o přílivu znalostí do ekonomiky pomocí importu
vyspělých technologií, můžeme hodnotit zahraniční obchod jako prospěšný pro ekonomický růst.
Z grafu můžeme také vyčíst technologickou konvergenci české ekonomiky k ekonomikám vyspělejších
obchodních partnerů.
Vývoj zahraničního obchodu1.2.4.
Česká ekonomika tedy může být charakterizována jako výrazně otevřená a navázaná na Německo,
jejíž obchod probíhá dominantě uvnitř odvětví. Po těchto charakteristikách se podíváme přímo na
vývoj zahraničního obchodu. Nejprve se zaměříme na samotný vývoj salda zahraničního obchodu
a vývoj směnných relací a následně se budeme zabývat reexportní orientací české ekonomiky.
Vývoj běžného účtu přináší následující graf. Kromě salda běžného účtu graf ilustruje také čistý export,
což je zde rozdíl mezi vývozem a dovozem zboží a služeb. Důvod k využití tohoto ukazatele
je nasnadě, když se podíváme na vývoj ukazatelů v čase.
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD36
Běžný účet a čistý export (mld. CZK)Graf č. 12:
-80 000
-60 000
-40 000
-20 000
0
20 000
40 000
60 000
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
běžný účet čistý export zboží a služeb
Zdroj: ČNB
Sledované období si můžeme rozdělit dvou částí. První představuje etapa vývoje, kdy byla česká
ekonomika čistým dovozcem, druhou pak období od roku 2005, kdy se překlopila do čistého
vývozce. Pokud bychom použili pouze saldo běžného účtu, toto rozčlenění by nám zaniklo. Jak
vidíme, nejprve se dané ukazatele vyvíjely relativně obdobně. Přelom představuje rok 2000, kdy
se saldo běžného účtu dostává do výraznějšího deficitu než vývoj čistého exportu. Rozdíl mezi
těmito dvěma ukazateli představuje bilance výnosů, která odráží repatriace zisků ze zahraničních
investic. Z tohoto důvodu a dále proto, abychom odfiltrovali tento vliv, budeme pracovat s čistým
exportem. Z jeho vývoje můžeme říci, že konkurenceschopnost české ekonomiky rostla a export
přispíval k ekonomickému růstu. Krize roku 2008 je též patrná, ale i přes pokles zahraniční
poptávky zůstala česká ekonomika čistým vývozcem. V následujícím roce se již projevilo oživení
zahraničního obchodu, který překonal hodnoty z předkrizového roku 2006.
Jako indikátor kvalitativních změn v ekonomice se z pohledu zahraničního obchodu používá
vývoj směnných relací12
, který nám přináší tento graf. Jde o poměr cen vývozu a dovozu.
Směnné relace (index 100 = průměr roku 2005)Graf č. 13:
94,00
95,00
96,00
97,00
98,00
99,00
100,00
101,00
102,00
103,00
104,00
105,00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Zdroj: ČSU, vlastní zpracování
12 Blíže o směnných relacích jako indikátoru kvalitativních změn v ekonomice viz Vintrová (2007).
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD 37
Vývoj směnných relací lze hodnotit jako pozitivní do roku 2005, kdy docházelo k jejich růstu.
Následující období je spojeno s obraty ve vývoji směnných relací. Nejprve se začaly zhoršovat během
roku 2006, rok 2007 ovšem přinesl jejich zlepšení, vystřídané opět zhoršením během roku
2008. V roce 2009 došlo k významnému zlepšení, ale od roku 2010 se postupně zhoršují.
Exportní a importní ceny (index 100 = průměr roku 2005)Graf č. 14:
indexy cen vývozu indexy cen dovozu
85,0
90,0
95,0
100,0
105,0
110,0
115,0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Zdroj: ČSU, vlastní zpracování
Vysvětlení daných směnných relací je značně obtížné, protože když se podíváme na vývoj jednotlivých
cen vyjádřených indexem importních a exportních cen, jak je prezentuje předchozí graf,
vidíme, že vývojový trend indexu importních i exportních cen je silně korelovaný, což lze u malé
otevřené ekonomiky očekávat. Změny ve směnných relacích tedy nejsou způsobeny změnou
v trendu ať již exportních nebo importních cen, ale spíše jejich vzájemnou odchylkou a oscilací.
Reexportní orientace české ekonomiky1.2.4.1.
Jak jsme viděli v předchozích kapitolách, český zahraniční obchod probíhá hlavně uvnitř odvětví.
Z tohoto důvodu můžeme mluvit o reexportní orientaci české ekonomiky. Je tedy vhodné podívat
se na vztah mezi exportem a importem. V případě reexportu můžeme totiž počítat s tím, že
se jedním z významných determinantů importu stane právě exportovaná produkce. Daný vztah
nám reprezentuje uvedený graf.
Vztah exportu a importuGraf č. 15:
1995 1998
1997
2001
2002
2004
2010
2008
2007
2009
45 %
50 %
55 %
60 %
65 %
70 %
75 %
80 %
85 %
45 % 55 % 65 %50 % 60 % 75 %70 % 85 %80 %
Vývoz / HDP
Dovoz/HDP
Zdroj: ČSU, vlastní zpracování
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD38
V grafu jsou použity podíly exportu a importu na HDP pro odstínění nominálních vlivů. Pokud se
podíváme na samotný vývoj veličin optikou ekonomických krizí, tak můžeme identifikovat dva,
respektive tři případy. První představuje krize let 1997 a 1998, kde můžeme pozorovat propad importů
na HDP zapříčiněný omezením domácí poptávky. Dalo by se říci, že se jedná o krizi, která
na rozdíl od poslední ekonomické krize nebyla spojená se šokem zahraniční poptávky.
Druhý případ představuje krize let 2008/2009 společně s ochlazením ekonomického růstu v letech
2001/2002. V obou případech vidíme razantnější propad podílu exportu na HDP než podílu
importu. Můžeme tedy mluvit o importované krizi. Rozdíl mezi těmito dvěma obdobími spočívá
v intenzitě propadů. Zatímco propad z let 2008/2009 stáhl ekonomiku do recese, v období
2001/2002 došlo k zpomalení ekonomického růstu, ovšem recesi se česká ekonomika vyhnula.
Dané závěry odpovídají výše nastíněnému charakteru a vývoji české ekonomiky.
V předchozím grafu můžeme vypozorovat pozitivní závislost mezi exportem a importem, což hovoří
pro významnější roli reexportu. Kvantifikace dané závislosti je zřejmá z následující tabulky.
Odhad závislosti dovozuTabulka č. 10: 13
koeficient směr. chyba t-podíl p-hodnota
konstanta −79 998,4 47 835,9 −1,6724 0,10003
HDP 0,304306 0,114945 2,6474 0,01052
vývoz 0,806249 0,0540318 14,9217 <0,00001
Významnost vývoje HDP je také patrná, je nicméně slabší než v případě vývozu. Pokud se podíváme
na samotnou interpretaci parametrů, můžeme říci, že změna vývozu o jednu korunu povede
k nárůstu importu o 0,8 CZK. Oproti tomu změna HDP o korunu povede k růstu importu o 0,3
CZK. Můžeme říci, že vývoz má na stav dovozu mnohem větší vliv. Dané výsledky můžeme považovat
jednak za důkaz velké otevřenosti, ale hlavně daná data hovoří pro existenci reexportu
v naší ekonomice.
Externí šoky a ekonomický růst české ekonomiky1.2.5.
V českém prostředí malé otevřené ekonomiky se zvláště v kontextu poslední recese hovoří o importované
krizi. Z tohoto důvodu je relevantní položit si otázku, na kolik fluktuace v zahraniční
ekonomice ovlivní ekonomiku domácí.
Pokud se chceme zabývat tím, jak fluktuace jedné ekonomiky ovlivní druhou, máme dle Shina
(2008) dvě možnosti. První představuje obchodní propojení a druhé propojení finanční. Vzhledem
k tomu, že se české ekonomice hypoteční a s ní spojená finanční krize víceméně vyhnuly a zemi
zasáhla až následná krize ekonomická, budeme se dále zabývat obchodní stránkou propojení ekonomik
a tedy šířením šoku skrze obchod.
V případě zahraničních šoků si musíme nejprve zodpovědět otázku jaký vliv bude mít integrace
ekonomik na vývoj cyklu, zda můžeme očekávat sladění cyklů nebo naopak jejich nezávislost.
Tedy zda a jak bude vývoj ekonomiky v zahraničí působit na domácí ekonomiku. V ekonomické
teorii neexistuje na tuto otázku jednoznačná odpověď.
13 Model Cochrane-Orcutt, čtvrtletní data (59 pozorování). Koeficient determinace 0,99. Dále byly do modelu zahrnuty
zpožděné nezávislé proměnné a nezávislá proměnná reálného směnného kurzu. Dané proměnné nepřispěly
k lepšímu vysvětlení variability závisle proměnné.
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD 39
Vyjdeme-li ze standardní teorie komparativních výhod, pak by integrace světového hospodářství
měla vést k větší specializaci a tím k menší sladěnosti cyklů; tak argumentují např. Eichengreen
(1992), Kenen (1969) a Krugman (1993). Na druhou stranu pokud bude mít zahraniční obchod
spíše podobu obchodu uvnitř odvětví (intra-industry), můžeme předpokládat, že se šok bude šířit
přes tento kanál z jedné ekonomiky do druhé ( Frankel a Rose (1998)). Autoři provedli také empirickou
analýzu, která prokázala pozitivní korelaci mezi ekonomickou integrací a provázaností
ekonomických cyklů. Podobně argumentují i Shin and Wang (2003), kteří prokázali, že ve sladění
cyklů hraje obchod uvnitř odvětví významnější roli než obchod samotný.
Z daných teoretických předpokladů vyplývá, že pro hodnocení vztahu obchodu a růstu v českém
prostředí a jeho reakcí na šoky ve světové ekonomice je klíčový charakter českého zahraničního
obchodu. Jak jsme viděli v předchozích kapitolách, lze zahraniční obchod charakterizovat
jako intra-industry. Z tohoto důvodu v souvislosti s naznačenou teorií můžeme očekávat, že česká
ekonomika bude sladěna s vývojem cyklu hlavních obchodních partnerů.
Vliv německé ekonomiky1.2.5.1.
Z pohledu české ekonomiky je nejvýznamnější ekonomika Německa, o které můžeme zároveň
říci, že je klíčová pro Evropskou unii jako celek. Lze tedy předpokládat, že vývoj německé ekonomiky
bude hrát významnou roli ve vývoji českých makroagregátů. Pokud provedeme jednoduchou
regresi a pokusíme se vysvětlit růst české ekonomiky růstem Německa, vidíme, že statistická
významnost parametru hovoří pro tuto hypotézu.
Závislost českého růstu na německémTabulka č. 11: 14
koeficient směr. chyba t-podíl p-hodnota
const 0,0407994 0,0208939 1,9527 0,05788
DE 0,42168 0,173977 2,4238 0,01998
Koeficient determinace dosahoval hodnoty 0,83. Přidání další proměnné k zlepšení modelu nevedlo,
jelikož adjustovaný koeficient determinace klesal. Dané výsledky můžeme interpretovat
tak, že růst německého HDP o procento povede k růstu české ekonomiky o 0,42%. Vývoj v německé
ekonomice je tedy pro nás důležitý a dané empirické výsledky podporují předpoklady teorie
o sladěnosti cyklů v ekonomikách s intra-industry obchodem.
Závěr1.2.6.
Souvislosti ekonomického růstu a zahraničního obchodu hrají důležitou roli zvláště v malých otevřených
ekonomikách. Česká republika je reprezentantem tohoto typu ekonomik. Jedná se o ekonomiku
značně otevřenou a tedy velmi závislou na vnějších determinantech. A to jak v otázkách
dlouhodobého růstu, tak v případě krátkodobých fluktuací.
Na dlouhodobý ekonomický růst působil zahraniční obchod pozitivně hlavně v dovozu
high-tech výrobků, díky kterým pomáhal s technologickou konvergencí hlavně v 90. letech minulého
století.
14 Regrese časové řady pomocí modelu Cochrane-Orcutt za použití čtvrtletních dat (42 pozorování). Data ČNB
a Bundesbank. Využití zpoždění nezávisle proměnné nevedlo k lepšímu vysvětlení variability závisle proměnné.
VNĚJŠÍ VZTAHY – ZAHRANIČNÍ OBCHOD40
Z pohledu krátkodobých fluktuací je důležité, že česká ekonomika je výrazně orientovaná
na Evropskou unii s dominující rolí Německa jako nejvýznamnějšího obchodního partnera.
Vzhledem k tomu, že hlavní obchodní komoditou jsou stroje a to jak na exportní, tak i na importní
straně, můžeme o českém obchodu hovořit jako o obchodu uvnitř odvětví (intra-industry).
Z těchto důvodů je český ekonomický cyklus ovlivněn a do značné míry determinován vývojem
v Německu. V českém zahraničním obchodě hraje významnou roli reexport.
VNITŘNÍ MIGRACE 41
Vnitřní migrace1.3.
Vnitřní migrace představuje proces, při kterém se obyvatelstvo stěhuje mezi územními celky
v rámci jednoho státu (Lux – Večerník – Sunega, 2006). Za vnitřní stěhování je v rámci demografické
statistiky ČR považována změna trvalého bydliště z obce do obce v ČR, eventuálně v případě
Prahy přesun z jednoho urbanistického obvodu do jiného (ČSÚ, 2007).15
Vnitřní migraci lze však chápat i šířeji jako dočasný nebo trvalý přesun obyvatel z jednoho regionu
země do jiného za účelem, příp. s dopadem v podobě zřízení nového bydliště (International
Organization for Migration, 2004).
Migrace, včetně vnitřní migrace, je významným faktorem přispívajícím k efektivnějšímu využívání
výrobního faktoru práce, a tedy determinantou ekonomického růstu. Jako taková je významným
fenoménem hrajícím roli v ekonomice jak na úrovni mezinárodní, tak na úrovni národní.
V této kapitole zkoumáme vliv ekonomických faktorů na vnitřní migraci, kterou chápeme jako pohyb
obyvatelstva mezi jednotlivými kraji ČR. Naším cílem je s využitím rozšířeného gravitačního modelu
otestovat, zda a do jaké míry je migrace mezi kraji v ČR motivována ekonomickými faktory.
V úvodní části se zaměříme na potenciální determinanty vnitřní migrace, poté se podíváme na
migrační charakteristiky jednotlivých krajů ČR a na vývoj vybraných ekonomických determinant
migrace. Za účelem dosažení stanoveného cíle následně pracujeme s modelem založeným na panelových
datech pro 14 krajů za období let 1991–2009.
Determinanty vnitřní migrace1.3.1.
Migrace je komplexně podmíněným procesem (ČSÚ, 2007) v jehož pozadí lze nalézt motivy nejrůznějšího
druhu. Molle – Mourik (1988) In Smith (2003) člení faktory přispívající k migraci obyvatelstva
do čtyř kategorií:
push faktory, což jsou takové okolnosti, které motivují k migraci ve směru ze zdrojového (domovského)
regionu. Patří sem vysoká úroveň nezaměstnanosti, nízké mzdy a málo volných pracovních
míst ve zdrojovém regionu;
pull faktory, což jsou faktory, které naopak přitahují potenciálního migranta směrem do daného
regionu. K těmto faktorům patří vysoké mzdy, dobré sociální zabezpečení a velké množství
volných pracovních míst v cílovém regionu;
nákladové faktory, které jsou spojeny s finanční náročností migrace. Čím jsou tyto náklady
vyšší, tím je samotný přesun bydliště dražší. Do těchto faktorů můžeme zařadit transakční
15 Pojmy stěhování a migrace vnímáme jako synonyma.
VNITŘNÍ MIGRACE42
náklady včetně nákladů na bydlení, socio-kulturní faktory, jazykovou bariéru16
a problémy
s asimilací;
regulace, ke které patří zejména administrativní omezení imigrace v podobě povolení k pobytu,
víz a podobně. Tento faktor při sledování vnitřní migrace nehraje roli.
Na faktory migrace lze nahlížet také z pohledu jejich hlavního motivu. Tyto motivy můžeme rozčlenit
do tří skupin:
ekonomické motivy;
institucionální motivy;
sociální a demografické motivy.
Podívejme se na obecné charakteristiky jednotlivých motivů a pak na konkrétní faktory, které
k těmto motivům můžeme přiřadit.
Ekonomické motivy
Ekonomická migrace je způsobovaná vnímanými rozdíly v životní úrovni nebo pracovních podmínkách
mezi geografickými celky (World Bank, 2007). Potenciální migrant bude pravděpodobně
hledat takový region, kde je reálný přínos z migrace nejvyšší (Greenwood, 1974). Neoklasická
teorie předpokládá, že obyvatelé migrují za prací relativně více tam, kde mohou maximalizovat
očekávaný budoucí užitek z tohoto stěhování, což se týká zejména regionů, kde je relativně vysoká
průměrná mzda (Lux – Večerník – Sunega, 2006).
Význam ekonomických příčin pro vnitřní migraci potvrzují např. Nasar – Aamir (2004) nebo Fidrmuc
(2005), který konstatuje, že důležitým aspektem migrace je skutečnost, že je často motivována ekonomickými
faktory jako hledání nového zaměstnání nebo získání vyšší mzdy. Význam ekonomických faktorů
pro vnitřní migraci v ČR potvrzují např. Lux – Večerník – Sunega (2006), kteří uvádějí, že vnitřní
migrace je zapříčiněna výraznými rozdíly v ekonomické výkonnosti jednotlivých regionů ČR.
Empirické studie dle Borjas (2010) obvykle berou v úvahu coby faktory vnitřní migrace rozdíly
v ekonomické výkonnosti regionů měřeno mzdami a mírou nezaměstnanosti a náklady spojené
s migrací měřené vzdáleností. K těmto faktorům ještě přiřazujeme volná pracovní místa.
Nejjednodušší ekonomické modely migrace vycházejí z toho, že migrace je způsobena současným
rozdílem mezd mezi regiony (World Bank, 2007). Todaro (1968 In World Bank, 2007)
rozšířil a zpřesnil model aplikací očekávaného rozdílu ve mzdách, který vysvětloval migraci více
než rozdíl skutečný. Dle našeho názoru je role očekávaného příjmu výraznější při mezinárodní
migraci, neboť při ní panují výraznější překážky získání relevantních informací. Domníváme se,
že opatřit si potřebné informace v rámci jednoho státu není tak obtížné, a z toho důvodu v našem
modelu pracujeme se skutečným rozdílem mezd.
Další zmiňovaný faktor, tj. nezaměstnanost, souvisí se snahou obyvatel o maximalizaci blahobytu.
Lidé bez práce a s malou vyhlídkou na její nalezení se mohou rozhodnout pro migraci. Lze se domnívat,
že v oblastech s vyšší nezaměstnaností bude existovat tendence k migraci směrem do oblastí
s nezaměstnaností nižší. Čím vyšší bude tento diferenciál, tím lze tyto tendence očekávat vyšší.
Nezaměstnanost a výše mzdy motivují k migraci, ale nejsou jediným faktorem (Peker, 2004).
Svou roli hraje také pravděpodobnost nalezení práce. Todaro (1968 In World Bank, 2007) vysvětluje,
že „o 70 procent vyšší reálná mzda bude mít jen malý dopad na migraci, pokud pravděpodobnost
nalezení místa bude, dejme tomu jedna ku padesáti.“ Pravděpodobnost nalezení práce
vyjadřujeme v modelu počtem volných pracovních míst. Vyšší počet pracovních míst také dává
signál o možných vyšších odměnách a je faktorem zvyšujícím migraci.
16 Tento faktor nehraje v rámci ČR roli.
VNITŘNÍ MIGRACE 43
Posledním faktorem, který je nutné vzít v úvahu, je vzdálenost. Vzdálenost je faktorem jak ekonomickým
(neboť s rostoucí vzdáleností rostou náklady na stěhování), tak faktorem sociálním, neboť
s větší vzdáleností jsou bývalé sociální vazby obtížněji udržovatelné.17
Přínos z migrace je snižován
náklady spojenými s migrací, ke kterým patří případné vyšší životní náklady v cílové destinaci
a náklady na stěhování. Také dostupnost informací s rostoucí vzdálenosti klesá (Greenwood,
1974). Význam faktoru vzdálenosti pro vnitřní migraci v ČR potvrzují např. Fidrmuc – Huber
(2003), kteří uvádějí, že ačkoliv mzdy dobře vysvětlují migrační toky v rámci ČR, současně se ukázalo,
že roste význam faktoru vzdálenost coby bariéry pro migrační toky.
Institucionální motivy
K institucionálním motivům patří flexibilita pracovně-právního zákonodárství (Janíčko, 2010), sociální
systém (Ptáček – Toušek – Polášek, 2007, Fredriksson, 1999 In Huber, 2004) a bytová politika
včetně dostupnosti bydlení (ČSÚ, 2007, Ptáček – Toušek – Polášek, 2007, Sunega, 2009).18
Jako specifikum ČR, které brzdí migraci, uvádí Vavrejnová (2006) nepružný trh práce a také
špatně fungující trh s byty včetně tradičního přístupu k dědění bytů. ČSÚ (2007) uvádí, že dle empirických
analýz je vnitřní migrace ovlivněna zejména pracovním trhem a s trhem s bydlením.
Fredriksson (1999 In Huber, 2004) konstatuje, že za faktor působící proti migraci lze považovat
štědrou sociální politiku v podobě vysokých transferových plateb a z toho pramenící malou potřebu
hledání pracovního místa. Tento faktor však v rámci sledování vnitřní migrace nezvýhodňuje
určité regiony před jinými, neboť působí na všechny kraje stejně.
Sociální a demografické motivy
Při hledání determinantů migrace je nutné brát v úvahu také fakt, že rozhodnutí o případné migraci jsou
ve skutečnosti činěna rodinami, ne jednotlivci (Borjas, 2010). V rámci rodiny lze předpokládat, že je zaměstnaná
více než jedna osoba, a tak vstupují do rozhodování o migraci dopady z hlediska rodiny jako
celku (Ehrenberg – Smith, 2009). Vliv má také možnost zaměstnání rodinného příslušníka (Vavrejnová,
2006). Svou roli mohou hrát také vazby na sociální sítě – rodinu a přátele (Walker, 2006).
K sociálním faktorům patří vedle toho také kvalita životního prostředí (Price, 1950, Walker, 2006),
příp. zdravotní důvody (Price, 1950). V některých studiích se také prokázala vazba: čím vyšší podíl vlastnického
bydlení v daném regionu, tím nižší je míra vnitřní migrace (Lux – Večerník – Sunega, 2006). Dle
výzkumu Fidrmuc (2006) působí vlastnictví rodinného domu v neprospěch vyšší ochoty migrovat.
Řada studií bere vedle ekonomických faktorů v úvahu také demografické faktory vnitřní migrace
jako věk a vzdělání (viz např. Borjas, 2010). Již Greenwood (1974) poukazoval na skutečnost, že
demografické charakteristiky významným způsobem ovlivňují rozhodování o migraci. Dle jeho
názoru klesá pravděpodobnost migrace s věkem, a to z toho důvodu, že starší člověk má kratší
dobu pracovního života, po kterou by mohl využívat výhod vyplývajících z migrace, např. za vyšší
mzdou. Závěry o nižší míře migrace starších generací potvrzuje také Vavrejnová (2006), která stárnutí
obyvatelstva považuje za faktor snižující ochotu ke stěhování.
Obecně tedy platí, že vyšší ochota migrace je patrná u mladších a vzdělanějších osob. V případě
ČR to potvrzuje také Fidrmuc (2005). Ten uvádí, že migrace v ČR je fenoménem spíše demografickým
nežli ekonomickým. To zdůvodňuje typickým profilem českého migranta, kterým je mladý člověk,
většinou muž, který žije ve městě, má vysokoškolské vzdělání (nebo na vysoké škole studuje).
17 Blíže viz Sociální a demografické motivy.
18 Tu ČSÚ (2007) spojuje s intenzitou bytové výstavby, kterou vypočítává jako nevážený průměr standardizovaných
ukazatelů počtu dokončených, rozestavěných a zahájených bytů na tisíc obyvatel.
VNITŘNÍ MIGRACE44
K faktorům, které migraci snižují, lze zařadit tradiční neochotu (hlavně starších generací) ke stěhování,
která je spojena s psychologickými vlivy a nejistotou (Bentivogli – Pagano, 1999 In Huber,
2004). Jedinci s averzí k riziku mohou být méně motivováni k využití výhody vyšších příjmů v jiném
regionu, pokud jsou spokojeni se svým životem (World Bank, 2007).
Migrační charakteristiky jednotlivých krajů1.3.2.
V této části se podívejme na charakteristiky migrace pro jednotlivé kraje ČR, tedy na úrovni NUTS 3.19
Prvním ukazatelem, na který se zaměříme, je obrat migrace. Podívejme se na jeho kumulativní
výsledek od roku 1991 do roku 2009. Vnitřní migrace v ČR se začala od 90. let koncentrovat pouze
do některých regionů (Lux – Večerník – Sunega, 2006).
Kumulativní obrat migrace v letech 1991–2009 (v tis.)Graf č. 16:
< 89
90–109
110–129
130–149
150–169
170–190
> 210
Zdroj: vlastní výpočty; data ČSÚ
V námi sledovaném období let 1991–2009 se ukazuje, že výrazné migrační toky v rámci ČR jsou
koncentrovány zejména do dvou krajů. Jedná se o Prahu (kumulativní obrat 546 508) a Středočeský
kraj (kumulativní obrat 483 131). S větším odstupem pak následují ostatní kraje, u nichž kumulativní
obrat za sledované období dosahuje hodnot přibližně mezi 86 000 a 200 000. Konkrétně
třetím migračně nejvýznamnějším krajem je kraj Ústecký (s migračním obratem 200 321) následovaný
Jihomoravským krajem (195 537). Naproti tomu krajem s nejmenšími migračními toky je
dlouhodobě Karlovarský kraj (kumulativní obrat 86 794). Velmi výrazný výsledek Středočeského
kraje je pravděpodobně možné přičíst procesu tzv. suburbanizace.20
Suburbanizace představuje
příliv obyvatel do okrajových oblastí velkých měst, který je spojen se snahou zabezpečit si vyšší
kvalitu života a zdravější životní prostředí (Toušek a kol., 2008).
Nevýhodou výše uvedeného ukazatele obratu migrace je skutečnost, že nebere v úvahu velikost
kraje, kterou můžeme uvažovat ve smyslu velikosti populace, nikoliv rozlohy kraje. Tento
nedostatek je odstraněn v ukazateli hrubé míry migrace. Ten je definován jako polovina podílu
obratu migrace a celkového počtu obyvatel v daném regionu (Lux – Večerník – Sunega, 2006). Je
19 ČSÚ sleduje počet případů stěhování. ČSÚ sledoval do konce roku 2004 vnitřní migraci včetně důvodů pro
migraci, kterými byly: změna pracoviště, přiblížení k pracovišti, učení a studium, zdravotní důvody, sňatek, rozvod,
následování rodinných příslušníků a jiné důvody (Lux – Večerník – Sunega, 2006). Od roku 2005 jsou však údaje
o migraci obyvatelstva přebírány ČSÚ od Ministerstva vnitra ČR (ČSÚ, 2007).
20 Dle ČSÚ (2010) akceleroval proces suburbanizace spojený s výstavbou nových bytů po roce 2000, kdy se zlepšila
dostupnost hypoték a zvýšila se i porodnost.
VNITŘNÍ MIGRACE 45
ukazatelem celkové migrační mobility (ČSÚ, 2007). Ukazatel hrubé migrace (GM) pro jeden rok
má tuto podobu:
,
kde IM je počet přistěhovalých, OM je počet vystěhovalých a POP je počet obyvatel daného kraje.
Hrubá míra migrace (1991 a 2009)Graf č. 17:
0,000
0,005
0,008
0,012
0,016
0,002
0,006
0,010
0,014
0,020
0,018
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHA STC JHC PLK KVK ULK LBK HKK PAK VYS JHM OLK ZLK MSK
1991 2009
Zdroj: vlastní výpočty; data ČSÚ
Jak je vidět v grafu č. 17, je největší migrační mobilita stále charakteristická pro Prahu a Středočeský
kraj, avšak tyto kraje jsou dlouhodobě následovány krajem Karlovarským a Libereckým.
Naproti tomu nejnižší migrační mobilita je dlouhodobě patrná u obyvatel Moravskoslezského kraje.
Zajímavé je také srovnání migrační mobility mezi rokem 1991 a rokem 2009. Zatímco v případě 8 krajů
(Praha, Středočeský, Liberecký, Ústecký, Královéhradecký, Pardubický, Plzeňský a Jihomoravský kraj) migrační
mobilita obyvatel vzrostla, u ostatních (včetně zmiňovaného Moravskoslezského kraje) klesla.
Nyní se podívejme na vývoj migračního salda jednotlivých krajů ČR. Jak uvádí Fidrmuc (2005),
pro většinu krajů jsou toky přílivu a odlivu obyvatel srovnatelné, takže je celkové migrační saldo
velmi malé. To se nám také potvrzuje v grafu č. 18 zachycujícím kumulativní migrační saldo za
celé sledované období let 1991–2009.
Kumulativní migrační saldo v letech 1991–2009 (v tis.)Graf č. 18:
< −20
−19 – −10
−9 – −5
−4 – 0
1 – 5
6 – 10
> 11
Zdroj: vlastní výpočty; data ČSÚ
VNITŘNÍ MIGRACE46
Jak je patrné, hodnota kumulativního salda vnitřní migrace se za celé sledované období pohybuje
převážně v intervalu −9 000 až +9 000. To platí pro 9 krajů – Vysočina (−8 931), Olomoucký
(−7 354), Královéhradecký (−4 920), Zlínský (−2 095), Jihomoravský (−1 873), Liberecký (+463),
Pardubický (+572), Jihočeský (+5 392) a kraj Plzeňský (+8 868).
Za sledované období 1991–2009 došlo k výraznému čistému přílivu migrantů u Středočeského
kraje, pro nějž hodnota kumulativního salda vnitřní migrace výrazně převyšuje ostatní kraje
(+104 911). Zbývající kraje realizovaly významnější záporné migrační saldo – kraj Ústecký
(−12 773), Karlovarský (−16 132), Praha (−27 726) a Moravskoslezský (−38 402).
Výše uvedený vývoj může překvapit pouze u Prahy, kde je pozorováno druhé největší záporné
saldo kumulativní vnitřní migrace ve výši 27 726 osob. Tento vývoj je s největší pravděpodobností
vysvětlitelný stěhováním obyvatel Prahy do oblastí spadajících již územně do Středočeského kraje
(tedy již zmíněnou suburbanizací). Tuto domněnku potvrzuje skutečnost, že právě Středočeský
kraj je krajem s největším kumulativním přírůstkem, a to ve výši 104 911 osob.
Pokud obdobně jako u migračního obratu vezmeme v souvislosti s migračním saldem v úvahu
také počet obyvatel jednotlivých krajů, dostáváme se k ukazateli čisté míry migrace. Tento ukazatel
je definován jako polovina podílu migračního salda a celkového počtu obyvatel v daném regionu
(Lux – Večerník – Sunega, 2006). Jedná se o indikátor selektivnosti migrace – čím větší jsou
rozdíly v počtu vystěhovaných a přistěhovaných (absolutní hodnota migračního salda), tím vyšší
je hodnota čisté míry migrace (ČSÚ, 2007).
Ukazatel čisté migrace (NM) má tuto podobu:
,
kde IM je počet přistěhovalých, OM je počet vystěhovalých a POP je počet obyvatel daného kraje.
Výsledky pro začátek a konec sledovaného období (rok 1991 a 2009) jsou uvedeny v grafu č. 19.
Čistá míra migrace (1991 a 2009)Graf č. 19:
0,000
0,001
0,002
0,003
0,004
0,005
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHA STC JHC PLK KVK ULK LBK HKK PAK VYS JHM OLK ZLK MSK
1991 2009
Zdroj: vlastní výpočty; data ČSÚ
Zatímco v roce 1991 mezi kraji nebyly příliš dramatické odchylky a největší rozdíly v migračním
pohybu byly v případě Prahy, v roce 2009 výrazně vybočuje Středočeský kraj následovaný s větším
odstupem Karlovarským krajem.
Tolik k vývoji vnitřní migrace, nyní se podívejme na faktory, které mohou stát za danými migračními
toky.
VNITŘNÍ MIGRACE 47
Vývoj determinant vnitřní migrace1.3.3.
V této podkapitole se zaměříme na vývoj vybraných ekonomických determinant vnitřní migrace.
Konkrétně se podíváme na to, u kterých krajů se dají očekávat migrační tendence způsobené rozdílnou
úrovní nezaměstnanosti, volných pracovních míst a mezd.
Začneme vývojem míry nezaměstnanosti od roku 1991, který je zachycen v grafu č. 20.21
Rozdíly
mezi kraji jsou poměrně výrazné. Na jedné straně stojí Praha, kde je úroveň nezaměstnanosti
dlouhodobě hluboko pod celorepublikovým průměrem (v roce 2009 byla míra nezaměstnanosti
v Praze nižší o 5,58 p.b. než průměr ČR). Mezi další kraje, u nichž se míra nezaměstnanosti pohybuje
spíše pod celorepublikovým průměrem, patří kraj Středočeský, Jihočeský, Královéhradecký,
Plzeňský, Pardubický a Liberecký (seřazeno vzestupně dle úrovně z roku 2009).22
Dlouhodobě je nejvyšší míra nezaměstnanosti v Ústeckém a Moravskoslezském kraji, které tak
představují potenciální zdrojové kraje pro migraci v rámci ČR.23
Vývoj míry nezaměstnanostiGraf č. 20:
0
12
10
8
6
4
2
1991 1992 1993 1994 1995 1996 1997 1998 1999 20102009200820072006200520042003200220012000
0
20
12
14
16
18
10
8
6
4
2
1993 1994 1995 1996 1997 1998 1999 20102009200820072006200520042003200220012000
Česká republika
Česká republika
Praha
Jihočeský
Liberecký
Plzeňský
Pardubický
Středočeský
Královéhradecký
Vysočina
Zlínský
Karlovarský
Jihomoravský
Moravskoslezský
Ústecký
Olomoucký
Zdroj: data ČSÚ
21 Kraje jsou rozděleny na dvě skupiny dle toho, zda se jejich míra nezaměstnanosti během sledovaného období
pohybovala pod nebo nad průměrnou úrovní ČR.
22 Poslední dva jmenované byly v roce 2009 nad průměrem ČR.
23 Tyto dva kraje se dlouhodobě vyrovnávají se strukturálními změnami z 90. let. Jak uvádí ČSÚ (2010), v těchto dvou
krajích nastal v 90. letech výrazný nárůst nezaměstnanosti související s úpadkem těžkého průmyslu (v Ústeckém
kraji během let 1993–2000 o 51 000 osob a v Moravskoslezském o 44 000 osob).
VNITŘNÍ MIGRACE48
V následujícím grafu je zachycen vývoj počtu volných pracovních míst. Jak je patrné, největší počet
volných pracovních míst je dlouhodobě v Praze, která je následována Středočeským krajem.
Vývoj počtu volných pracovních místGraf č. 21:
0
30 000
25 000
20 000
15 000
10 000
5 000
1999 20102009200820072006200520042003200220012000
1999 20102009200820072006200520042003200220012000
0
14 000
12 000
10 000
8 000
6 000
4 000
2 000
Praha
Karlovarský
Pardubický
Jihočeský
Liberecký
Středočeský
Plzeňský
Královéhradecký
Vysočina
Olomoucký
Moravskoslezský
Ústecký
Jihomoravský
Zlínský
Zdroj: data ČSÚ
VNITŘNÍ MIGRACE 49
Jak již bylo zmíněno, další uvažovanou determinantou vnitřní migrace v ČR je výše mezd (viz
graf č. 22).
Vývoj průměrné hrubé mzdyGraf č. 22:
0
30 000
25 000
20 000
15 000
10 000
1999 2009200820072006200520042003200220012000
1999 2009200820072006200520042003200220012000
10 000
25 000
20 000
15 000
Česká republika
Jihomoravský
Středočeský
Ústecký
Praha
Plzeňský
Královéhradecký
Moravskoslezský
Česká republika
Jihočeský
Karlovarský
Liberecký
Pardubický
Vysočina
Olomoucký
Zlínský
Zdroj: data ČSÚ
Z tohoto pohledu je opět dlouhodobě nejatraktivnější Praha, kde je výše průměrné mzdy vysoko
nad celorepublikovým průměrem. Z ostatních krajů ČR by mohly k atraktivním krajům z hlediska
výše mzdy patřit ty, které se nejvíce přibližují celorepublikovému průměru, tj. první skupina krajů
znázorněná v horním grafu. Jedná se o kraj Středočeský, Plzeňský, Jihomoravský, Moravskoslezský,
Ústecký a kraj Královéhradecký (seřazeno dle výše průměrné hrubé mzdy v roce 2009).
Modely vnitřní migrace1.3.4.
V této části již přistoupíme k samotné konstrukci modelů vnitřní migrace. Zde provádíme několik
postupných kroků. Za výchozí model migrace jsme vybrali gravitační model, který k testování
migračních faktorů použili například Lewer a Van den Berg (2008). Vzhledem k tomu, že většina
modelů migrace řeší migraci mezinárodní, museli jsme nutně provést určité modifikace. Cílem
modelů bylo určit, do jaké míry jsou ekonomické proměnné relevantní při vysvětlení vnitřní
migrace v ČR. Za tím účelem jsme vytvořili dva hlavní modely – první „čistě gravitační“, který
nezahrnuje ekonomické faktory, ke kterému v druhém modelu přidáváme jako další vysvětlující
proměnné ekonomické faktory. Srovnáním těchto dvou modelů ukazujeme vliv ekonomických
faktorů. Vzhledem k tomu, že toky mezi některými kraji vykazují na první pohled charakteristiky,
VNITŘNÍ MIGRACE50
které vypovídají o tom, že migrace není motivována ekonomickými faktory, konstruujeme třetí,
alternativní model, ve kterém tyto toky vynecháváme.
Není-li uvedeno jinak, ve všech modelech jsou použita data zahrnující 14 krajů ČR (vč. Prahy),
pozorování pokrývají časové období 19 let (1991–2009 včetně). Vzhledem k nedostupnosti některých
dat pracují modely s menším než maximálně možným počtem pozorování.24
Gravitační model vnitřní migrace (1)1.3.4.1.
Výchozím bodem naší analýzy jsou výsledky modelu založeného čistě na „gravitačních“ proměnných.
Klasická podoba tohoto modelu vychází z Newtonova gravitačního zákona, dochází pouze
k obměně proměnných. Běžně používaný formální zápis, využívaný například pro analýzu obchodu,
ale použitelný i pro naše účely, má podobu:
,
kde Fij
jsou migrační toky mezi kraji (ekvivalent gravitační síly), G je konstanta, Mi
a Mj
jsou velikost
populace krajů (ekvivalent hmotnosti) a Dij
je vzdálenost mezi kraji. K odstranění heteroskedasticity
dat u migračních toků – což je naše vysvětlovaná proměnná – používáme ve všech
modelech logaritmus této proměnné (značíme Log(MF)). Namísto násobků populace vkládáme
jako separátní proměnné jak populaci zdrojového, tak cílového kraje, přičemž logika zůstává stejná
jako u gravitačního modelu. Tímto rozdělením jsme však schopni určit, zda hraje odlišnou roli
velikost cílového nebo zdrojového kraje.
Podívejme se tedy na odhady parametrů „čistě gravitačního“ modelu migrace. Model je založen
na panelových datech za použití 3458 pozorování. Zahrnuto je 196 průřezových jednotek. Délka
časové řady je minimálně 16 a maximálně 18. Model je postaven na pevných efektech.
Rovnice tohoto modelu č. 1 má následující podobu:
Log(MF) = α0 + α1 * POP(t) + α2 * POP(s) + α3 * DIST,
kde Log(MF) je logaritmus migračních toků ze zdrojového do cílového kraje, POP(t) je počet
obyvatel cílového kraje, POP(s) je počet obyvatel zdrojového kraje, DIST je vzdálenost mezi kraji
(měřená vzdáleností krajských měst) a α0 – α3 jsou parametry.
Odhady parametrů modelu č. 1Tabulka č. 12:
koeficient směr. odchylka t-podíl p-hodnota
α0
4,4822 0,0372314 120,3875 <0,00001
α1
0,148448 0,00295805 50,1843 <0,00001
α2
0,141621 0,0029653 47,7593 <0,00001
α3
−0,00635296 8,62372e-05 −73,6684 <0,00001
Zdroj: vlastní výpočty
24 V použitých datových řadách chybí následující data: údaje o mzdách pro roky 1991 a 1992, údaje o volných
pracovních místech pro roky 1991, 1992, 1994, 1996, 1997 a 1998.
VNITŘNÍ MIGRACE 51
Charakteristiky modelu č. 1Tabulka č. 13:
střední hodnota závisle proměnné 5,325514 sm. odchylka závisle proměnné 1,030295
součet čtverců reziduí 914,6140 sm. chyba regrese 0,529757
koeficient determinace 0,750761 adjustovaný koeficient determinace 0,735619
F (198, 3259) 49,57994 P-hodnota(F) 0,000000
logaritmus věrohodnosti −2 607,217 Schwarzovo kritérium 6 835,975
rho (koeficient autokorelace) −0,012926 Durbin-Watsonova statistika 1,839192
Poznámka: Test pro různé intercepty mezi skupinami – Nulová hypotéza: Skupiny mají společný intercept.
Testovací statistika: F (195, 3259) = 0,382531 s p-hodnotou = P (F (195, 3259) > 0,382531) = 1.
Zdroj: vlastní výpočty
Výsledky modelu jsou relativně uspokojivé. Obě proměnné se ukázaly jako statisticky významné
a výsledný koeficient determinace je poměrně vysoký. Je tedy zřejmé, že jak vzdálenost, tak velikost
krajů jsou v ČR významnými determinantami migračních toků. Konkrétně z modelu vyplývá,
že každý kilometr vzdálenosti snižuje migrační toky o 0,635%. Vliv velikosti kraje měřený
populací se také potvrdil, s tím že velikost má vliv bez ohledu na to, zda se jedná o cílový nebo
zdrojový kraj. Nárůst populace kraje o sto tisíc obyvatel zvyšuje migrační toky o 14%. Zdá se tedy,
že samotné gravitační faktory vysvětlují migrační toky poměrně dobře; naším cílem je ale analýza
vlivu ekonomických faktorů. Podívejme se tedy, jak se výsledky modelu změní zahrnutím ekonomických
proměnných.
Rozšířený gravitační model vnitřní migrace (2)1.3.4.2.
Ekonomické faktory migrace testujeme na modelu inspirovaném gravitačním modelem mezinárodní
migrace vytvořeným Lewerem a Van den Bergem (2008). V rámci úprav spjatých se sledováním
vnitřní migrace jsme výchozí Lewerův a Van den Bergův model výrazně modifikovali.
Z modelu jsme odstranili proměnné irelevantní pro migraci v rámci jedné země, konkrétně společnou
řeč, koloniální vazby, společné hranice a počet příslušníků zdrojového regionu, kteří již
v cílovém regionu žijí. Také jsme nahradili Lewerem a Van den Bergem použitý ukazatel HDP
na hlavu (další ekvivalent hmotnosti) průměrnou mzdou, neboť se domníváme, že tato je při rozhodování
o migraci mezi kraji podstatnějším faktorem než HDP. HDP na hlavu má svůj smysl
u mezinárodní migrace, kde jsou údaje o mzdách relativně hůře dostupné a HDP tak může sloužit
jako přibližný ukazatel mzdy. Je však třeba dodat, že HDP na hlavu a průměrná mzda v kraji
jsou – alespoň v případě ČR – ukazatele výrazně korelované. Do modelu jsme jako vysvětlující
proměnné přidali nezaměstnanost a počet volných pracovních míst, které by měly identifikovat
pravděpodobnost nalezení práce. Očekáváme, že čím je nezaměstnanost v cílovém kraji nižší, tím
je vyšší tok do cílového kraje a naopak: čím vyšší nezaměstnanost ve zdrojovém kraji, tím větší
odliv migrantů. U volných pracovních míst očekáváme, že vyšší počet volných pracovních míst
v cílovém kraji bude faktorem promigračním, vyšší počet volných pracovních míst ve zdrojovém
kraji bude působit proti migraci.
Postupným testováním jednotlivých proměnných se jako nejspolehlivější ukázal následující model
využívající pevné efekty za použití 3094 pozorování. Zahrnuto je 196 průřezových jednotek.
Délka časové řady je minimálně 15 a maximálně 17.
VNITŘNÍ MIGRACE52
Rovnice modelu č. 2 má tento tvar:
Log(MF) = β0 + β1 * POP(t) + β2 * POP(s) + β3 * (W(t)/W(s)) + β4 * DIST +
β5 * U(s) + β6 * U(t) + β7 * (FWP(t) − FWP(s))
kde Log(MF) je logaritmus migračních toků ze zdrojového do cílového kraje, POP(t) je počet
obyvatel cílového kraje, POP(s) je počet obyvatel zdrojového kraje, W(t)/W(s) je podíl mezd mezi
cílovým a zdrojovým krajem, DIST je vzdálenost mezi kraji (měřená vzdáleností krajských měst),
U(s) je míra nezaměstnanosti zdrojového kraje, U(t) je míra nezaměstnanosti cílového kraje,
FWP(t) − FWP(s) je rozdíl mezi počtem volných pracovních míst u cílového a zdrojového kraje
a β0 – β7 jsou parametry.
Odhady parametrů modelu č. 2Tabulka č. 14:
koeficient směr. odchylka t-podíl p-hodnota
β0
4,13765 0,120526 34,3298 <0,00001
β1
0,140489 0,00400681 35,0626 <0,00001
β2
0,153843 0,00380462 40,4358 <0,00001
β3
0,272689 0,113578 2,4009 0,01642
β4
−0,00645374 8,95767e-05 −72,0470 <0,00001
β5
0,0240133 0,00344069 6,9792 <0,00001
β6
−0,0189239 0,00352364 −5,3706 <0,00001
β7
0,0133118 0,0031023 4,2909 0,00002
Zdroj: vlastní výpočty
Charakteristiky modelu č. 2Tabulka č. 15:
střední hodnota závisle proměnné 5,302995 sm. odchylka závisle proměnné 1,040086
součet čtverců reziduí 748,4802 sm. chyba regrese 0,508822
koeficient determinace 0,776302 adjustovaný koeficient determinace 0,760672
F (202, 2891) 49,66668 P-hodnota (F) 0,000000
logaritmus věrohodnosti −2194,732 Schwarzovo kritérium 6 021,019
rho (koeficient autokorelace) −0,049554 Durbin-Watsonova statistika 1,854461
Poznámka: Test pro různé intercepty mezi skupinami – Nulová hypotéza: Skupiny mají společný intercept.
Testovací statistika: F (195, 2891) = 0,47778 s p-hodnotou = P (F (195, 2891) > 0,47778) = 1.
Zdroj: vlastní výpočty
Výsledky modelu zahrnujícího statisticky významné ekonomické proměnné naše očekávání nenaplnily
zcela. Model sice vykazuje určité zpřesnění, ale pouze mírné až nepatrné. Koeficient determinace
modelu narostl jen o 3 tisíciny. Součet čtverců reziduí poklesl o 18% na 748,5. Přidáním
dodatečných proměnných téměř nedošlo k ovlivnění koeficientů u proměnných populace a vzdálenost.
U přidaných proměnných se potvrdil očekávaný vliv. Nárůst nezaměstnanosti o 1 p.b. ve
zdrojovém kraji zvyšuje migrační tok z kraje o 2,4%, a naopak snížení nezaměstnanosti v cílovém
kraji zvyšuje příliv migrantů o 1,9%. Také u mezd se projevil očekávaný dopad, i když hladina
VNITŘNÍ MIGRACE 53
spolehlivosti je nižší. Dle výsledků modelu zvýšení podílu mezd o 1 p.b. zvyšuje migraci o 27%.
Pro úplnost je třeba dodat, že ukazatel podílu mezd v ČR v rámci dostupných dat nabývá hodnot
0,647729–1,5438. Schwarzovo kritérium pokleslo z 6835,975 na 6021,019. Model zahrnující ekonomické
faktory lze tedy považovat za přesnější a lepší než „čistě gravitační“ model, na druhou
stranu role ekonomických faktorů se v modelu projevila slaběji, než jsme očekávali.
Modifikovaný gravitační model vnitřní migrace v ČR (bez migračního toku1.3.4.3.
Praha – Středočeský kraj) (3)
Vzhledem k nenaplněným očekáváním modelu č. 2 směřovala naše úvaha k určité úpravě modelu.
Migrační data ukazují „nestandardní“ toky mezi Prahou a Středočeským krajem., U migrace Praha
– Středočeský kraj předpokládáme malou roli ekonomických proměnných, což se mohlo odrazit
v modelu č. 2 nižšími než předpokládanými hodnotami odhadnutých parametrů. Za motivy skryté
u migračního toku Praha – Středočeský kraj lze považovat suburbanizaci s cílem dosáhnout lepší
kvality bydlení a životního prostředí a přitom relativní dostupnosti Prahy. Na základě této úvahy
tedy konstruujeme alternativní model, který nezahrnuje tok z Prahy do Středočeského kraje.
Jedná se o model OLS, za použití pozorování 1–3686 (n = 3060). Chybějící nebo nekompletní
pozorování (626) byla vynechána.
Tvar rovnice tohoto modelu č. 3 je následující:
Log(MF) = γ0 + γ1 * POP(t) + γ2 * POP(s) + γ3 * (W(t)/W(s)) + γ4 * DIST +
γ5 * U(s) + γ6 * U(t) + γ7 * (FWP(t) − FWP(s))
kde Log(MF) je logaritmus migračních toků ze zdrojového do cílového kraje, POP(t) je počet
obyvatel cílového kraje, POP(s) je počet obyvatel zdrojového kraje, W(t)/W(s) je podíl mezd mezi
cílovým a zdrojovým krajem, DIST je vzdálenost mezi kraji (měřená vzdáleností krajských měst),
U(s) je míra nezaměstnanosti zdrojového kraje, U(t) je míra nezaměstnanosti cílového kraje,
FWP(t) − FWP(s) je rozdíl mezi počtem volných pracovních míst u cílového a zdrojového kraje
a γ0 – γ7 jsou parametry. Výsledky modelu jsou následující.
Odhady parametrů modelu č. 3Tabulka č. 16:
koeficient směr. odchylka t-podíl p-hodnota
γ0
4,00942 0,11684 34,3154 <0,00001
γ1
0,131831 0,00386457 34,1126 <0,00001
γ2
0,149202 0,00365803 40,7875 <0,00001
γ3
0,419796 0,110262 3,8073 0,00014
γ4
−0,00621505 8,6432e-05 −71,9069 <0,00001
γ5
0,0241061 0,00327971 7,3501 <0,00001
γ6
−0,0166022 0,003356 −4,9470 <0,00001
γ7
0,0122957 0,00293265 4,1927 0,00003
Zdroj: vlastní výpočty
VNITŘNÍ MIGRACE54
Charakteristiky modelu č. 3Tabulka č. 17:
střední hodnota závisle proměnné 5,264309 sm. odchylka závisle proměnné 0,977222
součet čtverců reziduí 724,2449 sm. chyba regrese 0,487136
koeficient determinace 0,752075 adjustovaný koeficient determinace 0,751507
F (7, 3052) 1 322,599 P-hodnota (F) 0,000000
logaritmus věrohodnosti −2 137,160 Schwarzovo kritérium 4 338,529
Zdroj: vlastní výpočty
Jak je vidět ze srovnání modelů s celým datovým vzorkem omezeným o toky Praha – Středočeský
kraj, došlo k mírnému poklesu součtu čtverců reziduí, snížila se hodnota Schwarzova kritéria,
a lze jej tedy považovat za lepší. Na druhou stranu se mírně snížil koeficient determinace modelu,
a tak celkové hodnocení vyznívá nejednoznačně. Kromě těchto nevýrazných změn lze pozorovat
jednu změnu podstatnou, a tou je výrazný nárůst parametru u proměnné podílu mezd. Hodnota
parametru u modelu nezahrnujícího toky z Prahy do Středočeského kraje se zvýšila z 0,27 na 0,42
a současně se zvýšila statistická významnost parametru, kdy došlo k poklesu p-hodnoty z 0,016
na 0,00014. Tento vývoj je v souladu s naší domněnkou, že toky Praha – Středočeský kraj jsou
motivovány neekonomickými faktory. Zahrnutím neomezených dat do modelu č. 2 tak došlo
k oslabení vlivu ekonomických proměnných. Použitím celého datového souboru tak mohou výsledky
modelu vykazovat globálně nižší hodnoty, než by tomu mohlo být při analýze některých
bilaterálních toků.
Závěr1.3.5.
K testování vlivu ekonomických proměnných na vnitřní migraci v ČR jsme použili gravitační model
v několika variacích. Prvním byl model založený čistě na „gravitačních“ proměnných, tj. na
populaci a vzdálenosti krajů. Cílem konstrukce tohoto modelu bylo jednak určit výchozí bod pro
komparaci s rozšířeným modelem a pak také identifikovat vliv zahrnutých „gravitačních“ proměnných.
Výsledky modelu byly do značné míry překvapující. Ukázalo se, že jen s těmito proměnnými
je koeficient determinace modelu vyšší než 0,7 a všechny zahrnuté proměnné se ukázaly jako
statisticky významné.
Za účelem odhalení vlivu ekonomických proměnných jsme původní model rozšířili a jako vysvětlující
proměnné do něj zahrnuli míry nezaměstnanosti v cílovém a zdrojovém kraji, podíl
mezd cílového a zdrojového kraje a rozdíl v počtu volných pracovních míst. Výsledkem bylo mírné
zpřesnění modelu. Ačkoliv koeficient determinace zůstal téměř nezměněný, zakomponované
ekonomické proměnné se ukázaly jako statisticky významné na hladině 1% s výjimkou mezd, kde
byla hladina spolehlivosti nižší. Došlo také k poklesu součtu čtverců reziduí a k poklesu hodnoty
Schwarzova kritéria. Model zahrnující ekonomické proměnné lze považovat za přesnější a spolehlivější
než model „čistě gravitační“. Přesto jsme vliv ekonomických proměnných očekávali na
vyšší úrovni. I tak lze na základě výsledku modelu č. 2 konstatovat, že ekonomické faktory hrají
ve vnitřní migraci v ČR svou roli.
V souvislosti s nenaplněním našich očekávání a vzhledem k faktu, že samotná migrační data
ukazovala na „nestandardní“ toky mezi Prahou a Středočeským krajem, sestrojili jsme třetí model,
který tyto „nestandardní“ toky nezahrnuje. Toto omezení jsme zvolili s cílem vyřadit toky, které
VNITŘNÍ MIGRACE 55
na první pohled nejsou motivovány ekonomicky a otestovat dopad tohoto vyřazení na jednotlivé
parametry. Výsledky tohoto modelu byly v souladu s našimi očekáváními, kdy se výrazně zvýšil
parametr u mezd, přičemž ostatní parametry zůstaly víceméně stejné.
Na základě provedené analýzy lze konstatovat, že ekonomické faktory mají vliv na vnitřní migraci
v ČR. Míra vlivu ekonomických faktorů na vnitřní migraci v ČR je však mezi různými kraji
odlišná a mohou převažovat vlivy jiné. Zahrnutí dalších neekonomických proměnných by mohlo
vést k dalšímu zpřesnění modelu; k dalšímu výzkumu se nabízí například některý z ukazatelů
kvality životního prostředí, počet univerzit, dostupnost bydlení a jiné charakteristiky týkající se
bydlení a podobně.
56
VNĚJŠÍ MIGRACE 57
Vnější migrace1.4.
Součástí probíhajících procesů globalizace ve světové ekonomice je i rostoucí intenzita migračních
toků. Ta se ve vyspělých tržních ekonomikách projevovala silným přílivem cizinců na tamní
trhy práce, což posílilo snahy výzkumníků o vyhodnocení ekonomických dopadů pracovní imigrace.
Frekventovaná (a zároveň politicky citlivá) je otázka, jak imigrace ovlivňuje trh práce z hlediska
domácích pracovníků. Tomuto problému se budeme věnovat v této kapitole, kde se pokusíme
prozkoumat dopady přílivu cizích pracovníků na český trh práce. Zajímat nás bude především vliv
na nezaměstnanost a mzdy v období 1996–2010.25
Použijeme přitom ekonometrickou techniku,
která se v literatuře při analýze tohoto dopadu používá.
V první kapitole stručně shrneme vývoj v pracovních migracích v České republice. Nebudeme
se podrobněji zabývat popisnými charakteristikami pracovní imigrace – tomu byly věnovány minulé
práce v rámci CVKS, jsou obsahem řady publikovaných studií26
a podrobněji se jimi zabývají
publikace a bulletiny z dílny Výzkumného ústavu práce a sociálních věcí. V druhé části popíšeme
metodu prostorových korelací, pomocí které budeme zkoumat vliv imigrace na sledované proměnné.
Zmíníme problémy této metody a možnosti, jak se s nimi vypořádat. Z hlediska cíle tohoto
příspěvku je klíčová třetí část, kde tuto metodu aplikujeme a shrneme její výsledky.
Cizinci na českém trhu práce1.4.1.
Od počátku 90. let se Česká republika stala migračně atraktivní zemí. Z hlediska vývoje intenzity
pracovně migračních toků můžeme rozlišit následující období:
1993–1997, kdy sílil příliv cizích pracovníků na český trh práce. Ekonomická konjunktura a liberální
migrační politika byly doprovázeny zvýšenou dynamikou pracovní imigrace;
1997–2004; ekonomická recese v letech 1997–1998 a následné zhoršení situace na trhu práce
(zvyšující se nezaměstnanost, pokles volného počtu pracovních míst) byly spojeny s poklesem
přílivu pracovních imigrantů. K tomuto poklesu přispěla také restriktivní imigrační politika
(např. zpřísnění vydávání pracovních povolení cizincům). V roce 2000 se podíl cizích zaměstnanců
na pracovní síle stabilizoval a pohyboval se kolem 2%. Totéž platí o podílu celkové zaměstnanosti
cizinců,27
která se pohybovala kolem 3%;
25 Toto období je vymezeno dostupností statistických dat.
26 Viz např. Pavel a Turková (2007) nebo Popová (2009).
27 Celková zaměstnanost cizinců je tvořena cizinci v postavení zaměstnanců a cizinců podnikatelů.
VNĚJŠÍ MIGRACE58
2004–2008; od roku 2004 začíná intenzita pracovní imigrace silně narůstat. Český trh práce se
v té době vyznačoval snižující se nezaměstnaností a nárůstem počtu volných pracovních míst.
Ke zvýšené dynamice pracovní imigrace přispělo též zjednodušení přístupu občanů EU/EHP
na český trh práce po vstupu do EU. Koncem roku 2008 počet cizinců na českém trhu práce
kulminoval, podíl cizinců v postavení zaměstnanců dosahoval 5,4% pracovní síly a celková zaměstnanost
cizinců dosahovala téměř 7%;
od roku 2009 podíl cizinců na pracovní síle klesá. Ekonomická krize se projevila na domácím
trhu práce a krátkodobě zaměstnaní cizinci se vrací domů (Horáková, 2010). Hospodářská krize
postihla především pracovníky ze třetích zemí, kteří k výkonu zaměstnání potřebují pracovní
povolení, které jim však vzhledem k nárůstu nezaměstnanosti nebylo prodlužováno.
Podíl cizinců v postavení zaměstnanců a celkové zaměstnanosti cizinců na pracovní síleGraf č. 23:
v ČR (v %)
0
1
2
8
7
6
5
4
3
cizí pracovníci (zaměstnanci) celková zaměstnanost cizinců
1993 1994 1995 1996 1997 1998 1999 20102009200820072006200520042003200220012000
Zdroj: Horáková (2000), statistiky MPSV
Nejvýznamnějšími zdrojovými zeměmi pracovních migrací jsou dlouhodobě Slovensko, Ukrajina,
Vietnam a Polsko.28
Z dostupných dat vyplývá, že kvalifikační struktura cizinců je horší než kvalifikační
struktura domácích pracovníků.29
Téměř tři čtvrtiny vysoce kvalifikovaných pracovníků
pochází ze zemí EU-25. Tito pracovníci se zároveň častěji uplatňují ve vědeckých a technických
činnostech.
Pracovní migrace mají v různých krajích různou intenzitu. Jak ukazuje následující obrázek,
cizinci se dlouhodobě uplatňují především v Praze, kde je největší počet pracovních příležitostí
a míra nezaměstnanosti trvale nízká. Cizinci dále přicházejí do Středočeského a Plzeňského kraje,
nejméně přitažlivé jsou pro ně všechny moravské kraje kromě Jihomoravského a Ústecký kraj.
28 V posledních několika letech narůstal příliv pracovníků z Mongolska. Pro bližší informace o imigrantech z hlavních
zdrojových zemí odkazujeme na předchozí práce (např. Franc, 2009).
29 V případě pracovníků ze zemí mimo EU/EHP existuje zároveň výrazný rozdíl mezi požadavky na kvalifikaci ze
strany zaměstnavatele a skutečně dosaženým vzděláním.
VNĚJŠÍ MIGRACE 59
Podíl cizinců na pracovní síle v jednotlivých krajích ČR (v %)Graf č. 24:
0
2
4
16
14
12
10
8
6
1996 1997 1998 1999 20102009200820072006200520042003200220012000
Praha
Středočeský kraj
Jihočeský kraj
Plzeňský kraj
Karlovarský kraj
Ústecký kraj
Liberecký kraj
Královéhradecký kraj
Pardubický kraj
kraj Vysočina
Jihomoravský kraj
Zlínský kraj
Moravskoslezský kraj
Olomoucký kraj
Zdroj: Výzkumný ústav práce a sociálních věcí, vlastní výpočty
Pracovní aktivity cizinců jsou dlouhodobě koncentrovány do čtyř odvětví: zpracovatelského průmyslu,
stavebnictví, nemovitostí a pronájmu a obchodu. Jak je vidět z tabulky č. 18, zatímco většina
cizinců (dlouhodobě cca 70%) pracuje v třídách KZAM-7, KZAM-8 a KZAM-9, čeští pracovníci
se v nich uplatňují méně (pracuje v nich zhruba 40% českých zaměstnanců). Jedná se zároveň
o profesní třídy, které se dlouhodobě vyznačují největší mírou volných pracovních míst.
Struktura zaměstnání cizinců a domácích zaměstnanců podle KZAM (v %)Tabulka č. 18:
1999 2009
cizinci
domácí
pracovníci cizinci
domácí
pracovníci
tř. 1 zákonodárci, vedoucí a řídící pracovníci 3,3 6,6 3,3 5,9
tř. 2 vědečtí a odborní duševní pracovníci 6,7 10,0 9,1 11,8
tř. 3 techničtí, zdravotní a pedagog. pracovníci 5,6 18,4 8,6 23,8
tř. 4 nižší administrativní pracovníci 0,3 7,7 3,8 7,3
tř. 5 provozní pracovníci ve službách a obchodě 1,1 12,1 6,3 11,9
tř. 6 kvalifikovaní dělníci v zemědělství 5,9 2,1 1,1 1,3
tř. 7 řemeslníci a kvalifikovaní výrobci 52,4 20,9 21,1 17,6
tř. 8 obsluha strojů a zařízení 12,1 12,8 15,1 13,3
tř. 9 pomocníci a nekvalifikovaní pracovníci 12,6 8,2 31,6 6,6
tř. 0 příslušníci armády 0,0 1,2 0,6 0,3
Zdroj: Horáková (2000), Horáková (2010), ČSÚ
VNĚJŠÍ MIGRACE60
Odhad dopadu přílivu cizích pracovníků na domácí trh práce:1.4.2.
metoda prostorových korelací
Metoda prostorových korelací je nejčastěji používanou metodou k odhadu dopadů imigrace na
výsledky trhu práce (zejména mezd a zaměstnanosti domácích pracovníků). Koncentrace migrantů
v různých regionech je různá a předmětem zkoumání je, zda jsou domácí pracovníci v regionech
s vyšším zastoupením imigrantů poškozeni v podobě nižších mezd a/nebo vyšší nezaměstnanosti.
Při použití agregátních průřezových dat se ve výzkumných pracích odhaduje regresní
model ve formě:
Yit
= β0
+ β1
Mit
+ β2
Xit
+ εit
,
kde Yit
je určitý výsledek trhu práce (např. nezaměstnanost, mzdy, míra participace) z hlediska domácích
pracovníků v regionu i během období t, Mit
je klíčová vysvětlující proměnná – podíl imigrantů
na pracovní síle v regionu i a Xit
je vektor regionálních vysvětlujících proměnných (hustota
populace, průměrné vzdělání, věk, podíl žen na pracovní síle atd.).
Pokud jsou průřezová data dostupná za dvě a více období, je vhodné provést odhad pomocí
diferencí. To znamená, že změna ve výsledku trhu práce mezi dvěma obdobími je poměřována se
změnou podílu imigrantů v těchto regionech. Jak uvádí Okkerse (2008), tato technika eliminuje
možná zkreslení, která vyplývají z toho, že existují regionálně specifické fixní efekty, které korelují
s podílem imigrantů nebo výsledkem fungování trhu práce. Tak například výše mezd v daném regionu
je určena řadou faktorů, z nichž některé mohou korelovat s imigrací.
Dalším problémem této metody je možná endogenita, kdy migranti mohou směřovat do regionů
s příznivou situací na trhu práce. Kauzalita mezi přílivem imigrantů a výsledkem trhu práce
pak nemusí být jednosměrná; příliv imigrantů může vyvolat změnu ve výsledcích trhu práce, ale
výsledky trhu práce mohou také naopak vyvolávat příliv imigrantů. Odhady pomocí OLS vyžadují,
aby všechny vysvětlující proměnné byly exogenní. Jinými slovy se tak dá říci, že koncentrace
imigrantů v daném regionu nesmí záviset mzdové úrovni nebo výši nezaměstnanosti v tomto regionu,
jinak mohou být odhady dopadů pracovní imigrace zkreslené. Negativní dopad imigrace
na nezaměstnanost nebo mzdy může být v oblastech se silným přílivem imigrantů zastřen tím, že
zde převáží síla protichůdného vlivu v důsledku pozitivních ekonomických šoků. Tento problém
je možné vyřešit pomocí techniky v podobě odhadu s instrumentální proměnnou. Instrumentální
proměnnou je proměnná, která není ovlivněna aktuálními ekonomickými šoky v daném regionu,
ale zároveň souvisí s přílivem imigrantů. Touto proměnnou často bývá výchozí koncentrace imigrantů
v daném regionu.
Dalším nedostatkem této metody je, že příslušné regresní modely nezohledňují migraci domácích
pracovníků jako důsledek příchodu imigrantů do určitého regionu. Výsledkem jsou opět
zkreslené odhady dopadů imigrace na mzdy a nezaměstnanost. Tímto nedostatkem se nevyznačuje
metoda kvalifikačních skupin.30
Podstata této metody spočívá v tom, že je uvažován národní
trh práce, který je rozdělen na soubor kvalifikačních skupin, kde jednotlivé kvalifikační skupiny
jsou definovány pomocí délky pracovní zkušenosti a vzdělání. Tato metoda je však při zkoumání
dopadů pracovní imigrace v ČR nerealizovatelná, protože s pomocí veřejných statistických dat
není možné sestavit jednotlivé kvalifikační skupiny.
30 Za průkopnickou v rámci tohoto přístupu můžeme považovat práci Borjase (Borjas, 2003).
VNĚJŠÍ MIGRACE 61
Empirická analýza1.4.3.
Při analýze dopadů imigrace použijeme metodu prostorových korelací, kde prostorovými jednotkami
budou kraje ČR. Jako klíčovou vysvětlující proměnnou uvažujeme podíl pracovních
imigrantů31
na pracovní síle v daném regionu.32
Nejdříve použijeme jednoduchý regresní model,
kde vysvětlující proměnnou je míra imigrace a vysvětlovanou proměnnou míra nezaměstnanosti
a výše mzdy.33
Problém v podobě fixních vlivů zmiňovaný v předchozí části se pokusíme eliminovat
odhadem vztahu pomocí diferencí. Dustmann et al. (2003) uvádí, že tento problém lze eliminovat
také pomocí odhadu mezi skupinami, který poměřuje odchylky od průměrné koncentrace
imigrantů v daném kraji a odchylky od průměrného výsledku trhu práce. Problém endogenity se
pokusíme vyřešit pomocí modelu s instrumentální proměnnou.
Z provedených odhadů vyplývá mírný negativní vztah mezi mírou nezaměstnanosti a mírou
pracovní migrace. Protože se jedná o jednoduché dvojdimenzionální korelace, můžeme vztah
mezi proměnnými prezentovat graficky – viz graf č. 25. Jak jsme uvedli výše, jednoduchá korelace
může být zatížena zkreslením v podobě různých ekonomických podmínek jednotlivých regionů,
které pak mohou zpětně ovlivňovat příliv imigrantů. V případě České republiky se to týká
zejména hlavního města Prahy, která se dlouhodobě vyznačuje nízkou mírou nezaměstnanosti,
vysokým počtem volných pracovních míst a vysokými mzdami, což může stimulovat příchod
cizinců. Další tři sloupce v tabulce č. 19 proto uvádějí výsledky odhadu mezi skupinami, OLS
v diferencích a odhad pomocí instrumentální proměnné (v tabulkách ji označujeme zkratkou IV).
Instrumentální proměnnou byla hodnota míry imigrace zpožděná o dvě období. Odhady poukazují
na negativní vztah mezi mírou nezaměstnanosti a mírou imigrace, odhad pomocí OLS v diferencích
se neukázal jako statisticky významný. Protože je Praha specifickým regionem (ve smyslu
ekonomických podmínek a přílivu imigrantů), tabulka č. 20 přináší výsledky odhadu pomocí OLS
a OLS v diferencích bez Prahy. Z tabulky je vidět, že se výsledky výrazně neliší.
Dopad pracovní imigrace na míru nezaměstnanostiTabulka č. 19:
OLS mezi skupinami OLS v diferencích IV
koeficient −0,664***
−0,913**
−0,719 −0,548***
t-podíl −7,44 −2,51 −0,88 −6,90
Poznámka: *** znamená, že odhad parametru je statisticky významný na hladině významnosti 1%, ** značí významnost na hladině
významnosti 5%.
Zdroj: vlastní výpočty
Dopad pracovní imigrace na míru nezaměstnanosti (bez Prahy)Tabulka č. 20:
OLS OLS v diferencích
koeficient −0,882***
0,838
t-podíl −5,96 −0,85
Zdroj: vlastní výpočty
31 Za pracovního imigranta považujeme cizince, který pracuje v ČR v zaměstnaneckém poměru. Jde o pracovníky,
kteří nepotřebují k výkonu zaměstnání pracovní povolení a jejich počet je evidován na základě registrací na úřadech
práce a zaměstnance pracujícího v ČR na základě platného pracovního povolení.
32 Tento ukazatel budeme v dalším textu označovat také pojmem míra imigrace.
33 Při zpracovávání byl použit statistický SW Gretl. Data o pracovních migrantech byla čerpána ze statistik MPSV
a bulletinů VÚPSV, ostatní data z ČSÚ.
VNĚJŠÍ MIGRACE62
Míra nezaměstnanosti a pracovní imigraceGraf č. 25:
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0
0.02 0.04 0.06 0.08 0.10 0.12 0.14
podil_imig
mira_nez
Zdroj: vlastní konstrukce
Pomocí stejných metod se pokusíme vyhodnotit dopad přílivu cizích pracovníků na průměrné
mzdy. Tabulka č. 21 prezentuje výsledky odhadů pro všechny regiony, tabulka č. 22 pak výsledky
pro všechny regiony bez Prahy. Výsledky odhadu poukazují na existenci mírného pozitivního
vztahu mezi mírou imigrace a průměrnou mzdou, což je vidět i z grafu č. 26. Příliv cizinců ve výši
jednoho procenta pracovní síly je spojen s nárůstem mzdy o 6,2–7,6%, pouze odhad pomocí diferencí
vykazuje nárůst o necelé procento.
Dopad pracovní imigrace na průměrné mzdyTabulka č. 21:
OLS mezi skupinami OLS v diferencích IV
koeficient 7,635***
6,221***
0,839***
7,600***
t-podíl 10,19 9,16 3,28 11,80
Zdroj: vlastní výpočty
Dopad pracovní imigrace na průměrné mzdy (bez Prahy)Tabulka č. 22:
OLS OLS v diferencích
koeficient 9,033***
0,896***
t-podíl 7,26 3,27
Zdroj: vlastní výpočty
VNĚJŠÍ MIGRACE 63
Mzdy a míra pracovní imigraceGraf č. 26:
10.4
10.2
10.0
9.8
9.6
9.4
9.2
0
0.02 0.04 0.06 0.08 0.10 0.12 0.14
podil_imig
l_mzda
Zdroj: vlastní konstrukce
Protože jsme dosud používali jednoduché regrese, můžeme se domnívat, že prezentované výsledky
jsou z pohledu domácích pracovníků přehnaně optimistické. Proto nyní do regresního vztahu
zahrneme další kontrolní proměnné, které ovlivňují výsledek trhu práce, vzdělání a věkovou strukturu
obyvatel v daném regionu.34
Yit
= β0
+ β1
mit
+ β2
ln eit
+ β3
ait
+ εit
,
kde Yit
značí změnu výsledku trhu práce (míry nezaměstnanosti, míry participace a průměrné
mzdy), mit
označuje podíl pracovních imigrantů na pracovní síle, eit
označuje vektor kvalifikačních
skupin35
a ait
je vektor průměrných věků domácích obyvatel.
Následující tabulka představuje výsledky odhadů pomocí OLS regrese. Výsledky OLS regrese
poukazují na existenci mírného negativního vztahu mezi mírou nezaměstnanosti a podílem pracovních
migrantů na pracovní síle. Směr vztahu je v souladu se závěry některých britských prací
(např. Dustmann et al. (2003), Dustmann et al. (2005)), ale v případě ČR je snížení míry nezaměstnanosti
výraznější.
Vliv pracovní imigrace na míru nezaměstnanostiTabulka č. 23:
koeficient t-podíl směrodatná chyba
β0
−0,504***
−3,90 0,129
β1
−0,577***
−4,56 0,126
β2
−0,017***
−3,15 0,005
β3
1,474***
4,52 0,325
R2
= 0,28
Zdroj: vlastní výpočty
Tabulka č. 24 uvádí odhad vztahu v diferencích, což odstraňuje vliv fixních vlivů. Problém s endogenitou
se znovu pokusíme eliminovat pomocí instrumentálních proměnných. Jako instrument
jsme opět zvolili o dvě období zpožděný regresor mit
.36
Odstranění fixních vlivů pomocí diferencí
34 Vycházíme zde částečně z metodologie Dustmann et al (2005).
35 Jedná o podíl obyvatel s vysokou kvalifikací (vyjádřenou pomocí počtu osob s vysokoškolským vzděláním
a obyvatel nekvalikovaných (zde vyjádřeno pomocí počtu lidí se základním vzděláním).
36 Byla použita zobecněná metoda momentů (GMM).
VNĚJŠÍ MIGRACE64
nezměnilo směr vztahu, ale žádná z proměnných nebyla statisticky významná. Z odhadu pomocí
instrumentálních proměnných vyplývá, že nárůst pracovních imigrantů o jedno procento domácí
pracovní síly vede ke snížení nezaměstnanosti o 0,18 procentního bodu, což je méně než v případě
OLS regrese. Žádná z použitých technik tedy nenaznačuje existenci pozitivního vztahu mezi
mírou pracovní imigrace a mírou nezaměstnanosti.
Vliv pracovní imigrace na míru nezaměstnanostiTabulka č. 24:
diference IV
koeficient směr. chyba koeficient směr. chyba
β0
0,013 0,018 −0,526***
0,117
β1
−0,769 0,823 −0,184***
0,180
β2
−0,020 0,065 −0,029***
0,006
β3
−6,150 10,515 1,480 0,299
Zdroj: vlastní výpočty
Dalším výsledkem trhu práce, na který zaměříme pozornost, je míra ekonomické aktivity. Výsledky
OLS regrese poukazují na pozitivní vztah mezi touto proměnnou a přílivem cizích pracovníků. Je
zajímavé, že v tomto modelu se vliv vzdělanostní struktury ukázal jako statisticky nevýznamný.
Vliv pracovní imigrace na míru ekonomické aktivityTabulka č. 25:
koeficient t-podíl směr. chyba
β0
1,110***
14,32 0,077
β1
0,405***
5,32 0,076
β2
−0,003 −0,96 0,003
β3
−1,361***
−6,946 0,195
R2
= 0,28
Zdroj: vlastní výpočty
Odhad pomocí diferencí naznačuje velmi malý negativní dopad pracovní imigrace na míru ekonomické
aktivity, ale tento model se ukázal jako statisticky nevýznamný. Model s instrumentální
proměnnou již vykazuje statisticky významný pozitivní vztah mezi oběma proměnnými.
Vliv pracovní imigrace na míru ekonomické aktivityTabulka č. 26:
diference IV
koeficient směr. chyba koeficient směr. chyba
β0
−0,001 0,001 1,104***
0,085
β1
−0,038 0,070 0,515***
0,094
β2
0,008 0,005 −0,006 0,004
β3
−0,817 0,901 −1,359***
0,212
Zdroj: vlastní výpočty
VNĚJŠÍ MIGRACE 65
Stejným způsobem vyhodnotíme vliv pracovní imigrace na výši průměrných mezd. Odhad pomocí
OLS regrese vykazuje významný pozitivní vztah mezi přílivem cizinců a výší mezd. Z modelu vyplývá,
že nárůst pracovních imigrantů ve výši jednoho procenta existující pracovní síly je spojen s nárůstem
průměrné mzdy o 1%, což je výrazně menší nárůst než v případě jednoduché regrese.
Vliv pracovní imigrace na výši průměrné mzdyTabulka č. 27:
koeficient t-podíl směr. chyba
β0
−2,717***
−8,19 0,331
β1
1,048***
3,22 0,325
β2
0,049***
3,38 0,014
β3
31,92***
38,11 0,837
R2
= 0,94
Zdroj: vlastní výpočty
Také odhady pomocí diferencí a instrumentální proměnné nemění směr vztahu mezi oběma proměnnými.
To odpovídá například britské studii Dustmann et al. (2005) s tím, že zvýšení průměrné
mzdy spojené s imigrací je v britské ekonomice o něco nižší.
Vliv pracovní imigrace na výši průměrné mzdyTabulka č. 28:
diference IV
koeficient směr. chyba koeficient směr. chyba
β0
0,069***
0,005 −2,757***
0,357
β1
0,712***
0,250 1,754***
0,636
β2
−0,071***
0,020 0,029 0,022
β3
−4,534 3,202 31,933***
0,894
Zdroj: vlastní výpočty
Závěr1.4.4.
Z provedené analýzy vyplývá, že pracovní aktivity cizinců na českém pracovním trhu nemají
z hlediska domácích pracovníků negativní dopad. Pomocí metody prostorových korelací jsme po
zahrnutí relevantních kontrolních proměnných zjistili, že zvýšení počtu pracovních imigrantů ve
výši jednoho procenta stávající pracovní síly je spojeno s poklesem míry nezaměstnanosti o zhruba
půl procentního bodu a nárůstem průměrné mzdy o 1,0–1,7%. Při prezentaci těchto výsledků
je třeba vzít úvahu fakt, že jsme pracovali s agregovanými daty a že regiony byly vzhledem k dostupným
statistikám vymezeny pomocí krajů. Veřejná statistická data nerozlišují mzdy domácích
pracovníků a cizinců. Proto nemůžeme vyloučit potenciálně negativní dopad na specifické skupiny
pracovníků (kvalifikační, profesní či věkové). To je zároveň směr, kterým by se mohl ubírat
další výzkum v této oblasti.
POUŽITÁ LITERATURA K 1. KAPITOLE66
Použitá literatura k 1. kapitole
BALÁŽ, P. (1996): Rast konkurenčnej výkonnosti – cesta rozvoja slovenskej ekonomiky. Bratislava: Sprint, 1996, pp.
176. ISBN 8088848032.
BARRETT, A., BERGIN, A., DUFFY, D. (2005): The Labour Market Characteristics and Labour
Market Impacts of Immigrants in Ireland. IZA Discussion Paper No. 1553. Dostupné na:
http://www.esri.ie/pdf/OPEA052_Labour%20Market %20Characteristics.pdf.
BARRETT, A., BERGIN, A., KELLY, E. (2009): Estimating the Impact of Immigration on Wages in Ireland. IZA
Discussion Paper No. 4472. Dostupné na: http://www.tcd.ie/Economics/Seminars/dp4472.pdf.
BARRO, R. J., JONG-WHA, L. (2010): A New Set of Educational Attainment in the World, 1950–2010. NBER
Working Paper No. 15902. Dostupné na: http://www.nber.org/papers/w15902.
BAUER, T., HAISKEN-DE NEW, J., SCHMIDT, CH. (2004): International Labor Migration, Economic
Growth and Labor Markets. The Current State of Affairs. RWI Discussion Paper No. 20. Dostupné na:
http://repec.rwi-essen.de/files/DP_04_ 020.pdf.
BOCKSTETTE, V., CHANDA, A., PUTTERMAN, L. (2002): States and Markets: The Advantage of an Early
Start. Journal of Economic Growth, Vol. 7, No. 4, pp. 347–369.
BODVARSSON, O., BERG Van den, H. (2009): The Economics of Immigration. Theory and Policy. London:
Springer-Verlag Berlin Heidelberg, 2009, pp. 428. e-ISBN 978-3-540-77796-0.
BORJAS, G. (1995): The Economic Benefits from Immigration. Journal of Economic Perspectives, Vol. 9, No. 2,
pp. 3–22.
BORJAS, G. (2003): The Labor Demand Curve is Downward Sloping: Reexamining the Impact of Immigration on the
Labor Market. NBER Working Paper No. 9755. Dostupné na: http://www.nber.org/papers/w9755.
BORJAS, G. (2006): The Impact of Immigration on the Labor Market. Warsaw: The Conference
on Labor and Capital Flows in Europe Following Enlargement, 2006, pp. 26. Dostupné na:
http://www.jvi.org/fileadmin/jvi_files/Warsaw_Conference/ Papers_and_Presentations/Borjas_paper.pdf.
BORJAS, G. J. (2010): Labor Economics. Boston: McGraw-Hill, 2010. ISBN 0073511366.
ČESKÁ NÁRODNÍ BANKA (2011): Databáze ARAD. Praha: Česká národní banka, 2011. Dostupné na:
http://www.cnb.cz/docs/ARADY/HTML/index.htm.
ČESKÝ STATISTICKÝ ÚŘAD (2007): Regionální aspekty vnitřní migrace a jejich širší podmíněnost. Dostupné na:
http://www.hradeckralove.czso.cz/csu/2007 edicniplan.nsf/t/9300294F79/$File/137007a2.pdf.
ČESKÝ STATISTICKÝ ÚŘAD (2010): Analýza regionálních rozdílů v ČR. Dostupné na:
http://www.czso.cz/csu/2009edicniplan.nsf/t/34001A55AC/$File/137009.pdf.
DENNETT, A., STILLWELL, J. (2008): Internal Migration in Great Britain – a District Level Analysis
Using 2001 Census Data. University of Leads, 2008. Working Paper No. 01/08, pp. 85. Dostupné na:
http://www.geog.leeds.ac.uk/ fileadmin/downloads/school/research/wpapers/internal.pdf.
DUSTMANN, CH., FABBRI, F., PRESTON, I., WADSWORTH, J. (2003): The Local Labour Market Effects
of Immigration in the UK. London: Home Office Online Report No. 06/03, 2003, pp. 64. Dostupné na:
http://eprints.ucl.ac.uk/14331/1/ 14331.pdf.
DUSTMANN, CH., FABBRI, F., PRESTON, I. (2005): The Impact of Immigration
on the UK Labour Market. CReAM Discussion Paper No. 01/05. Dostupné na:
http://www.econ.ucl.ac.uk/cream/pages/CDP/CDP_01_05.pdf.
DUSTMANN, CH., GLITZ, A., FRATTINI, T. (2008): The Labour Market Impact of Immigration. CReAM
Discussion Paper No. 11/08. Dostupné na: http://www.ucl.ac.uk/~uctpb21/doc/CDP_11_08.pdf.
EHRENBERG, R. G., SMITH, R. S. (2009): Modern Labor Economics: Theory and Public Policy. Boston:
Pearson, 2009. ISBN 0321533739.
EICHENGREEN, B. (1992): Should the Maastricht Treaty Be Saved? Princeton: Princeton University
International Economics, 1992, pp. 74. ISBN 978-0881652468.
FIDRMUC, J., HUBER, P. (2003): Where Have All the Migrants Gone? Reconciling Falling Migration Rates with
Rising Regional Disparities during Transition. Dostupné na: http://www.fidrmuc.net/research/puzzle.pdf.
FIDRMUC, J., HUBER, P. (2006): Who is Willing to Migrate in the CEECs? Evidence from the Czech Republic.
Dostupné na: http://www-sre.wu-wien.ac.at/ersa/ersaconfs/ersa06/papers/471.pdf.
FIDRMUC, J. (2005): Labor Mobility during Transition: Evidence from the Czech Republic. Dostupné na:
http://www.fidrmuc.net/research/iab-cz.pdf.
FRANC, A. (2009): Možnosti výzkumu dopadů imigrace na trh práce v ČR. Brno: Masarykova univerzita,
Centrum pro výzkum konkurenční schopnosti české ekonomiky, Working Paper No. 14/2010, pp. 21.
FRANC, A. (2009): Pracovní migrace. In: Ekonomické prostředí a konkurenceschopnost. Brno: Masarykova
univerzita, 2009. pp. 61–70. ISBN 978-80-210-5056-3.
FRANKEL, J., Rose, A. (1998): The Endogeneity of the Optimum Currency Area Kriteria. The Economic Journal,
Vol. 108, No. 449, pp. 1009–1025.
POUŽITÁ LITERATURA K 1. KAPITOLE 67
GERTLER, P. (2006): Kvalita exportnej štruktury a ekonomický rast. BIATEC, Vol. 14, No. 10, pp. 13–17.
Dostupné na: http://www.nbs.sk/_img/Documents/_PUBLIK_ NBS_FSR/Biatec/Rok2006/BIATEC_10_2006.pdf.
GREENWOOD, M. J. (1974): Research on Internal Migration in the United States: A Survey. Journal of
Economic Literature, Vol. 13, No. 2, pp. 397–433. Dostupné na: http://www.jstor.org/stable/2722115.
HESTON, A., SUMMERS, R., ATEN, B. (2011): Penn World Table Version 7.0. Philadelphia: Center for
International Comparisons of Production, Income and Prices at the University of Pennsylvania, 2011.
Dostupné na: http://pwt.econ.upenn.edu/php_site/pwt_index.php.
HODRICK, R. J., PRESCOTT, E. C. (1997): Postwar US Business Cycles: an Empirical Investigation. Journal of
money, credit and banking, Vol. 29, No. 1, pp. 1–16.
HORÁKOVÁ, M. (2000): Vývoj pracovních migrací v České republice. Praha: VÚPSV, 2000, pp. 11. Dostupné
na: http://praha.vupsv.cz/Fulltext/Horak1.pdf.
HORÁKOVÁ, M. (2010): Vývoj pracovních migrací v České republice v období hospodářské recese. Praha: VÚPSV,
2010, pp. 113. Dostupné na: http://praha.vupsv.cz/Fulltext/vz_320.pdf.
HUBER, P. (2004): Inter-regional Mobility in the Accession Countries: A Comparison
with EU15 Member States. WIFO Working Paper Series, No. 249. Dostupné na:
http://www.wifo.ac.at/wwa/downloadController/displayDbDoc.htm? item=WP_2005_249$.PDF.
INTERNATIONAL ORGANIZATION FOR MIGRATION (2004): International Migration Law – Glossary on
Migration. Dostupné na: http://www.iom.int/ jahia/webdav/site/myjahiasite/shared/shared/mainsite/published_
docs/serial_publications/Glossary_eng.pdf.
JANÍČKO, M. (2010): Mobilita pracovní síly: mýtus a skutečnost. Dostupné na:
http://www.blisty.cz/2010/1/6/art50611.html.
JIRGES, T., PLCHOVÁ, B. (1996): Zahraniční obchod a národní ekonomika: teoretické přístupy a implikace pro
českou ekonomiku. Praha: VŠE, 1996, pp. 165. ISBN 80-7079-967-6.
KENEN, P. (1969): The Theory of Optimum Currency Areas: An Eclectic View. In: Monetary Problems in the
International Economy. Chicago: University of Chicago Press, 1969, pp. 405. ISBN 0226550656.
KRUGMAN, P. (1993): Lessons of Massachusetts for EMU. In: Adjustment and Growth in the European Monetary
Union. Cambridge: Cambridge University Press, 1993, pp. 388. ISBN 0-521-44019-X.
LEWER, J. J., BERG, H. Van den (2007): A Gravity Model of Immigration. Lincoln: University of Nebraska,
2007, pp. 5. Dostupné na: http://digitalcommons.unl.edu/ cgi/viewcontent.cgi?article=1023&context=managem
entfacpub.
LONGI, S., NIJKAMP, P. – POOT, J. (2006): The Impact of Immigration on the Employment of Natives
in Regional Labour Markets: A Meta-Analysis. IZA Discussion Paper No. 2044. Dostupné na:
ftp://repec.iza.org/RePEc/ Discussionpaper/dp2044.pdf.
LUX, M., VEČERNÍK, J., SUNEGA, P. (2006): Měření a rozsah vnitřní migrace v České republice
a vybraných evropských zemích. In: Analýza opatření bytové politiky směřujících k podpoře flexibility práce
v ČR: 1. díl – teoretický úvod. Praha: Sociologický ústav AV ČR, 2006, pp. 34–52. Dostupné na:
http://seb.soc.cas.cz/ publikace_download/publikace/flexibilita/flexibilita1_k4.pdf.
MADDISON, A. (2010): Statistics on World Population, GDP and Per Capita
GDP, 1–2008 AD. Groningen: University of Groningen, 2010. Dostupné na:
http://www.ggdc.net/maddison/Historical_Statistics/horizontal-file_02-2010.xls.
MANKIW, N. G., ROMER, D., WEIL, D. N. (1992): A Contribution to the Empirics of Economic Growth. The
Quarterly Journal of Economics, Vol. 107, No. 2, pp. 407–437.
MESÁROŠ, O. (2000): Vývoj a hlavní strukturální změny v zahraničním obchodě České republiky. Praha: Vysoká
škola ekonomická, 2000, pp. 60. ISBN 80-245-0120-1.
MINISTERSTVO PRŮMYSLU A OBCHODU ČESKÉ REPUBLIKY (2010): Ročenka zahraničního
obchodu České republiky 2010. Praha: Ministerstvo průmyslu a obchodu ČR, 2010. Dostupné na:
http://www.mpo.cz/dokument90059.html.
NASAR, A., AAMIR, N. (2004): Internal migration: The Case of Sindh Province. Karachi: Social Policy and
Development Centre, Conference Paper No. 40, 2001, pp. 15.
OKKERSE, L. (2008): How to Measure Labour Market Effects of Immigration: A Review. Journal of Economic
Surveys, Vol. 22, No. 1, pp. 1–30.
PAVEL, J., TURKOVÁ, V. (2007): Zaměstnanost cizinců v ČR. Praha:
Ministerstvo financí ČR, Výzkumná studie No. 6/2007, pp. 24. Dostupné na:
http://www.mfcr.cz/ cps/rde/xbcr/mfcr/Zamestnanost_cizincu_vCR_pdf.pdf.
PEKER, K. (2004): The Causes and Results of Internal Migration from Rural Areas: Case of Eastern Anatolia.
Agricultural Economics, Vol. 50, No. 10, pp. 471–476.
POPOVÁ, M. (2009): Pracovní migrace v České republice po vstupu do Evropské unie. Současná Evropa, Vol. 1,
No. 2, pp. 3–19. Dostupné na: http://ces.vse.cz/wp-content/popovova.pdf.
PRICE, D. O. (1950): Some Socio-Economic Factors in Internal Migration. Social Forces, Vol. 29, No. 4, pp.
409–415. Dostupné na: http://www.jstor.org/stable/ 2572719.
VNĚJŠÍ MIGRACE68
PRS GROUP (2010): International Country Risk Guide. New York: The PRS Group, 2010. Dostupné na:
http://www.prsgroup.com/ICRG.aspx.
PTÁČEK, P. – TOUŠEK, V., POLÁŠEK, V. (2007): Regionální aspekty vnitřní migrace v České
republice v období 1991–2004. Praha: Český statistický úřad, 2007, pp. 207–224. Dostupné na:
http://www.czso.cz/csu/redakce.nsf/i/migrace/ $File/vladimir_polasek1.pdf .
ROJÍČEK, M. (2009): Statistika upřesňuje představy o otevřenosti české
ekonomiky. Praha: Český statistický úřad, 2009. Dostupné na:
http://www.czso.cz/ csu/tz.nsf/i/statistika_upresnuje_predstavy_o_otevrenosti_ceske_ekonomiky.
SHIN, K., Wang, Y. (2003): Trade Integration and Business Cycle Synchronization in East Asia. Asian Economic
Papers, Vol. 2, No. 3, pp. 1–20.
SHIN, K. (2008): Global and Regional Shocks: Challenges to Asian
Economies. ADB Institute Working Paper No. 120. Dostupné na:
http://www.adbi.org/working-paper/2008/11/05/2737.global.regional.shocks.asian.economy.challenges/.
SMITH, S. (2003): Labour economics. London: Routledge, 2003, pp. 432. ISBN 0-415-259865-1.
SUNEGA, P. (2009): Vliv podmínek bydlení na zamýšlenou migraci české populace za prací. Czech Sociological
Review, Vol. 43, No. 2, pp. 305–332. Dostupné na: http://sreview.soc.cas.cz/uploads/a51a09eb8021894f69d7
073d19910c966c3331e6_642_07-2%20LuxSunega.pdf.
TOUŠEK, V. a kol. (2008): Ekonomická a sociální geografie. Plzeň: Aleš Čeněk, 2002, pp. 416. ISBN 978-80-
7380-114-4.
VAVREJNOVÁ, M. (2004): Mobilita pracovní síly před a po vstupu ČR do EU. Praha, Vysoká škola ekonomická,
2004. Dostupné na: www.vse.cz/polek/download.php?jnl=aop&pdf=267.pdf.
VINTROVÁ, R. (2007): Reálná a nominální konvergence v zemích středoevropské pětky. Politická ekonomie, Vol.
2007, No. 2, pp. 206–225. Dostupné na: http://www.vse.cz/polek/abstrakt.php3?IDcl=597 .
WALKER, J. R. (2006): Internal Migration. Madison: University of Wisconsin, Research Paper, 2006, pp. 6.
Dostupné na: http://www.ssc.wisc.edu/~walker/ research/palgrave_6.pdf.
WORLD BANK (2007): Overview of Migration Trends in Europe and Central Asia, 1990–2004. In: Migration and
Remittances: Eastern Europe and the Former Soviet Union. Washington: World Bank, 2007, pp. 23–56. ISBN
978-0-8213-6233-4.
WORLD BANK (2011): World Databank. Dostupné na: http://databank.worldbank. org/ddp/home.do.
69
2
RŮSTOVÁ VÝKONNOST2.
A STABILITA
RŮSTOVÁ VÝKONNOST A STABILITA70
Aktuálním ekonomickým tématem posledních let je bezpochyby problematika globální hospodářské
krize, snaha o nalezení příčin této krize a hledání vhodných nástrojů hospodářské politiky
pro její překonání. Hospodářský pokles se nevyhnul ani české ekonomice, a tak je tato kapitola věnována
problémům růstové výkonnosti a stability ekonomiky České republiky, a to právě zejména
s ohledem na analýzu dopadů hospodářské krize z konce roku 2008.
Analýzu růstové výkonnosti a stability české ekonomiky je možno provádět z různých pohledů.
V této kapitole nabídneme podrobnější rozbor čtyř oblastí, které mají přímou souvislost s příčinami
a dopady hospodářské krize. První oblastí jsou finanční frikce a jejich význam pro vývoj české
ekonomiky. Druhou oblast představuje analýza asymetrických šoků mezi českou ekonomikou
a ekonomikou Eurozóny a vzájemné vazby monetárních politik těchto ekonomik. Třetí oblast je
reprezentována zkoumáním strukturálních charakteristik trhu práce a dynamice vývoje zaměstnanosti
a nezaměstnanosti v posledních patnácti letech. Poslední oblastí je pak analýza strukturálních
změn v rovině homogenity pozorovaných dat.
Než se dostaneme k podrobnějšímu uvedení jednotlivých částí této kapitoly, je třeba na prvním
místě alespoň ve stručnosti představit dva významné příspěvky zpracované v rámci aktuálního vědeckého
zaměření této komponenty, které přinášejí nové podnětné výsledky ve výzkumu růstové
stability a konkurenceschopnosti české ekonomiky, a to zejména v období dramatických změn
jejího vývoje.
Prvním z těchto příspěvků je práce Motla a Vašíčka (2011), která se s využitím jednoduchého
neokeynesiánského dynamického stochastického model všeobecné rovnováhy (DSGE
modelu) snaží určit příčiny českého hospodářského cyklu mezi lety 1996 a 2010, se zaměřením
na mezeru výstupu. DSGE model je v této práci odhadnut pro získání trajektorií exogenních
šoků. Na základě modelu jsou poté dekomponovány odchylky české mezery výstupu
mezi příspěvky exogenních šoků. Analýza ukazuje, že od roku 2000 mají zahraniční šoky
a šok ve směnném kurzu rostoucí význam pro český hospodářský cyklus. Domácí šoky vysvětlují
více než polovinu variability české mezery výstupu. Zatímco recese z let 1997–1998
a následné oživení lze přičíst zejména domácím šokům, recese roku 2009 byla téměř zcela způsobena
propadem zahraniční poptávky. Dále je zde také ukázáno, že česká ekonomika je citlivá na
pohyby směnného kurzu, jak dokumentuje rok 2002.
Druhý příspěvek představuje práce Tonnera a Vašíčka (2011). Tento příspěvek se zaměřuje na
výzkum v oblasti odhadů parametrů DSGE modelů s racionálním očekáváním, které jsou jádrem
současné makroekonomie. Dynamické systémy jsou totiž chápány jako jakási laboratoř, ve které
lze konfrontovat ekonomické teorie s reálnými daty a které pak umožňují nalézat doporučení pro
tvůrce hospodářské politiky (viz Fernández-Villaverde a Rubio-Ramírez (2007)). Instituce, které
využívají a rozvíjejí DSGE modely pro účely monetární politiky, lze nalézt po celém světě: Federal
Reserve System ve Spojených státech, Evropská centrální banka, centrální banky Kanady, Švédska,
Nového Zélandu, Španělska a samozřejmě i Česká národní banka. Výzkumná oddělení v této oblasti
lze nalézt rovněž v celé řadě prestižních evropských a amerických univerzit a výzkumných
institucí. Příspěvek Tonnera a Vašíčka (2011) analyzuje problematiku DSGE modelů z pohledu
možných pohybů strukturálních parametrů. K tomu využívají komplexní DSGE model odhadovaný
na českých datech. K odhadu vývoje parametrů byl aplikován particle filtr a DSGE model
v aproximaci druhého řádu. Použitá nelineární filtrace a aproximace vyššího řádu je nezbytná pro
zachycení netriviálního vlivu strukturálních změn na chování agentů v modelu. Současné modely
jsou často doplněny zařazením dalších stochastických exogenních procesů (tzv. technologiemi),
aby byly schopny lépe replikovat pozorovaná data. Tyto technologie lze chápat jako časově proměnné
parametry, které umožňují zachytit některá specifika (sektorová a často v čase se měnící)
v chování ekonomiky. Byla testována hypotéza, že zavedené technologie jsou odrazem časově proměnlivosti
strukturálních parametrů, tedy např. že technologie zachycující Ballasha-Samuelsonův
RŮSTOVÁ VÝKONNOST A STABILITA 71
efekt je, minimálně ve své cyklické složce, odrazem pohybu dovozní náročnosti. Závěrem je empiricky
doložené tvrzení, že zavedení technologických procesů umožňuje lépe zachytit časovou
proměnlivost parametrů a přiblížit tak modely více k datům i bez nutnosti explicitní práce s časově
proměnnými parametry a nelineárními filtracemi. V práci je rovněž prováděna analýza zdrojů
pohybu časově proměnných parametrů prostřednictvím dekompozice endogenních proměnných
do pozorovaných časových řad. Klíčovým zjištěním z tohoto pohledu je to, že pohyb parametrů
je nejvíce určen vývojem cen vývozů a dovozů a vývojem směnného kurzu.
Nyní si tedy v krátkosti představme strukturu následujících podkapitol. V podkapitole 2.1 se
zabýváme finančními frikcemi a jejich významem pro českou ekonomiku. Zvolili jsme modelový
přístup – konkrétně novokeynesiánský DSGE model uzavřené ekonomiky s finančním akcelerátorem,
který jsme na datech odhadli pomocí bayesovských metod. Výsledky odhadu jsme zhodnotili
pomocí impulsních odezev, varianční dekompozice a porovnáním statistických momentů
z modelu, a také z dat. Rovněž jsme porovnávali modely s finančním akcelerátorem a bez něj,
jak vysvětlují data – jednak pomocí statistických momentů a pak také pomocí Bayesova faktoru.
Výsledkem bylo překvapivé zjištění, že model bez finančního akcelerátoru vysvětluje data lépe než
model, který ho obsahuje. Finanční frikce tak mají pro vysvětlení hospodářských fluktuací v české
ekonomice omezený význam.
Cílem podkapitoly 2.2 je posoudit, jestli existuje asymetrie šoků a strukturální rozdíly mezi
českou ekonomikou a ekonomikou Eurozóny 12. K tomuto účelu je použit novokeynesiánský
DSGE malé otevřené ekonomiky. Asymetrie šoků a strukturální rozdíly jsou zkoumány dvěma
způsoby. Nejdříve zkoumáme asymetrii šoků a strukturální rozdíly metodou založenou na porovnání
modelů pomocí Bayesova faktoru. Významný důkaz ve prospěch heterogenity v preferencích
domácností jsme nenašli. Našli jsme ovšem mírné rozdíly v cenové a mzdové tvorbě a podstatný
rozdíl v tom, jak ČNB a ECB vyhlazují úrokovou sazbu. Nicméně hlavní rozdíly mezi oběma
zeměmi jsou v načasování, persistenci a volatilitě strukturálních šoků. Následně jsme pomocí analýzy
impulzních odezev zkoumali vliv strukturálních rozdílů a rozdílů v persistenci a volatilitě
strukturálních šoků na chování obou ekonomik. V reakcích hlavních makroekonomických veličin
na preferenční šoky jsme nenašli žádné podstatné rozdíly. Na druhé straně jsme ovšem našli větší
volatilitu a persistenci domácích technologických šoků. To přispívá k tomu, že odezvy domácích
proměnných na technologické šoky jsou větší a vykazují více pozvolný a více “hump-shaped” vývoj
než odezvy zahraničních proměnných. Také jsme zjistili, že odezvy zahraničních proměnných
na šoky v nabídce práce jsou pozvolnější než odezvy domácích proměnných. Co se týče monetárních
šoků, reakce zahraniční inflace na zahraniční monetární šok je téměř nulová, zatímco reakce
domácí inflace na domácí monetární šok vykazuje významný pokles, následovaný postupným návratem
k ustálenému stavu. Odezvy zahraničních proměnných na cost-push šoky jsou větší a volatilnější
než odezvy domácích proměnných.
V podkapitole 2.3 prezentujeme nový přístup k analýze asymetrických šoků a strukturálních
rozdílů mezi dvěma ekonomikami, založený na šokové dekompozici. Výhodou této metody je,
že dohromady zkoumá dopad asymetrie šoků a strukturálních rozdílů na odlišné chování obou
ekonomik. Tato metoda postihuje jak přizpůsobovací procesy na asymetrické šoky, tak i četnost,
s jakou tyto šoky nastávají. Tuto metodu demonstrujeme na novokeynesiánském DSGE modelu
dvou ekonomik, prezentovaném v Kolasa (2009), který jsme odhadli na datech české ekonomiky
a ekonomiky Eurozóny 12. Model je odhadnut za pomoci bayesiánských technik s využitím časových
řad sedmi klíčových makroekonomických proměnných v obou ekonomikách: HDP, spotřeba,
investice, ceny, mzdy, úrokové sazby a vnitřní směnné relace definované jako ceny neobchodovatelného
zboží relativně k cenám obchodovatelného zboží. Chování modelu je poháněno
sedmi strukturálními šoky v obou ekonomikách: šoky v produktivitě v obchodovatelném a neobchodovatelném
sektoru, šoky v nabídce práce, šoky v investiční efektivitě, preferenčními šoky,
RŮSTOVÁ VÝKONNOST A STABILITA72
šoky ve vládních výdajích a monetárními šoky. Model dovoluje, aby se hodnoty strukturálních parametrů
mezi zeměmi lišily a aby existovala korelace mezi vzájemně odpovídajícími šoky v obou
ekonomikách. Výsledky naznačují, že vliv strukturálních šoků na hlavní makroekonomické proměnné
je více korelovaný, než se zdá z odhadnutých korelací mezi šoky samotnými. Největší korelace
je mezi vlivem šoků na inflaci a úrokové sazby. Také jsme zjistili, že vývoj hlavních makroekonomických
veličin v české ekonomice je relativně více ovlivněn šoky v produktivitě, zatímco
vývoj těchto veličin v Eurozóně 12 je relativně více ovlivněn šoky v investiční efektivitě. Také se
zdá, že monetární politika ECB je relativně více diskreční než monetární politika ČNB, nicméně
se zdá, že ČNB následuje ECB v jejich diskreční politice.
V části 2.4 se zabýváme problematikou strukturálních charakteristik trhu práce České republiky
a jeho změn v posledních patnácti letech. Je zde odhadnut malý „search and matching“ model zabudovaný
do konceptu standardního makroekonomického dynamického stochastického modelu všeobecné
rovnováhy. Model je odhadnut s využitím bayesovských technik. Na základě odhadů jsme
schopni nalézt některé zajímavé vlastnosti českého trhu práce v posledních patnácti letech a jsme
rovněž schopni hodnotit změny, které v tomto období na trhu práce proběhly. Naše výsledky ukazují,
že „search and matching“ přístup poskytuje dostatečný popis dynamiky zaměstnanosti v české
ekonomice. Odhady modelu poskytují přesvědčivý důkaz pro tvrzení, že proces mzdového vyjednávání
je ovlivněn zejména silou odborů, a že institucionální změny na českém trhu práce v posledních
patnácti letech měly na efektivitu přiřazování („matching“) jen malý dopad.
Podkapitola 2.5 se věnuje identifikaci strukturálních změn české ekonomiky v době současné
hospodářské krize a výzkumu dopadů hospodářské krize. Výsledky ukazují, že ačkoliv jsou odhady
zatíženy silným vlivem nejistoty, byly některé strukturální změny v DSGE modelu české ekonomiky
prokázány na běžných hladinách významnosti. Změny parametrů modelu jsou rovněž
doprovázeny změnami chování modelu jako takového, což jen podtrhuje význam analýzy strukturálních
změn v ekonomice. Kromě zajímavých výsledků týkajících se struktury a propagace šoků
v období krize a analýzy preferencí monetárních autorit tato podkapitola také poukazuje na důležitost
explicitní analýzy vlivu nejistoty na samotné odhady parametrů modelu. Česká ekonomika
se totiž nachází v (post)tranzitivním období a probíhá v ní tedy mnoho skrytých ekonomických
procesů, které mají svou odezvu v makroekonomických datech.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU 73
Finanční akcelerátor v odhadnutém2.1.
modelu pro českou ekonomiku
Finanční frikce jsou horkým tématem současného modelování. Tyto frikce jsou přidávány do DSGE
modelů, protože mají schopnost zesilovat a propagovat šoky do reálné části ekonomiky. Toto téma
je v kontextu nedávno skončené/probíhající finanční krize extrémě zajímavé. Tato podkapitola reaguje
na tento aktuální vývoj a zbývá se mechanismem finančního akcelerátoru vyvinutým v publikaci
Bernanke a kol. (1999). Úzce pak navazuje na model od Christensena a Diba (2008), který je mírně
upraven a odhadnut pomocí bayesovských technik na datech české ekonomiky. Model je následně
vyhodnocen podle toho, jak sedí na datech a porovnán s modelem bez finančního akcelerátoru.
Výsledky jsou poněkud překvapující neboť model s finančním akcelerátorem nevystihuje chování
dat lépe. Můžeme tak říci, že mechanismus finančního akcelerátoru má pro vysvětlení hospodářských
fluktuací v české ekonomice omezenou vypovídací schopnost.
Další část podkapitoly je členěna následovně. V sekci 2.1.1 je stručně popsán použitý model,
sekce 2.1.2 se zabývá daty a použitou odhadovou metodou. Výsledky odhadu, dynamické vlastnosti
modelu a porovnání modelových verzí s daty je obsahem sekce 2.1.3. Závěrečná pasáž shrnuje
dosažené výsledky a nastinuje směr dalšího výzkumu.
Model2.1.1.
Model je převzat z publikace Christensena a Diba (2008) a v několika ohledech upraven. Konkrétní
forma frikce je finanční akcelerátor vyvinutý Bernankem a kol. (1999). Model obsahuje celou řadu
ekonomických agentů, my se však budeme podrobněji zabývat jen těmi nejdůležitejšími.
Domácnosti2.1.1.1.
Domácnosti žijí někonečně dlouho, pracují, spotřebovávají a spoří (dodávají finanční prostředky
finančním zprostředkovatelům). Jejich optimalizační problém je celkem standardní – preference
jsou popsány očekávanou užitkovou funkcí:
, (1)
kde ct je spotřeba a ht je nabídka práce, β je diskontní faktor, et označuje preferenční šok ve spotřebě,
γ je elasticita substituce a η je váha volného času v užitkové funkci.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU74
Rozpočtové omezení je následující:
Ptct + Dt = Wt ht + Rt − 1Dt − 1 + Tt + Ωt
kde Dt jsou vklady u finančních zprostředkovatelů, které nesou úrok Rt, Tt jsou paušální transfery
(nebo daně, pokud jsou záporné) vlády či monetární autority a Ωt označuje dividendy maloobchodních
firem. Maximalizace funkce (1) vzhledem k rozpočtovému omezení vede k obvyklým
podmínkám prvního řádu (pro ct, Mt, ht a Dt ).
Podnikatelé2.1.1.2.
Podnikatelé řídí firmy, vyrábějí velkoobchodní statky a půjčující si prostředky na financování kapitálových
statků, které používají ve výrobě. Podnikatelé jsou rizikově neutrální a mají konečný
plánovací horizont. Existuje pravděpodobnost ν, že „přežijí“ do dalšího období, takže jejich očekávaná
doba existence je 1/(1 − ν).1
Pořízeníkapitálufinancujíčástečněpomocíčistéhojměnínt+1 ačástečněpůjčkoubt+1 =qtkt+1 −nt+1
od finančního zprostředkovatele. Finanční zprostředkovatelé získávají prostředky od domácností
a čelí alternativním nákladům v podobě bezrizikové (hrubé) úrokové míry Rt. Na konci období t se
podnikatel rozhoduje o nákupu kapitálu kt + 1 , který bude používat v následujícím období. Reálná
cena kapitálu je qt , takže celkové náklady na kapitál jsou qt kt + 1.
Poptávka podnikatelů po kapitálu závisí na očekávané mezní míře návratnosti a na očekávaných
mezních nákladech externího financování v čase t + 1.
Očekávaná hrubá míra návratnosti kapitálu Et ft + 1 je dána jako
, (2)
kde δ je míra opotřebení kapitálu, zt + 1 je mezní produkt kapitálu v čase t + 1 a (1 − δ)qt + 1 je hodnota
jedné jednotky kapitálu použitého v t + 1.
Podobně jako Bernanke a kol. (1999) uvažujeme o „nákladném ověření stavu projektu“. Produkce
podnikatelů je předmětem náhodného šoku, který mohou podnikatelé pozorovat bez jakýchkoliv nákladů.
Na druhou stranu, věřitel (finanční zprostředkovatel) musí platit monitorovací náklady, pokud
chce zjistit podnikatelův realizovaný výnos z kapitálu. Podnikatel vždy zjistí, jakého dosáhl výstupu
a rozhodne se, zda dluh splatí či nikoliv. V případě nesplacení věřitel zaplatí monitorovací náklady
a obdrží celý výstup. Existence asymetrických informací mají za následek vznik agenturních nákladů
spojených s externím financováním. Ty se pak projevují v nastavení kontraktu mezi finančním zprostředkovatelem
a podnikatelem. Výsledkem optimálního kontraktu je externí finanční prémie, s(.),
která závisí na podnikatelově zadlužení (podílu čistého jmění firmy na investici do kapitálu)
, (3)
kde s'(.) < 0 a s(1) = 1. Když podíl nt + 1 / qt kt + 1 klesá, dlužník se více spoléhá na půjčky (roste
zadlužení), aby pokryl financování projektu, což zvyšuje náklady půjčování. Podnikatel tak chce
vyrovnat výnos z kapitálu s mezními náklady na externí financování, což je externí finanční prémie
a reálné alternativní náklady představované bezrizikovou úrokovou sazbou, tedy
, (4)
1 Noví podnikatelé přicházejí na trh, takže jejich podíl je konstantní.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU 75
Log-linearizovaná rovnice pro míru externího financování:
, (5)
kde ψ je elasticita externí finanční prémie vzhledem k zadlužení podnikatele. Agregátní čisté jmění
podnikatele se v čase vyvíjí podle rovnice
nt + 1 = νvt + (1 − ν) gt , (6)
kde νt je čisté jmění podnikatelů, kteří „přežili“ očištěné o náklady na půjčky z předchozího období,
(1 − ν) je podíl nových podnikatelů, kteří přišli do ekonomiky a gt jsou transfery, které noví
podnikatelé obdrží od těch, co nepřežili a z trhu odešli.
Podnikatelé využívají kapitál kt a práci ht k výrobě výstupu pomocí produkční funkce s konstantními
výnosy z rozsahu
yt − 1 = kt
α
+ (Atht)1 − α
, (8)
Každý podnikatel pak prodává výstup yt na dokonale konkurenčním trhu za cenu, která se rovná
jeho nominálním mezním nákladům. Maximalizace zisku výběrem kt a ht vzhledem k produkční
funkci (8) vede na obvyklé podmínky prvního řádu.
Výrobci kapitálu2.1.1.3.
Výrobci kapitálu používají lineární produkční funkci k výrobě kapitálových statků. Část statků konečné
spotřeby od maloobchodních prodejců používají jako investiční statky, které pak kombinují
s existující kapitálovou zásobou a výrábějí nové kapitálové statky kt + 1 . Změna kapitálu je spojena
s náklady, které jsou modelovány v kvadratické formě jako
, (9)
Optimalizační problém výrobců kapitálů sestává z výběru množství investic it, které maximalizují
zisk. Výsledkem je pak standardní rovnice (obsahující Tobinovo Q), která propojuje cenu kapitálu
s mezními náklady přizpůsobení. Náklady na změnu kapitálu přispívají k pohybu ceny kapitálu
a tím pádem k větší volatilitě čistého jmění podnikatelů.
Maloobchodníci2.1.1.4.
Sektor maloobchodu je použit pouze pro zavedení nominálních rigidit do modelové ekonomiky.
Maloobchodníci nakupují velkoobchodní statky od podnikatelů za cenu, která se rovná nominálním
mezním nákladům podnikatelů. Tyto statky pak bez dodatečných nákladů diferencují a prodávají
je na monopolistickém trhu. Vzhledem k heterogenitě zboží mohou prodejci stanovit jejich
cenu. Tento proces je modelován podle Calva (1983). Optimalizační probém je opět standardní
a vede na novokeynesovskou Phillipsovu křivku
, (10)
kde πˆt je míra inflace a ξˆ
t jsou reálné mezní náklady (obojí jako odchylky od ustáleného stavu),
εcp, t je nákladový šok a φ je Calvo parametr.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU76
Monetární autorita2.1.1.5.
Centrální banka nastavuje nominální úrokovou míru Rt v reakci na odchylky inflace πt a výstupu
yt od ustáleného stavu a částečně reaguje na minulý vývoj úrokové míry. Reakční funkce
v log-linearizované podobě má následující podobu
, (11)
kde proměnné se stříškou jsou opět odchylky od ustáleného stavu a εR, t je monetární šok.
Data a odhadová metoda2.1.2.
Nejdříve jsme vypočítali ustálený stav modelu a poté jsme modelové rovnice log-linearizovali
okolo symetrického ustáleného stavu. Řešení modelu bylo získáno pomocí metody vyvinuté
Blanchardem and Kahnem (1980). Parametry modelu jsme poté odhadli pomocí bayesovských
technik. To je vlastně kombinace metody maximální věrohodnosti a nějaké apriorní informace
(o parametrech), na základě níž potom získáme posteriorní rozdělení parametrů. Konkrétně byl
použit algoritmus Metropolis-Hastings, který generoval 500 000 vzorků z posteriorního rozdělení.
Tyto vzorky byly počítány ve dvou řetězcích, každý obsahoval 250 000 replikací a 50% jich bylo
vyřazeno, abychom se vyhnuli vlivu počátečních podmínek. Nakonec byly použity MCMC diagnostiky
pro oveření konvergence algoritmu. Všechny tyto výpočty byly prováděny za použití toolboxu
Dynare v programu Matlab (Adjemian et al., 2011).
Model byl odhadnut na datech následujících proměnných: výstup, investice, spotřeba, nominální
úroková míra a inflace. Časové řady byly získány z databáze Českého statistického úřadu
a České národní banky pro období 1996:Q1 až 2010:Q4. Konkrétně byl pro výstup použit hrubý
domácí produkt (HDP), investice jsou představovány hrubou fixní tvorbou kapitálu a spotřeba je
měřena výdaji domácností. Úroková míra je zastoupena tříměsíční pražskou mezibankovní sazbou
(PRIBOR 3M) a míra inflace je mezičtvrtletní změna indexu spotřebitelskcýh cen (CPI). Data
pro výstup, investice a spotřebu jsou vyjádřena na pracovníka vydělením řadou celkové zaměstnanosti.
Všechny časové řady jsou vyjádřeny jako odchylky od trendu, který je odhadnut pomocí
Hodrick-Prescottova filtru (s parametrem λ = 1600).
Výsledky odhadu2.1.3.
Některé modelové parametry byly nakalibrovány a tudíž nebyly odhadnuty. Apriorní hodnoty
pro odhadované parametry byly nastaveny podle určitých podílů v datech nebo z ostatních empirických
studií pro českou ekonomiku. Výsledky bayesovského odhadu jsou zobrazeny v tabulce
č. 29. Klíčový parametr, který se týká finančního akcelerátoru, je ψ – vyjadřuje elasticitu externí
finanční přirážky s ohledem na firemní zadlužení. Výsledná hodnota 0,028 je poněkud menší
než prior nastavený na 0,05. To je hodnota, která se většinou používá při kalibracích podobných
modelů (viz např. Bernanke a kol. 1999). Rovněž Christensen a Dib (2008) získali trochu nižší
hodnotu parametru, a to 0,042. Avšak s 90% pravděpodobností je náš odhad statisticky různý od
nuly, a tudíž významný.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU 77
Výsledky bayesovského odhaduTabulka č. 29:
apriorní rozdělení posteriorní rozdělení
parametr interpretace rozdělení stř. hodnota s.o. stř. hodnota 5% 95%
strukturální parametry
ψ fin, akcelerátor beta 0,05 0,10 0,0288 0,0209 0,0366
χ náklady přizpůsobení beta 0,50 0,10 0,7260 0,6481 0,8091
α kapitálový podíl beta 0,33 0,10 0,4352 0,2777 0,5856
φ Calvo parametr beta 0,66 0,10 0,1842 0,1432 0,2259
monetární pravidlo
ρr
vyhlazení úrokové míry beta 0,80 0,10 0,2836 0,1996 0,3724
ρπ
váha na inflaci norm 1,50 0,10 1,4499 1,2874 1,6272
ρy
váha na výstup norm 0,125 0,05 0,1010 0,0227 0,1792
perzistence šoků
ρa
technologický beta 0,70 0,10 0,7159 0,6134 0,8114
ρe
preferenční beta 0,70 0,10 0,4486 0,3546 0,5467
ρx
investiční beta 0,70 0,10 0,4531 0,3325 0,5729
ρcp
nákladový beta 0,70 0,10 0,7634 0,6446 0,8799
směrodatné odchylky šoků
εr
monetární invg 0,01 Inf 0,0382 0,0304 0,0452
εe
preferenční invg 0,01 Inf 0,0166 0,0136 0,0195
εa
technologický invg 0,01 Inf 0,0173 0,0099 0,0283
εx
investiční invg 0,01 Inf 0,0299 0,0238 0,0358
εcp
nákladový invg 0,01 Inf 0,0174 0,0020 0,0555
εg
vládní invg 0,01 Inf 0,0912 0,0769 0,1050
Zdroj: vlastní výpočty
Parametr týkající se nákladů přizpůsobení kapitálu χ byl odhadnut na 0,726, což je mnohem větší
hodnota než nastavený prior a běžně používané hodnoty (opět viz Bernanke et al., 1999). Meier
a Müller (2006) však také odhadli poměrně vysokou hodnotu tohoto parametru, a to 0,65.
Podíl kapitálu v produkční funkci – α je také vyšší než apriorní střední hodnota, ale je blízko
odhadů z empirických studií pro českou ekonomiku, viz např. Hloušek (2007). Odhadnutá
hodnota Calvo parametru φ je velmi nízká, jen 0,1842. To implikuje průměrnou délku trvání
cenových kontraktů 1,2 čtvrtletí. Hloušek (2010) také zjistil významnou flexibilitu domácích cen
v české ekonomice, ale jeho odhad Calvo parametru je 0,40, což je znatelně více než v tomto modelu.
Monetární politika ukazuje velmi nízký důraz na vyhlazování úrokové míry, paramter ρr je
pouze 0,283. To je v kontrastu s ostatními modely odhadnutými pro českou ekonomiku (viz opět
Hloušek (2010) nebo Musil (2008)). Váhy na inflaci a na mezeru výstupu v monetárním pravidle
jsou poměrně standardní. Nejvíce persistentní šoky jsou nákladový a technologický, odhady parametrů
vyšly ρa = 0,7169 a ρcp = 0,7634. Pokud se podíváme na volatilitu šoků, šok vládních
výdajů a monetární šok jsou nejvíce volatilní (εg = 0,0912 a εr = 0,0382).
Tento základní model (dále označovaný jako FA model) byl následně porovnán s modelem bez
finančního akcelerátoru. Tento model získáme tak, že parametr ψ nastavíme na nulu a ostatní
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU78
parametry odhadneme znovu. Tato redukovaná verze modelu je dále označena jako noFA model.
V hodnotách odhadnutých paremetrů nejsou velké rozdíly, ale oba modely můžeme porovnat
a podívat se, jak vystihují data.
Ověření modelu na datech2.1.4.
Tato sekce se zabývá porovnáním statistických momentů vypočítaných z dat a ze simulace modelů
s finančním akcelerátorem a bez něj. Momenty, které nás zajímají, jsou směrodatná odchylka
a autokorelace.
Směrodatné odchlyky a relativní volatilityTabulka č. 30:
směrodatná odchylka směrodatná odchylka relativně k výstupu
proměnná data FA model noFA model data FA model noFA model
yt
2,26 4,16 1,93 1,00 1,00 1,00
it
3,29 9,87 4,66 1,45 2,37 2,42
ct
1,28 4,62 2,54 0,57 1,11 1,32
πt
3,57 3,55 3,52 1,58 0,85 1,83
Rt
2,20 1,30 1,45 0,97 0,31 0,75
Zdroj: vlastní výpočty
Tabulka č. 30 ukazuje směrodatné odchylky výstupu, investic, spotřeby, inflace a nominální úrokové
míry, vypočítaných z reálných dat a z dat generovaných modelem. Pátý až sedmý sloupec obsahují
volatilitu relativně k výstupu. Podíváme se nejprve na absolutní velikosti směrodatných odchylek.
Oba modely perfektně vystihují volatilitu inflace. Spotřeba a investice jsou v datech méně
volatilní než v modelu, zatímco úroková míra je více volatilní. Obecně je model bez akcelerátoru
datům blížeji než FA model. Co se relativní volatility týče, oba modely zachycují fakt, že investice
jsou volatilnější než výstup, ale oba modely velikost volatility nadsazují. Podobně oba modely
selávají při zachycení menší volatility spotřeby k výstupu. V případě volatility inflace a úrokové
míry je na tom model bez akcelerátoru lépe.
Graf č. 27 ukazuje nepodmíněné autokorelace dat a autokorelace z časových řad ziskaných simulací
modelu. Momenty z dat byly vypočítány z odhadnutého VAR modelu prvního řádu.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU 79
AutokorelaceGraf č. 27:
0 5 10
–0.5
0
0.5
1
FA
Data
noFA
Output
0 5 10
–0.5
0
0.5
1
Investment
0 5 10
–0.5
0
0.5
1
Consumption
0 5 10
–0.5
0
0.5
1
Inflation
0 5 10
–0.5
0
0.5
1
Interest rate
Zdroj: vlastní výpočty
Na první pohled je zřejmé, že model bez finančního akcelerátoru velmi dobře vystihuje autokorelace
všech datových veličin. Pouze v případě spotřeby a výstupu jsou modelové korelace menší
než v datech, při zpoždění jednoho a dvou (tří) čtvrtletí, a naopak větší při horizontu šesti a více
čtvrtletí. Vyšší autokorelaci pro inflaci pro zpoždění dvou období nevystihuje ani jeden z modelů.
Výsledky modelu s finančním akcelerátorem nejsou přesvědčivé. Proměnné jsou velmi persistentní
a jejich korelace se snižuje v čase pouze pomalu, což neodpovídá chování v datech.
Dynamické vlastnosti modelu2.1.5.
Dynamické vlastnosti modelu mohou být studovány pomocí impulsních odezev a varianční
dekompozice. Graf č. 28 ukazuje chování několika endogenních proměnných při reakci na šok
v efektivitě investic. Plná čára je použita pro model s akcelerátorem a čárkovaná pro model bez
něj. Pozitivní šok v efektivitě investic znamená, že zboží konečné spotřeby (spotřební statky) jsou
v investiční statky přeměňovány efektivněji. Tento šok zvýší investice, odpracované hodiny a tím
pádem i výstup. Cena efektivní jednotky kapitálu, qt, klesá, což snižuje výnosnost kapitálu a čisté
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU80
jmění. Výsledný růst externí finanční prémie zvyšuje náklady financování investičních projektů,
což přivádí investice zpět k rovnováze. Úroková míra roste, protože centrální banka reaguje na
vysokou inflaci a výstup, a přispívá tak k návratu ekonomiky do ustáleného stavu. Pro model bez
finančního akcelerátoru jsou počáteční reakce reálných proměnných (jako je výstup, investice
nebo spotřeba) nepatrně menší a následná odezva více perzistentní než pro model s akcelerátorem.
Rozdíly v impulsních odezvách mezi modely jsou minimální a otázka, zda finanční akcelerátor
zesiluje nebo zeslabuje přenos šoků do ekonomiky, nemůže být na základě těchto výsledků
odpovězena.
Impulsní odezvy na šok v efektivitě investicGraf č. 28:
0 5 10
0
4
2
Output
x 10–3
0 5 10
–0.05
0.05
0
Investment
0 5 10
–0.01
0.01
0
Consumption
0 5 10
–0.01
0.01
0
Hours
x 10–3
x 10–3
0 5 10
–5
5
0
Interest rate
0 5 10
–5
5
0
Inflation
0 5 10
–0.01
0
–0.005
Capital price
x 10–4
0 5 10
–0.02
0
–0.01
Net worth
0 5 10
0
2
1
Risk premium
FA
noFA
Zdroj: vlastní výpočty
Chování modelových proměnných může být rozloženo na příspěvky jednotlivých exogenních šoků
pomocí varianční dekompozice. Tabulka č. 31 ukazuje předpovědní chybovou varianci v dlouhodobém
horizontu. I když volatilita monetárního šoku není největší, jeho příspěvek k chování modelových
proměnných je enormní. Monetární šok vysvětluje 62 až 88% variace uvedených proměnných.
Na druhou stranu nákladový šok je celkově nevýznamný. Šok v investiční efektivitě vysvětluje
pouze 12% změn v investicích a také částečně přispívá k varianci úrokové míry. Technologický šok
přispívá k chování výstupu a spotřeby 12 a 14 procenty. Příspěvek preferenčního šoku je poměrně
bezvýznamný a šok vládních výdajů, který měl největší volatilitu, se na vysvětlení spotřeby podílí
pouze částečně a chování ostatních proměnných vysvětluje ještě méně.
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU 81
Varianční dekompoziceTabulka č. 31:
procento variance vysvětlené pomocí šoku
proměnná investiční technologický preferenční monetární nákladový vládní
yt
2,2 12,0 1,6 76,9 0,1 7,2
it
12,0 3,3 0,9 80,1 0,0 3,6
ct
4,5 14,1 6,5 62,4 0,1 12,4
πt
1,0 3,0 0,9 88,1 0,0 6,9
Rt
10,5 5,7 1,8 74,7 0,1 7,2
Zdroj: vlastní výpočty
Bayesovský přístup k odhadu můžeme využít pro kvantitativní porovnání verzí modelu, jak dobře
vystihují data. Konkrétně můžeme vypočítat Bayesův faktor, který je založen na marginální věrohodnosti
dat a vyjadřuje, kolikrát je jeden model pravděpodobnější než druhý. Bayesův faktor
noFA modelu versus FA modelu vyšel 86716,29, což znamená „přesvědčivý“ důkaz ve prospěch
modelu bez finančního akcelerátoru.2
Závěr2.1.6.
V této podkapitole jsme prezentovali výsledky odhadu novokeynesiánského modelu s finančním
akcelerátorem na českých datech. Finanční akcelerátor je obvykle zapracován do modelů, protože
model pak lépe vystihuje chování dat a také z toho důvodu, že zesiluje a propaguje šoky v ekonomice.
Výsledky pro českou ekonomiku však nejsou v souladu s touto praxí. I když byl model s finančním
akcelerátorem úspěšně odhadnut, jeho vypovídací schopnost není uspokojivá. Omezený
model (bez akcelerátoru) sedí na datech v mnoha ohledech lépe. Otázka týkající se propagace šoků
do ekonomiky nemůže být na základě současných výsledků vyřešena. Některé odhadnuté parametry
nemají z ekonomického hlediska přijatelné a jasně interpretovatelné hodnoty. Důvodem může
být skutečnost, že model postrádá některé důležité kanály. Je to model uzavřené ekonomiky a zahrnuje
pouze jeden typ nominální rigidity. Tématem na další výzkum je proto rozšíření modelu
o zahraniční sektor a ostatní nominální a reálné rigidity.
2 Pro obor hodnot, kterých Bayesův faktor může nabývat, a jejich interpretaci odkazujeme na publikaci DeJong and
Dave (2007).
FINANČNÍ AKCELERÁTOR V ODHADNUTÉM MODELU PRO ČESKOU EKONOMIKU82
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 83
Strukturální rozdíly a asymetrické šoky2.2.
mezi českou ekonomikou a euro zónou 12
3
Asymetrické šoky a strukturální rozdíly jsou považovány za jednu z hlavních příčin možné neoptimality
společné měnové politiky. Asymetrie šoků je definována jako rozdíly v načasování, velikosti
a persistenci makroekonomických šoků. Strukturální rozdíly jsou poté definovány jako rozdíly
v propagačním mechanismu těchto šoků. V případě asymetrických šoků a (nebo) strukturálních
rozdílů v měnové unii musí aplikovaná společná monetární politiky čelící těmto šokům být pro
některé země suboptimální. Proto analýza asymetrických šoků a strukturálních rozdílů hraje důležitou
roli při evaluaci přínosů a nákladů společné měny.
Cílem této podkapitoly je prozkoumat asymetrické šoky a strukturální rozdíly mezi českou ekonomikou
a ekonomikou Eurozóny 12. K tomuto účelu je použit novokeynesiánský DSGE malé otevřené
ekonomiky, prezentovaný v Justiniano a Preston (2010b). Model je založen na struktuře modelů
Galí a Monacelli (2005) a Monacelli (2003), kteří odvodili elegantní model malé otevřené ekonomiky
s cenovou rididitou modelovanou á la Calvo, viz Calvo (1983). Druhý ze zmiňovaných článků
rozšiřuje předchozí model o zavedení rigidity v cenách importovaného zboží, která vede k tomu,
že může vznikat odchylka od zákona jedné ceny, a změny cen importovaného zboží tudíž nemusí
plně neodrážet změny směnného kurzu. Další rozšíření přinesl článek Justiniano a Preston (2010a),
kteří rozšířili tuto strukturu o zavedení zvyků ve spotřebě, cenovou indexaci a neúplný trh aktiv.
Model z Justiniano a Preston (2010b), který je použit v této podkapitole, rozšiřuje předchozí model
o zavedení mzdové rigidity modelované á la Calvo, podle způsobu navrženého v Ergeg, Henderson
a Levin (2000). Převzatý model z Justiniano a Preston (2010b) jsme ještě upravili v několika ohledech.
Podle Adolfson a kol. (2008) jsme podmínku nekryté úrokové parity (UIP podmínku) modifikovali
přidáním zpožděné hodnoty reálného směnného kurzu s pozitivní váhou. Podle Kolasa (2009) jsme
také zavedli možnost korelace mezi vzájemně odpovídajícími šoky v obou ekonomikách.
Asymetrické šoky a strukturální rozdíly jsou zkoumány dvěma způsoby. Nejdříve pomocí porovnání
různých modelových variant zkoumáme asymetrii šoků a zdroje strukturálních rozdílů. V kontextu
DSGE modelů můžeme vidět strukturální rozdíly (asymetrii šoků) jako významné rozdíly
v hodnotách některých strukturálních parametrů (parametrů popisující vývoj šoků). Podle Kolasa
(2009) k testování významnosti těchto rozdílů používáme bayesiánský přístup. Rozdíl v hodnotě parametrů
je považován za významný, pokud datový fit variant modelu, které předpokládají rozdílnou
hodnotu zkoumaných parametrů, je lepší než datový fit těch variant modelu, které předpokládají
společnou hodnotu parametrů. Měřítkem datového fitu je Bayesův faktor, počítaný z marginálních
3 Tato podkapitola vychází z publikace Slanicay (2011).
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1284
věrohodností obdržených při odhadu. Následně zkoumáme, jak strukturální rozdíly a rozdíly v persistenci
a velikosti makroekonomických šoků ovlivňují chování obou ekonomik. Za využití impulseresponse
funkcí analyzujeme rozdíly v reakcích hlavních makroekonomických proměnných v obou
ekonomikách na vzájemně odpovídající druhy šoků v těchto ekonomikách.
Model2.2.1.
Odvození modelu z mikroekonomických základů lze najít v Justiniano a Preston (2006, 2010b).
Model je v log-linearizovaném tvaru, takže všechny proměnné jsou ve formě logaritmických odchylek
od svého ustáleného stavu (steady state), formálně nt = log Xt − log X, kde X je hodnota v ustáleném
stavu. Proměnné a parametry s horním indexem „*“ platí pro zahraniční ekonomiku.
Domácí blok2.2.1.1.
Log-linearní aproximace Eulerovy rovnice pro mezičasové rozhodování domácností je ve tvaru
, (1)
kde ct, it, πt je spotřeba, nominální úroková míra a inflace v období t, Rt značí očekávání v čase t,
h je parametr zvyků ve spotřebě, ρ je inverzní elasticita mezičasové substituce ve spotřebě a εg, t je
preferenční šok v období t ve formě AR1 procesu. Podmínka vyčištění trhu zboží požaduje
, (2)
kde yt, yt
*
, st značí domácí produkci, zahraniční produkci a směnné relace v období t, α je parametr
otevřenosti domácí ekonomiky, η, η*
je elasticita substituce mezi domácím a zahraničním zbožím
a ψF, t odchylka od zákona jedné ceny definovaná jako
ψF, t = (et + pt) − pF, t ,
kde et je nominální směnný kurz, pt
*
je zahraniční cenový index a pF, t je cenový index importovaného
zboží. Směnné relace St jsou definované jako St = PF, t / PH, t a po log-linearizování a časového
differencování dostaneme
∆st = πF, t − πH, t , (3)
kde πF, t je inflace importovaného zboží a πH, t je inflace domácího zboží. Směnné relace st, odchylka
od zákona jedné ceny ψF, t a reálný směnný kurz qt jsou spojeny spolu v identitě
qt = ψF, t + (1 − α)st , (4)
Firmy maximalizují svoje zisky vzhledem ke svým poptávkovým omezením a vzhledem k modifikovanému
Calvovu omezení na četnost cenových přizpůsobení. Podle této verze Calvova omezení platí,
že každé období může své ceny nastavit optimálně pouze 1 − θp podíl producentů, zatímco podíl
producentů θp upraví svoje ceny podle indexačního pravidla log PH, t (i) = log PH, t − 1(i) + δp πH, t − 1.
Výsledkem optimálního nastavování cen firmami je pak pravidlo pro vývoj domácí inflace, nazývané
jako hybridní Phillipsova křivka pro domácí producenty
πH, t − δpπH, t − 1 = βEt (πH, t + 1 − δpπH, t) + ξp (wt + st + ψt) + εcp, t , (5)
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 85
kde
(6)
θp je parametr strnulosti domácích cen, δp je parametr indexace domácích cen, β je diskontní
faktor, εp je elasticita substituce mezi jednotlivým domácím zbožím, ωp = − f ‫״‬Y / (f ‫׳‬)2
> 0, f je
produkční funkce domácích producentů, která splňuje obvyklé Inadovy podmínky, wt je reálná
mzda, εa, t je domácí technologický šok ve formě AR1 procesu a εcp, t je cost-push šok domácích
firem ve formě IID procesu, přidaný pro účely odhadu.
Importéři maximalizují své zisky vzhledem ke svým poptávkovým omezením a vzhledem k modifikovanému
Calvovu omezení na četnost cenových přizpůsobení. Podle této verze Calvova omezení
platí, že každé období své ceny optimálně nastaví pouze 1 − θF podíl importérů, zatímco podíl
importérů θF upraví své ceny podle indexačního pravidla log PF, t (i) = log PF, t − 1(i) + δF πF, t − 1.
Výsledkem optimálního nastavování cen importéry je pak pravidlo pro vývoj importované inflace
ve formě hybridní Phillipsovy křivky pro importéry
πF, t − δFπF, t − 1 = βEt (πF, t + 1 − δFπF, t) + ξF ψF, t + εcf, t , (7)
kde
θF je parametr strnulosti importovaných cen, δF je parametr indexace importovaných cen a εcf, t
je cost-push šok importérů ve formě AR1 procesu.
Domácnosti maximalizují svou užitkovou funkci vzhledem k poptávkovým omezením po nabízené
práci a vzhledem k modifikovanému Calvovu omezení na četnost mzdových přizpůsobení.
Podle této verze Calvova omezení platí, že každé období může svoji mzdu optimálně nastavit
pouze 1 − θw podíl domácností, zatímco podíl domácností θw upraví svou mzdu podle indexačního
pravidla log Wt (k) = log Wt − 1(k) + δw πt − 1. Výsledkem optimálního nastavování mezd
domácnostmi je pravidlo pro vývoj mzdové inflace ve formě mzdové Phillipsovy křivky
πt
w
− δwπt − 1 = βEt (πw
t + 1 − δwπt) + ξw (vt − wt) , (8)
kde
(9)
θw je parametr strnulosti mezd, δw je parametr indexace mezd, φ je inverzní elasticita nabídky
práce, εl, t je šok v nabídce práce ve formě AR1 procesu. Cenová inflace, mzdová inflace a reálná
mzda jsou spojeny v identitě
wt = πt
w
− πt + wt − 1 . (10)
Směnné relace, inflace domácího zboží a celková inflace v domácí ekonomice jsou spojeny
v identitě
πt = πH, t + α∆st . (11)
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1286
Podle Adolfson a kol. (2008) používáme modifikovanou verzi podmínky nekryté úrokové parity
(UIP podmínky)4
, (12)
kde χ je elasticita zahraniční rizikové prémie vzhledem k zadlužení, φq je parametr modifikované
verze UIP podmínky, přidaný ad-hoc, εs, t je risk premium šok ve formě AR1 procesu a at je čistá
reálná držba aktiv jako podíl na ustáleném stavu domácí produkce, která musí splňovat množinu
rozpočtových podmínek
. (13)
Domácí blok modelu je doplněn monetárním pravidlem pro vývoj domácí nominální úrokové
sazby ve formě modifikovaného Taylorova pravidla
, (14)
kde ρi je parametr vyhlazení úrokové sazby, ψπ je elasticita úrokové sazby vzhledem k inflaci, ψy je
elasticita úrokové sazby vzhledem k produkci a εM, t je monetární šok ve formě IID procesu.
Zahraniční blok2.2.1.2.
Zahraniční blok je uzavřenou verzí bloku prezentovaného výše. Všechny proměnné a parametry
mají stejnou interpretaci jako ty v domácí ekonomice a jsou od nich odlišeny pomocí horního
indexu "*". Mezičasové rozhodování zahraničních domácností o spotřebě je popsáno pomocí
Eulerovy rovnice
(15)
Nastavování cen zahraničních firem je popsáno pomocí hybridní Phillipsovy křivky
, (16)
kde
(17)
Nastavování mezd zahraničních domácností je popsáno mzdovou Phillipsovou křivkou
, (18)
4 Nastavením φq = 0 obdržíme obvyklou verzi UIP podmínky.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 87
kde
(19)
Inflace, mzdová inflace a reálná mzda v zahraniční ekonomice jsou spojeny identitou
(20)
Zahraniční blok modelu je dokončen monetárním pravidlem pro vývoj zahraniční nominální úrokové
sazby, ve formě modifikovaného Taylorova pravidla
. (21)
Estimace2.2.2.
Data2.2.2.1.
Čtvrtletní data ČR a EA 12 od 1. čtvrtletí 1999 do 3. čtvrtletí 2010, převzatá z webové databáze
Eurostatu, http://ec.europa.eu/eurostat. Graf č. 29 vykresluje data, která vstupují do odhadu.
obs
yt = yt − yt − 1 , obs
yt
*
= yt
*
− yt
*
− 1: odprůměrované rozdíly logaritmů (*100) reálného HDP per
capita. Měřítkem HDP je řada „Gross Domestic Product at Market Prices, Millions of Euro,
Chain-linked Volumes, Reference Year 2000 (at 2000 Exchange Rates), Seasonally Adjusted and
Adjusted Data by Working Days“ a měřítkem populace je řada „Total Population“.
obs
πt = πt , obs
πt
*
= πt
*
: odprůměrované rozdíly logaritmů (*100) cenového indexu. Podkladovým
indexem je „HICP (2005 = 100), All Items“, který byl sezónně očistěn metodou Tramoseats za
využití softwaru Demetra.
obs
πt
w
= πt
w
, obs
πt
w*
= πt
w*
: odprůměrované rozdíly logaritmů (*100) mzdového indexu.
Podkladovým mzdovým indexem je „Labour Cost Index (Nace Rev.2) (2008 = 100) – Wages and
Salaries, Business Economy, Seasonally Adjusted and Adjusted Data by Working Days“. Tento
index začíná v 1. čtvtletí 2000, proto jsou první 4 hodnoty dopočítány z indexu „Labour Cost
Index (2000 = 100) – Wages and Salaries, Industry and Services (excluding Public Administration),
Seasonally Adjusted and Adjusted Data by Working Days“.
obs
it = it , obs
it
*
= it
*
: odprůměrovaná data nominální úrokové sazby (kvartelizována, t.j. podělena
čtyřmi). Za měřítko nominální úrokové sazby je použito „Money Market Interest Rates,
3-Month Rates“.
obs
qt = qt − qt − 1: odprůměrované rozdíly logaritmů (*100) reálného směnného kurzu. Za měřítko
nominálního směnného kurzu je vzato „Euro/ECU Exchange Rates – Quarterly Data, Average,
National Currency (including 'euro fixed' series for euro area countries), Czech Koruna“.
obs
st = st − st − 1: odprůměrované rozdíly logaritmů (*100) směnných relací. Směnné relace jsou
počítány jako podíl deflátorů importu a exportu. Za měřítko exportních cen je použito „Exports
of Goods and Services, Seasonally Adjusted and Adjusted Data by Working Days, Price index,
2 000 = 100, Based on National Currency (including 'euro fixed' series for euro area countries)“,
za měřítko importních cen je použito „Imports of Goods and Services, Seasonally Adjusted and
Adjusted Data by Working Days, Price index, 2 000 = 100, Based on National Currency (including
'euro fixed' series for euro area countries)“.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1288
DataGraf č. 29:
2000 2002 20062004 20102008
1
0
–1
obs
* – inflace EA 12 obs – inflace CZ
2000 2002 20062004 20102008
2
1
0
–1
yobs
* – HDP EA 12
2000 2002 20062004 20102008
1
–1
–2
0
–3
0
–2
–4
yobs – HDP CZ
2000 2002 20062004 20102008
iobs
* - úroková míra EA 12
0,5
0
–0,5
2000 2002 20062004 20102008
iobs – úroková míra CZ
2000 2002 20062004 20102008
1
0,5
0
–0,5
obs
w* – mzdová inflace EA 12
0,5
0
–0,5
2000 2002 20062004 20102008
obs
w - mzdová inflace CZ
2000 2002 20062004 20102008
2
0
–2
–4
–6
sobs – směnné relace
4
0
2
–2
2000 2002 20062004 20102008
qobs – reálný směnný kurz
0,5
0
–0,5
2000 2002 20062004 20102008
Kalibrace a Priory2.2.2.2.
Model je tvořen rovnicemi (1)–(21) a obsahuje 21 endogenních proměnných, {ct , yt , it , at , qt , st ,
πt , πH, t , πF, t , ψF, t , wt , πt
w
, vt , ψt } v domácí ekonomice a {y*
t , i*
t , π*
t , w*
t , ψ*
t , πt
w*
, v*
t } v zahraniční
ekonomice. Model také obsahuje 8 AR1 procesů pro exogenní šoky {εa, t , εg, t , εl, t , εs, t , εcf, t , ε*
a, t ,
ε*
g, t , ε*
l, t } a 4 šoky ve formě IID procesu {εM, t , ε*
M, t , εcp, t , ε*
cp, t }. Model obsahuje 45 parametrů.
Kromě šesti parametrů (β, εp , εw , χ, ωp a α), které jsou špatně identifikovatelné, jsou všechny parametry
odhadovány pomocí Metropolis-Hastings algoritmu (za využití Dynare toolboxu pro Matlab).
Diskontní faktor β je kalibrován na hodnotu 0,9975, což implikuje annualizovanou reálnou úrokovou
sazbu v ustáleném stavu ve výši 1%. Tato hodnota zhruba odpovídá dlouhodobému průměru annualizované
reálné úrokové sazby v obou ekonomikách. Elasticity substituce mezi různými druhy zboží
εp a různými pracovními vstupy εw jsou obě nastaveny na hodnotu 8 podle výsledků prezentovaných
Woodford (2003, kap. 3), což implikuje průměrnou cenovou a mzdovou přirážku ve výši 14%. Podle
Benigno (2009), parametr χ ovlivňující dluhovou prémii k úrokové sazbě je nastaven na 0,01. Parametr
ωp je kalibrován na 0,33, podle Justiniano-Preston (2010b). Parametr otevřenosti české ekonomiky α je
kalibrován na 0,35, podle podílu exportu na produkci.5
Nastavení priorů odhadovaných parametrů, stejně jako odhadnuté hodnoty parametrů v základní neomezené
variantě, je prezentováno v tabulce č. 32. Apriorní střední hodnoty pro Calvo parametry cenových
a mzdových strnulostí θp , θF , θ*
p , θw a θ*
w jsou nastaveny 0,6, což implikuje průměrné trvání cenového
(mzdového) kontraktu o délce 7,5 měsíce. Kvůli neexistenci mikroekonomických empirických
5 http://www.czso.cz/csu/tz.nsf/i/statistika_upresnuje_predstavy_o_otevrenosti_ceske_ekonomiky
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 89
studií o cenové a mzdové indexaci jsme pro tyto parametry nastavili velmi volné priory, apriorní střední
hodnotu rovnu 0,5 a apriorní směrodatnou odchylku rovnu 0,2. Priory pro parametry v Taylorově pravidle
jsou nastaveny konzistentně s Taylor (1999). Inverzní elasticity mezičasové substituce ρ, ρ*
jsou
odhadovány s relativně volnými priory, apriorní střední hodnota nastavena na 1,0, podle Galí (2008),
a apriorní směrodatná odchylka rovna 0,7. Inverzní elasticity nabídky práce φ, φ*
jsou odhadovány
s apriorní střední hodnotou rovnu 2,0 a apriorní směrodatnou odchylkou rovnu 0,7, což jsou hodnoty
běžně k nalezení v literatuře o hospodářských cyklech. Parametry zvyků ve spotřebě h, h*
jsou odhadovány
s apriorní střední hodnotou nastavenou na 0,7 a apriorní směrodatnou odchylkou 0,1, stejně jako
Smets a Wouters (2003). Autoregresní parametry v AR1 procesech pro exogenní šoky jsou odhadovány
s velmi volnými priory, apriorní střední hodnota rovna 0,5 a apriorní směrodatná odchylka 0,2.
Odhad parametrů – neomezená variantaTabulka č. 32:
parametr prior stř. hod.
prior smě.
odch.
prior
dist.
post. stř.
hod. CZ
90% pravděpodob.
interval CZ
post. stř.
hod. EA
90% pravděpodob.
interval EA
ρ, ρ* 1,0 0,7 G 0,79 0,25 1,29 0,78 0,23 1,30
φ, φ* 2,0 0,7 G 1,75 0,80 2,66 2,40 1,19 3,56
h, h* 0,7 0,1 B 0,81 0,69 0,93 0,79 0,69 0,89
η, η* 0,5 0,15 G 0,47 0,29 0,65 0,42 0,30 0,53
θp , θ*
p , 0,6 0,05 B 0,63 0,56 0,70 0,67 0,60 0,74
θF
0,6 0,05 B 0,67 0,61 0,73
θw , θ*
w
0,6 0,05 B 0,57 0,52 0,63 0,67 0,61 0,73
δp , δ*
p
0,5 0,2 B 0,17 0,02 0,31 0,51 0,22 0,82
δF
0,5 0,2 B 0,54 0,26 0,82
δw , δ*
w
0,5 0,2 B 0,54 0,24 0,84 0,34 0,13 0,53
ψπ , ψ*
π
1,5 0,15 G 1,62 1,40 1,84 1,38 1,15 1,60
ψy , ψ*
y
0,5 0,15 G 0,19 0,11 0,26 0,16 0,09 0,23
ρi , ρ*
i
0,8 0,05 B 0,93 0,92 0,95 0,84 0,80 0,87
ρa , ρ*
a
0,5 0,2 B 0,93 0,87 0,99 0,54 0,22 0,86
ρg , ρ*
g
0,5 0,2 B 0,58 0,34 0,82 0,70 0,57 0,82
ρl , ρ*
l
0,5 0,2 B 0,23 0,07 0,39 0,36 0,17 0,54
ρcf
0,5 0,2 B 0,88 0,82 0,94
ρs
0,5 0,2 B 0,93 0,88 0,98
σa , σ*
a
3,0 0,5 ∞ I 3,71 2,37 4,98 1,03 0,11 2,58
σg , σ*
g
6,0 2,0 ∞ I 7,91 3,62 12,63 2,82 1,55 4,10
σl , σ*
l
25,0 12,0 ∞ I 37,66 27,72 50,0 11,19 5,33 17,02
σcp , σ*
cp
0,05 0,3 ∞ I 0,14 0,01 0,47 0,36 0,21 0,49
σM , σ*
M
0,1 ∞ I 0,10 0,08 0,11 0,10 0,08 0,11
σcf
0,3 ∞ I 0,97 0,64 1,28
σs
0,5 ∞ I 0,16 0,07 0,26
cora
0 0,4 N 0,21 −0,31 0,75
corg
0 0,4 N 0,38***
0,18 0,59
corl
0 0,4 N 0,11 −0,11 0,33
corcp
0 0,4 N 0,19 −0,41 0,77
corm
0 0,4 N 0,39***
0,19 0,58
Poznámka: G – gamma, B – beta, I – inverse gamma, N – normal.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1290
Analýza založená na porovnávání modelů2.2.3.
Asymetrie šoků a strukturální rozdíly mohou být v našem kontextu viděny jako významné rozdíly
v hodnotách některých strukturálních parametrů. Otázkou je, kdy můžeme nějaký rozdíl považovat
za významný. Použijeme přístup prezentovaný v Kolasa (2009), který je založen na porovnání
modelů za pomoci Bayesova faktoru. Idea, která leží za tímto přístupem, je následující.
Strukturální parametry modelu mohou být modelovány jako společné pro obě ekonomiky, nebo
jako různé pro obě ekonomiky. Pokud opravdu existuje významný rozdíl v hodnotách některých
parametrů, pak modely, které předpokládají rozdílné hodnoty těchto parametrů, by měly odpovídat
datům lépe než modely, které předpokládají společnou hodnotu těchto parametrů. Můžeme
porovnat neomezený model s modelem omezeným, kde jsou vybrané parametry modelovány jako
společné pro obě ekonomiky, a tak zjistit, který z nich odpovídá datům lépe. Pokud zjistíme, že
neomezený model odpovídá datům lépe, můžeme říci, že existuje strukturální rozdíl v těchto parametrech.
Další část popisuje metodu použitou k porovnání modelů.
Bayesův faktor2.2.3.1.
Porovnání modelů je založeno na Bayesově faktoru (BF). Bayesův faktor je specifickým případem
posteriorního podílu šancí, kde jsou apriorní pravděpodobnosti porovnávaných modelů nastaveny
stejně, a to rovny 1/2. Bayesův faktor modelů i a j (Bij) je bayesiánská statistika, počítaná z (logaritmů)
marginálních věrohodností6
(obdržených při bayesiánském odhadu), jako
, (22)
kde p(YT | Mi) je marginální věrohodnost modelu i a log(p(YT | Mi)) je logaritmus marginální věrohodnosti
modelu i.7
Bayesův faktor ukazuje, jak moc pravděpodobnější je model i než model j.
DeJong a Dave (2007, s. 242) prezentují následující interpretaci8
hodnot Bayesova faktoru
1–3 – „velmi slabý důkaz (very slight evidence)“
3–10 – „slabý důkaz (slight evidence)“
10–100 – „silný až velmi silný důkaz (strong to very strong evidence)“
100 a více – „přesvědčivý důkaz (decisive evidence)“.
Tato interpretace nám ukazuje, jak silný důkaz přináší Bayesův faktor o tom, jestli model i vysvětluje
data lépe než model j. Je zřejmé, že platí BFi/j = 1/BFj/i.
Strukturální rozdíly2.2.3.2.
Tabulka č. 33 ukazuje vypočítané Bayesovy faktory neomezeného modelu oproti omezené variantě,
kde jsou vybrané parametry modelované jako společné pro obě ekonomiky.
6 Výpočet logaritmu marginální věrohodnosti je založen na Laplaceově aproximaci.
7 Je výhodnější používat logaritmus marginální věrohodnosti, protože jeho numerický výpočet je mnohem jednodušší.
V následujícím textu budeme proto prezentovat výsledky pomocí logaritmu marginální věrohodnosti.
8 Podobná interpretace se dá najít také v Jeffreys (1961) nebo Kass and Raftery (1995).
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 91
Bayesovy faktory a logaritmy marginální věrohodnosti – strukturální parametryTabulka č. 33:
i omezení BF0,i
log(p(YT|Mi))
0. neomezený, 1 −417,16
1. σ = σ*
– inv. elasticita mezičasové substituce 0,61 −416,67
2. φ = φ*
– inv. elasticita nabídky práce 1,29 −417,42
3. h = h*
– zvyky ve spotřebě 0,49 −416,44
4. η = η*
– elasticita mezi dom. a zahr. zbožím 1,15 −417,30
5. preference domácností (1–4) 0,28 −415,88
6. θp = θp
*
– strnulost cen 1,34 −417,46
7. δp = δp
*
– indexace cen 5,41 −418,85
8. θw = θw
*
– strnulost mezd 1,96 −417,84
9. δw = δw
*
– indexace mezd 1,23 −417,37
10. cenová tvorba – strnulost a indexace (6,7) 2,29 −417,99
11. mzdová tvorba – strnulost a indexace (8,9) 2,56 −418,10
12. cenová a mzdová tvorba (10,11) 6,06 −418,96
13. ρi = ρi
*
– vyhlazení úrokové míry 3,32*103
−425,27
14. ψπ = ψπ
*
– elasticita úr. míry vzhledem k inflaci 2,28 −417,99
15. ψw = ψw
*
– elasticita úr. míry vzhledem k produkci 0,70 −416,80
16. pravidlo monetární politiky (13–15) 2,31*103
−424,91
Zdroj: vlastní výpočty
Můžeme vidět, že ve prospěch heterogenity ve strukturálních parametrech souvisejících s preferencemi
domácností neexistuje téměř žádný důkaz. Ačkoliv Bayesův faktor lehce favorizuje neomezenou variantu
před variantou s omezením na inverzní elasticitu nabídky práce φ (BF = 1,29) a před variantou s omezením
na elasticitu mezi domácím a zahraničním zbožím η (BF = 1,15), tyto hodnoty Bayesova faktoru
přináší pouze velmi slabý důkaz ve prospěch heterogenity v těchto parametrech. Navíc Bayesův faktor
také favorizuje variantu s omezením na všechny parametry souvisejicí s preferencemi domácností před
neomezenou variantou (BF = 0,28). Tato hodnota přináší slabý důkaz ve prospěch homogenity v preferencích
domácností. Měli bychom být nicméně opatrní s interpretací tohoto výsledku jako důkazu
celkem homogenních preferencí domácností. Parametry související s preferencemi domácností v DSGE
modelech jsou známy jako špatně identifikovatelné a výsledek homogenity pak může být pouze odrazem
stejných priorů. Pohled na intervaly spolehlivosti odhadu těchto parametrů, viz tabulku č. 32,
potvrzují tuto slabou identifikovatelnost parametrů souvisejících s preferencemi domácností, obvzláště
v případě inverzní Frischovy elasticity nabídky práce φ a φ*
. Proto by výsledky měly být spíše interpretovány
tak, že jsme nenašli významný důkaz ve prospěch heterogenity v preferencích domácností.
Zjistili jsme, že existuje určitý rozdíl mezi českou ekonomikou a eurozónou v cenové a mzdové
tvorbě (BF = 6,06). Největší rozdíl je v míře cenové indexace δp, jak naznačuje příslušný Bayesův
faktor (BF = 5,41) a jak také naznačuje rozdíl v odhadnutých hodnotách těchto parametrů v neomezené
variantě (δp = 0,17 v ČR vs. δp
*
= 0,51 v EA). Zdá se, že české firmy indexují své ceny méně
než jejich zahraniční protějšci. To také naznačuje, že dynamika inflace v eurozóně je více adaptivní
a zpět-hledící, zatímco dynamika inflace v české ekonomice je více charakterizována vpřed-hledícím
charakterem cenové tvorby. Ačkoliv Bayesův faktor favorizuje neomezenou variantu před
všemi variantami s nějakým omezením na cenovou a mzdovou tvorbu, jeho hodnoty poskytují
pouze slabý důkaz ve prospěch heterogenity v cenové a mzdové tvorbě.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1292
Co se týče monetárních pravidel, zjistili jsme, že existuje podstatný rozdíl v tom, jak centrální banky
vyhlazují úrokovou sazbu. Bayesův faktor přináší přesvědčivý důkaz pro tento závěr (BF = 3,32*103
),
ačkoliv odhadnuté hodnoty tohoto parametru v neomezené variantě se tolik neliší (ρi = 0,93 v ČR
vs. ρi
*
= 0,84 v EA). Zdá se, že ECB nevyhlazuje své úrokové sazby tolik jak ČNB.
Asymetrie šoků2.2.3.3.
Tabulka č. 34 ukazuje výsledky spojené se strukturálními šoky. Bayesův faktor přináší silný důkaz
o rozdílu ve volatilitě šoků v nabídce práce (BF = 39,62) a velmi slabý důkaz o rozdílu ve volatilitě
preferenčních šoků (BF = 2,95). Tyto dva zjištěné rozdíly také přispívají k téměř silnému důkazu
ve prospěch celkové heterogenity ve volatilitě strukturálních šoků (BF = 9,97).
Výsledky ohledně rozdílů v persistenci strukturálních šoků jsou spíše smíšené. Odhadnuté hodnoty
těchto parametrů v neomezené variantě se zdají být u obou zemí velmi odlišné, viz tabulku
č. 32. Nicméně Bayesův faktor favorizuje varianty s restrikcí na persistenci strukturálních šoků
před neomezenou variantou, což by mělo naznačovat, že neexistuje významný rozdíl v persistenci
strukturálních šoků. Avšak přidání restrikce na persistenci strukturálních šoků k variantě, která
již obsahuje restrikci na volatilitu strukturálních šoků, významně zhorší empirický datový fit této
varianty a vede k přesvědčivému důkazu (BF = 2,88*105
) ve prospěch neomezené varianty. Zdá
se, že v celkové persistenci a volatilitě strukturálních šoků existují podstatné rozdíly, avšak tento
přesvědčivý výsledek se objeví pouze při testování této společné hypotézy.
Bayesovy faktory a logaritmy marginální věrohodnosti – strukturální šokyTabulka č. 34:
i omezení BF0,i
log(p(YT
|Mi
))
0. neomezený 1 −417,16
1. σa = σ*
a – volatilita technologických šoků 0,83 −416,98
2. σg = σ*
g – volatilita preferenčních šoků 2,95 −418,25
3. σl = σ*
l – volatilita šoků v nabídce práce 39,62 −420,84
4. σM = σ*
M – volatilita monetárních šoků 0,17 −415,39
5. σcp = σ*
cp – volatilita cost-push šoků 0,41 −416,27
6. volatilita šoků (1–5) 9,97 −419,46
7. ρa = ρ*
a – persistence technologických šoků 0,49 −416,45
8. ρg = ρ*
g – persistence preferenčních šoků 0,43 −416,33
9. ρl = ρ*
l – persistence šoků v nabídce práce 0,72 −416,83
10. persistence šoků (7–9) 0,17 −415,37
11. persistence a volatilita šoků (4,10) 2,88*105
−429,73
12. žádná korelace šoků 168,29 −422,29
13. téměř dokonalá korelace šoků 7,76*1048
−529,73
Zdroj: vlastní výpočty
Také jsme porovnávali neomezenou variantu (s možností korelace mezi vzájemně odpovídajícími
šoky v obou ekonomikách) s variantou, kde jsou šoky modelovány jako nekorelované a s variantou,
kde jsou vzájemně odpovídající šoky modelovány jako téměř dokonale korelované.9
Bayesův
faktor favorizuje neomezenou variantu před variantou s nekorelovanými šoky (BF = 168,29)
9 Téměř dokonalou korelací je myšlena korelace rovna 0,95. Je totiž nemožné odhadnout tento model (při využití
stejných časových řad) s korelací strukturálních šoků rovno 1. Rozhodli jsme se proto využít tuto aproximaci, podle
Kolasa (2009).
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 93
a také silně favorizuje neomezenou variantu před variantou s téměř dokonale korelovanými šoky
(BF = 7.76*1048
). Zdá se, že zavedení možnosti korelace mezi vzájemně odpovídajícími šoky v obou
ekonomikách (a odhadování těchto korelací) významně zvyšuje datový fit DSGE modelů.
Podle odhadů korelací mezi vzájemně odpovídajícími šoky, viz tabulku č. 32, můžeme říci,
že nejvíce korelované jsou monetární šoky (kor = 0,39) a preferenční šoky (kor = 0,38). Korelace
těchto šoků jsou statisticky významné na hladině významnosti α = 0,01. Korelace ostaních šoků
nejsou statisticky významné dokonce ani na hladině významnosti α = 0,1. Tyto výsledky naznačují,
že v načasování šoků mezi českou ekonomikou a Eurozónou existují velké rozdíly. S touto
interpretací bychom však měli být opatrní. Kromě monetárních šoků a cost-push šoků tyto korelace
nejsou mezi celými šoky (reprezentovanými AR1 procesy), ale pouze mezi inovacemi v těchto
šocích. Pokud spočítáme korelace mezi smoothovanými AR1 procesy reprezentujícími tyto šoky,
dostaneme mírně odlišné výsledky. Hodnoty všech korelací jsou nyní o něco větší. Preferenční
šoky jsou nyní vysoce korelované s korelací rovno 0,62, technologické šoky mají korelaci 0,34
a šoky v nabídce práce mají korelační koeficient roven 0,21. I tyto výsledky ovšem naznačují, že
v načasování šoků mezi českou ekonomikou a Eurozónou existují velké rozdíly.
Analýza založená na impulzních odezvách2.2.4.
Strukturální rozdíly mohou být také viděny jako rozdíly v chování obou ekonomik. Pomocí analýzy
impulzních odezev můžeme porovnat chování obou ekonomik v reakcích na různé šoky. Graf
č. 30 ukazuje impulzní odezvy vybraných proměnných na různé šoky. Analýzu jsme omezili na tři
nejdůležitější makroekonomické proměnné: produkt, inflaci a úrokové sazby. Každý dílčí obrázek
ukazuje reakci domácí proměnné na domácí šok a reakci zahraniční proměnné na zahraniční šok
stejného typu.10
Považujeme za smysluplnější porovnávat reakce domácích a zahraničních proměnných
na šoky stejného typu, kde je velikost a persistence těchto šoků dána jejich odhadnutou
posteriorní střední hodnotou. Volně řečeno tedy porovnáváme reakce domácích a zahraničních
proměnných na šoky stejného typu, o jejich průměrné velikosti a persistenci. Toto porovnávání
zahrnuje jak strukturální rozdíly, tak rozdíly v persistenci a volatilitě strukturálních šoků.
Co se preferenčních šoků týče, zdá se že neexistují podstatné rozdíly v chování hlavních makroekonomických
veličin mezi zkoumanými ekonomikami Ačkoliv velikost preferenčních šoků je v české
ekonomice dvakrát větší než v Eurozóně 12, reakce zkoumaných proměnných mají velmi podobný
průběh. Nicméně počáteční reakce domácího produktu je větší než počáteční reakce zahraničního
produktu, reakce domácí inflace je o něco větší a více persistentnější než reakce zahraniční inflace
a reakce domácí úrokové sazby je více persistentnější než reakce zahraniční úrokové sazby.
10 Považujeme českou ekonomiku za domácí ekonomiku a Eurozónu 12 za zahraniční ekonomiku.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1294
Impulsní odezvyGraf č. 30:
produkt inflace úrokové sazby preferenèní šok
produkt inflace úrokové sazby technologický šok
produkt inflace úrokové sazby šok v nabídce práce
produkt inflace úrokové sazby
produkt inflace úrokové sazby
pref.šoktech.šokšokvnab.prácemonetárníšokcost-pushšok
0 20 40 0 20 40 0 20 40 0 20 40
0
0 20 40 0 20 40 0 20 40 0 20 40
0 20 40 0 20 40 0 20 40 0 20 40
0 20 40 0 20 40 0 20 40
0 20 40 0 20 40 0 20 40
-2
0
2
-0.1
0
0.1
-0.2
0
0.2
5
10
0
0.2
0
0.5
0
0.1
-0.2 -0.5 -0.1 0
2
4
-0.1
0
0.1
-0.2
0
0.2
-0.05
0
0.05
0
20
40
-0.5
0
0.5
-0.2
0
0.2
-0.1
0
0.1
-0.1
0
0.1
-0.5
0
0.5
-0.1
0
0.1
Poznámka: modrá čára – odezva domácí proměnné na domácí šok, šedá čára – odezva zahraniční proměnné na zahraniční šok.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 95
Na druhou stranu reakce hlavních makroekonomických proměnných na technologický šok vykazují
podstatné rozdíly. Reakce domácích proměnných jsou mnohem větší a vykazují více postupný
a více „hump-shaped“ vývoj než reakce zahraničních proměnných. Je to ovlivněno mnohem
větší volatilitou a persistencí domácích technologických šoků.
Reakce hlavních makroekonomických veličin na šok v nabídce práce jsou u obou ekonomik
také odlišné. Reakce zahraničních proměnných jsou pozvolnější a postupnější než reakce domácích
proměnných.
Co se monetárních šoků týče, reakce domácího produktu je větší než reakce zahraničního produktu,
ale přizpůsobovací proces domácího produktu je zase rychlejší. Neexistuje téměř žádná
odezva zahraniční inflace na zahraniční monetární šok, zatímco odezva domácí inflace na domácí
monetární šok vykazuje podstatný pokles následovaný postupným návratem k ustálenému stavu
Volatilita cost-push šoků v domácí ekonomice je větší než v zahraniční ekonomice, což přispívá
tomu, že odezvy zahraničních proměnných na cost-push šoky jsou větší a více volatilnější než
odezvy domácích proměnných.
Závěr2.2.5.
Zkoumali jsme asymetrii šoků a strukturální rozdíly mezi českou ekonomikou a Eurozónou 12.
Nejdříve jsme metodou založenou na porovnání modelů pomocí Bayesova faktoru zkoumali asymetrii
šoků a strukturální rozdíly. Významný důkaz ve prospěch heterogenity v preferencích domácností
jsme nenašli. Našli jsme ovšem mírné rozdíly v cenové a mzdové tvorbě a podstatný
rozdíl v tom, jak ČNB a ECB vyhlazují úrokovou sazbu. Hlavní rozdíly mezi oběma zeměmi jsou
nicméně v načasování, persistenci a volatilitě strukturálních šoků.
Pomocí analýzy impulzních odezev jseme také zkoumali vliv strukturálních rozdílů a rozdílů
v persistenci a volatilitě strukturálních šoků na chování obou ekonomik. Co se preferenčních šoků
týče, nenašli jsme podstatné rozdíly v chování hlavních makroekonomických veličin. Na druhé
straně jsme však našli větší volatilitu a persistenci domácích technologických šoků. To přispívá
k tomu, že odezvy domácích proměnných na technologické šoky jsou větší a vykazují více pozvolný
a více “hump-shaped” vývoj než odezvy zahraničních proměnných. Také jsme zjistili, že
odezvy zahraničních proměnných na šoky v nabídce práce jsou pozvolnější než odezvy domácích
proměnných. Co se monetárních šoků týče, reakce zahraniční inflace na zahraniční monetární
šok je téměř nulová, zatímco reakce domácí inflace na domácí monetární šok vykazuje významný
pokles následovaný postupným návratem k ustálenému stavu. Odezvy zahraničních proměnných
na cost-push šoky jsou větší a volatilnější než odezvy domácích proměnných.
STRUKTURÁLNÍ ROZDÍLY A ASYMETRICKÉ ŠOKY MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1296
VLIV ASYMETRICKÝCH ŠOKŮ A STRUKTURÁLNÍCH ROZDÍLŮ MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 97
Vliv asymetrických šoků a strukturálních2.3.
rozdílů mezi českou ekonomikou
a euro zónou 12
11
Asymetrické šoky a strukturální rozdíly jsou považovány za jednu z hlavních příčin možné neoptimality
společné měnové politiky. Asymetrie šoků je definována jako rozdíly v načasování, velikosti
a persistenci makroekonomických šoků. Strukturální rozdíly jsou pak definovány jako rozdíly
v propagačním mechanismu těchto šoků. V případě asymetrických šoků a (nebo) strukturálních
rozdílů v měnové unii, aplikovaná společná monetární politika čelící těmto šokům musí být pro
některé země suboptimální. Analýza asymetrických šoků a strukturálních rozdílů proto hraje důležitou
roli při evaluaci přínosů a nákladů společné měny.
Těmto tématům se věnuje velké množství ekonomických výzkumů, a to především kvůli jejich
důležité roli při posuzování přínosů a nákladů společné měny. Pauer (1996) poskytuje netechnické
shrnutí role asymetrických šoků v debatě o přínosech a nákladech společné měny. Několik článků
diskutuje přítomnost a relativní důležitost asymetrických šoků a strukturálních rozdílů. Jondeau
a Sahuc (2007) testují strukturální heterogenitu v Eurozóně a zjišťují, že asymetrické šoky jsou
hlavním zdrojem odlišného chování zemí v Eurozóně, zatímco strukturální rozdíly nehrají téměř
žádnou roli. Kolasa (2009) zkoumá strukturální heterogenitu mezi Polskem a Eurozónou a zjišťuje,
že hlavním zdrojem strukturální heterogenity je volatilita a synchronizace šoků, které napadají
tyto ekonomiky. Pytlarczyk (2005) odhaduje DSGE model dvou ekonomik pro Německo a zbytek
Eurozóny. Zjišťuje, že neomezený model se stochastickou heterogenitou a odlišným složením
spotřebního a investičního koše mezi regiony odpovídá datům lépe než model se stochastickou
homogenitou a totožným složením zmiňovaných košů.
Někteří autoři se snaží určit, do jaké míry jsou v EU asymetrické. Bayoumi a Eichengreen (1992)
zjišťují, že šoky jsou významně více idiosynkratické mezi jednotlivými regiony EU než mezi regiony
USA, což může indikovat, že EU bude mít problémy fungovat jako monetární unie. Oproti tomu však
Verhoef (2003) ukazuje, že symetrie nabídkových i poptávkových šoků v EMU se zvyšuje v čase.
Některé studie se věnují přizpůsobovacímu procesu na asymetrické šoky. Alexius a Post (2008)
zkoumají, jak plovoucí směnný kurz reaguje na asymetrické šoky, a zjišťují, že směnný kurz sice
vykazuje určité stabilizující vlastnosti, ale že může být spíše charakterizován jako nesouvisející se
zbytkem ekonomiky. Amisano, Giammarioli a Stracca (2009) zkoumají přizpůsobovací proces
11 Výsledky prezentované v této podkapitole byly také prezentovány na konferenci MME 2011 a anglická verze této
podkapitoly byla následně přetištěna v post-konferenčním sborníku, viz Slanicay (2011).
VLIV ASYMETRICKÝCH ŠOKŮ A STRUKTURÁLNÍCH ROZDÍLŮ MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 1298
na asymetrické šoky v Itálii a argumentují, že vstup do EMU nezměnil přizpůsobovací proces na
poptávkové šoky a cost-push šoky a že EMU už není zasahována idiosynkratickými monetárními
šoky. Driver a Wren-Lewis (1999) se snaží kvantifikovat a porovnat náklady vytvořené asymetrickými
šoky v EMU a v režimu volného floatingu. Jejich výsledky naznačují, že tyto náklady je významně
větší v EMU než při volném floatingu.
Celá řada autorů zkoumá strukturální rozdíly samotné. Benigno a López-Salido (2006) nacházejí
rozdíly v inflační dynamice mezi Německem na jedné straně a Francií, Itálií, Nizozemím
a Španělskem na straně druhé. Zjistili, že dynamika inflace v Německu je charakterizována spíše
vpřed-hledící povahou cenové tvorby a průměrným trváním cen okolo pěti čtvrtletí, zatímco dynamika
inflace ve druhé skupině zemí je charakterizována spíše zpět-hledící povahou cenové tvorby
a průměrným trváním cen okolo osmi čtvrtletí. Fabiani a Morgan (2003) zkoumají rozdíly ve vztahu
mezi růstem mezd, inflací a strnulostí pracovního trhu u Německa, Francie, Itálie, Nizozemí
a Španělska. Poskytují empirický důkaz, že i mezi těmito velkými zeměmi EMU existují velké rozdíly.
Angeloni a Ehrmann (2004) se snaží vysvětlit, proč se v Eurozóně objevují rozdíly v mírách
inflace a tempech růstu produktu. Zjišťují, že hlavním vysvětlením mohou být rozdíly v persistenci
inflace. Campa a González Minguez (2006) zkoumají, jak se změny ve směnném kurzu promítají
do ceny zboží, a zjišťují, že mezi zeměmi Eurozóny existují výrazné rozdíly. Většina těchto rozdílů
je způsobena odlišným stupněm otevřenosti zkoumaných zemí k importům ze zemí ležící mimo
Eurozónu, spíše než heterogenitou ve struktuře importů. Demertzis a Hugues Hallett (1998) zkoumají
rozdíly v mírách nezaměstnanosti v Evropě. Ukazují, že rozdíly v mírách nezaměstnanosti jsou
dány spíše rozdíly ve fundamentech trhů práce, které způsobují, že se liší přirozené míry nezaměstnanosti.
Asymetrické šoky a rozdíly v hospodářských politikách, dohromady zapříčiňující odlišnosti
v mezeře nezaměstnanosti, hrají malou roli ve vysvětlování rozdílů v celkové nezaměstnanosti.
Hodně článků zmiňovaných výše zkoumá pouze asymetrické šoky nebo pouze strukturální rozdíly.
Tato podkapitola se snaží zkoumat společný vliv asymetrických šoků a strukturálních rozdílů.
Hodně článků zkoumá, do jaké míry existují asymetrické šoky nebo strukturální rozdíly mezi
dvěma zeměmi. Dalo by se argumentovat, že asymetrické šoky a strukturální rozdíly nejsou důležité
samy o sobě, ale kvůli svému vlivu na ekonomiku. Je důležitější vědět, jak moc odlišné chování
ekonomik způsobují. Tato podkapitola se snaží zodpovědět tuto otázku, s využitím historické
šokové dekompozice. Některé články analyzují přizpůsobovací procesy na asymetrické šoky. Tato
analýza je smysluplná, ale neříká nám nic o frekvenci těchto šoků. Metoda navrhovaná v této podkapitole
poskytuje výsledky o vlivu asymetrických šoků a strukturálních rozdílů. Tyto výsledky zahrnují
jak přizpůsobovací procesy na asymetrické šoky, tak frekvenci s jakou tyto šoky nastávají
Model2.3.1.
Cílem této podkapitoly je analyzovat vliv asymetrických šoků a strukturálních rozdílů mezi dvěma
zeměmi. Proto jsme se rozhodli použít model dvou ekonomik, ve kterém jsou obě ekonomiky
modelovány stejným způsobem. Je také důležité použít komplexní model, který realisticky replikuje
chování ekonomik co se týče jejich reakcí na různé šoky. Konkrétně by takový model měl
obsahovat všechny části národních účtů. Asymetrické šoky a strukturální rozdíly jsou také analyzovány
kvůli jejich důležitosti pro monetární politiku. Novokeynesiánské DSGE modely jsou považovány
za benchmark pro analýzu monetární politiky a jsou za tímto účelem široce využívány
centrálními bankami. Z těchto důvodů jsme se rozhodli použít novokeynesiánský DSGE model
dvou ekonomik, prezentovaný v Kolasa (2009). Odvození tohoto modelu z mikroekonomických
principů, stejně jako jeho log-lineární tvar můžeme nalézt v Kolasa (2009). V této části omezíme
popis tohoto modelu na stručné netechnické shrnutí jeho struktury.
VLIV ASYMETRICKÝCH ŠOKŮ A STRUKTURÁLNÍCH ROZDÍLŮ MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 99
Model předpokládá 5 typů reprezentativních agentů v obou ekonomikách. Domácnosti spotřebovávají
obchodovatelné a neobchodovatelné statky vyráběné firmami. Je zaveden předpoklad vytváření
zvyků ve spotřebě a předpoklad, že spotřeba konečného obchodovatelného zboží vyžaduje spotřebu
ω jednotek neobchodovatelných distribučních služeb. Domácnosti také obchodují s dluhopisy
a jejich mezičasové rozhodování o spotřebě je ovlivňováno preferenčními šoky. Dále domácnosti
nabízí práci a nastavují mzdy na monopolisticky konkurenčním trhu práce. Jejich nabídka práce je
ovlivňována šoky v nabídce práce a nastavování mezd je omezeno množinou poptávkových omezení
po jejich práci a modifikovaným Calvo omezení na četnost mzdových přizpůsobení, viz Calvo
(1983). Podle této verze Calvova omezení, v každém období každá domácnost optimálně přenastaví
svoji mzdu s pravděpodobností 1 − θw a s pravděpodobností θw ji částečně upraví podle minulé
inflace. Domácnosti také akumulují kapitál, který pak pronajímají firmám. Akumulace kapitálu je
vystavena investičně-specifickým technologickým šokům a nákladům přizpůsobení.
Model předpokládá existenci dvou typů firem, producentů obchodovatelného zboží a producentů
neobchodovatelného zboží. Oba druhy firem Cobb-Douglasovu produkční funkci s konstantními
výnosy z rozsahu. Produktivita v obou sektorech je ovlivňována šoky v produktivitě. Firmy najímají
práci na trhu práce a prodávají vyprodukované statky na monopolisticky konkurenčním trhu.
Na trhu statků nastavují cenu svého zboží vzhledem k množině poptávkových omezení a vzhledem
k modifikovanému Calvo omezení na frekvenci cenových změn, viz Calvo (1983). Podle této verze
Calvova omezení v každém období každá firma optimálně přenastaví svoji cenu s pravděpodobností
1 − θp a s pravděpodobností θp ji částečně upraví podle minulé inflace.
Fiskální autorita vybírá paušální daně, které používá pro vládní výdaje a transfery domácnostem.
Státní rozpočet je v každém období vyrovnaný. Vládní výdaje jsou používány pouze na domácí
neobchodovatelné zboží a jsou modelovány jako stochastický proces – šok ve vládních výdajích.
Dané předpoklady o chování domácností implikují, že v našem modelu platí ricardiánská
ekvivalence. Monetární autorita se chová podle zpět-hledícího Taylorova pravidla a odchylky od
tohoto pravidla jsou vysvětlovány jako monetární šok. Model je doplněn předpokladem kompletního
trhu dluhopisů a předpokladem čistících se trhů.
Odhad2.3.2.
Model je odhadován na čtvrtletních datech české ekonomiky a ekonomiky Eurozóny 12. Jedná se
o časové řady od 1. čtvrtletí 2000 do 4. čtvrtletí 2010. Časové řady jsou převzaty z webové databáze
Eurostatu. Používáme následujících 14 časových řad (sedm pro každou ekonomiku): reálné
HDP, spotřebu, investice, HICP, nominální mzdový index, krátkodobou úrokovou sazbu (tříměsíční
sazba) a vnitřní směnné relace definované jako ceny neobchodovatelného zboží (služby
a energie) relativně k cenám obchodovatelného zboží (ostatní). Kromě nominálních úrokových
sazeb byly všechny proměnné sezónně očištěny a vyjádřeny jako odprůměrované rozdíly logaritmů.
Nominální úrokové sazby byly odprůměrovány a vyjádřeny jako čtvrtletní sazby.
Chování modelu je živeno sedmi strukturálními šoky v obou ekonomikách: šoky v produktivitě,
v sektoru obchodovatelných a neobchodovatelných statků, šoky v nabídce práce, šoky v investiční
efektivitě, preferenční šoky, šoky ve vládních výdajích a monetárními šoky. Kromě monetárních
šoků, které jsou modelované jako IID proces, jsou všechny šoky reprezentovány AR1
procesem. Je dovoleno, aby se hodnoty strukturálních parametrů lišily mezi zeměmi a aby existovala
korelace mezi vzájemně odpovídajícími šoky v obou ekonomikách, např. mezi domácím
preferenčním šokem a zahraničním preferenčním šokem.12
Odhadované hodnoty korelací mezi
vzájemně odpovídajícími šoky jsou prezentovány v tabulce č. 35.
12 Pro šoky reprezentované AR1 procesem to znamená, že je dovoleno pro korelaci mezi inovacemi v těchto šocích.
VLIV ASYMETRICKÝCH ŠOKŮ A STRUKTURÁLNÍCH ROZDÍLŮ MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12100
Korelace mezi vzájemně odpovídajícími šokyTabulka č. 35:
šoky korelace
šoky v produktivitě v obchodovatelném sektoru 0,32
šoky v produktivitě v neobchodovatelném sektoru 0,23
šoky v investiční efektivitě 0,38
preferenční šoky 0,14
šoky v nabídce práce 0,07
šoky ve vládních výdajích 0,11
monetární šoky 0,58
Zdroj: vlastní výpočty
Největší symetrie je mezi monetárními šoky a mezi šoky souvisejícími s technologií. Ostatní šoky
můžeme považovat za asymetrické. Nicméně všechny odhadnuté korelace jsou spíše malé, což naznačuje,
že existuje velká asymetrie mezi šoky v české ekonomice a Eurozóně 12. Tato interpretace
je ale ze dvou důvodů velmi problematická. Zaprvé se až na monetární šoky nejedná o korelace
mezi celými šoky (reprezentovanými AR1 procesy), ale pouze mezi inovacemi v těchto šocích.
Zadruhé nejsou strukturální šoky zajímavé samy o sobě, ale kvůli svým dopadům na ekonomiku.
Je důležitější vědět, jak moc odlišné chování ekonomiky tyto šoky způsobují. Jinými slovy tedy jak
velká je asymetrie mezi vlivem těchto šoků na domácí a zahraniční veličiny.
Asymetrie vlivu šoků2.3.3.
Pokud chceme vědět, jak strukturální šoky ovlivňovaly chování obou ekonomik, musíme provést
historickou šokovou dekompozici hlavních makroekonomických proměnných v obou ekonomikách.
Svoji analýzu jsme omezili na tři nejdůležitější proměnné: produkt, inflaci a úrokové sazby.
Šoková dekompozice znázorňuje příspěvky jednotlivých šoků k odchylkám zkoumané proměnné
od svého ustáleného stavu. Vývoj zkoumané proměnné je v každém období rozdělen na příspěvky
jednotlivých šoků. Pokud složíme dohromady příspěvky určitého šoku k vývoji zkoumané proměnné
z každého období, dostaneme trajektorii vlivu tohoto šoku na zkoumanou proměnnou
za celé zkoumané období. Protože používáme lineární model, je také možné sčítat příspěvky různých
šoků v každém období. Například můžeme vyjádřit společný vliv domácího a zahraničního
preferenčního šoku na určitou proměnnou jednoduchým sečtením jejich příspěvků k vývoji této
proměnné, znázorněných šokovou dekompozicí.
Pomocí šokové dekompozice můžeme spočítat korelace mezi trajektoriemi vlivu šoků na určitou
proměnnou v domácí a zahraniční ekonomice.13
Považujeme za smysluplnější porovnávat
společný vliv domácího a zahraničního šoku stejného typu na domácí a zahraniční proměnnou.
Dá se argumentovat, že oba šoky mohou mít společnou příčinu nebo že šok v zahraniční ekonomice
může vyvolat stejný druh šoku v domácí ekonomice, a naopak. Rozhodli jsme se také
zkoumat společný vliv všech šoků v produktivitě namísto zkoumání samostatného vlivu šoků
v produktivitě v obchodovatelném a neobchodovatelném sektoru. Dá se totiž znovu argumentovat,
že oba šoky mohou mít společnou příčinu. Tabulka č. 36 ukazuje korelace mezi vlivem šoků
13 Českou ekonomiku považujeme za domácí ekonomiku a Eurozónu 12 za ekonomiku zahraniční.
VLIV ASYMETRICKÝCH ŠOKŮ A STRUKTURÁLNÍCH ROZDÍLŮ MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12 101
na domácí a na zahraniční proměnné. Například, kor = 0,53, což odpovídá řádku „preferenční
šoky“, sloupci „produkt“ a podsloupci „korelace“, je korelace mezi společným vlivem domácího
a zahraničního preferenčního šoku na domácí produkt a společným vlivem domácího a zahraničního
preferenčního šoku na zahraniční produkt. Korelace v tabulce č. 36 mohou být viděny jako
měřítka asymetričnosti vlivu šoků na zkoumané proměnné v obou ekonomikách. Také jsme spočítali,
jak moc který druh šoků přispívá k vysvětlení vývoje dané proměnné. Tyto hodnoty jsou
prezentovány ve sloupcích „DP“ („ZP“) v tabulce č. 36 a jsou vyjádřeny jako procentuální podíly
daného šoku na vývoji domácí (zahraniční) proměnné.
Můžeme vidět, že korelace mezi vlivem strukturálních šoků se mezi zkoumanými proměnnými
významně liší. Například vliv šoků v produktivitě na úrokové sazby je vysoce korelovaný
(kor = 0,89), zatímco vliv těchto šoků na produkt je téměř nekorelovaný (kor = 0,1). Můžeme také
vidět, že ve většině případů je korelace mezi vlivem šoků větší než korelace mezi šoky samotnými.
To naznačuje, že strukturální šoky mezi českou ekonomikou a Eurozónou 12 jsou méně asymetrické,
než se zdá z odhadnutých korelací mezi šoky samotnými, prezentovaných v tabulce č. 35.
Co se týče vlivu jednotlivých šoků, v tabulce č. 36 můžeme také vidět několik zajímavých strukturálních
rozdílů mezi českou ekonomikou a Eurozónou 12. Zdá se, že vývoj domácích proměnných
(produktu, inflace a úrokových sazeb) je relativně více ovlivněn šoky v produktivitě než šoky
v investiční efektivitě, zatímco vývoj proměnných v euro zóně je relativně více ovlivněn šoky v investiční
efektivitě. Také se zdá, že monetární politika ECB je více diskreční než monetární politika
ČNB, protože monetární šoky hrají mnohem větší roli ve vysvětlení úrokových sazeb v Eurozóně
(24% v Eurozóně oproti 8% v ČR). Dá se také argumentovat, že velká korelace mezi vlivem monetárních
šoků na úrokové sazby (kor = 0,78) naznačuje, že ČNB následuje ECB v jejich diskreční
politice, t.j. když se ECB odchýlí od Taylorova pravidla, pak se ČNB většinou odchýlí také a ve
stejném směru.
Vliv šoků (kor – korelace vlivu šoků, DP – vliv na domácí proměnnou, ZP – vliv naTabulka č. 36:
zahraniční proměnnou)
produkt inflace úrokové sazby
šoky kor DP ZP kor DP ZP kor DP ZP
šoky v produktivitě 0,1 20% 6% 0,69 30% 27% 0,89 30% 19%
šoky v inv. efektivitě 0,91 16% 33% 0,55 10% 15% 0,88 9% 21%
preferenční šoky 0,53 11% 12% 0,63 1% 5% 0,95 2% 8%
šoky v nabídce práce 0,5 13% 8% 0,72 21% 20% 0,77 17% 13%
šoky ve vlád. výdajích 0,3 24% 27% 0,56 3% 5% 0,17 5% 7%
monetární šoky 0,19 12% 9% 0,66 11% 18% 0,78 8% 24%
počáteční podmínky −0,02 4% 7% 0,94 23% 10% 0,7 28% 7%
celkový index 0,39 0,73 0,77
Zdroj: vlastní výpočty
Problematickou charakteristikou výsledků ohledně vlivu jednotlivých šoků, prezentovaných
v v tabulce č. 36, je jejich velká roztříštěnost. Z tohoto důvodu jsme pro každou proměnnou
spočítali celkový index vlivu všech šoků. Tento celkový index je váženým průměrem všech korelací
mezi vlivem jednotlivých šoků na danou proměnnou, přičemž váhy jsou nastaveny jako
procentuální podíly jednotlivých šoků na vývoj zkoumané proměnné v domácí ekonomice. Tyto
celkové indexy jsou prezentovány v posledním řádku tabulky č. 36. Hodnoty těchto indexů mají
podobnou interpretaci jako korelační koeficienty. Největší hodnoty těchto celkových indexů jsou
VLIV ASYMETRICKÝCH ŠOKŮ A STRUKTURÁLNÍCH ROZDÍLŮ MEZI ČESKOU EKONOMIKOU A EURO ZÓNOU 12102
u vlivu šoků na inflaci (0,73) a úrokové sazby (0,77). Dá se argumentovat, že tyto dvě proměnné
jsou v naší analýze nejdůležitější. Asymetrické šoky a strukturální rozdíly jsou analyzovány vzhledem
k monetárním politikám. Monetární politika ČNB a ECB je primárně zaměřena na cílování
inflace a je prováděna hlavně nastavováním úrokových sazeb. Výsledky naznačují, že vliv šoků na
tyto proměnné je spíše symetrický mezi českou ekonomikou a Eurozónou 12.
Závěr2.3.4.
V této podkapitole prezentujeme nový přístup pro analýzu asymetrických šoků a strukturálních
rozdílů mezi dvěma zeměmi, jenž využívá historickou šokovou dekompozici. Výhodou této metody
je, že dohromady zkoumá vliv asymetrických a strukturálních šoků na odlišné chování obou
ekonomik. Tato metoda zahrnuje přizpůsobovací proces na asymetrické šoky, stejně jako frekvenci,
s jakou nastávají. Tuto metodu demonstrujeme na novokeynesiánském DSGE modelu
dvou ekonomik, prezentovaném v Kolasa (2009). Model jsme odhadli na datech české ekonomiky
a Eurozóny 12, za použití bayesiánských technik. Výsledky naznačují, že vliv strukturálních šoků
na hlavní makroekonomické proměnné je mnohem více korelovaný, než se zdá z odhadnutých
korelací mezi šoky samotnými. Největší korelace je mezi vlivem šoků na inflaci a úrokové sazby,
což jsou z hlediska monetární politiky nejdůležitější proměnné.
Také jsme zjistili několik zajímavých strukturálních rozdílů mezi českou ekonomikou a Eurozónou
12. Zdá se, že vývoj hlavních makroekonomických veličin v české ekonomice je relativně více ovlivněn
šoky v produktivitě, zatímco vývoj těchto veličin v Eurozóně 12 je relativně více ovlivněn šoky
v investiční efektivitě. Také se zdá, že monetární politika ECB je relativně více diskreční než monetární
politika ČNB, nicméně se zdá, že ČNB následuje ECB v jejich diskreční politice.
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU 103
Strukturální charakteristiky českého trhu2.4.
práce pohledem „search and matching“
DSGE modelu
Český trh práce zažil v posledních 15 letech velmi dynamický vývoj. V druhé polovině devadesátých
let minulého století jsme tak mohli být svědky prudkého nárůstu nezaměstnanosti, jejíž
úroveň se držela na vysokých hodnotách téměř jedno desetiletí. Výraznější pokles míry nezaměstnanosti
pozorovatelný od roku 2006 byl přerušen na konci roku 2008 s příchodem globální hospodářské
krize. Úroveň nezaměstnanosti se tak již po tři roky pohybuje v koridoru 8 a 9 procent.
V této podkapitole se pokusíme prozkoumat některé zajímavé a důležité strukturální charakteristiky
českého trhu práce v posledních patnácti letech. K tomuto účelu využijeme malý makroekonomický
model se „search and matching“ mechanismem, který je plně zakomponován do standardního makroekonomického
dynamického stochastického modelu všeobecné rovnováhy (tzv. DSGE modelu).
„Search and matching“ model je důležitým nástrojem modelování dynamiky na trhu práce. V této
kapitole prezentovaný model je log-linearizovanou verzí původního modelu Lubika (2009). S využitím
reálných makroekonomických dat jsme schopni odhadnout mnohé klíčové indikátory trhu práce,
jakými jsou síla odborů v rámci procesu mzdového vyjednávání, elasticita přiřazení nezaměstnaných
(která vyjadřuje to, jak citlivě reaguje trh práce na změnu v míře nezaměstnanosti při procesu párování,
resp. přiřazování volných pracovních míst a nezaměstnaných) a efektivitu procesu přiřazení.
Tato podkapitola je strukturována následovně. Část 2.4.1 v krátkosti představuje malý DSGE model
se zabudovaným „search and matching“ mechanismem, část 2.4.2 diskutuje použitá data, apriorní
hustoty a odhadové techniky, v části 0 jsou prezentovány výsledky odhadu a konečně pak část
2.4.4 se zaměřuje hlouběji na kvalitu modelu a jeho schopnost generovat pozorovatelná data.
Model2.4.1.
Jak již bylo zmíněno, k odhadu využíváme model vyvinutý v práci Lubik (2009). Jedná se o jednoduchý
„search and matching“ model zabudovaný do standardního DSGE rámce. Trh práce je
zatížen frikcemi v důsledku toho, že jak proces hledání práce ze strany pracovníků (či nezaměstnaných),
tak i proces hledání vhodného zaměstnance ze strany firem je nákladný z hlediska hmotného
i časového. Mzdy jsou determinovány v rámci procesu mzdového vyjednávání, který v závislosti
na vyjednávací síle jedné či druhé strany redistribuuje náklady spojené s nalezením vhodného
partnera (zaměstnance, resp. zaměstnavatele).
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU104
Domácnosti
Prvním typem subjektů v modelu je reprezentativní domácnost, která maximalizuje funkci svého
očekávaného užitku
, (1)
kde Cj je agregátní spotřeba, nj ∈ [0;1] je podíl zaměstnaných členů domácnosti (ten je determinován
procesem párování na trhu práce), β ∈ (0;1) je diskotní faktor a σ ≥ 0 je koeficient relativní
averze k riziku. Proměnná χj vyjadřuje exogenní stochastický proces, který lze chápat jako šok do
nabídky práce. Rozpočtové omezení je definováno jako
, (2)
kde b je příspěvek v nezaměstnanosti financovaný paušální daní, Tt. Proměnná Πt představuje zisky
z vlastnictví firem a wt je mzda. V modelu není explicitní nabídka práce, protože nabídka práce
je výsledkem procesu párování. Podmínka prvního řádu je tak jednoduše
, (3)
kde λt je Lagrangeův multiplikátor příslušný rozpočtovému omezení.
Trh práce
Trh práce je charakteristický existencí frikcí při procesu hledání volného pracovního místa, resp.
zaměstnance. Tyto frikce jsou pojaty skrze standardní Cobb-Douglasovu funkci párování, resp.
přiřazování („matching“)
, (4)
kde m(ut ,vt ) je míra párování nezaměstnaných hledajících práci, ut, a volných pracovních míst vt.
Parametr 0 < ξ < 1 vyjadřuje elasticitu párování nezaměstnaných a μt je stochastický proces vyjadřující
efektivitu procesu párování. Pravděpodobnost obsazení volného pracovního místa může
být agregátně definována jako
, (5)
kde θt = vt /ut je standardní indikátor těsnosti trhu práce. Model předpokládá, že nově spárovaná
pracovní místa se stanou produktivními až za jedno období. Navíc nová i stará naplněná pracovní
místa jsou rušena konstantní mírou separace, 0 < ρ < 1, která odpovídá míře přílivu nezaměstnaných.
Vývoj zaměstnanosti, nt = 1 − ut, je dán jako
. (6)
Firmy
Oproti jiným „search and matching“ modelům tento model předpokládá monopolistickou konkurenci
na trhu finální produkce. Poptávková funkce firmy je definována jako
, (7)
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU 105
kde yt je produkce firmy (a zároveň i její poptávka), Yt je agregátní výstup, pt je cena stanovená firmou,
Pt je agregátní cenový index a ε je elasticita poptávky, kterou oproti Lubikovi (2009) nechápeme
jako v čase proměnnou, tedy stochastický proces. Produkční funkce každé firmy je
yt = At nt
α
, (8)
kde At je agregátní technologický (stochastický) proces a 0 <α < 1 je parametr zavádějící zakřivení
do produkční funkce (a odpovídá hodnotě podílu práce na produktu). Kapitál je v tomto modelu
fixní a pro každou firmu specifický. Forma volí počet zaměstnaných pracovníků, nt , počet vytvořených
volných pracovních míst, vt , a svou optimální cenu, pt s ohledem na maximalizaci mezičasové
ziskové funkce
, (9)
vzhledem k rovnici dynamiky zaměstnanosti (7) a produkční funkci (8). Zisky jsou vyhodnoceny
skrze mezní užitek λt. Náklady vytvoření (či držení) volného pracovního místa jsou (κ / ψ)vj
ψ
, kde
k > 0 a ψ > 0. Pro 0 < ψ < 1 vykazují náklady volného pracovního místa klesající výnosy, pro
ψ > 1 jsou náklady rostoucí a pro ψ = 1 jsou náklady konstantní. Podmínky prvního řádu jsou
, (10)
, (11)
kde βt + 1 = β(λt + 1 / λt) je stochastický diskontní faktor a τt je Lagrangeův multiplikátor vztažený
k omezení danému rovnicí dynamiky zaměstnanosti. První z podmínek (10) odpovídá současné
mezní hodnotě pracovního místa. Druhá podmínka propojuje náklady volného pracovního místa
a očekávaný zisk z volného pracovního místa, a to skrze mezní hodnotu pracovníka (upravenou
o pravděpodobnost obsazení volného pracovního místa, q(θt)).
Mzdové vyjednávání
Mzdy v modelové ekonomice jsou přímým výsledkem bilaterálního procesu mzdového vyjednávání
mezi firmami a pracovníky. Obě strany se v rámci vyjednávání snaží maximalizovat společný
přebytek vzniklý v rámci vztahu mezi zaměstnancem a zaměstnavatelem:
, (12)
kde η ∈ [0;1] je vyjednávací síla pracovníků (odborů), ∂Wt(nt) / ∂nt je mezní hodnota pracovníka,
kterou přispívá k blahobytu domácnosti a ∂Jt(nt) / ∂nt je mezní hodnota pracovníka pro firmu.
Člen ∂Jt(nt) / ∂nt = τt je dán podmínkou prvního řádu (10). Rekurzivní vyjádření pro člen
∂Wt(nt) / ∂nt lze odvodit jako
. (13)
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU106
S využitím rovnice dynamiky zaměstnanosti (6) platí ∂nt + 1 / ∂nt = (1 − ρ)[1 − θt q(θt)].
Všechny reálné platby jsou vyjádřeny pomocí mezního užitku λt. Standardní podmínku optimality
pro vyjednanou mzdu lze odvodit v podobě
. (14)
Po úpravě lze výraz pro vyjednanou mzdu zapsat v podobě
. (15)
Uzavření modelu
Model předpokládá, že příspěvky v nezaměstnanosti, b, jsou financovány paušální daní, Tt, přičemž
musí být splněna podmínka vyrovnaného rozpočtu. To znamená, že platí Tt = (1 − nt)b.
Omezení celé ekonomiky je tudíž dáno vztahem Ct + (κ / ψ)vj
ψ
= Yt. Předpokládáme, že technologický
šok At, šok v nabídce práce χt a šok v přiřazovací funkci μt jsou vzájemně nezávislé AR(1)
procesy (v logaritmech) s koeficienty ρi, kde i ∈ (A,ξ,μ) a inovace εt
i
~ N(0;σi
2
).
Log-linearizovaný model2.4.1.1.
Pro účely odhadu nebudeme pracovat s nelineární podobou modelu, o které byla řeč doposud.
Nelineární podoba je samozřejmě důležitá pro chápání klíčových strukturálních parametrů modelu.
Místo nelineární podoby modelu použijeme log-linearizovanou verzi. Ta není obsahem původního
článku Lubika (2009). V následujících log-linearizovaných rovnicích vyjadřují členy s čárkou nahoře
hodnoty proměnných v ustáleném stavu. Tyto hodnoty lze vyjádřit přímo z nelineárních vztahů.
Členy s vlnovkou vyjadřují odchylky proměnných od svých hodnot v ustáleném stavu.
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU 107
Poslední rovnice je důsledkem skutečnosti, že
~
Y je pozorovaná proměnná. V našem případě tak
máme celkem čtyři šoky, což koresponduje se čtyřmi pozorovanými proměnnými: ~u, ~v, ~w a již
zmiňované
~
Y. Model obsahuje 17 endogenních proměnných (proměnná ( ~pt −
~
Pt) je v naší aplikaci
chápána jako jediná proměnná), čtyři šoky a 14 parametrů. Výchozí hodnoty ustálených stavů
jsou kalibrovány následovně: μ*
= A*
= χ*
= 1 (vychází to z povahy šoků), β*
= 0,9 (v literatuře
a modelových aplikacích se jedná o standardní volbu), u*
= 0,0763 a v*
= 0,0127 (tyto hodnoty
jsou kalibrovány na základě dat). Zbylé hodnoty ustálených stavů jsou vypočítány s využitím právě
těchto hodnot a apriorních středních hodnot všech parametrů.
Data a apriorní hustoty parametrů2.4.2.
Model je odhadnut pro českou ekonomiku s využitím čtvrtletních dat za období 1. čtvrtletí 1996
až 4. čtvrtletí 2010. Pozorovanými proměnnými jsou reálný výstup (HDP, v logaritmech), hodinová
mzda (v logaritmech), míra nezaměstnanosti a míra volných pracovních míst. Všechna data
byla sezónně očištěna a detrendována (s výjimkou volných pracovních míst) s využitím HodrickPrescottova
filtru (s vyhlazovací konstantou λ = 1600). Míra volných pracovních míst byla před
samotným odhadem centrována. Všechny využité proměnné jsou tak vyjádřeny jako procentní
odchylky od ustálených stavů a jsou zobrazeny na grafu č. 31. Data pocházejí z databází OECD
a Českého statistického úřadu (ČSÚ). Konkrétně:
HDP ve stálých cenách roku 2000 (sezónně očištěn), v miliónech Kč, zdroj ČSÚ,
index hodinových mezd ve výrobním sektoru, rok 2005 = 100 (sezónně očištěn), zdroj OECD,
registrovaná míra nezaměstnanosti (sezónně očištěna), zdroj OECD,
volná pracovní místa transformovaná z počtu na podíl vzhledem k pracovní síle (sezónně očištěna),
zdroj OECD.
V následujících částech nebudeme explicitně využívat značení s vlnovky pro vyjádření mezer odpovídajících
proměnných od svých ustálených stavů.
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU108
DataGraf č. 31:
Mezeravolnýchpracovníchmíst
(centrováno)[%]
Mzdovámezera
(detrendováno)[%]
Mezeravýstupu
(detrendováno)[%]
1996 1998 2000 2002 2004 2006 2008 20122010
1996 1998 2000 2002 2004 2006 2008 20122010 1996 1998 2000 2002 2004 2006 2008 20122010
1996 1998 2000 2002 2004 2006 2008 20122010
–2,5
–2
–1,5
–1
–0,5
0
0,5
1
1,5
2
–3
–2
–1
0
1
2
3
4
5
6
–4
–3
–2
–1
0
1
2
3
4
5
–1
–0,5
0
0,5
1,5
1
Mezeranezaměstnanosti
(detrendováno)[%]
Zdroj: Český statistický úřad, OECD, vlastní výpočty
Parametry modelu byly odhadnuty s využitím bayesovských technik kombinovaných s filtrací
Kalmánovým filtrem. Veškeré výpočty byly provedeny v Dynare toolboxu pro Matlab (viz
Adjemian et al. (2011). Tabulka č. 37 ukazuje popis jednotlivých parametrů modelu a odpovídající
apriorní hustoty. Apriorní hustoty (a kalibrované hodnoty) jsou podobné těm z Lubik (2009).
Směrodatné odchylky apriorních hustot jsou však více neinformativní.
Popis parametrů a apriorní hustotyTabulka č. 37:
popis parametr hustota
střední
hodnota
směrodatná
odchylka
diskontní faktor β fixní 0,99 –
elasticita nabídky práce α fixní 0,67 –
elasticita poptávky ε fixní 10 –
relativní averze k riziku σ gama 1,00 0,50
elasticita přiřazení ξ gama 0,70 0,10
míra separace ρ gama 0,10 0,05
vyjednávací síla pracovníků η uniformní 0,50 0,30
příspěvky v nezaměstnanosti b beta 0,20 0,15
elasticita nákladů vytvoření volného pracovního místa ψ gama 1,00 0,50
škálovací faktor nákladů vytvoření volného
pracovního místa
κ gama 0,10 0,05
AR koeficienty šoků κ{χ, A, μ, Y}
beta 0,80 0,20
směrodatná odchylka šoků σ{χ, A, μ, Y}
inv. gama 0,05 ∞
směrodatná odchylka chyb měření σ*
{u}
uniformní 0,001 0,0006
směrodatná odchylka chyb měření σ*
{w, v}
uniformní 0,001 0,0003
Zdroj: vlastní výpočty
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU 109
Výsledky odhadu2.4.3.
Tabulka č. 38 obsahuje posteriorní odhady parametrů modelu a odpovídající 90% intervaly nejvyšší
posteriorní hustoty. Lze vidět (porovnáním s tabulkou č. 37), že většina parametrů je dobře
identifikována z dat, což se projevuje mimo jiné rozdílností apriorních a posteriorních středních
hodnot. Data tak v našem případě v sobě nesou dosti silnou informaci.
Odhady parametrůTabulka č. 38:
posteriorní
střední hodnota 90% HPDI
posteriorní
střední hodnota 90% HPDI
σ 1,0399 0,6036 1,4894 ρμ
0,8281 0,7298 0,9525
ξ 0,6459 0,5823 0,7099 ρY
0,8695 0,8197 0,9241
ρ 0,0268 0,0086 0,0486 σχ
0,0162 0,0108 0,0214
η 0,8694 0,8311 0,9082 σA
0,0080 0,0067 0,0093
b 0,2924 0,1318 0,4688 σμ
0,0066 0,0059 0,0073
ψ 3,5706 3,0908 3,9944 σY
0,0095 0,0080 0,0108
κ 0,0880 0,0637 0,1199 σ*
u
0,0005 0,0002 0,0009
ρχ
0,7831 0,7208 0,8555 σ*
w
0,0003 0,0001 0,0004
ρA
0,9629 0,9332 0,9996 σ*
v
0,0002 0,0001 0,0004
Zdroj: vlastní výpočty
Na základě našich odhadů je třeba zdůraznit několik zajímavých poznatků:
prvním překvapivým odhadem je parametr vyjednávací síly odborů, η. Střední hodnota tohoto
parametru je téměř 0,9, kdy 90% interval nejvyšší posteriorní hustoty je relativně úzký a posunutý
vzhledem k apriorní hustotě. Interpretace je taková, že pracovníci jsou v případě českého trhu
práce získat téměř veškerý přebytek vyplývající z pracovního vztahu. To na druhé straně omezuje
firmy v ochotě vytváření nových pracovních míst. Náš výsledek je v příkrém rozporu s výsledky
Lubika (2009) či Yashiva (2006), kteří se zaměřili na analýzu trhu práce ve Spojených státech;
druhým zajímavým výsledkem je odhadnutá míra separace, ρ. Tento parametr je výrazně nižší
než ten odhadnutý Lubikem (2009). Jeho hodnota tak v případě českého trhu práce podporuje
názor hovořící o nízké flexibilitě s omezenou schopností odstraňování starých a nových pracovních
vztahů;
třetím pozoruhodným odhadem je elasticita vytváření volných pracovních míst, ψ. Střední hodnota
je 3,57 a opět je výrazně odlišná od apriorní střední hodnoty. Vytváření nových pracovních míst
je tak v případě české ekonomiky mnohem nákladnější, a to v důsledku rostoucích mezních nákladů
volného pracovního místa (rostoucí vzhledem k počtu volných pracovních míst, resp. těsnosti
trhu práce, θ). Lubik (2009) odhadl střední hodnotu tohoto parametru na úrovni 2,53. V tomto
případě (v případě Spojených států) Lubik (2009) tuto vysokou hodnotu parametru ψ interpretuje
jako jakýsi vyrovnávací faktor, který by měl omezovat přílišnou tvorbu nových pracovních míst
v důsledku nízké vyjednávací síly pracovníků. V případě českého trhu práce však vysoká hodnota
parametru je potvrzením poznatku o svým způsobem specificky málo flexibilním trhu práce;
odhad parametru b odpovídá vcelku rozumné hodnotě 0,3, který je v souladu se skutečně vyplácenou
podporou v nezaměstnanosti vyplácenou v rámci čekého systému sociálního pojištění
(pojištění v nezaměstnanosti), která odpovídá 30% průměrné mzdy;
posteriorní střední hodnota parametru funkce přířazení, ξ, je v souladu s hodnotou udávanou
v literatuře (viz Lubik (2009) či Christoffel et al. (2009)).
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU110
Graf č. 32 zobrazuje trajektorie vybraných vyhlazených proměnných. Vidíme relativně hladký vývoj
proměnné q (pravděpodobnost obsazení volného pracovního místa) s prudkým propadem na konci
roku 2007. Toto pozorování je v souladu se závěry prezentovanými Němcem a Vašíčkem (2010), kteří
zdůrazňovali roli zjevného nedostatku zaměstnanců v české ekonomice v rámci analýzy dynamiky
na českém trhu práce. Tento propad však byl zastaven a otočen jako důsledek počátku globálního
hospodářského poklesu z konce roku 2008. Efektivita procesu párování je silně korelována s vývojem
mezery výstupu (korelační koeficient je 0,8). Tento indikátor je tak zřejmě nezávislý na institucionálním
rámci českého trhu práce. Pravděpodobně to znamená, že změny institucí trhu práce v české
ekonomice měly marginální význam (s minimálním reálným dopadem na flexibilitu trhu práce,
pokud ji budeme spojovat s efektivitou procesu přiřazování nezaměstnaných a volných pracovních
míst). Korelace mezi mezerou výstupu a indikátorem procesu párování, m, je relativně malá (0,4). Na
druhé straně, korelace mezi reálnou mezerou výstupu a zpožděnou hodnotou m je 0,65. Aktuální
hodnota funkce přiřazení je tak zjevně užitečným indikátorem budoucích změn v reálném výstupu,
resp. jeho mezeře (přinejmenším tedy z pohledu jednoho čtvrtletí).
Trajektorie vybraných (vyhlazených) proměnnýchGraf č. 32:
–0,04
–0,03
–0,02
–0,01
0
0,01
0,02
0,03
0,04
0,05
1996 1998 2000 2002 2004 2006 2008 2010
m, míra párováni ("matching" rate)
μ, efektivita přiřazení
, těsnost trhu práce
q, pravděpodobnost obsazení volného místa
Y, mezera výstupu
Zdroj: vlastní výpočty
Hodnocení kvality modelu2.4.4.
Pro ověření kvality modelu z pohledu schopnosti modelu replikovat pozorovaná data využíváme
výpočet výběrových momentů, autokorelačních koeficientů a křížových korelací. Tyto statistiky
byly vypočítány na základě simulací odhadnutého modelu s nastavením hodnot parametrů na jejich
posteriorních středních hodnotách. Všechny tyto statistiky odpovídají čtyřem pozorovaným
časovým řadám (mezera nezaměstnanosti, u, mezera volných pracovních míst, v, mzdová mezera,
w, a mezera výstupu, Y). Výsledky jsou obsaženy v tabulkách č. 39 a č. 40.
Model je velmi úspěšný v zachycení výběrových momentů dat a autokorelačních koeficientů
(ty jsou vesměs v rámci odpovídajících 90% intervalů nejvyšší posteriorní hustoty). Tato vlastnost
není typická pro modely tohoto relativně malého rozsahu. Existuje zde však jedna výjimka. Tou
je modelem implikovaná vyšší volatilita mezd. Tato vlastnost nás vede k závěru o nutnosti obohacení
modelu dalšími zdroji mzdových rigidit, jako je tomu v práci Krause a Lubika (2007) či
Christoffela et al. (2009).
STRUKTURÁLNÍ CHARAKTERISTIKY ČESKÉHO TRHU PRÁCE POHLEDEM „SEARCH AND MATCHING“ DSGE MODELU 111
Výběrové momenty a autokorelační koeficientyTabulka č. 39:
výběrové momenty zpoždění pro autokorelační koeficienty
stř. hodnota sm. Odchylka 1 2 3 4
u data 0,00 0,009 0,91 0,71 0,45 0,16
model −0,00 0,010 0,88 0,70 0,51 0,35
90% HPDI (−0,01;0,01) (0,007;0,014) (0,79;0,94) (0,48;0,83) (0,11;0,72) (−0,08;0,62)
v Data 0,00 0,004 0,91 0,71 0,45 0,17
model 0,00 0,008 0,72 0,54 0,40 0,29
90% HPDI (−0,01;0,01) (0,006;0,011) (0,55;0,87) (0,25;0,80) (0,08;0,73) (−0,09;0,67)
w data 0,00 0,014 0,80 0,53 0,29 0,14
model 0,00 0,054 0,72 0,52 0,36 0,24
90% HPDI (−0,04;0,04) (0,041;0,071) (0,57;0,84) (0,30;0,72) (0,06;0,61) (−0,09;0,57)
Y data 0,00 0,020 0,91 0,74 0,54 0,33
model 0,00 0,017 0,79 0,62 0,47 0,36
90% HPDI (−0,01;0,01) (0,012;0,024) (0,64;0,88) (0,33;0,77) (0,09;0,70) (0,01;0,63)
Zdroj: vlastní výpočty
Korelační maticeTabulka č. 40:
data model (90% HPDI)
u v w Y u v w Y
u 1,00 −0,90 −0,74 −0,77 1,00 −0,17 −0,12 −0,16
(1,00;1,00) (−0,56;0,25) (−0,53;0,31) (−0,66;0,34)
v −0,90 1,00 0,80 0,88 −0,17 1,00 0,63 0,72
(−0,56;0,25) (1,00;1,00) (0,25;0,89) (0,46;0,87)
w −0,74 0,80 1,00 0,60 −0,12 0,63 1,00 0,21
(−0,53;0,31) (0,25;0,89) (1,00;1,00) (−0,26;0,62)
Y −0,77 0,88 0,60 1,00 −0,16 0,78 0,21 1,00
(−0,66;0,34) (0,46;0,87) (−0,26;0,62) (1,00;1,00)
Zdroj: vlastní výpočty
Naše závěry jsou dále v souladu se závěry autorů, kteří potvrzují, že modely se „search and
matching“ frikcemi na trhu práce jsou schopny generovat negativní korelaci mezi volnými pracovními
místy a nezaměstnaností (viz Krause a Lubik (2007)). Hodnoty křížových korelačních koeficientů
(viz dolní meze intervalů nejvyšší posteriorní hustoty v tabulce č. 40) však bohužel nejsou
dostatečně vysoké v případě korelací nezaměstnanosti a zbytku pozorovatelných proměnných.
Podobné zkušenosti lze v závěrech Lubika (2009) nalézt i pro případ trhu práce ve Spojených státech.
Lubik (2009) zdůrazňuje, že tento fakt je důsledkem přítomnosti šoku ve funkci přiřazení,
který funguje jako reziduum v rovnicích nezaměstnanosti a mezd.
112
Závěr2.4.5.
V předchozích částech jsme se v rámci jednoduchého DSGE modelu se zabudovanými rigiditami
na trhu práce pokoušeli prozkoumat některé strukturální vlastnosti českého trhu práce. V našem
případě byly implementovány dva zdroje rigidit: mechanismus mzdového vyjednávání a „search
and matching“ proces párování pracovníků a firem. Odhadnutý model je schopen dostatečně popsat
dynamiku zaměstnanosti v české ekonomice. Odhady parametrů poskytují dostatečný důkaz
o tom, že proces mzdového vyjednávání je determinován převážně silou odborů (pracovníků)
a že institucionální změny českého trhu práce posledních 15 let měly jen malý reálný dopad na
efektivitu párování nezaměstnaných a volných pracovních míst. Určitým nedostatkem modelu je
jeho schopnost generování vysoké volatility ve mzdách. Tato vlastnost je klíčová pro rozhodování
o obohacení modelu novými zdroji mzdových rigidit jak navrhují Krause a Lubik (2007) nebo
Christoffel (2009).
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 113
Strukturální změny v malé otevřené2.5.
české ekonomice v období současné
hospodářské krize
Tato podkapitola navazuje na výzkum publikovaný v monografii Slaný a kol. (2010) a věnuje se
analýze současného krizového období pomocí DSGE modelu malé otevřené ekonomiky.
Náplní této podkapitoly je zjistit, zda lze současnou krizi chápat jako strukturální změnu nebo
je-li struktura systému naopak nezměněna a důsledkem krize je jen vyšší volatilita šoků, které ekonomiku
zasáhly. Předchozí výzkum poskytl předběžné výsledky, na které současný výzkum navazuje
a nabízí ucelenou metodologii k hledání strukturálních změn. Z důvodu omezeného rozsahu
této podkapitoly nejsou uvedeny všechny technické detaily a pozornost je věnována zejména klíčovým
částem vyvinuté metodologie a ekonomické interpretaci výsledků analýz.14
Strukturální změna je v tomto modelovém kontextu chápána v souladu s literaturou15
jako změna
ve struktuře modelu, která se projevuje změnou modelových parametrů. Analýza v části 2.5.5
se věnuje striktnější definici strukturální změny, která vyžaduje, aby se změněná struktura modelu
projevila změněným chováním, což lze zhodnotit např. z vývoje impulzních odezev.
Obsah této podkapitoly je následující: Část 2.5.1 představí log-linearizovaný tvar modelu a část
2.5.2 představí datovou bázi použitou pro odhady. Část 2.5.3 obsahuje základní výsledky, které
vycházejí z rekurzívních odhadů parametrů. Část 2.5.4 se podrobněji věnuje vývoji preferencí domácí
a zahraniční centrální banky. Část 2.5.5 představuje rekurzívní pojetí analýzy impulzních
odezev a závěrečná část 2.5.6 podkapitolu uzavírá.
Model2.5.1.
Podoba modelu je stejná jako v předchozím výzkumu a model lze tedy najít v monografii Slaný
a kol. (2010), příp. původní verzi modelu v Lubik a Schorfheide (2006). Pro přehlednost si zde
ukážeme log-linearizovanou podobu modelu. Symboly označené indexem s hvězdičkou odpovídají
proměnným zahraniční ekonomiky.
14 Původní literatura je Čapek (2011a) a vše v plném rozsahu jde nalézt v Čapek (2011b).
15 Viz např. Schorfheide (2008), Boivin a Giannoni (2006) nebo Benati a Surico (2009).
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE114
Výsledkem optimalizace domácností je rovnice (1) vývoje mezního užitku z příjmu, rovnice
pro vývoj spotřeby se zakomponovanými návyky ve spotřebě (2), Eulerova rovnice (3) a definice
celkové inflace jako váženého průměru domácí a importované inflace (4).
(1)
(2)
(3)
, (4)
kde λt je mezní užitek z příjmu, τ > 0 je koeficient relativní averze k riziku, 0 > h > 0 je setrvačnost
ve spotřebě, 0 > β > 0 je diskontní faktor, ct je spotřeba, Et je operátor očekávání, zt je tempo
růstu celosvětového technologického pokroku, rt je nominální úroková míra, πt je míra inflace, α
je otevřenost ekonomiky, πH, t je domácí inflace a πF, t je importovaná inflace.
Optimalizace domácích producentů vyústí v novokeynesiánskou Phillipsovu křivku (5) s vývojem
mezních nákladů popsaných rovnicí (6).
, (5)
, (6)
kde θH je Calvo přeceňovací parametr domácích výrobců, mcH, t jsou mezní náklady, qt jsou směnné
relace a at je nabídkový šok.
Optimalizace importérů, která je analogická k chování domácích producentů, vede k odvození
Phillipsovy křivky importérů (7):
, (7)
kde θF je Calvo přeceňovací parametr domácích importérů a ψF, t je odchylka od zákona jedné ceny.
Zavedení zahraniční ekonomiky vyžaduje několik rovnic definujících vztahy mezi ekonomikami.
Konkrétně jde o míru depreciace nominálního směnného kurzu (8), definici směnných relací
(v diferencích) v rovnici (9) a kombinovanou definici reálného směnného kurzu a mezery zákona
jedné ceny (10).
(8)
(9)
, (10)
kde ∆ je operátor první diference, et je nominální směnný kurz, st je reálný směnný kurz a π*
t je
zahraniční inflace.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 115
Následující rovnice popisují výsledné rovnovážné vztahy, které musí v modelu platit. Jde o rovnici
týkající se mezinárodního sdílení rizika (11), podmínku nekryté úrokové parity (12) a log-linearizovanou
podmínku vyčištění trhů (13).
(11)
(12)
, (13)
kde yH,t je hodnota domácího výstupu, η je elasticita substituce mezi domácím a zahraničním zbožím
a gH,t je domácí poptávkový šok.
Zahraniční ekonomika je rovněž modelována ve strukturálním pojetí, takže existují jak reprezentativní
zahraniční domácnosti, tak producenti, kteří optimalizují své účelové funkce. Jelikož je
však zahraniční ekonomika modelována jako velká a uzavřená, nejsou zahraniční subjekty ovlivněny
tím, jak se rozhodují domácí ekonomické subjekty.
Následující rovnice jsou odvozeny pro velkou zahraniční ekonomiku a jsou analogické vůči
svým domácím protějškům. Výsledkem optimalizace domácností jsou rovnice (14) a (15), které
jsou analogické k (1) a (2). Optimalizace zahraničních producentů v rovnici (16) je podobná
domácí variantě (5). Podmínka vyčištění trhů (17) je díky nepřítomnosti zahraničních importérů
velmi zjednodušená.
(14)
(15)
(16)
. (17)
Model je uzavřen specifikací monetárního pravidla. V tomto případě je použito upravené
Taylorovo pravidlo. Tato formulace monetární politiky předpokládá, že centrální banky reagují
na odchylky inflace od ustáleného stavu, tempa růstu výstupu od ustáleného tempa γ a případně
také na odchylky depreciace nominálního směnného kurzu od ustáleného stavu. Domácí a zahraniční
monetární pravidla pak mají podobu
(18)
(19)
kde rt je nominální úroková míra, o které předpokládáme, že je nástrojem monetárních autorit,
ρY je parametr vyhlazení, ψ jsou váhy, které monetární autority přikládají jednotlivým makroekonomickým
proměnným, na které reagují. Veličina εr,t představuje přímé inovace do monetárního
pravidla a zachycuje tak nesystematické změny monetární politiky. Podobná vysvětlení platí pro
případ zahraniční ekonomiky.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE116
Model je doplněn AR(1) procesy, popisujícími vývoj vládních výdajů (vystupující jako poptávkový
šok nebo také jako šok podmínky vyčištění trhů) gt, technologický šok zavedený do produkční
funkce (vystupující jako nabídkový šok) at a vývoj zt, což je tempo růstu celosvětového nestacionárního
technologického pokroku.
Data2.5.2.
Data použitá pro analýzy jsou zobrazena v grafu č. 33. Byly použity tři makroekonomické časové
řady pro domácí Českou ekonomiku (tyto jsou zobrazeny v prvním řádku) a tři odpovídající makroekonomické
časové řady pro zahraniční ekonomiku Eurozóny se 12 zeměmi. Dodatečná jedna
proměnná ve třetím řádku je depreciace nominálního směnného kurzu české koruny. Data jsou
z databáze Eurostatu, jsou čtvrtletní a čas je označen ke konci čtvrtletí, tj. například „2001.25“ je
první čtvrtletí roku 2001 nebo „2008“ je čtvrté čtvrtletí roku 2007.
Všechny proměnné jsou v procentech. Inflace a tempa růstu výstupu jsou anualizovány, úrokové
míry jsou vyjádřeny per annum. Pouze míra depreciace anualizovaná není. Čáry s tečkami
označují původní data a plná čára označuje trend, který byl před samotným odhadem z vývojových
trajektorií časových řad odstraněn. U všech proměnných kromě úrokových měr byl použit
konstantní trend. Tato standardní procedura se však ukázala jako neadekvátní právě pro případ
úrokových měr, neboť obě časové řady vykazují měnící se trend. Pro zahraniční úrokovou míru
bylo dostatečné použít lineární trend, v případě české úrokové míry však ani tato metoda odstranění
trendu nebyla dostatečná. Po několika experimentech byl zvolen jako nástroj detrendování
Hodrick-Prescottův filtr.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 117
DataGraf č. 33:
2000 2005 2010
2000 2005 2010
2000 2005 2010
2000 2005 2010
2000 2005 2010
2000 2005 2010
2000 2005 2010
–10
5
–5
0
0
–2
–4
6
4
8
2
5
15
10
Czech GDP growth
0
15
10
5
Czech inflation Czech 3M rate
–10
0
–5
EA12 GDP growth
2
0
4
EA12 inflation
2
4
EA 3M rate
depreciation
Zdroj: Eurostat
Rekurzívní odhady parametrů2.5.3.
Tato část podkapitoly pracuje s odhady na datech od roku 2001 do konce sledovaného období, tj.
do prvního čtvrtletí roku 2011. Důvod pro volbu roku 2001 (a v následujících grafech pro srovnání
i od roku 1999) je práce s daty odpovídajícímu datově homogennímu období, a to alespoň ze
začátku časových řad. Jestli je datově homogenní i konec časových řad, tj. roky 2009–2011, to je
otázka, na kterou se snažíme nalézt odpověď.
Základní výsledky analýzy jsou obsahem tabulky č. 41 a grafů č. 34 až 36. Tabulka ukazuje souhrnné
výsledky pro všechny odhadované parametry, zatímco grafy zobrazují podrobné výsledky
pro parametry, u kterých nastaly zajímavé změny.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE118
Hladiny významnosti spočtených charakteristik změn pro rekurzívní odhady parametrůTabulka č. 41:
na datech od roku 2001
parametr průnik 2S HPDI „medián“ „modus“
θ*
F
theta_H 0,83 0,84 0,88 0,68 0,68
θ*
F
theta_F 0,83 0,84 0,86 0,67 0,69
θ*
F
theta_Fstar 0,65 0,66 0,68 0,36 0,35
τ tau 0,89 0,89 0,85 0,78 0,69
h h 0,50 0,51 0,55 0,17 0,11
α alp 0,61 0,62 0,63 0,28 0,30
η eta 0,73 0,74 0,79 0,47 0,53
ψ1
psi1 0,85 0,86 0,83 0,70 0,65
ψ2
psi2 0,67 0,68 0,62 0,40 0,28
ψ3
psi3 0,77 0,79 0,80 0,57 0,56
ψ*
1
psi1star 0,69 0,71 0,71 0,41 0,44
ψ*
2
psi2star 0,42 0,43 0,38 0,11 0,07*
ρA
rhoA 0,57 0,64 0,92 0,16 0,80
ρR
rhoR 0,52 0,52 0,52 0,20 0,18
ρG
rhoG 0,60 0,66 0,50 0,21 0,02**
ρ*
A
rhoAstar 0,41 0,42 0,43 0,11 0,13
ρ*
R
rhoRstar 0,49 0,49 0,53 0,16 0,17
ρ*
G
rhoGstar 0,83 0,86 0,90 0,70 0,82
ρZ
rhoZ 0,47 0,49 0,33 0,08* 0,01***
Tabulka č. 41 zobrazuje ve sloupci „průnik“ hodnotu průniku dvou příslušných aposteriorních
hustot normovaných na integrál roven jedné. Jedna z hustot odpovídá vždy odhadu před nástupem
hospodářské krize, druhá hustota odpovídá odhadu na časovém období, které již obsahuje
data z období současné hospodářské krize. Pro vysvětlení můžeme uvést, že pokud by hodnota
byla blízko jedné, obě hustoty by se téměř překrývaly a znamenalo by to, že hodnota parametru
se téměř nezměnila. Naopak pokud by průnik obou hustot byl roven nule, znamenalo by to,
že hustoty se vůbec nepřekrývají a došlo tedy k velmi zásadní změně parametru. Mezi parametry
s nejnižšími hodnotami této statistiky, a tedy nejslabšími průniky hustot, patří ρ*
A, ψ*
2 a ρZ.
Další dva sloupce tabulky č. 41 ukazují, do jaké míry se liší pravděpodobnostní intervaly spojené
s odhady parametrů. Sloupec „2S“ obsahuje údaj o hladině významnosti, při kterém se nepřekrývají
oboustranné pravděpodobnostní intervaly nejvyššího a nejnižšího odhadu. Sloupec
„HPDI“ obsahuje údaj o hladině významnosti, při kterém se nepřekrývají intervaly nejvyšší aposteriorní
hustoty. Pokud je rozdíl mezi hodnotami v těchto dvou sloupcích velký, jsou příslušné
hustoty, ze kterých byly výsledky počítány, zřejmě zešikmené či dokonce multimodální.
Poslední dva sloupce zobrazují hodnoty statistické významnosti, při kterých se centrální tendence
jednoho odhadu odchýlí z příslušných pravděpodobnostních intervalů jiného odhadu.
Jinými slovy lze říci, že tyto výsledky posuzují, do jaké míry se změnila centrální tendence odhadu.
V souladu se sloupci „2S“ a „HPDI“ se použije buď percentilový přístup, tj. analýza, zda
a kdy se dostane medián v jednom odhadu z oboustranných pravděpodobnostních intervalů v jiném
odhadu. Alternativně se použije přístup přes nejvyšší aposteriorní hustotu, kdy bod nejvyšší
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 119
aposteriorní hustoty je modus příslušné hustoty. Vzhledem k tomu, že se zkoumá, do jaké míry se
tyto centrální tendence (medián a modus) vychýlí z příslušných pravděpodobnostních intervalů,
v tabulce č. 41 jsou poslední dva sloupce nazvány „medián“ a „modus“ a připomínáme, že opět
jde o statistickou významnost, při které dojde k výše popsanému odchýlení.
V těchto posledních případech už tabulka nabízí výsledky, které jsou statisticky významné na
standardně používaných hladinách významnosti. Tyto výsledky jsou zdůrazněny v souladu s literaturou
jednou hvězdičkou, pokud je hladina významnosti nižší než 0,1, dvěma hvězdičkami,
pokud je nižší než 0,05 a třemi hvězdičkami, pokud je nižší než 0,01.
Nejzajímavější a statisticky nejvýznamnější výsledky jsou podrobněji zobrazeny v následujících
grafech č. 34 až 36. Horní panely následujících grafů zobrazují apriorní hodnotu a potom tři varianty
rekurzívního odhadu. Jde o rekurzívní odhad, kdy začátky časových řad jsou ve druhém
čtvrtletí roku 1996, dále pak v prvním čtvrtletí roku 1999 a nakonec prvním čtvrtletí roku 2001.
Tyto varianty jsou voleny z důvodu práce s homogenními daty. Nás budou nyní zajímat rekurzívní
odhady od roku 2001. Horizontální osa je časové označení posledního pozorování, které je
v rekurzívním odhadu použito. Vertikální osa zachycuje vývoj odhadů aposteriorní střední hodnoty.
Jelikož rozdělení mohou být sešikmená či multimodální, spodní panely zobrazují příslušné
odhadnuté hustoty nejvyššího a nejnižšího odhadu (značeno kroužkem v horním panelu). Pro
srovnání zobrazuje dolní panel také apriorní rozdělení a vybrané centrální tendence rozdělení.
Šedou oblastí je naznačen průnik obou aposteriorních hustot (pokud by byly hustoty normované
na 1, průnik odpovídá hodnotě ve sloupci „průnik“ v tabulce č. 41).
Graf č. 34 zobrazuje výsledky pro parametr persistence celosvětového technologického pokroku,
ρZ. Horní panel ukazuje vývoj odhadů tohoto parametru. Zde je zřejmý skok v období
„2009.25“, což je první čtvrtletí roku 2009. Dolní panel zobrazuje míru, do jaké se liší obě aposteriorní
hustoty a do jaké se navíc obě liší od apriorní hustoty. Oba odhady jsou tedy informativní
a odhad v období před současnou hospodářskou krizí je výrazně nižší než odhad, který obsahuje
data z období krize. Vzhledem k rozdílné sešikmenosti obou aposteriorních hustot je zřejmé, že
srovnání na základě nejvyšší aposteriorní hustoty budou vykazovat vyšší rozdíly než srovnání vycházející
s oboustranných intervalů a mediánů. Tento fakt je možné pozorovat i v tabulce č. 41.
Důkladnější analýza ukazuje, proč k těmto výsledkům došlo: důvodem je modelový popis krize,
kdy je první čtvrtletí roku 2009 charakterizováno velkými změnami a model má problémy vývoj
dat vysvětlit. Částečnou příčinou jistě bude špatná specifikace modelu, kdy model je příliš stylizovaný
na to, aby mohl zachytit propagační mechanismy tohoto výjimečného období. Příčina krize
je v tomto případě modelově chápána jako negativní celosvětový technologický šok, který nabývá
takových hodnot, že persistence tohoto šoku musela výrazně vzrůst. Poté co krize začala odeznívat,
hodnota parametru se začala pozvolna navracet k původním nižším hodnotám.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE120
Rekurzívní odhad persistence celosvětového technologického pokrokuGraf č. 34:
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
0.2
0.3
0.4
0.5
0.6
rhoZ
Time (end-of-period) / Last observation
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
0
0.5
1
1.5
2
2.5
3
rhoZ
kerneldensity
prior
recursive
recursive from 1999
recursive from 2001
median
mode
prior distribution
+ prior mean
Graf č. 35 zobrazuje podobné výsledky jako předchozí graf, ale pro váhu na inflaci v zahraničním
Taylorově pravidle ψ*
2. Horní panel naznačuje, že v průběhu roku 2008 se snižovala váha, s jakou
zahraniční centrální banka reaguje na odchylky tempa růstu produktu od dlouhodobého růstu.
Hodnoty před změnou dosahují přibližně 0,65, zatímco hodnoty po změně dosahují jen něco
málo přes 0,3. Tato změna by se tedy dala interpretovat tak, že zahraniční monetární autorita reaguje
na odchylky výstupu jen s poloviční vahou oproti předcházejícímu období. Tento závěr však
nemusí být korektní, neboť v Taylorově pravidle (viz rovnice č. 19) je tento člen násoben doplňkem
zpěthledícího parametru (1 − ρ*
R ) a parametr ρ*
R se pochopitelně také mohl změnit a původní
vývoj ψ*
2 mohl případně kompenzovat. Z tohoto důvodu, ale také proto, že případné změny
preferencí monetárních autorit mohou být důležitým a zajímavým ukazatelem, ukazuje graf č. 37
úspěšné řešení výše naznačeného problému a představuje vývoj skutečných preferencí monetárních
autorit. Spodní panel grafu č. 35 opět poukazuje na fakt, že odhady se odchýlily od apriorní
hustoty v různých směrech, tj. odhady jsou informativní a hodnota parametru se mění, v tomto
případě z vyšší hodnoty k nižší v průběhu příchodu krize.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 121
Rekurzívní odhad váhy na inflaci v zahraničním Taylorově pravidleGraf č. 35:
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
0.2
0.3
0.4
0.5
0.6
0.7
0
0.5
1
1.5
2
2.5
3
-0.5 0 0.5 1 1.5 2 2.5
psi2star
psi2star
Time (end-of-period) / Last observation
kerneldensity
prior
recursive
recursive from 1999
recursive from 2001
median
mode
prior distribution
+ prior mean
Graf č. 36 zobrazuje poněkud jiný vývoj než předchozí dva, a i motivace zobrazení těchto výsledků
je poněkud jiná. Horní panel ukazuje, jak důležité je pracovat s homogenními daty. Jednotlivé
rekurzívní odhady se totiž vyvíjejí různým způsobem. Rekurzívní odhady pracující s daty od začátku
pozorovaného období a rekurzívní odhady na datech od roku 1999 vykazují setrvalý růst
parametru. Naproti tomu rekurzívní odhady, které používají až data od roku 2001, vykazují spíše
setrvalý stav a zároveň také úrovňový posun o přibližně 0,1 směrem dolů. Zároveň tento graf
dokládá důležitost analýzy celých funkcí hustoty či několika deskriptivních charakteristik těchto
hustot, neboť jak ukazuje dolní panel, hustota z konce roku 2008 (značeno „2009“) vykazuje tendence
k bimodalitě. Tento vývoj je nestandardní a značí, že se v odhadu – nejspíše z důvodu špatné
specifikace – mění propagační mechanismy. Ne náhodou tak rovněž tabulka č. 41 zobrazuje
v případech charakteristik vycházejících z nejvyšší aposteriorní hustoty (sloupce „HPDI“ a „modus“)
značně odchýlené výsledky.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE122
Rekurzívní odhad setrvačnosti domácího poptávkového šokuGraf č. 36:
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
rhoG
Time (end-of-period) / Last observation
rhoG
kerneldensity
prior
recursive
recursive from 1999
recursive from 2001
median
mode
prior distribution
+ prior mean
0.8
0.85
0.9
0.95
1
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
0
2
4
6
8
Preference monetárních autorit2.5.4.
Graf č. 37 zobrazuje hodnoty členů (1 − ρR )ψ, tedy souhrnného vlivu zpěthledícího vyhlazovacího
parametru v Taylorově pravidle, ρR a čistě preferenčních parametrů monetárních autorit, ψ.
Pozorovat vliv jako souhrnný je potřebné, neboť všechny parametry se při odhadech mohou měnit
a jejich vliv se může částečně rušit nebo se naopak může zesilovat.
V legendách grafů je Rpsi1 = (1 − ρR )ψ1, Rpsi2 = (1 − ρR )ψ2 a Rpsi3 = (1 − ρR )ψ3, v levém panelu
jde o parametry domácí monetární autority, v pravém panelu o parametry zahraniční monetární
autority. Vertikální linie zobrazují obzvláště zajímavá období, v případě domácí ekonomiky
jde o první čtvrtletí roku 2009, v případě zahraniční jde o čtvrté čtvrtletí roku 2008.
Levý panel grafu č. 37 ukazuje vývoj upravených preferenčních parametrů domácí monetární
autority. Vývoj všech parametrů vykazuje celkem plynulý vývoj bez zásadních zlomů. To
je možné chápat tím způsobem, že vývoj preferencí a chování monetární autority „zbytečně
nepřekvapuje“ ekonomické subjekty, což je možno interpretovat jako způsob, jakým si centrální
banka buduje kredibilitu, která je pro účinné dopady zásahů monetární autority důležitá.
Vertikální linie vyznačuje období, které je charakteristické nejznatelnějším projevem hospodářské
krize v datech. V tomto období se částečně mění preference domácí monetární autority vůči
inflaci, která tak narušuje sestupný trend. Patrná dlouhodobá tendence k poklesu preference
centrální banky vůči inflaci nejde jednoduše chápat tak, že centrální banka se o inflaci nezajímá.
Vysvětlením může být spíše to, že centrální autorita získává kredibilitu a „učí“ ekonomické
subjekty předvídat její protiinflační chování a činit tomu odpovídající rozhodnutí. Tímto
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 123
způsobem se snižují náklady odstranění inflace a centrální banka nemusí následně tak prudce
reagovat na inflační tlaky.
Oproti vývoji preferencí domácí monetární autority je vývoj v pravém panelu grafu č. 37 odlišný.
Při interpretaci výsledků se můžeme vrátit k předchozí analýze grafu č. 35. Člen „Rpsi2“ vznikl, jak
bylo výše vysvětleno, přenásobením zpěthledícím parametrem v Taylorově pravidle a jde tak o člen
vyjadřující skutečnou preferenci zahraniční monetární autority ohledně reakce na odchylky tempa
růstu výstupu od dlouhodobého tempa. Vývoj tohoto členu v průběhu roku 2008 skutečně vykazuje
pokles a to z původních 0,15 na konečných méně než 0,1, tj. jak naznačoval graf č. 35, jde skutečně
o pokles zájmu Evropské centrální banky (ECB) o výstup, ačkoliv ne tak zásadní, jak se původně
zdálo. Před nástupem současné hospodářské krize se tedy ECB snažila podporovat hospodářský růst
poklesem nominálních úrokových měr. S nástupem hospodářské krize se tato vůle ECB značně
oslabuje. Další zjevně viditelná změna, a totiž ve čtvrtém čtvrtletí roku 2008, je výrazný propad preference
v reakci na odchylky inflace. Tento propad je způsoben nesouladem makroekonomických
dat a fungování Taylorova pravidla v tomto čtvrtletí. Jak je patrné v grafu č. 33, toto období je charakterizováno
výraznou desinflací. To však v rozporu s fungováním Taylorova pravidla nebylo doprovázeno
příslušným poklesem nominálních úrokových měr. Sazby se sice snižovaly, ale stále byly
vysoko nad dlouhodobou úrovní. Inflace byla v tomto období velmi nízká a taktéž pod svou dlouhodobou
úrovní. Tento rozpor se projevil v mechanice modelu jako snížení parametru ψ*
1 a také
zvýšení vyhlazovacího parametru ρ*
R.
Závěrem můžeme říci, že Česká národní banka (ČNB) jako domácí monetární autorita zvládá současnou
hospodářskou krizi bez větších problémů a navíc nejspíš narůstá její kredibilita. Naproti tomu ECB
měla, alespoň v kontextu Taylorova pravidla, výraznější problémy s korektním zvládnutím krize.
Preferenční parametry domácí a zahraniční monetární autorityGraf č. 37:
2007 2008 2009 2010 2011 2012
0
0.05
0.1
0.15
0.2
0.25
CZ - recursive from 2001
Time (end-of-period) / last observation
Rpsi1
Rpsi2
Rpsi3
2007 2008 2009 2010 2011 2012
0
0.1
0.2
0.3
0.4
0.5
Time (end-of-period) / last observation
EU - recursive from 2001
Rpsi1
Rpsi2
2009.25
2009
Analýza rekurzívních impulzních odezev2.5.5.
Změny parametrů lze chápat jako změnu struktury modelu, ale při striktnějším pohledu na věc
bychom také mohli očekávat, že se v důsledku změn parametrů mění chování celého systému.
Z tohoto důvodu nabízí tato část dílčí výsledky analýzy rekurzívních impulzních odezev.
Impulzní odezva ukazuje, jak vybraná důležitá makroekonomická proměnná reaguje na vnější šok
zavedený do ekonomického systému. Tato analýza byla pro potřeby této podkapitoly rozšířena do
rekurzívní podoby, abychom mohli zhodnotit, do jaké míry se reakce na vnější podněty mění v čase.
Následující dva grafy mají dva panely, které se liší jen náhledovým úhlem na 3-D graf. Levý panel zachycuje
rekurzívní impulzní odezvy, kdy pravá dolní osa „x“ zobrazuje zpoždění, v jakém reakci na
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE124
šok pozorujeme, levá dolní osa „y“ zobrazuje rekurzi, tj. jde o různá časová období, která vždy značí
impulzní odezvu pro jiný odhad parametrů. Značení času odpovídá značení používané i v předchozích
grafech. Vertikální osa „z“ zobrazuje hodnotu odezvy samotné. Levý panel se soustředí na změny
krátce po dopadu šoku, pravý panel se soustředí na způsob odeznění šoku. Pravý panel tedy zobrazuje
pohled na 3-D graf z pravé dolní strany, neboli jde o „x–z“ pohled, neboť osa „y“ nejde vidět. V obou
panelech je barevně vyznačena impulzní odezva odpovídající prvnímu čtvrtletí roku 2009.
Rekurzívní impulzní odezvy: reakce domácího tempa růstu výstupu na negativníGraf č. 38:
celosvětový technologický šok
lag
0
10
20
2006
2008
2010
2012
−1.5
−1
−0.5
0
lagtime (end−of−period)
−1
−0.9
−0.8
−0.7
−0.6
−0.5
−0.4
−0.3
−0.2
−0.1
0 5 10 15 20 25 30 35 40
−1.5
−1
−0.5
0
EPS_Z to Ygr_CZ by −0.55 EPS_Z to Ygr_CZ by −0.55
Graf č. 38 zobrazuje vývoj impulzních odezev v čase jako důsledek negativního celosvětového technologického
šoku. Pozorovaná proměnná je české tempo růstu výstupu. Velikost šoku je historicky průměrná,
tj. jedná se o běžnou velikost šoku (včetně období krize). Graf ukazuje, jak v barevně vyznačeném
období dochází ke změně impulzní odezvy směrem k silnějšímu propadu výstupu jako důsledku negativního
technologického šoku. Pravý panel jasněji ukazuje, o jakou jde změnu a o jaký propad se jedná.
V předkrizovém období měl tento šok negativní dopad do tempa růstu výstupu pouze asi půl procentního
bodu, zatímco v období krize dosahuje propad až jeden procentní bod. Podobný vývoj ukazuje
i graf č. 39, kde se jedná o stejný šok, ale pozorovanou proměnnou je zahraniční tempo růstu výstupu.
V tomto grafu je patrná ještě o něco větší změna než v předchozím případě domácí ekonomiky. Tvar
impulzní odezvy je také poněkud jiný z důvodu bohatší struktury modelu domácí ekonomiky.
Rekurzívní impulzní odezvy: reakce zahraničního tempa růstu výstupu na negativníGraf č. 39:
celosvětový technologický šok
lag
0
10
20
2006
2008
2010
2012
−1.5
−1
−0.5
0
lag
EPS_Z to Ygr_EU by −0.55
time (end−of−period)
−1.1
−1
−0.9
−0.8
−0.7
−0.6
−0.5
−0.4
−0.3
−0.2
−0.1
0 5 10 15 20 25 30 35 40
−1.5
−1
−0.5
0
EPS_Z to Ygr_EU by −0.55
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE 125
Závěr2.5.6.
Tato podkapitola se věnovala identifikaci strukturálních změn české ekonomiky v době současné
hospodářské krize a výzkumu dopadů hospodářské krize. Výsledky ukazují, že ačkoli jsou odhady
zatíženy silným vlivem nejistoty, některé strukturální změny v DSGE modelu české ekonomiky
byly prokázány na běžných hladinách významnosti. Změny parametrů modelu jsou rovněž doprovázeny
změnami chování modelu jako takového, což jen podtrhuje důležitost dosažených výsledků
pro účely hospodářské (stabilizační) politiky.
Nejvýznamnější změny parametrů jsou spojeny s propagací šoků v ekonomice, neboť současná
hospodářská krize je charakteristická netypickými šoky a změnami v jejich propagačních mechanismech.
Výsledky také ukazují rozdíl v úspěšnosti provádění monetární politiky ze strany České
národní banky a Evropské centrální banky. Zatímco Česká národní banka zvládá krizi konzistentním
chováním, Evropská centrální banka se musela uchýlit k výraznému diskrečnímu chování,
které však narušuje očekávání ekonomických subjektů.
Kromě zajímavých výsledků týkajících se struktury a propagace šoků v období krize a analýzy
preferencí monetárních autorit lze také prokázat důležitost explicitní analýzy vlivu nejistoty na
odhady. Česká ekonomika se totiž nachází v (post)tranzitivním období a probíhá v ní tedy mnoho
skrytých ekonomických procesů, které mají svou odezvu v makroekonomických datech.
POUŽITÁ LITERATURA KE 2. KAPITOLE126
Použitá literatura ke 2. kapitole
ADJEMIAN, S., BASTANI, H., JUILLARD, M., MIHOUBI, F., PERENDIA, G., RATTO, M., VILLEMOT
S. (2011): Dynare: Reference Manual Version 4. Centre pour la Recherche Economique et ses Applications,
Working Paper No. 1, pp. 70. Dostupné na: http://www.dynare.org/wp-repo/dynarewp001.pdf.
ADOLFSON, M., LASÉEN, S., LINDÉ, J., VILLANI, M. (2008): Evaluating An Estimated New Keynesian
Small Open Economy Model. Journal of Economic Dynamics and Control, Vol. 32, No. 8, pp. 2690–2721.
ALEXIUS, A., POST, E. (2008): Exchange Rates and Asymmetric Shocks in Small Open Economies. Empirical
Economics, Vol. 35, No. 3, pp. 527–541.
AMISANO, G., GIAMMARIOLI, N., STRACCA, L. (2009): EMU and the Adjustment to Asymmetric Shocks:
the Case of Italy. ECB Working Paper Series, No. 1128.
ANDRLE, M., HLÉDIK, T., KAMENÍK, O., VLČEK, J. (2009): Implementing the New Structural Model of the
Czech National Bank. CNB Working Paper Series, No. 2/2009.
ANGELONI, I., EHRMANN, M. (2004): Euro Area Inflation Differentials. ECB Working Paper Series, No. 388.
BAYOUMI, T., EICHENGREEN, B. (1992): Shocking Aspects of European Monetary Unification. NBER
Working Paper No. 3949, 1992. Dostupné na: http://www.nber.org/papers/w3949.
BENATI, L., SURICO, P. (2009): VAR Analysis and the Great Moderation. American Economic Review, Vol.
99, No. 4, pp. 1636–52.
BENIGNO, P. (2009): Price Stability with Imperfect Financial Integration. Journal of Money, Credit and
Banking, Vol. 41, No. 1, pp. 121–149.
BENIGNO, P. – LOPÉZ-SALIDO, J. D. (2006): Inflation Persistence and Optimal Monetary Policy in the Euro
Area. Journal of Money, Credit and Banking, Vol. 38, No. 3, pp. 587–614.
BERNANKE, B. S., GERTLER, M., GILCHRIST, S. (1999): The Financial Accelerator in a Quantitative
Business Cycle Framework. In: Handbook of Macroeconomics, Volume 1C. Oxford: Elsevier Ltd, 1999.
ISBN 0-444-50158-4.
BLANCHARD, O. J., KAHN, C. M. (1980): The Solution of Linear Difference Models under Rational
Expectations. Econometrica, Vol. 48, No. 5, pp. 1305–1312.
BOIVIN, J., GIANNONI, M. P. (2006): Has Monetary Policy Become More Effective? The Review of Economics
and Statistics, Vol. 88, No. 3, pp. 445–462.
CALVO, G. (1983): Staggered Prices in a Utility-maximizing Framework. Journal of Monetary Economics, Vol.
12, No. 3, pp. 383–398.
CAMPA, J. M., GONZALEZ MINGUEZ, J. M. (2006): Differences in Exchange Rate Pass-through in the Euro
Area. European Economic Review, Vol. 50, No. 1, pp. 121–145.
CANOVA, F. (2006): Monetary Policy and the Evolution of the US Economy. CEPR Discussion Paper, No. 5467.
CANOVA, F., GAMBETTI, L. (2009): Structural Changes in the US Economy: Is there a Role for Monetary Policy?
Journal of Economic Dynamics and Control, Vol. 33, No. 2, pp. 477–490.
CECCHETTI, S. G. (1999): Legal Structure, Financial Structure and the Monetary Policy Transmission Mechanism.
Economic Policy Review, Vol. 5, No. 2, pp. 9–28.
CHRISTENSEN, I., DIB, A. (2008): The Financial Accelerator in an Estimated New Keynesian Model. Review of
Economic Dynamics, Vol. 11, No. 1, pp. 155–178.
CHRISTOFFEL, K., KUESTER, K., LINZERT, T. (2009): The Role of Labor Markets for Euro Area Monetary
Policy. European Economic Review, Vol. 53, No. 8, pp. 908–936.
CLARIDA, R., GALÍ, J., GERTLER, M. (2000): Monetary Policy Rules And Macroeconomic Stability: Evidence
And Some Theory. The Quarterly Journal of Economics, Vol. 115, No. 1, pp. 147–180.
ČAPEK, J. (2011a): Changes in the Behavior of Economies in a DSGE Model in the Course of Time. In: Mathematical
Methods in Economics 2011. Janská Dolina: Professional Publishing, 2011. pp. 94–100. ISBN 978-80-7431-058-4.
ČAPEK, J. (2011b): Structural Changes in Czech Economy: DSGE Model Approach. Brno: Ekonomicko-správní
fakulta Masarykovy univerzity, Disertační práce (pracovní verze ke dni 20.10.2011).
DeJONG, D. N., DAVE, C. (2007): Structural Macroeconometrics. New Jersey: Princeton University Press,
2007. ISBN 9780691126487.
DEMERTZIS, M., HUGUES HALLETT, A. (1998): Asymmetric Transmission Mechanisms and the Rise in
European Unemployment: A Case of Structural Differences or of Policy Failure? Journal of Economic Dynamics
and Control, Vol. 22, No. 6, pp. 869–886.
DRIVER, R. L., WREN-LEWIS, S. (1999): European Monetary Union and Asymmetric Shocks in a New Keynesian
Model. Oxford Economic Papers, Vol. 51, No. 4, pp. 665–688.
ERCEG, C. J., HENDERSON, D. W., LEVIN, A. T. (2000): Optimal Monetary Policy with Staggered Wage and
Price Contracts. Journal of Monetary Economics, Vol. 46, No. 2, pp. 281–313.
FABIANI, F., MORGAN, J. (2003): Aggregation and Euro Area Phillips Curves. ECB Working Paper Series,
No. 213.
POUŽITÁ LITERATURA KE 2. KAPITOLE 127
FERNÁNDEZ-VILLAVERDE, J., RUBIO-RAMÍREZ, J. F. (2007): How Structural Are Structural Parameters?
NBER Working Paper No. 13166, 2007. Dostupné na: http://www.nber.org/papers/w13166.
GALÍ, J. (2008): Monetary Policy, Inflation, and the Business Cycle: An Introduction to the New Keynesian
Framework. New Jersey: Princeton University Press, 2008. ISBN 9780691133164.
GALÍ, J., MONACELLI, T. (2005). Monetary Policy and Exchange Rate Volatility in a Small Open Economy.
Review of Economic Studies. 72(3), 707–734.
HLOUŠEK, M. (2007) Dual approach to growth accounting – application for the Czech Republic. In Mathematical
Methods in Economics 2007. Ostrava: Faculty of Economics.
HLOUŠEK, M. (2010) Nominal rigidities and wage-price dynamics in estimated DSGE model: application for the
Czech economy, PhD Thesis, Masaryk University.
JEFFREYS, H. (1961). Theory of Probability. (3rd ed.) Oxford: Oxford University Press.
JONDEAU, E., SAHUC, J. G. (2007). Testing Heterogeneity within the Euro Area. Banque de France,
Documents de Travail 181.
JONDEAU, E., SAHUC, J. G. (2008). Testing Heterogeneity within the Euro Area. Economics Letters. 99(1),
192–196.
JUSTINIANO, A., PRESTON, B. (2010a). Monetary Policy and Uncertainty in an Empirical Small Open Economy
Model. Journal of Applied Econometrics. 25(1), 93–128.
JUSTINIANO, A., PRESTON, B. (2010b). Can Structural Small Open Economy Models Account for the Influence
of Foreign Disturbances? Journal of International Economics. 81(1), 61–74.
JUSTINIANO, A., PRESTON, B. (2006). Can Structural Small Open Economy Models Account for the Influence of
Foreign Disturbances? CAMA Working Paper 12/2006.
KASS R. E., RAFTERY A. E. (1995). Bayes Factors. Journal of the American Statistical Association. 90(430),
773–795.
KOLASA, M. (2009). Structural heterogeneity or asymmetric shocks? Poland and the euro area through the lens of a
two-country DSGE model. Economic Modelling. 26(6), 1 245–1 269.
KRAUSE, M., LUBIK, T. (2007) The (ir)relevance of real wage rigidity in the New Keynesian model with search
frictions, Journal of Monetary Policy, 54, 706–727.
LUBIK, T. (2009) Estimating a Search and Matching Model of the Aggregate Labor Market, Economic Quarterly,
95, 101–120.
LUBIK, T., SCHORFHEIDE, F. (2006) A Bayesian Look at the New Open Economy Macroeconomics. In NBER
Macroeconomics Annual 2005, Volume 20, NBER Chapters. National Bureau of Economic Research, Inc,
May 2006, pp. 313–382.
MEIER, A., MÜLLER, G.J. (2006) Fleshing out the monetary transmission mechanism: output composition and the
role of financial frictions. Journal of Money, Credit, Banking. 38, 1 999–2 133.
MOTL, T., VAŠÍČEK, O. (2011) A DSGE Model View of the Czech Business Cycle. CVKCE Working Paper No.
1/2011.
MONACELLI, T. (2003). Monetary Policy in a Low Pass-through Environment. ECB Working Paper No. 227.
MUSIL, K. (2009) International Growth Rule Model: New Approach to the Foreign Sector of the Open Economy, PhD
Thesis, Masaryk University.
NĚMEC, D., VAŠÍČEK, O. (2010) Estimating structural changes of the Czech economy: How convincing are the
symptoms of the economic crisis? In Houda, M., Friebeloví, J. ( eds.) Proceedings of the Mathematical Methods
in Economics 2010, České Budějovice, 469–476.
PAUER, F. (1996). Will Asymmetric Shocks Pose a Serious Problem in EMU? Oesterreichische Nationalbank,
Working Paper 23.
PYTLARCZYK, E. (2005). An Estimated DSGE Model for the German Economy within the Euro Area. Discussion
Paper Series 1: Economic Studies 2005, 33, Deutsche Bundesbank.
SCHORFHEIDE, F. (2005) Learning and Monetary Policy Shifts. Review of Economic Dynamics 8, 2 (April
2005), 392–419.
SLANICAY, M. (2011). Impact of Asymmetric Shocks and Structural Differences between the Czech Economy and
Euro Area 12. In Mathematical Methods in Economics 2011. Prague : University of Economics.
SLANICAY, M. (2011). Structural Differences and Asymmetric Shocks between the Czech Economy and the Euro Area
12. Národohospodářský obzor – Review of Economic Perspectives, 11(3), ?–?.
SLANÝ, A. a kol (2010) Konkurenceschopnost a stabilita. Brno: Masarykova univerzita, 2010. 288 stran. ISBN
978-80-210-5336-6.
SMETS, F., WOUTERS, R. (2003). An Estimated Dynamic Stochastic General Equilibrium Model of the Euro Area.
Journal of the European Economic Association. 1(5), 1 123–1 175.
TAYLOR, J. B. (1999). A Historical Analysis of Monetary Policy Rules. In Taylor (ed), Monetary Policy Rules,
Chicago: University of Chicago Press.
TONNER, J., VAŠÍČEK, O. (2011) Parameter Drifting in the Second Order Approximated Model. CVKCE
Working Paper No. 4/2011.
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE128
VERHOEF, B. A. (2003). The (A)Symmetry of Shocks in the EMU. Netherlands Central Bank, DNB Staff
Reports 106.
WIELAND, V., CWIK, T., MÜLLER, G. J., SCHMIDT, S., WOLTERS, M. A New Comparative Approach
to Macroeconomic Modeling and Policy Analysis, Working Paper, Goethe University of Frankfurt, May 2011
(revised version).
WOODFORD, M. (2003). Interest and Prices: Foundations of a Theory of Monetary Policy. New Jersey: Princeton
University Press.
YASHIV, E. A. (2006) Evaluating the performance of the search and matching model, European Economic Review,
50, 909–936.
129
ROLE ZNALOSTÍ V EKONOMICE3.
A KONCEPCE REGIONÁLNÍHO
ROZVOJE
3
STRUKTURÁLNÍ ZMĚNY V MALÉ OTEVŘENÉ ČESKÉ EKONOMICE V OBDOBÍ SOUČASNÉ HOSPODÁŘSKÉ KRIZE130
Znalosti jsou považovány za motor produktivity a ekonomického růstu a vedou k posilování role
informací, technologií a učení na ekonomickou výkonnost. V této souvislosti se hovoří především
o znalostní ekonomice. Znalostní ekonomika se od té tradiční ekonomiky odlišuje především
tím, že hlavním zdrojem růstu nejsou nerostné zdroje nebo půda, ale znalosti. Definovat pojem
znalostní ekonomika je však velmi obtížné a neexistuje žádná jednotná a všeobjímající definice
tohoto pojmu. Zejména političtí aktéři často hovoří o tom, že je nutné podnikat kroky k rozvoji
znalostní ekonomiky, o tom, co to je znalostní ekonomika, ovšem obvykle nehovoří (Žítek,
Klímová; 2011).
Znalostní ekonomika spočívá v tvorbě přidané hodnoty na základě zúročení znalostí, nejen
díky manuální výrobě, ale roste v ní význam vzdělání a využiti vědeckých poznatků (výsledků
výzkumu a vývoje) v tržní praxi, resp. při tvorbě inovací, a to v kontextu celkového zvyšování
konkurenceschopnosti země či regionu. Důležitou roli pak v tomto procesu sehrávají informační
a komunikační technologie, které přispívají k jeho efektivnosti.
Hodnocení, analýzy či monitoring parametrů a indikátorů znalostní ekonomiky je pak možné
využít při formování parametrů regionálně zaměřené hospodářské politiky. To může mít různé
formy, typicky jde o nejrůznější programy podpory zaměřené zejména na oblast vzdělávání či
výzkumu a vývoje. Jiným způsobem využití může být například tvorba koncepcí regionálního
rozvoje.
HODNOCENÍ ZNALOSTNÍCH EKONOMIK 131
Hodnocení znalostních ekonomik3.1.
Jedním ze způsobů hodnocení znalostních ekonomik je Knowledge Assessment Methodology,
tedy přístup vytvořený a implementovaný Světovou bankou. V současnosti zahrnuje 109 strukturálních
a kvalitativních ukazatelů pro 146 zemí světa. Prostřednictvím těchto ukazatelů se měří
jejich výkonnost, a to za pomoci čtyř pilířů znalostní ekonomiky, jimiž jsou: ekonomické stimuly
a institucionální režim, vzdělávání a lidské zdroje, inovační systém, a ICT – Informační a komunikační
technologie. (The World Bank, 2011b) Výsledky hodnocení jsou prezentovány prostřednictvím
dvou základních indexů, a to Znalostního indexu (KI) a Indexu znalostní ekonomiky (KEI).
Indexy nabývají hodnot v intervalu od 0 do 10, přičemž platí, že čím více lze danou národní ekonomiku
považovat za znalostní, tím vyšších hodnot index dosahuje.
Znalostní index (KI) a Index znalostní ekonomiky (KEI)Graf č. 40:
Index znalostní ekonomiky
Index ekonomického
a institucionálního režimu
tarifní a netarifní bariéry
kvalita regulace
zákonné zásady
Index vzdělání Inovační index ICT index
Znalostní index
Znalostní indexy
míra gramotnosti
dospělých
středoškolští studenti
vysokoškolští studenti
licenční poplatky
a příjmy
počet patentů
odborné články
telefony
počítače
uživatelé internetu
Zdroj: The World Bank (2011a)
HODNOCENÍ ZNALOSTNÍCH EKONOMIK132
V dalším textu jsou vysvětleny oba základní indexy a také prezentovány výsledky hodnocení všech
členských zemí EU (EU27) podle poslední dostupné verze, tzv. KAM 2009. Podrobně je metodika
hodnocení popsána především na webových stránkách Světové banky a ve working paper (Chen,
Dahlman; 2005).
Znalostní index
Znalostní index měří schopnost země generovat, přijímat a šířit znalosti. Je to indikátor celkového
potenciálu rozvoje znalostí ve všech zemích. Jedná se o prostý průměr standardizovaných výsledků
výkonnosti země nebo regionu v oblasti klíčových proměnných ve třech pilířích znalostní ekonomiky
– vzdělávání a lidské zdroje, inovační systém a informační a komunikační technologie).
(The World Bank, 2011a)
Země Evropské unie obecně vévodí pořadí znalostních ekonomik. Z hlediska Znalostního indexu
(KI) jsou na prvních čtyřech místech hodnocení všech zemí světa Švédsko, Dánsko, Nizozemí
a Finsko. Index v těchto zemích dosahuje hodnot 9,57–9,39. Nejlepší z nových členských zemí
EU je pak Estonsko (22. na světě, 12. v EU27) s hodnotou indexu 8,31. Na konci pořadí znalostních
ekonomik se mezi zeměmi EU27 nachází Bulharsko (42. na světě) a Rumunsko (51. na světě),
u nichž index dosahuje hodnot 6,94 a 6,25.
Znalostní index – KI (KAM 2009)Graf č. 41:
0,00
2,00
4,00
6,00
8,00
10,00
SE DK NL FI UK IE DE AT BE FR LU EE IT ES SI CZ HU LT GR LV CY PL SK PT MT BG RO
Zdroj: The World Bank (2011c)
Zajímavé je také to, jak se změnilo postavení jednotlivých zemí od roku 2000. Největšího posunu
směrem nahoru dosáhlo Rumunsko (+11 pozic) a Litva (+ 8 pozic). Naopak nejvýraznější propad
zaznamenalo Portugalsko (−9 pozic) a Belgie (−4 pozice).
Česká republika se s hodnotou Znalostního indexu 7,90 zařadila na 16. pozici mezi zeměmi
EU27, mezi novými členskými zeměmi je pak třetí za Estonskem a Slovinskem. Za pozitivní lze
pak považovat skutečnost, že od roku 2000 vylepšila své postavení o dvě místa, na celkově 29. pozici,
což mimo jiné znamenalo posun před Maďarsko.
Index znalostní ekonomiky
Index znalostní ekonomiky hodnotí, zda je prostředí příznivé z hlediska efektivního využívání
znalostí pro ekonomický rozvoj. Jedná se o agregovaný index, který reprezentuje celkovou úroveň
rozvoje země nebo regionu z hlediska znalostní ekonomiky. Je to prostý průměr standardizovaných
výsledků výkonnosti země nebo regionu v oblasti klíčových proměnných ve všech čtyřech
HODNOCENÍ ZNALOSTNÍCH EKONOMIK 133
pilířích znalostní ekonomiky – ekonomické stimuly a institucionální režim, vzdělávání a lidské
zdroje, inovační systém a informační a komunikační technologie. (The World Bank, 2011a)
Po zahrnutí čtvrtého pilíře do hodnocení došlo ve výsledcích k určitým změnám. Čtyři znalostní
ekonomiky si při použití Indexu znalostní ekonomiky (KEI) vyměnily pořadí. Nejúspěšnější je
Dánsko (hodnota indexu 9,52), následují Švédsko (9,51), Finsko (9,37) a Nizozemí (9,35). Také další
výsledky se od indexu KI příliš neliší. Mezi novými členskými zeměmi opět dominuje Estonsko
(21. na světě, 11. v EU27) s hodnotou indexu 8,42. Nejnižších hodnot dosahuje index opět pro
Rumunsko a Bulharsko, nízkých hodnot indexu však dosahuje také Řecko a Polsko.
Index znalostní ekonomiky – KEI (KAM 2009)Graf č. 42:
0,00
2,00
4,00
6,00
8,00
10,00
DK SE FI NL UK IE DE AT BE LU EE FR ES SI HU CZ IT LT LV PT MT CY SK PL GR BG RO
Zdroj: The World Bank (2011c)
Oproti roku 2000 se nejvíce polepšilo Rumunsko (+13 pozic), Bulharsko (+ 8 pozic) a Estonsko
(+ 7 pozic). Největším propad pořadím znalostních ekonomik hodnocených indexem KEI zaznamenalo
Řecko (−7 pozic), Rakousko (−5 pozic) a také Itálie (−5 pozic).
Stejně jako KI, i Index znalostní ekonomiky zařadil Českou republiku na 16. místo mezi zeměmi
EU27. Ve skupině nových členských zemí je pak ČR čtvrtá, a to jen těsně za Maďarskem. Ve
světovém žebříčku figuruje na 28. pozici, tedy na pozici o čtyři místa lepší než v roce 2000, což
znamenalo posun před Itálii a Portugalsko.
Následující tabulka přehledně zachycuje změnu pořadí jednotlivých členských zemí EU v hodnocení
KI a KEI mezi roky 2000 a 2009. Přestože není úplně snadné nalézt v těchto datech nezpochybnitelné
obecné tendence, je zřejmé, že jsou to především nové členské země EU27, které
zaznamenaly posun směrem vzhůru. Naopak starší členové jsou převážně těmi, kdo v žebříčku
hodnocení vykazují pokles.
HODNOCENÍ ZNALOSTNÍCH EKONOMIK134
Změny v pořadí hodnocení znalostních ekonomik dle KEI a KI mezi roky 2000 a 2009Tabulka č. 43:
(KAM 2009)
stát kód KEI KI
Rakousko AT −5 −2
Belgie BE −3 −4
Bulharsko BG 8 4
Kypr CY −2 1
Česká republika CZ 4 2
Dánsko DK 2 1
Estonsko EE 7 5
Finsko FI −1 −2
Francie FR −4 −1
Německo DE 3 2
Řecko GR −7 −1
Maďarsko HU 3 0
Irsko IE 6 5
Itálie IT −5 3
Lotyšsko LV 4 4
Litva LT 3 8
Lucembursko LU 2 1
Malta MT 6 0
Nizozemí NL 0 1
Polsko PL −2 −3
Portugalsko PT −4 −9
Rumunsko RO 13 11
Slovensko SK 3 −3
Slovinsko SI 1 −1
Španělsko ES −1 1
Švédsko SE −1 0
Spojené Království UK 2 0
Zdroj: The World Bank (2011c), vlastní výpočty a zpracování
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU 135
Charakteristika znalostních ekonomik3.2.
v zemích EU
Také Evropský statistický úřad (Eurostat) sleduje celou řadu ukazatelů, které lze považovat za
charakteristiky znalostní ekonomiky. Ty je možné roztřídit dle celé řady kritérií. Předložené členění
vychází z obecných definic znalostní ekonomiky a do značné míry též respektuje nejznámější
realizovaná hodnocení (Světová banka, OECD). Za klíčové oblasti jsou v tomto kontextu
považovány:
vzdělávání, zejména terciární (ISCED 5 a 6),
výzkum a vývoj,
inovace, především technické,
informační a komunikační technologie (ICT).
V rámci uvedených oblastí jsou vybrány takové ukazatele, které nejlépe zachycují současný stav
(použita vždy nejnovější dostupná data) v zemích EU. Zvláštní pozornost je pak pochopitelně věnována
postavení České republiky mezi členskými státy (EU27) a mezi zeměmi střední a východní
Evropy (CE10).
Vzdělávání3.2.1.
Pro tuto oblast byly vybrány tři ukazatele charakterizující lidské zdroje (resp. výstupy), strukturu
a financování vzdělávání. Lidské zdroje jsou reprezentovány indikátorem Počet studentů v terciárním
vzdělávání (stupně ISCED 5A, 5B a 6) na 1000 obyvatel, struktura indikátorem Studenti
jednotlivých oborů jako % všech studentů, a jako finanční indikátor byly zvoleny Celkové veřejné
výdaje na vzdělávání jako % HDP (pro všechny stupně vzdělávání dohromady).
V Evropské unii studuje v terciárním vzdělávání v průměru 38,9 studentů na 1000 obyvatel.
Blízko průměru se nachází celá řada zemí, jak lze vidět na následujícím obrázku (například CZ,
HU, BE, ES, UK, CY nebo NL). Nejvyšších hodnot tohoto ukazatele dosahují Litva, Řecko,
Polsko, Slovinsko, Finsko a Lotyšsko (více než 55 studentů). Jsou to země, které (kromě Finska)
dle hodnocení Světové banky nepatří mezi nejvyspělejší znalostní ekonomiky. Navýšení počtu
studentů terciárního vzdělávání proto je možné považovat za pozitivní. V tomto kontextu je
nutné připomenout, že počet studentů je výsledkem politického rozhodnutí národních vlád. Ty
v oblasti vzdělávání sledují různé cíle, zvýšení počtu vysokoškolsky vzdělaných obyvatel může
být jedním z nich.
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU136
Nejnižší počet studentů v terciárním vzdělávání (méně než 35 studentů na 1000 obyvatel)
mají vyspělé země EU Francie, Itálie a Německo, ale také Malta. Specifické postavení má pak
Lucembursko, kdy hodnota ukazatele (6,2) odpovídá velikosti, významu a poloze této země.
Počet studentů v terciárním vzdělávání – stupeň 5–6 (ISCED 1997) na 1000 obyvatel (2009)Graf č. 43:
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
LT GR PL SI FI LV RO EE SE SK DK IE CZ HU BE ES UK CY NL AT BG PT FR IT DE MT LU
Poznámky: ISCED5A – studijní programy terciárního vzdělávání s akademickou orientací (bakalářské a magisterské stadium), ISCED5B
– studijní programy s praktickým zaměřením (vyšší odborné školy, poslední dva ročníky konzervatoří), ISCED6 – druhá část terciárního
vzdělávání vedoucí k získání vědecké kvalifikace (doktorské stadium)
GR a LU (2008).
Zdroj: Eurostat (2011a)
Pokud jde o strukturu oborů, jsou data do určité míry zkreslena zahrnutím stupně ISCED 5B,
který podíly rozmělňuje ve prospěch ekonomických či netechnických oborů. Pro mezinárodní
srovnání to však nepředstavuje výraznější handicap.
Průměrné hodnoty podílu oborů za EU27 jsou 10,2% přírodní vědy, 14,3% technické vědy
a 35,0% humanitní vědy. Vzhledem k tomu, že z hlediska rozvoje znalostní ekonomiky lze za klíčové
označit především vědy přírodní a technické, má smysl se zabývat především jejich podílem
na struktuře oborů.
V přírodních vědách dosahuje nadprůměrných hodnot 9 zemí; největší podíl mají tyto obory
v Německu (14,3%), Spojeném království (13,8%) a Řecku (13,6%). Nejnižší hodnoty podílu
pak vykazují přírodovědné obory v Bulharsku (5,0%), Lotyšsku (4,9%) a Rumunsku (4,9%).
Jiná je situace v technických oborech, kde nadprůměrného podílu dosahuje 14 zemí. V zemi
s největším podílem technických věd, kterou je Finsko (25,2%), jde dokonce o zcela dominující
obor. Vysokého podílu technických věd dosahují také Portugalsko (22,2%) a Bulharsko (19,8%).
Nejnižších hodnot podílu technických oborů dosahují Spojené království (8,9%), Malta (8,9%),
Kypr (8,8%) a Nizozemí (8,5%). Česká republika je podílem 10,9% přírodních věd a 14,9% technických
věd v obou oborech nadprůměrná, je však třeba podotknout, že zejména technické obory
vykazují sestupnou tendenci.
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU 137
Terciární vzdělávání – studenti jednotlivých oborů jako % všech studentů (2009)Tabulka č. 44:
stát kód
obory
A B C ostatní
Belgie BE 6,50 11,00 32,60 49,90
Bulharsko BG 5,00 19,80 44,60 30,60
Česká republika CZ 10,90 14,90 33,10 41,10
Dánsko DK 8,70 9,60 31,20 50,50
Německo DE 14,30 15,40 26,30 44,00
Estonsko EE 9,50 13,30 39,60 37,60
Irsko IE 13,20 12,90 28,10 45,80
Řecko GR 13,60 17,00 31,40 38,00
Španělsko ES 10,50 17,70 32,10 39,70
Francie FR 12,60 13,00 36,60 37,80
Itálie IT 7,90 15,80 35,70 40,60
Kypr CY 8,80 8,80 51,50 30,90
Lotyšsko LV 4,90 11,30 52,90 30,90
Litva LT 5,20 18,00 46,00 30,80
Maďarsko HU 7,00 13,20 41,00 38,80
Malta MT 7,40 8,90 33,20 50,50
Nizozemí NL 6,20 8,50 38,40 46,90
Rakousko AT 11,20 14,70 36,70 37,40
Polsko PL 8,40 13,00 40,80 37,80
Portugalsko PT 7,30 22,20 32,00 38,50
Rumunsko RO 4,90 17,00 57,30 20,80
Slovinsko SI 6,20 19,00 38,00 36,80
Slovensko SK 8,60 14,70 30,10 46,60
Finsko FI 10,40 25,20 22,50 41,90
Švédsko SE 8,90 16,30 26,50 48,30
Spojené Království UK 13,80 8,90 28,70 48,60
Poznámka: A – přírodní vědy, matematika a informatika B – technické vědy, strojní a stavební C – společenské, ekonomické a právní vědy.
Zdroj: Eurostat (2011a)
Celkové veřejné výdaje na vzdělávání dosahují hodnoty 7,75–3,15% HDP. Nejvíce prostředků
na vzdělávání vydává Dánsko (7,75%), které je v hodnocení znalostní ekonomiky provedeném
Světovou bankou na prvním (KEI) a na druhém místě (KI). Také další země, které jsou
v Hodnocení znalostních ekonomik Světové banky zařazeny mezi nejlepší – Švédsko (6,74%)
a Finsko (6,13%) – patří mezi země s nejvyššími výdaji na vzdělávání. V nejlepší pětici jsou také
Kypr (7,41%) a Belgie (6,46%).
Nejnižší finanční výdaje na vzdělání má Řecko (4,29%), Rumunsko (4,25%), Česká republika
(4,08%), Slovensko (3,59%) a Lucembursko (3,15%). V případě Lucemburska koresponduje výše
výdajů s podílem studentů. V případě ostatních zemí lze vidět, že se jedná o země, které v souhrnném
hodnocení Světové banky (KEI a KI) mají mezi zeměmi EU taktéž podprůměrnou pozici.
V případě, že bychom věnovali pozornost pouze celkovým veřejným výdajům na terciární
vzdělávání, byly by výsledky obdobné. Nejvíce prostředků vydává opět Dánsko (2,19% HDP),
Finsko (1,90%), Kypr (1,85%) a Švédsko (1,82%). Nejnižší hodnoty ukazatele dosahuje Slovensko
(0,77%), ale data pro Řecko a Lucembursko nejsou dostupná.
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU138
Celkovéveřejnévýdajenavzděláváníjako%HDP,provšechnystupněvzdělávánídohromady(2008)Graf č. 44:
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
DK CY SE BE FI MT LV EE IE FR AT NL UK SI HU PL LT PT ES BG IT DE GR RO CZ SK LU
Poznámka: GR, LV a RO (2007). Zdroj: Eurostat (2011a)
Výzkum a vývoj3.2.2.
Pro oblast výzkumu a vývoje byly vybrány dva ukazatele charakterizující lidské zdroje a financování.
Lidské zdroje jsou reprezentovány indikátorem Podíl zaměstnanců ve VaV na celkové zaměstnanosti
(%) přepočtený na plné úvazky (tzv. Full Time Equivalent – FTE), a jako finanční
indikátor byly zvoleny Celkové výdaje na výzkum a vývoj jako % HDP.
Oblast výzkumu a vývoje je charakteristická vysokým výskytem částečných pracovních úvazků
(zaměstnanci se věnují výzkumu pouze část pracovní doby), a proto bývá obvyklé vykazovat jak celkové
počty zaměstnanců (tzv. Headcount – HC), tak počty zaměstnanců přepočtené na plné úvazky
(FTE). Pro mezinárodní komparaci se jako vhodnější jeví právě přepočet na plné pracovní úvazky.
Nejvyššího podílu zaměstnanosti ve VaV na celkové zaměstnanosti (FTE) dosahují vyspělé členské
státy, jako je Lucembursko (2,30%), Finsko (2,24%) a Dánsko (2,06%). Nad průměrem EU27 (1,11%)
je pak ještě dalších sedm zemí, mezi nimi jediná země CE10 Slovinsko. Nejmenší podíl zaměstnanosti
ve VaV (nižší než 0,5% celkové zaměstnanosti v zemi) vykazují Bulharsko, Polsko, Rumunsko a Kypr.
Česká republika s 1,02% podílem je mírně podprůměrná, mezi zeměmi CE10 ji patří druhá pozice.
Podíl zaměstnanců ve VaV na celkové zaměstnanosti (%) – přepočet na plné úvazky (2008)Graf č. 45:
0,00
0,50
1,00
1,50
2,00
2,50
LU FI DK SE FR AT BE DE UK SI NL ES CZ IT IE PT LT EE HU SK MT LV BG PL RO CY
Poznámka: data za GR nejsou dostupná. Zdroj: Eurostat (2011b)
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU 139
Celkové výdaje na výzkum a vývoj jako % HDP patří k nejčastěji prezentovaným ukazatelům,
a to jako součást hodnocení ekonomické vyspělosti národních ekonomik. V oblasti znalostní ekonomiky
to pak jednoznačně deklaruje ochotu země financovat oblast VaV jakožto společenskou
a ekonomickou prioritu. Právě výdaje na VaV jsou předpokladem tvorby inovací a tím také zvyšování
konkurenceschopnosti.
Země, které mají největší podíl FTE ve VaV na celkové zaměstnanosti patří (s výjimkou
Lucemburska) též k zemím s nejvyššími výdaji na VaV. Pořadí dominují severské země Finsko
(3,96%) a Švédsko (3,62%), a s výdaji nad 3% HDP ještě Dánsko (připomeňme, že patří mezi
první tři v hodnocení KI a do první čtyřky hodnocení KEI), následované Německem (2,82%)
a Rakouskem (2,75%). Nad průměrem EU27 (2,01%) je pak už pouze Francie.
Nejméně prostředků na oblast VaV (méně než 0,5% HDP) vynakládají Slovensko, Rumunsko,
Kypr a Lotyšsko. Ze zemí CE10 nejvyšších hodnot dosahují výdaje na VaV ve Slovinsko (1,86%),
České republice (1,53%) a Estonsku (1,42%).
Za pozornost také stojí struktura výdajů na VaV, zejména podíl podnikových (BERD) a vládních
(GOVERD) výdajů. Pro vyspělé země (17 zemí EU) platí, že BERD mají více než 50% podíl
na celkových výdajích, naopak GOVERD tvoří nízký podíl. V tomto smyslu kritéria splňuje
i Česká republika s 60,13% podílem BERD, což je hodnota mírně pod průměrem EU27. Na stranu
druhou 21,57% podíl GOVERD je hodnota vysoce nadprůměrná.
Celkové výdaje na výzkum a vývoj jako % HDP (2009)Graf č. 46:
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
FI SE DK DE AT FR BE UK SI NL IE LU PT CZ EE ES IT HU LT PL MT BG SK RO CY LV
Poznámka: data za GR nejsou dostupná. Zdroj: Eurostat (2011b)
Inovace3.2.3.
Jak již bylo uvedeno výše, inovace lze v současném globalizovaném světě považovat za rozhodující
faktor zvyšování konkurenceschopnosti národních ekonomik i regionů. Z tohoto důvodu jim
byla v průběhu předchozích etap výzkumu věnována mimořádná pozornost včetně prezentace
klíčových ukazatelů inovační výkonnosti (Slaný a kol. 2010). Proto je na tomto místě prezentován
pouze jediný indikátor reprezentující velikost inovačního prostředí členských zemí EU27, a to
Procento podniků s inovační aktivitou, a to jak v součtu za všechny podniky, tak dle velikostního
členění (malé, střední a velké podniky).
V zemích EU je celkový podíl podniků s inovační aktivitou 51,57%, přičemž v segmentu malých
podniků je to 47,74%, mezi středními podniky je to 63,66% a mezi podniky velkými 78,84%
podniků. Větší podíl inovačních podniků, než je průměr EU, má 13 členských zemí. Zcela se
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU140
vymyká zejména Německo s podílem 79,91% (77,72% malých, 84,25% středních a 94,62%
velkých podniků) a Lucembursko s 64,67% podílem inovačních podniků (vzhledem k velikosti
lucemburské ekonomiky však v tomto případě má hodnota ukazatele omezenou vypovídací
schopnost). Následuje desítka zemí s podílem mezi 58% a průměrem EU, mezi které patří také
Česká republika s podílem 56,00% (52,26% malých, 63,53% středních a 80,72% velkých podniků).
Nejnižší podíl podniků s inovační aktivitou na celkovém počtu podniků vykazuje Bulharsko
(30,77%), Litva (30,28%), Maďarsko (28,94%), Polsko (27,94%) a Lotyšsko (24,29%), tedy všechno
země ze skupiny CE10.
Procento podniků s inovační aktivitou (2008)Tabulka č. 45:
stát kód celkem malé střední velké
Belgie BE 58,13 53,99 71,89 83,78
Bulharsko BG 30,77 25,48 44,63 69,05
Česká republika CZ 56,00 52,26 63,53 80,72
Dánsko DK 51,92 47,87 60,59 80,18
Německo DE 79,91 77,72 84,25 94,63
Estonsko EE 56,38 50,97 73,53 90,90
Irsko IE 56,54 51,95 72,84 83,77
Španělsko ES 43,54 40,09 59,15 78,28
Francie FR 50,18 45,03 66,50 81,77
Itálie IT 53,24 50,23 71,73 81,90
Kypr CY 56,11 52,57 71,43 80,65
Lotyšsko LV 24,29 19,90 38,80 73,19
Litva LT 30,28 25,11 41,70 70,85
Lucembursko LU 64,67 59,76 73,65 89,21
Maďarsko HU 28,94 24,46 39,55 67,12
Malta MT 37,41 31,31 62,37 74,07
Nizozemí NL 44,87 40,15 59,88 77,92
Rakousko AT 56,23 50,92 70,18 86,39
Polsko PL 27,94 22,41 39,97 66,71
Portugalsko PT 57,81 54,64 69,20 89,56
Rumunsko RO 33,31 29,85 40,85 58,90
Slovinsko SI 50,28 44,51 63,40 89,20
Slovensko SK 36,05 31,47 48,66 67,49
Finsko FI 52,21 47,67 63,56 80,73
Švédsko SE 53,66 49,20 67,41 85,24
Spojené Království UK 45,62 42,97 54,94 58,33
Poznámka: data za GR nejsou dostupná.
Zdroj: Eurostat (2011b)
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU 141
Informační a komunikační technologie ICT3.2.4.
Informační a komunikační technologie hrají ve znalostní ekonomice dvojí roli. Jednak jsou bezpochyby
podmínkou jejího fungování a rozvoje, a současně též výsledkem, resp. důsledkem její
existence. Je to právě oblast ICT, která umožňuje rychlejší šíření informací, jejich lepší dostupnost
a efektivnější využívání. Fenoménem doby se pak již před pár lety stal internet. Ten je nejen zdrojem
informací, ale současně též klíčovým komunikačním kanálem.
Pro oblast ICT byly vybrány dva ukazatele charakterizující úroveň rozvoje a financování. Rozvoj
ICT je reprezentován indikátorem Procento domácností s vysokorychlostním připojením k internetu
(podíl na celkovém počtu domácností), a jako finanční indikátor byly zvoleny Výdaje na ICT
jako % HDP.
Procento domácností s vysokorychlostním připojením k internetu se každoročně zvyšuje, a to
ve všech zemích EU, samozřejmě s vyšší dynamikou v těch méně vyspělých. V celé EU27 je takto
k internetu připojeno 61% všech domácností. Nejvíce jich je potom připojeno ve Spojeném
království, a to 91%. Následují Švédsko (83%), Dánsko (80%), Nizozemí (80%), Finsko (76%)
a Německo (75 %). Jen pro úplnost je možné dodat, že složení první pětice zemí je shodné jak
s hodnocením KI, tak s KEI. Velmi nízká je míra připojení domácností v Řecku (41 %) a zejména
pak v Bulharsku (26%) a Rumunsku (23%).
V České republice disponuje vysokorychlostním připojením k internetu 54% domácností (nárůst
oproti roku 2009 činí 5%, oproti roku 2008 dokonce 18%). Mezi zeměmi CE10 to znamená
„dělené“ třetí místo (společně s Litvou) za Slovinskem (ze zemí CE10 jediné nad průměrem EU27)
a Polskem.
Procento domácností s vysokorychlostním připojením k internetu – podíl na celkovém počtuGraf č. 47:
domácností (2010)
0
10
20
30
40
50
60
70
80
90
100
UK SE DK NL FI DE BE LU MT FR EE AT SI IE ES PL CZ LT LV HU CY PT IT SK GR BG RO
Zdroj: Eurostat (2011c)
CHARAKTERISTIKA ZNALOSTNÍCH EKONOMIK V ZEMÍCH EU142
Výdaje na ICT jako % HDP jsou nejvyšší ve Spojeném království, kde dosahují výše 3,70% HDP.
Také další země, v nichž je vydáváno nejvíce prostředků na rozvoj ICT, jsou shodné s těmi, kde je
nejvyšší podíl domácností s vysokorychlostním připojením k internetu, jen si částečně vyměnily
pořadí. Za Spojeným královstvím následují Finsko a Švédsko (shodně 3,20%), Dánsko a Nizozemí
(shodně 2,80%) a Německo (2,70%). Nejnižší prostředky na ICT (1,00–1,10% HDP) jsou investovány
v Litvě, Rumunsku, Bulharsku, Řecku a Lotyšsku.
Všechny země CE10 se nacházejí pod průměrem EU27, který činí 2,40% HDP. Nejvyšší výdaje
jsou pak vynakládány v České republice (2,00%), následují Slovensko, Polsko a Slovinsko.
Výdaje na ICT jako % HDP (2008)Graf č. 48:
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
UK FI SE DK NL DE FR IE LU BE PT CZ AT SK ES HU PL SI IT EE LT RO BG GR LV
Zdroj: Eurostat (2011c)
PARAMETRY ZNALOSTNÍ EKONOMIKY V REGIONECH ČR 143
Parametry znalostní ekonomiky3.3.
v regionech ČR
V návaznosti na předchozí text je nyní možné přistoupit k charakteristice českých regionů (krajů,
jednotek NUTS3) z hlediska parametrů znalostní ekonomiky. Na této úrovni některé indikátory
požívané pro hodnocení národních ekonomik nemají příliš velký význam, a proto jsou nahrazeny
jinými, které mohou regionální rozdíly naopak postihnout lépe. Základní čtyři oblasti, kterými
jsou vzdělávání, výzkum a vývoj, inovace, informační a komunikační technologie, však zůstaly
zachovány.
Vzdělávání3.3.1.
Pro tuto oblast byly vybrány dva ukazatele charakterizující lidské zdroje (resp. výstupy) a strukturu
terciárního vzdělávání. Lidské zdroje jsou reprezentovány indikátorem Počet studentů v terciárním
vzdělávání (stupně ISCED 5A, 5B a 6) celkem, který je následně přepočten na 1000 obyvatel
(předpokládá se lepší porovnatelnost dat), struktura indikátorem Studenti jednotlivých oborů
jako % všech studentů.
Terciární vzdělávání je v České republice významně koncentrováno, a to zejména do hierarchicky
nejvyšších sídel, ale také do tradičních center vzdělanosti. Zcela dominantní je pak postavení
hlavního města Prahy a druhého největšího města Brna, centra Jihomoravského kraje. Třetím
nejdůležitějším regionem je pak Moravskoslezský kraj, kde kromě krajského města Ostravy patří
k důležitým centrům zejména univerzitní město Opava.
Na českých školách v oborech zahrnutých do skupiny ISCED 5 a 6 studuje více než 400 tisíc
studentů. Nejvyšší počet studentů v terciárním vzdělávání studuje, jak již bylo řečeno, v Praze
(154,9 tis.) a dále v Jihomoravském (86,3 tis.) a Moravskoslezském kraji (46,0 tis.). Více než 20 tis.
studentů ve skupině ISCED 5 a 6 studuje ještě v krajích Olomouckém a Jihočeském. Nejméně studentů
je pak zapsáno v kraji Středočeském (6,3 tis.), Vysočina (4,7 tis.) a Karlovarském (2,5 tis.).
PARAMETRY ZNALOSTNÍ EKONOMIKY V REGIONECH ČR144
Počet studentů v terciárním vzdělávání celkem – stupeň 5–6 (ISCED 1997) (2009)Graf č. 49:
0
20 000
40 000
60 000
80 000
100 000
120 000
140 000
160 000
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHA STCJHC PLK KVKULK LBKHKK PAK VYSJHM OLK ZLKMSK
Zdroj: Ústav pro informace ve vzdělávání (2010b)
Při přepočtu absolutních údajů na relativní hodnoty se vždy očekává zisk srovnatelnějších údajů.
Pokud jde o přepočet počtu studentů v terciárním vzdělávání na 1000 obyvatel, zůstává pořadí
i proporce mezi hodnotami jednotlivých krajů takřka nezměněno. Nejvyšších hodnot dosahují
opět Praha (124,1 studentů na 1000 obyvatel) a Jihomoravský kraj (75,0). Za zajímavé lze považovat
prohození pořadí mezi Moravskoslezským (36,9) a Olomouckým krajem (41,6).
Počet studentů v terciárním vzdělávání – stupeň 5–6 (ISCED 1997) na 1000 obyvatel (2009)Graf č. 50:
0,00
20,00
40,00
60,00
80,00
100,00
120,00
140,00
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHA STCJHC PLK KVKULKLBKHKK PAK VYSJHM OLK ZLKMSK
Zdroj: Ústav pro informace ve vzdělávání (2010b), Český statistický úřad (2010b) – vlastní přepočet
Jak již bylo uvedeno výše, z hlediska parametrů znalostní ekonomiky a tvorby inovací má smysl se
zabývat také strukturou oborů terciárního vzdělávání. Obrázek 12 znázorňuje podíl jednotlivých
skupin oborů na celkovém počtu studentů. Je zřejmé, že terciárnímu vzdělávání v České republice
dominují ekonomické obory. Pokud jde o přírodní, technické a lékařské vědy, které považujeme
za hlavní zdroj inovací, studuje v nich v současné době 36% studentů.
PARAMETRY ZNALOSTNÍ EKONOMIKY V REGIONECH ČR 145
Terciární vzdělávání – studenti jednotlivých oborů jako % všech studentů (2010)Graf č. 51:
24 %
21 %12 %
17 %
8 %
3 %4 %
4 %
Ekonomické vědy a nauky
Technické vědy a nauky
Humanitní a společenské vědy a nauky
Pedagogika, učitelství a soc. péče
Přírodní vědy a nauky
Zdravotnictví, lékař. a farmac. vědy a nauky
Právní vědy a nauky
Zemědělsko-lesnické a veter. vědy a nauky
Vědy a nauky o kultuře a umění
Zdroj: Ústav pro informace ve vzdělávání (2010a)
Výzkum a vývoj3.3.2.
Pro tuto oblast byly vybrány tři ukazatele charakterizující lidské zdroje, strukturu a financování
výzkumu a vývoje. Lidské zdroje jsou reprezentovány indikátorem Podíl zaměstnanců ve VaV na
celkové zaměstnanosti (%), přepočteným na plné úvazky (FTE), struktura indikátorem Podíl sektorů
VaV na celkové zaměstnanosti ve VaV (%) v ČR (přepočet na plné úvazky FTE), a jako finanční
indikátor byly zvoleny Výdaje na VaV podle zdrojů financování.
Obdobně jako v případě vzdělávání, i oblast výzkumu a vývoje je výrazně koncentrována do
Prahy, krajských měst, a dále pak center v okolí Prahy. Tuto skutečnost jednoznačně zachycuje
ukazatel počtu zaměstnanců VaV celkem přepočtený na plné úvazky. V Hlavním městě Praha
pracuje takřka 40% všech zaměstnanců ve VaV, tj. 19,7 tisíc., v Jihomoravském kraji 8,4 tis., a ve
Středočeském kraji 5,2 tis. zaměstnanců. Méně než tisíc zaměstnanců pak pracuje ve VaV v kraji
Ústeckém, Vysočina a Karlovarském.
Počet zaměstnanců ve VaV celkem – přepočet na plné úvazky (2009)Graf č. 52:
Podnikový
Vysokoškolský
Vládní
Soukromý neziskový
51 %
23 %
26 %
0 %
Zdroj: Český statistický úřad (2010d)
V předchozím textu bylo již uvedeno, že v Česká republika zaostává především v podílu financování
VaV ze soukromých zdrojů. Situace je však výrazně rozdílná v jednotlivých regionech, což znázorňuje
následující tabulka. Při pohledu na vládní a podnikatelské výdaje odděleně lze konstatovat, že vládní
PARAMETRY ZNALOSTNÍ EKONOMIKY V REGIONECH ČR146
výdaje jako zdroj financování jsou využívány především v Hlavním městě Praha, Jihomoravském
kraji, kraji Středočeském, Jihočeském a Moravskoslezském, což přibližně kopíruje strukturu zaměstnanosti
ve VaV. Vedle toho podnikatelské výdaje jako zdroj financování VaV více kopírují strukturu
ekonomických činností, resp. přítomnost velkých firem. Nejvíce jsou využívány ve Středočeském
kraji, Hlavním městě Praha, Jihomoravském, Moravskoslezském a Pardubickém kraji.
Pokud jde o váhu jednotlivých zdrojů financování, jsou ve třech krajích (Hlavní město Praha,
Jihomoravský a Jihočeský) nejvýznamnější výdaje vládní, ve všech ostatních jsou to výdaje podnikatelské.
Pro Jihomoravský kraj jsou pak velmi významné také zahraniční zdroje financování,
obdobně je tomu též v kraji Jihočeském.
Výdaje na VaV podle zdrojů jejich financování v mil. Kč (2009)Tabulka č. 46:
podnikatelské vládní zahraniční ostatní národní
Praha 5 669 13 264 1 882 92
Středočeský 8 345 1 411 180 116
Jihočeský 464 1 051 578 31
Plzeňský 978 569 36 16
Karlovarský 81 3 8 0
Ústecký 382 247 18 6
Liberecký 804 461 63 0
Královéhradecký 875 570 175 32
Pardubický 1 248 541 147 3
Vysočina 436 133 77 0
Jihomoravský 2 385 3 835 1 692 214
Olomoucký 798 744 26 53
Zlínský 981 500 87 15
Moravskoslezský 1 921 973 102 34
Zdroj: Český statistický úřad (2010d)
Oba uvedené indikátory jakoby propojuje ukazatel Podíl sektorů VaV na celkové zaměstnanosti ve
VaV (%) v ČR (přepočet na plné úvazky FTE), který víceméně kopíruje sektorovou strukturu dle
zdrojů financování. Z porovnání podnikatelského sektoru a veřejného (vládní a vysokoškolský) je
zřejmé, že jejich podíl na zaměstnanosti je takřka shodný (51% : 49%).
Podíl sektorů VaV na celkové zaměstnanosti ve VaV (%) v ČR – přepočet na plné úvazky (2008)Graf č. 53:
Podnikový
Vysokoškolský
Vládní
Soukromý neziskový
51 %
23 %
26 %
0 %
Zdroj: Eurostat (2011b)
PARAMETRY ZNALOSTNÍ EKONOMIKY V REGIONECH ČR 147
Inovace3.3.3.
Eurostat prostřednictvím národních statistických úřadů zabezpečuje pravidelná statistická šetření
o inovacích. Výsledky toho posledního (CIS2008, resp. dle označení Českého statistického úřadu
TI2008) byly již prezentovány v minulosti (Slaný a kol. 2010), a proto je v tomto textu prezentován
pouze jediný indikátor reprezentující velikost inovačního prostředí jednotlivých českých krajů,
a to Procento podniků s technickou inovační aktivitou.
Přestože je zřejmě, že existuje řada faktorů (např. velikostní struktura podniků), které ovlivňují
výsledný podíl inovačních podniků, lze obecně konstatovat, že čím vyšší tento podíl je, tím
je to z hlediska tvorby inovací a konkurenceschopnosti regionů lepší. Nejvyšší procento podniků
s technickou inovační aktivitou je v kraji Pardubickém (49,4%), Královehradeckém (46,3%)
a Vysočina (41,1%). Na opačném konci pomyslného pořadí se pak nachází kraje Liberecký
(32,7%), Karlovarský (31,3%) a Olomoucký (31,2%).
Procento podniků s technickou inovační aktivitou (2008)Graf č. 54:
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
45,0
50,0
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHASTC JHCPLK KVKULK LBKHKKPAK VYS JHM OLKZLK MSK
Zdroj: Český statistický úřad (2010a)
Informační a komunikační technologie3.3.4.
O významu ICT ve znalostní ekonomice bylo již pojednáno v podkapitole 3.2.4. Pro oblast ICT
byly vybrány dva ukazatele charakterizující úroveň rozvoje ICT v České republice. Jedná se o indikátor
Procento domácností s vysokorychlostním připojením k internetu (podíl na celkovém počtu
domácností) a Procento uživatelů osobního počítače (podíl na celkovém počtu domácností).
Jelikož se procento domácností s vysokorychlostním připojením k internetu vykazuje jako tříletý
průměr, jsou uváděné hodnoty zkresleny hodnotami roku 2008, neboť právě mezi lety 2008 a 2009
došlo k významnému navýšení počtu uživatelů vysokorychlostního internetu. Přestože se zdá, že zásadní
důvody pro výrazné regionální disproporce neexistují, lze vidět, že naopak existují.
Nejvíce domácností je k vysokorychlostnímu internetu připojeno v Hlavním městě Praha
(53,9%), Jihomoravském (46,1%) a Královehradeckém kraji (45,9%). Nejméně domácností disponuje
tímto připojením v krajích Jihočeském (38,6%), Ústeckém (37,6%) a Libereckém (32,6%).
PARAMETRY ZNALOSTNÍ EKONOMIKY V REGIONECH ČR148
Procento domácností s vysokorychlostním připojením k internetu – podíl na celkovémGraf č. 55:
počtu domácností (2009)
0,0
10,0
20,0
30,0
40,0
50,0
60,0
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHA STC JHCPLK KVK ULK LBKHKK PAK VYSJHM OLKZLK MSK
Poznámka: hodnota ukazatele počítána jako tříletý průměr 2008–2010.
Zdroj: Český statistický úřad (2010e)
Relevantním indikátorem znalostní ekonomiky v oblasti ICT může být také Procento uživatelů
osobního počítače, které vypovídá o počítačové gramotnosti obyvatelstva (nejedná se o elementární
znalosti typu zapnutí počítače či kliknutí myší, ale skutečně o schopnost pracovat s počítačem
na základní uživatelské úrovni).
Mezi regiony nejsou příliš velké rozdíly, ve většině z nich osciluje hodnota podílu uživatelů osobního
počítače kolem hodnoty 60%. Z tohoto obecného „pravidla“ se vymyká na jedné straně Hlavní
město Praha (71,2% obyvatel), na druhé straně kraje Ústecký (52,3%) a Liberecký (48,4%).
Procento uživatelů osobního počítače – podíl na celkovém počtu obyvatel (2009)Graf č. 56:
0,0
10,0
20,0
30,0
40,0
50,0
60,0
70,0
80,0
PRAHA
JIHOMORAVSKÝ
MORAVSKOSLEZSKÝ
OLOMOUCKÝ
JIHOESKÝ
PLZESKÝ
ÚSTECKÝ
ZLÍNSKÝ
KRÁLOVÉHRADECKÝ
PARDUBICKÝ
LIBERECKÝ
STEDOESKÝ
VYSOINA
KARLOVARSKÝ
PHA STC JHCPLK KVK ULK LBKHKK PAK VYSJHM OLKZLK MSK
Poznámka: hodnota ukazatele počítána jako tříletý průměr 2008–2010.
Zdroj: Český statistický úřad (2010e)
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE 149
Podpora výzkumu a vývoje3.4.
z Evropské unie
Podpora výzkumu a vývoje představuje v současné době ve vyspělých ekonomikách významný
faktor hospodářského a sociálního rozvoje. Významnou měrou přispívá jak k růstu hospodářské
úrovně dané země i jednotlivých regionů, tak ke kvalitě života společnosti.
Od roku 2004, kdy Česká republika dostala možnost čerpat prostředky ze strukturálních fondů
EU, se výrazným způsobem přiblížila k ekonomice založené na znalostech. Podobně jako další
členské státy Evropské unie, i Česká republika si je vědoma, že hlavním předpokladem pro růst
vlastní konkurenceschopnosti je kvalitní podpora výzkumu a vývoje, rostoucí úroveň lidských
zdrojů i inovačních podniků, a také využívání informačních a komunikačních technologií.
Finanční prostředky z fondů EU, které jsou v České republice dostupné v programovacím období
2007–2013, představují výjimečnou možnost ke zlepšení situace v mnoha oblastech. Jednak
mohou pozitivně přispět k vytvoření a rozvoji výzkumné infrastruktury, a zároveň i výrazně posílit
spolupráci veřejného výzkumu s aplikační sférou.
Fondy EU jsou hlavním nástrojem pro realizaci politiky hospodářské a sociální soudržnosti
Evropské unie. Jejich prostřednictvím dochází k rozdělování finančních prostředků určených
na snižování ekonomických a sociálních rozdílů mezi úrovněmi rozvoje členských států a jejich
regionů. Prostředky jsou rozděleny do tří fondů, a sice Evropského fondu pro regionální rozvoj
(ERDF), Evropského sociálního fondu (ESF) a Fondu soudržnosti (FS). ERDF a ESF patří mezi
strukturální fondy EU. Pro období 2007–2013 je největší část finančních prostředků poskytnuta ze
zdrojů ERDF, a to celých 52,8% z celkového množství finančních prostředků. V ESF je alokováno
33,1% prostředků a ve FS 14,1%. Česká republika patří mezi méně bohaté státy Evropské unie,
a pro toto programovací období pro ni bylo připraveno k čerpání přibližně 26,7 miliard EUR.
Evropská unie financuje maximálně 85% způsobilých výdajů, ČR tedy musí přispět přibližně čtyři
miliardy EUR z vlastních zdrojů.1
Projekty jsou realizovány prostřednictvím tématických a regionálních operačních programů. Z nich
se na podpoře výzkumu a vývoje nejvíce podílejí tři tématické operační programy, OP Výzkum a vývoj
pro inovace, OP Vzdělávání pro konkurenceschopnost a OP Podnikání a inovace.
Vyspělé státy do podpory VaV investují až 2–3% svého HDP ročně. Česká republika z takového
mezinárodního srovnání v oblasti VaV nevychází nejlépe. Bez ohledu na vcelku pozitivní
trend posledních let ČR vykazuje z hlediska sledovaných indikátorů v rámci EU stále podprůměrné
výsledky. Z tohoto pohledu je proto zejména OP VaVpI velmi významným operačním
1 Fondy Evropské unie (2010a).
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE150
programem a oblast VaV se tak jasně stává jedním ze stěžejních strategických témat ČR pro programovací
období 2007–2013. Společně s OP VK a OPPI tak představuje vzájemně propojený
systém intervencí, který má za cíl změnit tento nepříznivý stav a současně zajistit dlouhodobě
udržitelnou konkurenceschopnost České republiky.2
Operační program Výzkum a vývoj pro inovace3.4.1. 3
Operační program Výzkum a vývoj pro inovace (dále jen OP VaVpI) je z pohledu finančních
prostředků čtvrtým největším českým operačním programem. Celkem je na OP VaVpI alokováno
2,436 mld. EUR, z nichž 85% tvoří prostředky z Evropského fondu pro regionální rozvoj ve výši
2070,68 mil. EUR, a zbývajících 15% tvoří prostředky ze státního rozpočtu ČR. OP VaVpI spadá
pod operační programy v cíli Konvergence a byl schválen Evropskou komisí dne 1. 10. 2008.
Řídícím orgánem tohoto operačního programu je Ministerstvo školství, mládeže a tělovýchovy.
Podpora je určena především pro veřejné a státní vysoké školy provádějící výzkum a vývoj, veřejné
výzkumné instituce, výzkumné ústavy, právnické osoby, a další.
Pro přípravu OP VaVpI byla klíčová tři základní východiska. Prvním východiskem pro zpracování
OP VaVpI byly především Strategické obecné zásady společenství 2007–2013. Na národní
úrovni to byl Národní strategický referenční rámec ČR 2007–2013, který určuje strategické cíle pro
čerpání fondů EU v ČR a posledním východiskem při tvorbě OP VaVpI byla řada zpracovaných
analýz mapujících jak existující prostředí a stav VaV v ČR, tak i dosahované výsledky.
Jako globální cíl OP VaVpI bylo stanoveno: „Posilovat výzkumný, vývojový a inovační potenciál
ČR, který přispěje k růstu, konkurenceschopnosti a k vytváření vysoce kvalifikovaných pracovních míst tak,
aby se regiony ČR staly významnými místy koncentrace těchto aktivit v Evropě.“
Na základě analýzy současné situace v oblasti VaV, SWOT analýzy a analýzy vztahu mezi výzkumem,
transferem technologií a konkurenceschopností byl navržen strategický rámec. Vedle
dvou pilířů této strategie, kterými jsou centra excelence a regionální VaV centra, vznikly tři průřezové
cíle. Velká pozornost je zaprvé věnována transferu technologií, dále je to popularizace vědy
a technologií a propagace výsledků výzkumu a inovací. Třetím průřezovým tématem je zvýšení
počtu kvalitně vyškolených lidských zdrojů.
Struktura Operačního programu Výzkum a vývoj pro inovaceTabulka č. 47:
prioritní osa 1 evropská centra excelence
prioritní osa 2 regionální VaV centra
prioritní osa 3 komercializace a popularizace VaV
prioritní osa 4 infrastruktura pro výuku na vysokých školách
prioritní osa 5 technická pomoc
Zdroj: vlastní zpracování na základě údajů z OP VaVpI
Čtyři specifické cíle OP VaVpI jsou přirozenou odezvou na silné a slabé stránky, které vyplynuly
z předchozích analýz a povedou k dosažení globálního cíle. Každý specifický cíl představuje jednu
prioritní osu a pátou prioritou je Technická pomoc.
2 CEITEC.
3 Fondy Evropské unie (2010b).
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE 151
Následující obrázek znázorňuje jednotlivé prioritní osy a jejich finanční alokaci. Je vidět, že
nejvíce finančních prostředků je vyčleněno na prioritní osy 1 a 2, tedy Evropská centra excelence
a Regionální VaV centra, a to ve výši 685,4 mil. EUR. Na prioritní osu 4, tedy Infrastrukturu pro
výuku na vysokých školách spojenou s výzkumem, je vyčleněno 414 mil. EUR. Zbývající finanční
prostředky jsou vyčleněny na Komercializaci a propagaci VaV (213 mil. EUR) a technickou pomoc
(72 mil. EUR).
Finanční alokace prioritních os v OP VaVpIGraf č. 57:
Prioritní osa 1
Prioritní osa 3
Prioritní osa 4
Prioritní osa 2
Prioritní osa 5
33 %
33 %
10 %
20 %
4 %
Zdroj: vlastní zpracování na základě dat z: Fondu Evropské unie (2010b)
Regionální využití OP VaVpI
Podle počtu podaných žádostí o dotace je v České republice i v jednotlivých krajích o program
velký zájem. Důsledkem toho může OP VaVpI rozvoji opravdu pomoci, a to hlavně díky značnému
přísunu finančních prostředků z tohoto programu do krajů ČR.
Za rok 2010 byl největší věcný a finanční pokrok zaznamenán v rámci prioritní osy 2 Regionální
VaV centra, kde bylo vydáno Rozhodnutí o poskytnutí dotace celkem 30 projektům s požadovanou
dotací přes 540 mil. EUR, což činí již téměř 70% alokace této prioritní osy na celé programové
období. Kumulativně bylo ve všech prioritních osách OP VaVpI přijato 202 projektových
žádostí v celkovém finančním objemu více než 3,9 mld. EUR veřejných zdrojů, což představuje
zhruba 159% podíl celkové alokace OP VaVpI na programové období 2007–2013. Dosažené výsledky
tak odrážejí snahy ŘO OP VaVpI o budování dostatečné absorpční i administrativní kapacity,
jež vytvářejí dobré předpoklady pro implementaci s nízkou mírou rizik. Přesah podaných žádostí
byl registrován ve všech vyhlášených výzvách s výjimkou prioritní osy 5 (Technická pomoc),
kde jsou vyhlášené průběžné výzvy na celou alokaci programového období 2007–2013.4
V následující tabulce je zaznamenáno rozdělení finančních prostředků v rámci všech prioritních
os OP VaVpI ve všech krajích ČR. Z tabulky je patrné, že výrazně nejlépe je na tom v počtu projektů
Jihomoravský kraj s 23 projekty. Následuje kraj Středočeský s polovinou projektů. Tyto dva kraje v počtu
projektů ostatní výrazně převyšují. Druhým extrémem jsou kraje Karlovarský, Královéhradecký
a Vysočina, ve kterých v rámci OP VaVpI není z Evropské unie podpořen ani jeden projekt.
Cosetýkáfinančníalokace,jenatomopětnejlépeJihomoravskýkrajspoluskrajemStředočeským.
Mezi těmito kraji zde však není zdaleka takový rozdíl, jako tomu bylo u počtu projektů. Na jeden
projekt plyne do Středočeského kraje v porovnání s Jihomoravským podstatně větší částka. Další
4 Ministerstvo školství, mládeže a tělovýchovy: Výroční zpráva OP VaVpI 2010.
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE152
poměrně velký finanční podíl plyne do krajů Moravskoslezského, Olomouckého, Plzeňského
a Zlínského. Tato situace se dala obecně předpokládat zejména v Jihomoravském kraji, a to díky
vysokému výskytu vysokých škol.
Regionální diferenciace alokace v OP VaVpITabulka č. 48:
kraj
finanční podíl počet projektů
tis. CZK Podíl (%) PO 1 PO 2 PO 3 PO 4 celkem
Středočeský 11 897 285 28,37 2 4 1 4 11
Jihočeský 929 000 2,22 1 2 0 2 5
Plzeňský 2 440 000 5,82 1 3 0 2 6
Ústecký 262 000 0,62 0 1 0 1 2
Karlovarský 0 0,00 0 0 0 0 0
Liberecký 800 000 1,91 0 2 0 0 2
Královéhradecký 0 0,00 0 0 0 0 0
Pardubický 532000 1,27 0 0 0 2 2
Vysočina 0 0,00 0 0 0 0 0
Jihomoravský 15 829 000 37,75 3 11 2 7 23
Olomoucký 3 356 000 8,00 0 3 0 2 5
Zlínský 1 465 000 3,49 0 2 0 1 3
Moravskoslezský 4 424 000 10,55 1 4 0 1 6
Celkem 41 934 285 100 8 32 3 22 65
Poznámka: data platná k 9. 8. 2011.
Zdroj: vlastní zpracování na základě dat z: Ministerstvo školství, mládeže a tělovýchovy. Seznam příjemců OP VaVpI
Rozdělení finančních prostředků z Operačního programu výzkum a vývoj pro inovace je výrazně
soustředěno ve všech krajích do krajských měst. Ostatní města v kraji v dotacích z OP VaVpI za
krajskými městy zaostávají. Silná koncentrace dotací do krajských měst je dána zejména tím, že
projekty do OP VaVpI podávají hlavně vysoké školy provádějící výzkum a vývoj, a také výzkumné
ústavy a instituce, které se nacházejí právě v krajských městech. Jihomoravský kraj, který dopadl
nejlépe, má zastoupení vysokých škol opravdu velké, a na výzkumu se podílejí všechny čtyři hlavní
brněnské univerzity, tedy Masarykova univerzita, Vysoké učení technické, Mendelova univerzita
a Veterinární a farmaceutická univerzita. Dále především v rámci Středočeského a Jihomoravského
kraje žádají o dotace z OP VaVpI také specializované ústavy Akademie věd nacházející se v kraji,
výzkumné ústavy v rámci výše zmíněných univerzit a další specializované ústavy jako např.
Masarykův onkologický ústav v Brně.
Ve všech krajích je finanční podpora z OP VaVpI nejvíce žádaná na výstavbu nových, případně
na rekonstrukci stávajících laboratoří a výzkumných center, na jejich vybavení moderní technikou,
na budování vysokoškolských kampusů atd.5
V rámci OP VaVpI jsou realizovány i tzv. velké projekty, tj. projekty, jejichž celkové náklady
přesahují 50 milionů EUR, jak je definováno v Nařízení Rady č. 1083/2006 o obecných ustanoveních
o Evropském fondu pro regionální rozvoj, Evropském sociálním fondu a Fondu soudržnosti.
V roce 2009 bylo v rámci výzev pro oblast podpory 1.1 Evropská centra excelence a pro
oblast podpory 2.2 Regionální VaV centra k 16. 11. 2009 podáno celkem 8 projektů, které splňují
kritéria určená pro velký projekt. V porovnání s indikativním seznamem velkých projektů byly
5 Na základě údajů platných k 9. 8. 2011: Ministerstvo školství, mládeže a tělovýchovy. Seznam příjemců OP VaVpI.
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE 153
v rámci prioritní osy 1 předloženy čtyři projekty uvedené v indikativním seznamu OP VaVpI.
Jmenovitě: ELI, BIOCEV, CEITEC a IT4Innovations. V prioritní ose 2 byly předloženy dva projekty
z indikativního seznamu, konkrétně: Udržitelná energetika a CVEVL. Nad rámec indikativního
seznamu byly podány projety ICRC (PO 1) a CERIT (PO 2).6
Všechny tyto projekty jsou představeny v následujícím textu.7
Žadatelem projektu ELI (Extreme Light Infrastucture) je Fyzikální ústav AV ČR, v. v. i. Celkové
způsobilé výdeje jsou 6 989 265 482Kč. Tento projekt je součástí evropského plánu na vybudování
příští generace velkých výzkumných zařízení, které byly identifikovány a vybrány na Evropském
strategickém fóru pro výzkumné infrastruktury (ESFRI). ELI je mezinárodní výzkumné zařízení,
které bude využívat inovativní laserové technologie k vytváření světelných pulsů s nejvyšší intenzitou
na světě. Stane se výzkumným centrem, které bude průkopníkem v mnoha oblastech výzkumu
s využitím ultraintenzivních laserů. Pro Českou republiku představuje jedinečnou příležitost
hostit významnou mezinárodní výzkumnou infrastrukturu. Posláním ELI je jak základní akademický
výzkum, tak aplikovaný výzkum s přímými dopady na společnost.
Projekt BIOCEV (Biotechnologické a biomedicínské centrum ve Vestci) je realizován Ústavem
molekulární genetiky AV ČR, v. v. i. Celkové způsobilé výdaje projektu jsou 3 249 766 471Kč.
Hlavním cílem tohoto projektu je soustředit vzájemně se doplňující týmy renomovaných odborníků,
doposud rozptýlených v několika partnerských pracovištích Akademie věd ČR a Univerzity
Karlovy, doplnit je nově vytvořenými výzkumnými týmy mladých talentovaných vědců a zahraničními
experty, a vytvořit biotechnologické a biomedicínské centrum výzkumu ve Vestci
(BIOCEV) s ambicí evropského centra excelence. Soustředění týmů přinášejících unikátní poznatky
základního výzkumu spolu s odborníky, kteří v jedné špičkově vybavené infrastruktuře naváží
na nové vědecké poznatky praktickými aplikacemi, tak komplexně ošetří citelnou mezeru v odborném
zázemí pro rozvoj pokročilého biotechnologického průmyslu v ČR. Důležitým faktorem
pro splnění této mise je zapojení Centra BIOCEV do sítí evropských konsorcií Euro-BioImaging
a INFRAFRONTIER v rámci ESFRI (Evropské strategické fórum pro výzkumné infrastruktury)
a spolupráce s renomovanými evropskými partnery.
Žadatelem projektu Centrum excelence IT4Innovations je Vysoká škola bánská – Technická
univerzita Ostrava. Celkové způsobilé výdaje projektu jsou 2 317 424 000Kč. Účelem projektu
Centra excelence IT4Innovations (dále jen také projekt IT4Innovations) je přispět ke zvýšení
konkurenceschopnosti a životní úrovně obyvatelstva České republiky prostřednictvím výrazného
rozvoje výzkumného a vývojového potenciálu v oblasti informačních technologií, výpočetní matematiky
a s nimi souvisejících aplikovaných věd. Globálním cílem projektu je vybudovat v České
republice národní centrum excelentního výzkumu v oblasti informačních technologií. V rámci
projektu bude vytvořeno výzkumné prostředí, včetně odpovídající infrastruktury, zaměřené na
rozvoj jak výpočetních metod jako takových – IT jako předmět výzkumu, tak především nástrojů
pro jejich efektivní využití – IT jako prostředek pro další výzkum či aplikační využití.
CEITEC (Central European Institute of Technology) je projektem Masarykovy univerzity
v Brně s celkovými způsobilými výdaji projektu 6 529 289 717Kč. V rámci tohoto centra bude
prováděn excelentní výzkum a poskytována pokročilá postgraduální a postdoktorální výuka v oblasti
nano a mikrotechnologií, strukturní biologie, genomiky a proteomiky s vyústěním do pokročilých
materiálů a medicíny. Instalované špičkové technologie umožní synergicky studovat objekty
živé i neživé přírody na všech v současné době dostupných úrovních složitosti, počínaje jednotlivými
atomy, přes molekuly, molekulární uskupení, buňky až po celé organismy. Brno, jako druhé
nejvýznamnější město České republiky, disponuje výjimečnou a v evropských zemích vzácnou
6 Ministerstvo školství, mládeže a tělovýchovy: Výroční zpráva OP VaVpI 2010.
7 Ministerstvo školství, mládeže a tělovýchovy: Výroční zpráva OP VaVpI 2010.
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE154
koncentrací a kombinací vědeckých oblastí sahajících od technických oborů až po humánní a veterinární
medicínu a farmacii. Nositeli Projektu jsou Masarykova univerzita (jako žadatel), Vysoké
učení technické v Brně, Mendelova zemědělská a lesnická univerzita Brno, Veterinární a farmaceutická
univerzita Brno, Výzkumný ústav veterinárního lékařství, v.v.i., Ústav přístrojové techniky
AV ČR, v.v.i. a Ústav fyziky materiálů AV ČR, v.v.i. (jako Partneři).
Projekt Udržitelná energetika bude realizován v Plzni. Žadatelem projektu je Centrum výzkumu
Řež, s. r. o. a celkové způsobilé výdaje projektu jsou 2 581 675 159Kč. Hlavním cílem projektu
je vybudování dvou regionálních center (NUTS 2 Jihozápad a Střední Čechy) výzkumu a vývoje
v oblasti dlouhodobě udržitelné energetiky jako základní podmínky pro posilování konkurenceschopnosti
české ekonomiky. Prostřednictvím rozšíření a modernizace výzkumné infrastruktury
bude vytvořeno špičkové pracoviště zaměřené na klíčové segmenty energetiky jako významné
centrum v regionu střední Evropy s úzkou vazbou na Evropský výzkumný prostor. Cílem je vybudovat
centrum pro teoretické a experimentální zkoumání postupů a materiálů, vč. jejich následné
praktické aplikace v zájmu dosažení takového stupně bezpečnosti a environmentálních dopadů
energetických zařízení, především těch, které slouží k výrobě energie z jádra, aby byla možná postupná
náhrada tradičních postupů založených na využití uhlí a ropy s cílem zvýšit efektivitu,
zlevnit výrobu, snížit emise CO2 a recyklovat co nejvyšší procento surovin.
Fakultní nemocnice u sv. Anny v Brně – Mezinárodní centrum klinického výzkumu (FNUSA
– ICRC) je projektem Fakultní nemocnice u svaté Anny s celkovými způsobilými výdaji projektu
3 999 391 705Kč. Cílem projektu ICRC je vybudovat na území České republiky špičkové mezinárodní
centrum pro oblast aplikovaného lékařského výzkumu, které díky unikátní logistice mezinárodní
vědecké spolupráce, založené na koncepci tzv. dynamických vědeckých týmů (časově
flexibilně na jednom místě působící vědecké týmy sestavované specificky pro každý výzkumný
projekt) a originálnímu systému tzv. flexibilních vědeckých laboratoří dokáže urychlit vývoj nových
průlomových léčebných a diagnostických strategií, nových technologií včetně bio a nanotechnologií
a nových léků až o 50%, a to při respektování všech nejpřísnějších mezinárodních
norem pro etiku a bezpečnost výzkumu. Současně umožní ICRC realizaci výzkumných projektů,
které svým rozsahem a kvalitou nebylo dosud možné uskutečnit.
Všem zástupcům výše uvedených projektů byla nabídnuta možnost spolupráce s iniciativou
JASPERS (Joint Assistance to Support Projects in European Regions). Iniciativa JASPERS nabízí
pomoc při přípravě velkých projektů, které žádají o finanční podporu z Fondu soudržnosti
a Evropského fondu pro regionální rozvoj. Jedná se o společnou iniciativu Evropské komise,
Evropské banky pro obnovu a rozvoj a Evropské investiční banky, která je určena novým členským
státům Evropské unie. Evropská Iniciativa JASPERS neposkytuje finanční prostředky, ale formou
bezplatné technické pomoci svých odborníků v přípravné fázi velkých a náročných projektů podporuje
jejich kvalitní zpracování a tím i větší pravděpodobnost jejich schválení Evropskou komisí
a zajištění spolufinancování z Fondu soudržnosti nebo ERDF. Nabídky spolupráce s Iniciativou
JASPERS využily všechny velké projekty – zejména v období přípravy podkladů pro Evropskou
komisi, kdy bylo za tímto účelem uspořádáno pro každý projekt několikero konzultačních schůzek.
V říjnu 2010 proběhlo také tripartitní jednání mezi zástupci českých operačních programů,
JASPERS a Evropské komise, kde se diskutovalo o možnostech a doporučeních pro užší a efektivnější
budoucí spolupráci.
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE 155
Operační program Vzdělávání pro konkurenceschopnost3.4.2. 8
OP Vzdělávání pro konkurenceschopnost (dále jen OP VK) je vícecílový tématický operační program,
který je financován z Evropského sociálního fondu (ESF) především z prostředků cíle Konvergence,
ale částečně i z prostředků pro cíl Regionální konkurenceschopnost a zaměstnanost. Z tohoto důvodu
je pro OP VK způsobilým územím také Hlavní město Praha. Na programovací období 2007–2013
je pro OP VK vyčleněno 1,83 mld. EUR, což činí přibližně 6,8% veškerých prostředků určených pro
ČR z fondů EU. Řídícím orgánem je Ministerstvo školství, mládeže a tělovýchovy.
Globálním cílem OP VK je „rozvoj vzdělanostní společnosti za účelem posílení konkurenceschopnosti
ČR prostřednictvím modernizace systémů počátečního, terciárního a dalšího vzdělávání, jejich propojení do
komplexního systému celoživotního učení a zlepšení podmínek ve VaV.“
Cíle OP VK jsou realizovány pomocí čtyř prioritních os, které jsou dále členěny do jedenácti
oblastí podpory. Samostatnou prioritní osu tvoří technická pomoc.
Struktura Operačního programu Vzdělávání pro konkurenceschopnostTabulka č. 49:
prioritní osa 1 počáteční vzdělávání
prioritní osa 2 terciární vzdělávání, výzkum a vývoj
prioritní osa 3 další vzdělávání
prioritní osa 4a a 4b systémový rámec celoživotního učení
prioritní osa 5a a 5b technická pomoc
Zdroj: vlastní tvorba na základě údajů z OP VK
Podpora výzkumu a vývoje je v OP VK soustředěna v rámci prioritní osy 2 – Terciární vzdělávání,
výzkum a vývoj a částečně také v rámci prioritní osy 4, u které se však nejedná o regionální podporu
VaV. Na prioritní osu 2 jsou vyčleněny největší finanční prostředky z fondů EU, a to ve výši
626,5 mil. EUR, což představuje 35% alokace OP VK.
Regionální využití OP VK
Regionální využití Operačního programu Vzdělávání pro konkurenceschopnost je podstatně pestřejší,
než jak tomu bylo u OP VaVpI. V prioritní ose 1 a 3 (Počáteční a Další vzdělávání), které
nejsou zaměřeny na výzkum a vývoj, podávají nejvíce žádostí o dotaci mateřské, základní a střední
školy, různá vzdělávací zařízení, ale také např. kraje nebo obce. Dotace se v těchto prioritních
osách soustředí převážně na podporu a rozvoj počátečního a jiného vzdělávání, na zvýšení jeho
kvality a modernizaci výuky. Žádost o dotaci z PO 4, která je částečně zaměřená i na podporu
VaV, v současné době podává jen Ministerstvo školství, mládeže a tělovýchovy. Tyto prioritní osy
však nejsou pro naše účely podstatné.9
Podpora výzkumu a vývoje je do OP VK zahrnuta v rámci prioritní osy 2 (Terciární vzdělávání,
výzkum a vývoj). A právě na prioritní osu 2 a její oblasti podpory se zaměříme nejvíce. Tato
PO je úzce vázána na Operační program výzkum a vývoj pro inovace. U oblasti podpory 2.2
Vysokoškolské vzdělávání je zde vazba na prioritní osu 4 OP VaVpI. U oblasti podpory 2.3 Lidské
zdroje ve výzkumu a vývoji a 2.4 Partnerství a sítě zase na prioritní osy 1, 2 a 3 OP VaVpI.
8 Fondy Evropské unie (2010c).
9 Na základě údajů z: Ministerstvo školství, mládeže a tělovýchovy: Seznam příjemců OP VK [online]. [cit. 2011–09–28].
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE156
Regionální diferenciace alokace PO 2 v OP VKTabulka č. 50:
kraj
finanční podpora počet projektů
mil. CZK Podíl (%) OP 2.2 OP 2.3 OP 2.4 celkem
Středočeský 363,8 5,48 9 9 6 24
Jihočeský 129,9 1,96 6 5 2 13
Plzeňský 440,8 6,64 21 11 4 36
Ústecký 116,8 1,76 10 3 3 16
Karlovarský 0 0,00 0 0 0 0
Liberecký 332,3 5,01 16 5 5 26
Královéhradecký 142,4 2,15 6 3 4 13
Pardubický 244,3 3,68 13 1 2 16
Vysočina 36,0 0,54 3 0 1 4
Jihomoravský 2487 37,48 87 54 37 178
Olomoucký 1363,2 20,54 89 30 16 135
Zlínský 135,3 2,04 13 1 2 16
Moravskoslezský 844,2 12,72 39 21 7 67
Celkem 6636,0 100,00 312 143 89 544
Poznámka: data platná k 22. 6. 2011.
Zdroj: vlastní tvorba na základě dat z: Ministerstvo školství, mládeže a tělovýchovy. Seznam příjemců OP VK [online]. [2011–09–28]
Jak můžeme vidět v tabulce, obecně je nejvíce projektů podpořených v oblasti podpory 2.2
Vysokoškolské vzdělávání. Naopak nejméně projektů je podpořeno v oblasti 2.4 Partnerství a sítě.
Oblast podpory 2.1 není v tabulce zahrnuta, neboť se výzkumu a vývoje netýká přímo.
Co se týká krajů, nejlépe je na tom kraj Jihomoravský, a to jak v počtu podpořených projektů,
tak v celkové finanční podpoře plynoucí do tohoto kraje. Následován je krajem Olomouckým
a Moravskoslezským. Na druhé straně stojí kraj Karlovarský, ve kterém za sledované období nebyl
v rámci OP VK podpořen ani jeden projekt. Velmi malé množství projektů s nízkou finanční podporou
bylo podpořeno také v kraji Vysočina.
PO 2 se zaměřuje na podporu Terciárního vzdělávání, výzkumu a vývoje, proto se dá předpokládat,
že nejvíce příjemců dotací z této prioritní osy jsou právě univerzity v jednotlivých krajích.
Je tomu tak stejně jako u Operačního programu výzkum a vývoj pro inovace.
Ve všech krajích jsou podporovány zejména aktivity zaměřené na modernizaci a zatraktivnění
vysokoškolského vzdělávání, na zlepšení podmínek pro pracovníky výzkumu a vývoje, a na vytváření
vazeb mezi vzdělávacími a výzkumnými institucemi a veřejným a soukromým sektorem.10
V dalším textu jsou představeny úspěšné projekty, které byly realizovány v rámci Operačního
programu Vzdělávání pro konkurenceschopnost.
Oblast podpory 2.2 – Posilování kompetencí VŠ pracovníků pro rozvoj konkurenceschopnosti
vysokého školství v Ústeckém kraji11
Žadatelem tohoto projektu je Univerzita Jana Evangelisty Purkyně. Celkové způsobilé výdaje tohoto
projektu jsou 13 134 588Kč. Společně s UJEP na projektu spolupracují: Vysoká škola eko-
10 Na základě údajů z: Ministerstvo školství, mládeže a tělovýchovy. Seznam příjemců OP VK [online]. [cit. 2011–09–28].
11 UJEP (2008).
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE 157
nomická, Praha; Vysoká škola finanční a správní, Praha; Centrum pro studium vysokého školství,
Praha a Výzkumný ústav anorganické chemie, Ústí nad Labem. Cílem projektu je pomocí celé
řady vzdělávacích kurzů posílit konkurenceschopnost vysokého školství (VŠ) v ÚK a zvýšit manažerské
a odborné kompetence akademických i neakademických pracovníků VŠ.
Oblast podpory 2.3 – Ochrana, transfer a uplatnění výsledků VaV na národní
a mezinárodní úrovni12
Žadatelem tohoto projektu je Masarykova univerzita. Celkové způsobilé výdaje tohoto projektu
jsou 13 872 364Kč. Základním cílem projektu je vybudování plně funkční platformy, která bude
na Právnické fakultě Masarykovy univerzity umožňovat budování sítí spolupracujících subjektů
a celých týmů ve výzkumu a vývoji (dále jen „VaV“), a to jak na národní, tak na mezinárodní
úrovni. Tato platforma bude umožňovat aktivní vyhledávání nových a správu stávajících kontaktů
v rámci projektů VaV, kde inherentním komplementem bude vysílání vlastních pracovníků VaV
do zahraničí a přijímání zahraničních pracovníků.
Oblast podpory 2.4 – Stáže studentů ESF MU v institucích české a francouzské
veřejné správy13
Žadatelem tohoto projektu je Masarykova univerzita, Ekonomicko-správní fakulta. Celkové způsobilé
výdaje činí 11 108 245Kč. Projekt je zaměřen na podporu spolupráce mezi univerzitami,
podnikatelským a veřejným sektorem prostřednictvím odborných stáží. Cílem projektu je podpořit
spolupráci mezi institucemi, kam studenti chodí na stáž, studenty samotnými, Masarykovou
univerzitou, univerzitou v Rennes 1 a partnery projektu, prostřednictvím zahraničních stáží a rozšíření
možnosti osobního kontaktu mezi zástupci těchto skupin.
Operační program Podnikání a inovace3.4.3. 14
Operační program Podnikání a inovace (dále jen OPPI) je z pohledu finančních prostředků třetím
největším českým operačním programem. Spadá pod cíl Konvergence a z ERDF je pro něj
vyčleněno 3,04 mld. EUR, což činí přibližně 11,4 % veškerých prostředků určených pro ČR
z fondů EU. Řídícím orgánem OPPI je Ministerstvo průmyslu a obchodu ČR. O podporu z tohoto
operačního programu mohou žádat např. podnikatelé, výzkumné instituce, vysoké školy
a ostatní vzdělávací instituce, územní samosprávné celky a jimi zřizované a zakládané organizace,
CzechInvest, CzechTrade a další.
Globálním cílem OPPI je „zvýšit do konce programovacího období konkurenceschopnost české
ekonomiky a přiblížit inovační výkonnost sektoru průmyslu a služeb úrovni předních průmyslových
zemí Evropy.“
K dosažení tohoto globálního cíle jsou finanční prostředky koncentrovány do sedmi prioritních
os. Z nichž každá charakterizuje jeden strategický cíl.
12 Masarykova univerzita: Projekty PrF.
13 Masarykova univerzita: Projekty ESF.
14 Fondy Evropské unie (2010a).
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE158
Struktura Operačního programu Podnikání a inovaceTabulka č. 51:
prioritní osa 1 vznik firem
prioritní osa 2 rozvoj firem
prioritní osa 3 efektivní energie
prioritní osa 4 inovace
prioritní osa 5 prostředí pro podnikání a inovace
prioritní osa 6 služby pro rozvoj podnikání
prioritní osa 7 technická pomoc
Zdroj: vlastní zpracování na základě údajů z OPPI
Nejvíce finančních prostředků je alokováno na PO 5 (Prostředí pro podnikání a inovace), a to ve
výši 1,08 mld. EUR.
Regionální využití OPPI
V rámci OPPI bylo vytvořeno celkem 15 programů podpory. Jedná se o programy Start, Progres,
Záruka, Rozvoj, ICT v podnicích, ICT a strategické služby, Ekoenergie, Inovace, Potenciál,
Spolupráce, Školicí střediska, Prosperita, Nemovitosti, Poradenství a Marketing. Podpora infrastruktury
pro VaV je zahrnuta v rámci programu Potenciál, který pomáhá společnostem zavádět
a zvyšovat kapacity potřebné pro realizaci výzkumných, vývojových a inovačních aktivit. Rozvoj
vědeckotechnických parků, podnikatelských inkubátorů a center pro transfer technologií podporuje
program Prosperita. Zavádění novinek do výroby pak podporuje program Inovace.15
A právě
na tyto tři programy se v rámci OPPI zaměříme.
V následující tabulce je zaznamenám počet podaných žádostí a přiznaných dotací v jednotlivých
programech podpory (námi sledovaných) ve všech krajích ČR. Poprvé můžeme hodnotit počet
podaných žádostí, a to díky dostupnosti těchto dat v Monitorovacím systému ISOP OPPI. Je
obvyklé, že počet podaných žádostí je podstatně vyšší, než samotný počet udělených dotací. Není
tomu jinak ani u Operačního programu Podnikání a inovace. Ve všech krajích je počet podaných
žádostí téměř třikrát větší než počet přiznaných dotací. V některých krajích je tento rozdíl ještě
větší. Je to zejména z toho důvodu, že finanční prostředky z OPPI i z jiných programů podpory
jsou omezené a proto je nutné vybrat jen ty nejkvalitnější projekty. Dalším důvodem může být
např. to, že některé z žádostí projdou hodnocením až v tomto roce.
Největší počet udělených dotací je v Jihomoravském kraji, který je následován krajem Středočeským,
Moravskoslezským a Zlínským. Na druhou stranu nejmenší počet udělených dotací je v krajích
Karlovarském a Ústeckém. Z těchto výsledků vyplývá, že i největší finanční podpora z OPPI, konkrétně
z oblastí podpory Potenciál, Prosperita a Inovace, plyne do Jihomoravského kraje a kraje
Středočeského. Za zmínku však stojí skutečnost, že ve Středočeském kraji bylo celkově podpořeno
méně projektů než v kraji Jihomoravském, avšak podstatně větší celková finanční podpora plyne
do kraje Středočeského. Velká částka, i když s menším počtem podpořených projektů, plyne také
do kraje Moravskoslezského a Zlínského.
15 CzechInvest: Podnikání a inovace.
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE 159
Počet podaných žádostí a udělených dotací v OPPITabulka č. 52:
kraj
počet podaných žádostí počet udělených dotací
potenciál prosperita inovace celkem potenciál prosperita inovace celkem
Středočeský 174 47 279 500 40 6 125 171
Jihočeský 33 14 148 195 14 4 65 83
Plzeňský 42 4 123 169 13 2 45 60
Ústecký 55 10 134 199 8 2 36 46
Karlovarský 8 9 41 58 2 1 12 15
Liberecký 35 6 165 206 13 1 54 68
Královéhradecký 38 6 168 212 6 0 83 89
Pardubický 54 5 136 195 14 1 58 73
Vysočina 48 5 143 196 14 2 68 84
Jihomoravský 161 54 349 564 42 10 138 190
Olomoucký 57 13 148 218 18 2 50 70
Zlínský 99 25 197 321 28 5 86 119
Moravskoslezský 89 28 256 373 15 6 111 132
Celkem 893 226 2287 3406 227 42 931 1200
Poznámka: data platná k 28. 9. 2011.
Zdroj: vlastní zpracování na základě dat z: Ministerstvo průmyslu a obchodu: Monitorovací systém ISOP OPPI
Finanční podpora z OPPI v jednotlivých krajích ČRTabulka č. 53:
kraj
finanční podpora (tis. kč)
podíl (%) celkem potenciál prosperita inovace
Jihočeský 4,73 887 015 144 260 263 299 479 456
Jihomoravský 12,54 2 353 758 606 405 575 526 1 171 827
Karlovarský 3,12 585 142 66 757 130 856 387 529
Královéhradecký 7,44 1 395 882 72 520 0 1 323 362
Liberecký 4,08 765 596 215 426 24 985 525 185
Moravskoslezský 11,76 2 206 161 191 038 475 798 1 539 325
Olomoucký 5,50 1 031 775 215 450 37 275 779 050
Pardubický 5,63 1 055 727 243 450 11 319 800 958
Plzeňský 5,86 1 099 642 192 352 233 178 674 112
Středočeský 17,07 3 203 006 888 844 401 745 1 912 417
Ústecký 4,26 798 926 204 653 47 137 547 136
Vysočina 6,45 1 211 150 200 248 298 468 712 434
Zlínský 11,58 2 172 770 266 631 492 967 1 413 172
Celkový součet 100,00 18 766 550 3 508 034 2 992 553 12 265 963
Poznámka: data platná k 28. 9. 2011.
Zdroj: vlastní tvorba na základě dat z: Ministerstvo průmyslu a obchodu: Monitorovací systém ISOP OPPI
V rámci námi sledovaných programů podpory o dotace z OPPI žádají jak nepodnikatelské subjekty
(veřejné výzkumné instituce, univerzity a ostatní vzdělávací instituce), tak především akciové
společnosti a společnosti s ručením omezeným, které buďto vyvíjejí novou službu nebo
PODPORA VÝZKUMU A VÝVOJE Z EVROPSKÉ UNIE160
technologii, nebo např. chtějí svůj nápad chránit patentem. Zapojení univerzit do tohoto programu
je však podstatně menší než tomu je u OP VaVpI a OP VK.16
Podstatně větší zájem o dotace z OPPI mají podnikatelské subjekty. Ty však nejsou zdaleka tak
koncentrovány do krajských měst, jak je tomu u univerzit. Proto i finanční podpora z OPPI plyne
do více měst ve všech krajích.17
Dále si představíme úspěšné projekty, které byly realizovány v rámci Operačního programu
Podnikání a inovace v námi sledovaných programech podpory.18
Potenciál – Výzkumné a technologické centrum EXBIO (Středočeský kraj)
Celkové způsobilé výdaje tohoto projektu jsou 103 833 988Kč. Žadatelem projektu je firma
EXBIO Praha a.s., která je výrobcem monoklonálních protilátek a dalších imunologických reagencií.
Vznikla jako spin-off od Ústavu molekulární genetiky AV ČR. Předmětem podpořeného projektu
bylo vybudování nových pracovišť pro výzkumné a vývojové aktivity společnosti. Toto rozšíření
bylo nezbytné v návaznosti na nové výzkumné projekty podporované z národních a mezinárodních
zdrojů (projekty v rámci FP6 a FP7), i na základě požadavků partnerů. Předmětem projektu
byly investice do infrastruktury VaV a úhrada mzdových nákladů v režimu „de minimis“.
Prosperita – BIC Ostrava – rozšíření PI a VTP (Moravskoslezský kraj)
Žadatelem tohoto projektu je BIC Ostrava s.r.o., který se věnuje provozu a rozvoji podnikatelského
a inovačního centra a souvisejících služeb k podpoře výzkumu, vývoje a rozvoje proinovačního
prostředí. Celkové způsobilé výdaje tohoto projektu jsou 223 030 000Kč. V rámci projektu je
prováděna rekonstrukce a adaptace dvou starých budov v Ostravě-Vítkovicích tak, aby vyhovovaly
podmínkám provozu vědeckotechnického parku, podnikatelského inkubátoru a poptávce ze
strany inovačních firem.
Inovace – Výroba nanostrukturních materiálů pro medicínské aplikace (Plzeňský kraj)
Žadatele projektu je společnost COMTES FHT a.s., která se zabývá oblastí výzkumu a vývoje kovových
materiálů a jejich zpracování. Činnost firmy je zaměřena především na aplikovaný materiálový
výzkum a na výzkum technologií tváření a tepelného zpracování. Celkové způsobilé výdaje
tohoto projektu jsou 15 000 000Kč. Tento projekt počítá se zavedením výroby nanostrukturních
titanových polotovarů a polotovarů z jiných materiálů ve společnosti COMTES FHT a.s. pro použití
v lékařských aplikacích, jako jsou dentální a kostní implantáty.
Výzkum a vývoj byl dlouhodobě podceňován jak v České republice, tak i v celé Evropě. V posledních
letech se ovšem dostává do popředí a Evropská unie si začíná uvědomovat, že investice
do výzkumu a vývoje představují jeden z nejdůležitějších zdrojů budoucí prosperity a konkurenceschopnosti
evropských firem v celosvětovém měřítku. K dosažení tohoto cíle by měly napomoci
jak operační programy, tak i rámcové programy a další finanční nástroje, které pro podporu výzkumu
a vývoje Evropská unie nabízí.
16 Ministerstvo průmyslu a obchodu: Monitorovací systém ISOP OPPI.
17 Ministerstvo průmyslu a obchodu: Monitorovací systém ISOP OPPI.
18 CzechInvest: Úspěšné projekty OPPI.
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY (ZÁKLADNÍ VÝCHODISKA A PRVOTNÍ NÁSTIN) 161
Návrh dlouhodobé koncepce3.5.
regionálního rozvoje České republiky
(základní východiska a prvotní nástin)
Stručné shrnutí současného stavu poznání3.5.1.
Zejména po vstupu do Evropské unie se regionální rozvoj v České republice stal značně frekventovaným
pojmem, jehož praktický význam je dále výrazně posilován provedenou decentralizací veřejné
správy. S tím pochopitelně souvisí i podstatně vyšší odborná pozornost věnovaná regionální politice,
která je poměrně často pokládána za jednu z relevantních odpovědí na nové výzvy, příležitosti
a ohrožení, generované globalizací ekonomiky. Moderní regionální politika tak obvykle vychází
z vypracovaných rozvojových koncepcí orientovaných na podporu konkurenceschopného a současně
i harmonického a udržitelného regionálního rozvoje. Výrazně tak přesahuje původní roli pouhé
„územní komponenty“ hospodářské politiky, což dokumentuje i současná podoba Politiky hospodářské,
sociální a územní soudržnosti EU (dále používán zjednodušený název Kohezní politika).
Vytvoření fundované koncepce regionálního rozvoje jako výchozího podkladu pro praktickou
realizaci regionální politiky prostřednictvím věcně a územně strukturovaných programů vyžaduje
mít k dispozici nejen odpovídající analytické informace o dosažené úrovni regionálního rozvoje,
ale i kvalitní teoreticko-metodologické zázemí umožňující objektivní syntézu rozvojových předpokladů
jednotlivých regionů včetně experimentálního modelování různých variant podpory jejich
rozvoje. Tento přístup umožňuje účinně překonávat nebezpečí metodologické neujasněnosti
tvorby koncepce, spojené s věcnou roztříštěností příslušných programů, která je charakteristická
pro rozvojové strategie zpracovávané metodou ad hoc (tyto nedostatky se týkají i Strategie regionálního
rozvoje České republiky pro současné plánovací období Kohezní politiky). K tomu je
však zapotřebí poznamenat, že ani v tomto případě se nelze zcela vyvarovat určitého zkreslení
reality, primárně vyplývajícího ze zřetelného opomíjení prostoru ekonomickou teorií hlavního
proudu (tato skutečnost je podmíněna jejím výchozím paradigmatem, které přebírá gnozeologický
rámec uzavřených fyzikálních systémů, ačkoliv se tyto teorie vztahují k otevřeným společenským
systémům). Řešení výše naznačených problémů výrazně usnadňují vypracované teorie regionálního
rozvoje, za jejichž významný metodologický přínos lze považovat právě rozpracování prostorových
zákonitostí ekonomického rozvoje.
Vzhledem k výše uvedeným skutečnostem proto příliš nepřekvapuje, že aplikace teorií regionálního
rozvoje v rámci regionální politiky má výrazně eklektickou povahu, kdy jsou směšovány
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY162
určité prvky z několika vybraných výchozích teorií (tento závěr však lze obecně vztáhnout i na
aplikaci obecných ekonomických teorií v hospodářské politice). V této souvislosti je účelné zmínit
zejména tři inspirativní skupiny ekonomických teorií (podrobněji viz např. Blažek, Uhlíř,
2002). První z těchto skupin představují lokalizační teorie, jejichž výchozí premisu lze zjednodušeně
shrnout do konstatování, že omezená prostorová mobilita výrobních zdrojů determinuje
vytváření územně specifických ekonomických struktur, a v souladu s tím je jejich hlavním cílem
nalézt faktory podmiňující lokalizaci ekonomických aktivit, a na jejich základě pak modelovat
pravidelnosti v prostorovém uspořádání ekonomiky. Podle Massey (Massey 1979) je možné rozlišovat
čtyři základní směry těchto teorií: lokalizační rozhodování firem, vzájemné závislosti lokalizačních
rozhodnutí, behaviorální pojetí lokalizace a syntéza prostorového uspořádání ekonomiky.
Další významnou skupinu inspirujících teorií představují endogenní teorie hospodářského
růstu reagující především na skutečnost, že původní neoklasické teorie nebyly schopny uspokojivě
interpretovat dlouhodobý růst produkce. Endogenní teorie proto usilují o účelnou internalizaci
rozhodujících faktorů ovlivňujících ekonomický růst a v souladu s tím pracují s konceptem
přelévání ekonomických efektů zajišťujících, ceteris paribus, rostoucí výnosy z investovaného kapitálu.
Lze rozlišovat dva hlavní typy příslušných endogenních modelů: modely kladoucí důraz
na akumulaci tzv. lidského kapitálu – např. Lucasův model (Lucas, 1986) a modely kladoucí důraz
na akumulaci tzv. znalostního kapitálu – např. Romerův model (Romer, 1986). V této souvislosti
je užitečné zmínit i novou teorii obchodu (Krugman, 1991), a dále mikroekonomickou teorii
konkurenceschopnosti se známým „modelem diamantu“ (Porter, 1996). Třetí skupinu inspirujících
teorií pak tvoří poptávkově orientované teorie, které zdůrazňují rozhodující vliv poptávky
na ekonomický růst (z pohledu regionálního rozvoje jsou často označovány jako teorie skupiny
jádro – periferie). V jejich rámci lze mezi nejvýznamnější řadit Perrouxovu teorii růstových pólů
(Perroux, 1955), Myrdalovu teorii kumulativních příčin (Myrdal, 1957) a Hirschmanovu teorii
nerovnoměrného rozvoje (Hirschman, 1958). Jejich hlavní přínosy lze spatřovat především v modelování
prostorové difúze socioekonomických jevů v interakci s procesy divergence (rozbíhavosti)
a konvergence (sbíhavosti) v regionálním rozvoji. K významným inspirativním teoriím, resp.
konceptům patří i teorie učících se regionů (Lundvall, 1992), time-geography (Hägerstrand, 1975)
a z méně známých teorií pak např. teorie hierarchie reality (Hampl, 1988, 2002), zdůrazňující vytváření
stále nových nositelů diferenciace, zatímco u vývojově nižších jevů dochází ke snižování
rozdílů mezi regiony.
Z praktického pohledu je pak zapotřebí konstatovat, že česká právní úprava se vymezením struktury
a metodologií tvorby koncepčních dokumentů v oblasti regionálního rozvoje zabývá jen ve
značně omezené míře. Např. v zákoně o obcích a v zákoně o krajích nalezneme pouze zmínku
o tom, že zastupitelstvo obcí schvaluje programy rozvoje v rámci příslušných územních obvodů.
Praktickým důsledkem této skutečnosti je samozřejmě častý výskyt nesystémových dokumentů,
což limituje i odpovídající možnosti jejich vzájemné věcné i časové „prostupnosti“, a to jak v rovině
horizontální (reálné možnosti a perspektivní potřeby vzájemné spolupráce mezi svazky resp.
sdruženími obcí či mezi kraji), tak v rovině vertikální (provázanost stanovených rozvojových cílů
na různých hierarchických úrovních veřejné správy). Současná tvorba koncepčních dokumentů
v České republice tak pragmaticky vychází z unijní koncepce Kohezní politiky, jejíž praktická
realizace je standardně zabezpečována prostřednictvím víceletých a víceoborových rozvojových
programů (které jsou pochopitelně zohledněny v její rozpočtové struktuře), které se dále člení na
priority resp. subprogramy naplňované pomocí konkrétních opatření.
Vzhledem k výše uvedeným skutečnostem tak nezbývá než přijmout významný závěr, že tvorba
koncepcí regionálního rozvoje není dosud v České republice teoreticky a metodologicky v dostatečné
míře propracována. Z obecného pohledu je možné konstatovat, že zpracování dlouhodobých
koncepcí, příp. modelů regionálního rozvoje je komplikováno celou řadou nevyjasněných
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY 163
otázek, indukovaných již samotnou pluralitou možných teoretických přístupů. Z nejvýznamnějších
problémů spojených se zpracováváním koncepcí regionálního rozvoje, které jsou nejčastěji
zmiňovány v zahraničních odborných studiích, lze v tomto kontextu uvést zejména:
převažující tendence k „universalismu“, opomíjející významné vlivy konkrétních rozvojových
podmínek (včetně institucionálních) na reálné přínosy, resp. efektivnost intervencí cílených na
podporu regionálního rozvoje;
poměrně nízká míra pozornosti věnovaná optimálnímu (systémově hierarchizovanému) prostorovému
rámci, ve kterém by tyto veřejné intervence měly být dlouhodobě uplatňovány;
nedostatečné zohlednění mimoekonomických faktorů s významnými vazbami na regionální rozvoj
v dlouhém období (zejména sociologických, demografických a environmentálních faktorů).
Výše popsaná situace objektivně vyvolává silnou potřebu rozpracování systémově provázaných
a zároveň dostatečně flexibilních koncepcí regionálního rozvoje, vycházejících z experimentálně
ověřených modelů, a v duchu obecné teorie systémů zohledňujících působení zákonitostí vývojové
a hierarchické diferenciace společenských systémů (včetně zpětných vazeb) na dlouhodobý rozvoj
regionů. V této souvislosti je účelné poukázat i na již starší interdisciplinární koncept regionální
vědy vypracovaný americkým ekonomem W. Isardem (Isard, 1960), který propojuje ekonomii
s územním plánováním, ekonomickou geografií a dalšími společenskými vědami. Systematický
základní a aplikovaný výzkum v této oblasti je tedy možné považovat nejen za společensky potřebný,
ale i za prakticky vysoce přínosný.
Základní východiska návrhu dlouhodobé koncepce3.5.2.
regionálního rozvoje
Pokud jde o prezentaci základní kostry návrhu dlouhodobé koncepce regionálního rozvoje, je
úvodem účelné připomenout, že v souladu s Kohezní politikou respektuje hlavní prioritu tradiční
regionální politiky, za kterou je všeobecně považováno snižování disparit v regionálním rozvoji.
Je zřejmé, že pro jejich identifikaci je nutné mít k dispozici verifikovanou metodu jejich zjišťování
(v praxi stále zřetelně převažují spíše intuitivní či jednostranně orientované metody). Dosažené
výsledky v rámci předchozího výzkumu v tomto ohledu umožňují přijmout následující všeobecný
závěr: územní disparity generované nerovnoměrným ekonomickým rozvojem je možné členit na
„zděděné“, tj. disparity determinované hierarchickým postavením regionů – jejich přímá regulace
by byla ve zjevném rozporu se silnou inercií hierarchických struktur a tedy neefektivní – a „vytvořené“,
tj. disparity determinované charakterem ekonomického rozvoje regionů – jejich regulace je
obvykle považována za společensky užitečnou aplikaci principu solidarity.
Výše uvedený princip je zohledněn i v současných koncepcích regionálního rozvoje, kde je však
interpretován v širším kontextu tzv. harmonického rozvoje, který více zohledňuje reálné předpoklady
a potenciální možnosti snižování územních disparit. Toto pojetí významně přispívá ke
zvyšování ekonomických přínosů stanovených programů regionálního rozvoje (včetně vazeb na
regionální konkurenceschopnost) a tedy i celkové efektivity regionální politiky. Moderní koncepce
regionálního rozvoje metodologicky vycházejí z dlouhodobé vize – v této souvislosti je vhodné
upozornit na citát amerického ekonoma Solowa, že konkurenci nelze porazit velikostí, ale musí
se předstihnout myšlením (Solow, 1956). Relevantní vizi regionálního rozvoje lze obecně chápat
jako jednoduchý a výstižný popis žádoucího cílového stavu regionů. V rámci dokumentu Strategie
regionálního rozvoje České republiky pro období 2007–2013 (schváleného vládou České republiky
v roce 2006) je tato vize formulována následujícím způsobem: v časovém horizontu do roku
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY164
2013 chce být Česká republika aktivní, ekonomicky výkonnou a konkurenceschopnou zemí s kvalitním
životním prostředím, která v souladu s principy udržitelného rozvoje dosahuje ve všech základních
kritériích standardů Evropské unie a zabezpečuje zvyšování kvality života svých obyvatel
(MMR, 1996). Uvedená definice však zjevně příliš akcentuje národní dimenzi společenského rozvoje
na úkor jeho regionální dimenze. V souladu s touto skutečností je proto v rámci uvažovaného
dlouhodobého časového horizontu let 2014 až 2027 (dva příští plánovací cykly Kohezní politiky)
pokládána za relevantnější následující vlastní formulace: základní vizí dlouhodobého regionálního
rozvoje České republiky je vytvoření plně integrovaného systému funkčních regionů, které efektivně
využívají disponibilní předpoklady a příležitosti (a současně v rámci svých možností omezují
relevantní ohrožení), které se naskýtají ke zvyšování ekonomické výkonnosti a kvality života obyvatel
v souladu s principy subsidiarity a udržitelnosti 19
. Tato vize pochopitelně respektuje odpovídající
vazby na makroekonomickou hospodářskou politiku, zejména strukturální. Koncepci regionálního
rozvoje pak lze chápat jako podrobné rozvedení (myšlenkovou osnovu) stanovené vize,
která obsahuje i exaktní formulaci hlavních rozvojových cílů. Způsob praktického dosažení stanovených
cílů je pak definován v rámci relevantní strategie (k tomu je třeba poznamenat, že strategii
je nutné chápat především jako manažerskou činnost, která zahrnuje analýzu disponibilních nástrojů,
plánování jejich alokace a rovněž kontrolní mechanismy zaměřené na posuzování úrovně
plnění stanovených cílů (viz např. Viturka, Žítek, Halámek, Klímová, Tonev, 2005). Vypracování
kvalitní strategie regionálního rozvoje je nepochybně významným předpokladem úspěšné realizace
přijaté koncepce regionálního rozvoje. Závěrečnou etapu pak představuje celková evaluace
dosažených přínosů spojených s její realizací. Výše popsaný proces lze schématicky znázornit následujícím
způsobem: vize → koncepce → strategie → realizace → evaluace.
Tento příspěvek je zaměřen především na stručný nástin, resp. prvotní návrh dlouhodobé koncepce
regionálního rozvoje České republiky. Jeho podstatnou součástí je návrh metodiky zpracování
optimalizačního modelu podpory regionálního rozvoje, který navazuje na již vytvořený
základní rozvojový model. V tomto kontextu jsou rovněž zohledněny i dále specifikované zásady,
které spoluvytvářejí příznivé podmínky pro úspěšnou realizaci celé koncepce:
zásada koincidence (souhlasnosti) – zajistit soulad koncepce s působením zákonitostí vývojové
a hierarchické diferenciace společenských systémů, zejména prostřednictvím orientace podpory
na zvyšování kvality podnikatelského prostředí v interakci se zvyšováním kvality života
zásada efektivnosti – usilovat o koncentraci rozvojových programů na nejvýznamnější cíle
a dále o optimální výběr hierarchických úrovní pro implementaci stanovených priorit a opatření
(sektorové a regionální operační programy v rámci Kohezní politiky) a účelnou racionalizaci
kriterií výběru a hodnocení rozvojových projektů
zásada synergie – stimulovat územní integraci na makroregionální, mezoregionální i mikroregionální
hierarchické úrovni prostřednictvím systémové podpory tvorby rozvojových os a dalších
relevantních opatření (orientovaných např. na stimulaci tvorby podnikatelských klastrů)
zásada inovativnosti – orientovat přímou podporu firem především na rozvoj technických inovací
(s důrazem na MSP a spolupráci soukromého a veřejného sektoru VaV) a dále na regionálně specifické
netechnické inovace zaměřené na lepší využívání výrobních zdrojů a energetické úspory
zásada vyváženosti – v souladu s potřebou vyváženého přechodu ke znalostní ekonomice podporovat
opatření cílená na udržování dynamické rovnováhy mezi poptávkou a nabídkou na trzích
práce (s důrazem na regionální specifika a kvalitativní aspekty vývoje pracovních trhů).
19 Za funkční regiony jsou zde považovány administrativně vymezené regiony mezoregionální – kraje (celkem 14
jednotek úrovně NUTS 3) a mikroregionální – územní obvody obcí s rozšířenou působností 3. stupně (celkem 205
regionů ORP, které však nejsou součástí systému NUTS) hierarchické úrovně. Nejsou však za ně považovány uměle
vytvořené kohezní regiony (8 jednotek NUTS 2 v České republice) a rovněž pouze formálně existující okresy (celkem
77 jednotek NUTS 4/LAU 1; zbývající jednotky NUTS 5/LAU 2 pak tvoří 6250 obcí).
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY 165
Dále prezentovaný návrh vychází ze studie zpracované na Katedře regionální ekonomie a správy
Ekonomicko-správní fakulty Masarykovy univerzity (Viturka a kol, 2010), která je zaměřena nejen
na podporu ekonomicky efektivního, ale i harmonického a dlouhodobě udržitelného rozvoje (zohlednění
sociální a environmentální komponenty regionálního rozvoje). Využití již vypracovaného
základního modelu, resp. koncepce regionálního rozvoje umožňuje fundovaně identifikovat
jednotlivé varianty optimalizačního modelu (viz dále), které respektují společenskou relevanci
koncepčních cílů regionální politiky. Hlavním přínosem tohoto procesu by mělo být nalezení
takového řešení, které v intencích teorie veřejné volby vykazuje nejsilnější průnik v rámci těchto
cílů (včetně návaznosti na stávající priority regionální politiky České republiky, definované
v rámci finančního rámce Kohezní politiky). Vzhledem k výše naznačeným problémům spojeným
s nedostatečným teoretickým ukotvením modelů regionálního rozvoje byla jako teoreticko-metodologický
základ zpracování optimalizačního modelu využita vlastní teorie, nazvaná integrační
teorie udržitelného regionálního rozvoje (tato teorie představuje významnou součást výše zmíněné
studie). Jde o ucelenou a na příkladu České republiky standardním způsobem empiricky ověřenou
teorii, která myšlenkově vychází z obecné teorie systémů, a v tomto kontextu respektuje
zákonitostí vývojové a hierarchické diferenciace společenských systémů v podmínkách otevřené,
resp. globální ekonomiky. Hlavními komponentami této teorie, která má zřetelné vazby na výše
komentované inspirativní teorie, jsou kvalita podnikatelského prostředí (KPP), inovační potenciál
firem (IPF) a využití lidských zdrojů (VLZ). Její celkovou logiku lze stručně popsat následujícím
způsobem: zlepšování regionální KPP stimuluje rozvoj podnikatelských aktivit s pozitivními dopady
na VLZ a IPF; tím generované synergické efekty prohlubují územní integraci ekonomiky na
všech hierarchických úrovních a zvyšují regionální konkurenceschopnost, čímž jsou vytvářeny základní
předpoklady pro dlouhodobou udržitelnost regionálního rozvoje (při respektování původní
ekologické definice udržitelné rozvoje (Brundtlandová, 1987).
Vypovídací schopnost teorie byla empiricky ověřena na příkladu České republiky (Viturka a kol.,
1998, 2003, 2007, 2010). V případě její nejvýznamnější komponenty, tj. KPP, provedené hodnocení
vychází ze souboru celkem 16 vybraných faktorů (členěných dále na obchodní, pracovní, infrastrukturní,
lokální, nákladové a environmentální faktory), odrážejících investiční, resp. rozvojové
preference firem působících v rozvojově nosných odvětvích zpracovatelského průmyslu a vyšších
tržních služeb (s rozhodujícím podílem na tvorbě HDP). Toto hodnocení bylo nejprve provedeno
na mikroregionální úrovni regionů ORP. Získané hodnoty vážené počtem příslušných obyvatel
byly následně agregovány na mezoregionální úroveň představovanou kraji. Podobným způsobem
bylo provedeno i hodnocení zbývajících komponent VLZ (zhodnocené pomocí dvou agregovaných
indikátorů) a IPF (čtyři agregované indikátory). K tomu je nutné poznamenat, že primární
soubory dat za všechny komponenty zahrnují cca 120 dílčích a doplňkových ukazatelů. V případě
komponenty KPP pak vypracovaný originální metodický postup umožňuje i kvantifikaci zjištěných
odchylek regionálních hodnot jednotlivých faktorů od jejich teoreticky příslušných hodnot,
odvozených z mocninné regrese závislosti KPP na populační velikosti mikroregionů. Tímto způsobem
lze následně otestovat úspěšnost dosavadního vývoje jednotlivých regionů. V souladu se
silnými vazbami KPP s IPF i VLZ tak získáme dostatečně strukturovaný obraz nejvýznamnějších
výsledků působení zákonitosti vývojové a hierarchické diferenciace území.
Na základě komentovaných syntéz komponenty KPP (považované za klíčovou komponentu
s přiřazenou dvojnásobnou vahou) a komponent VLZ a IPF byla vyhodnocena celková konkurenceschopnost
(aproximace konkurenčního postavení) krajů, resp. regionů NUTS 3. Získané výsledky
umožnily identifikovat kraje s výbornou konkurenční pozicí zařazené do typu A, kraje s dobrou
konkurenční pozicí zařazené do typu B a kraje s horší konkurenční pozicí zařazené do typu
C. Návazně byla provedena podrobná mikroregionální syntéza rozvojových předpokladů, na je-
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY166
jímž základě byly jednotlivé regiony ORP zařazeny do tří vytvořených skupin: regiony s centrální,
významnou a marginální rozvojovou pozicí.
Pro stanovené typy krajů pak byly za účelem percepce jejich perspektivního rozvoje definovány
následující rozvojové scénáře: progresivní scénář v případě typu A, růstový scénář v případě typu
B a adaptační scénář v případě typu C. Výběr rozvojových scénářů vychází z analýzy SWOT a zohledňuje
„strategický význam“ silných a slabých stránek a rozvojových příležitostí a ohrožení jednotlivých
regionů. Progresivní scénář je orientován na všestranné zvyšování kvality regionálního
rozvoje v intencích znalostní ekonomiky. Jeho základním rysem je ofenzivní „podnikatelský“ přístup
z pozice síly, který zdůrazňuje využívání silných stránek a rozvojových příležitostí. Celkovou
roli veřejných intervencí lze v tomto případě považovat za doplňkovou. Růstový scénář je pak
vhodný pro méně rozvinuté kraje s příznivými předpoklady růstu včetně zlepšování jeho kvalitativního
založení. Základním rysem tohoto scénáře je orientace na využití rozvojových příležitostí
v kombinaci s aktivací silných a eliminací slabých stránek. Celkovou roli veřejných intervencí lze
s ohledem na výrazně nižší ekonomickou úroveň českých regionů v porovnání s nejvyspělejšími
regiony EU považovat za významnou. Základním rysem posledního, tj. adaptačního scénáře je
pak posilování konkurenční pozice založené na potlačování rozvojových ohrožení v kombinaci
s eliminací slabých a aktivací silných stránek, a s vyhledáváním rozvojových příležitostí stimulujících
ekonomickou integraci příslušných krajů. Celkovou roli veřejných intervencí lze považovat
za velmi významnou až nezastupitelnou.
Provedená syntéza výsledků aplikace popsané teorie umožnila definovat hlavní a vedlejší priority
podpory regionálního rozvoje, které představují věcnou podstatu základního modelu (kostry) dlouhodobé
koncepce regionální politiky České republiky. Tyto syntézy poskytují i podrobné informace
potřebné pro navazující konkretizaci stanovených priorit prostřednictvím jednotlivých opatření, jejichž
věcná orientace a územní distribuce respektuje vypracované rozvojové scénáře (informace získané
vyhodnocením jednotlivých komponent, s důrazem na regionální odchylky od průměrných,
resp. teoreticky příslušných hodnot, byly rozšířeny o informace získané na základě podrobných
rozborů rozvojového potenciálu krajů/regionů NUTS 3 resp. kohezních regionů/regionů NUTS 2).
V souladu s principem koncentrace Kohezní politiky byly stanoveny tři hlavní cíle:
zlepšení KPP (hlavní cíl u 12 regionů úrovně NUTS 3/vedlejší cíl u 2 regionů NUTS 3);
zvýšení IPF (9/5);
zvýšení VLZ (5/7; u dvou regionů NUTS 3 nebyl tento cíl stanoven).
Každému z uvedených cílů, resp. priorit pak byla přiřazena vybraná opatření, která jsou dále členěna
na všeobecná opatření, vztahující se k celým regionům, a selektivní opatření, vztahující se
k vybraným částem regionů (cíle a opatření stanovené v rámci základního modelu jsou podrobně
prezentovány v následující tabulce). V případě komponenty KPP se tato opatření týkají faktorů
kvality silnic a železnic (6 vybraných opatření, označených v tabulce jako A1), podnikatelské
a znalostí báze – subfaktor podnikatelské báze (5, A2), environmentální kvality (4, A3), flexibility
pracovních sil (4, A4), přírodní a urbanistické atraktivity (3, A5), asistence veřejné správy (3, A6)
a blízkosti mezinárodního letiště (1, A7), doplněných dále o specifická opatření orientovaná na
rozvoj integračních procesů s důrazem na podporu stávajících, příp. vytváření nových rozvojových
os národního (2, D1), regionálního (7, D2) příp. přeshraničního (4, D3) významu. V případě
komponenty VLZ byla stanovena dvě hlavní, vesměs selektivní opatření orientovaná na podporu
tvorby nových pracovních míst (11 regionů, B1) a podporu rekvalifikací pracovních sil (5, B2).
Opatření vztahující se ke komponentě IPF pak zahrnují všeobecná opatření orientovaná na podporu
inovačních firem (14, C1) a podporu zvyšování kvality vzdělávání (14, C2) a selektivní opatření
orientovaná na podporu tvorby klastrů inovačních firem (5, C3), rozvoj znalostní infrastruktury
(3, C4) a spolupráci firem s veřejnými institucemi VaV (2, C5).
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY 167
Praktická aplikace získaných výsledků vyžaduje nalezení optimální varianty popsaného základního
modelu, která vykazuje nejsilnější průnik mezi tímto modelem, potenciálními uživateli a programovými
cíly a vytváří tak vhodné podmínky pro rozvoj kooperativní strategické spolupráce (viz
např. Stimson, Stough, Roberts, 2006) – praktická implementace se pak odvíjí od Národního
strategického referenčního rámce, který zahrnuje sektorové (SOP) a regionální (ROP) operační
programy. V případě SOP i ROP byly zohledněny dvě základní variantní skupiny programových
cílů: „ekonomická“ skupina, zdůrazňující hospodářský rozvoj regionů, a „sociální“ skupina, zdůrazňující
zvyšování kvality života obyvatel, které jsou u makroekonomicky orientovaných SOP
dále členěny na centralizovanou a decentralizovanou variantu. Přijatý postup zohledňuje koncept
harmonického rozvoje a respektuje i teritoriální chápání konkurenceschopnosti, kterou lze definovat
jako „schopnost regionů vytvářet vysoký příjem a úroveň zaměstnanosti v podmínkách jejich
vystavení vnější konkurenci“ (European Commission, 1999).
Cíle a vybraná opatření na podporu regionálního rozvojeTabulka č. 54:
region NUTS 2 / NUTS 3 cíle opatření
Hlavní město Praha NUTS 3 = NUTS 2 A3, C1, C2, A1, C5
Střední Čechy (typ A) zvýšení IPF na úroveň nadprůměrných
regionů EU, zlepšení KPP
Středočeský kraj NUTS 3 = NUTS 2 C1, C2, A3, D2, C4
Jihozápad (typ B) zvýšení IPF na úroveň nadprůměrných
regionů EU, zvýšení VLZ
Jihočeský kraj souhlasné cíle A1, C1, C2, A7, B1, C3, D3
Plzeňský kraj souhlasné cíle A1, C1, C2, A5, B1, C3, D3
Severozápad (typ C) zlepšení BEQ, zvýšení VLZ, zvýšení IPF
Karlovarský kraj souhlasné cíle C1, C2, A1, B1, B2, C4, D3
Ústecký kraj souhlasné cíle A3, B1, B2, C1, C2, A4, D2
Severovýchod (typ B) zlepšení BEQ, zvýšení IPF, zvýšení VLZ
Liberecký kraj souhlasné cíle C1, C2, A2, A6, B1, C3, D2
Královéhradecký kraj souhlasné cíle C1, C2, A1, A6, B2, C3, D2
Pardubický kraj souhlasné cíle C1, C2, A2, A4, B1, C4, D2
Jihovýchod (typ B/C) zlepšení BEQ, zvýšení IPF, zvýšení VLZ
Kraj Vysočina (typ C) zlepšení BEQ, zvýšení VLZ, zvýšení IPF A4, C1, C2, A1, B1, D2
Jihomoravský kraj (typ B) zvýšení IPF na úroveň nadprůměrných
regionů EU, zvýšení VLZ
C1, C2, A5, A6, B1, C5, D3
Střední Morava (typ C) zlepšení BEQ, zvýšení IPF, zvýšení VLZ
Olomoucký kraj zlepšení BEQ, zvýšení VLZ, zvýšení IPF A4, C1, C2, A2, B1, B2, D1
Zlínský kraj zvýšení IPF na úroveň nadprůměrných
regionů EU, zvýšení VLZ
C1, C2, A2, A5, B1, C3, D2
Moravskoslezsko (typ C) zlepšení BEQ, zvýšení VLZ, zvýšení IPF
Moravskoslezský kraj NUTS 3 = NUTS 2 B1, B2, C1, C2, A2, A3, D1
Poznámka: specifická opatření jsou vyznačena kurzívou.
Zdroj: vlastní výzkum
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY168
Proces optimalizačního modelování je konkretizován prostřednictvím strukturovaného návrhu
hlavních cílů české regionální politiky (odvíjejících se od Kohezní politiky EU), interpretovaných
v rámci stanovených variant. Tento proces lze schématicky vyjádřit následujícím způsobem:
ekonomická skupina sektorových programů (SOP) – skupina A
centralizovaná varianta – Aa
decentralizovaná varianta – Ab
sociální skupina sektorových programů (SOP) – skupina B
centralizovaná varianta – Ba
decentralizovaná varianta – Bb
decentralizovaná skupina regionálních programů (ROP) – skupina C
ekonomická varianta – Ca
sociální varianta – Cb
specifická skupina programů (Cíl 2 a 3 Kohezní politiky) – skupina D
ekonomická varianta – Da
sociální varianta – Db.
Skupiny A, B a C zohledňují stávající Cíl 1 Kohezní politiky, tj. Konvergence, skupina D pak Cíl 2
– Regionální konkurenceschopnost a zaměstnanost (region NUTS 2 Praha, nesplňující kvalifikační
kritérium relativní hodnoty HDP v PPS pro cíl Konvergence, tj. méně než 75% průměrné úrovně
regionálního HDP EU-27) a Cíl 3 – Evropská územní spolupráce, které budou s vysokou pravděpodobností
zachovány i v dalším plánovacím cyklu, tj. v období 2014–2020). Skupiny A a B jsou dále
diferencovány podle prostorové dimenze hodnocení včetně základních souborů opatření – prostorová
dimenze celé republiky v případě centralizované varianty resp. prostorová dimenze regionů
NUTS 2 v případě decentralizované varianty, skupiny C a D pak podle základní orientace příslušných
programů – ekonomická a sociální varianta. V další části jsou stanovené skupiny a jejich varianty
podrobněji popsány s využitím terminologie převzaté z Kohezní politiky EU:
A. Ekonomická skupina programů
A1. Sektorový operační program „Doprava“
Program je financován z CF (Kohezní fond s přibližně 40% podílem na celkovém objemu prostředků
přidělených České republice z fondů EU pro období 2007–13) adresovaného na území
celého státu a dále z ERDF obecně adresovaného na regiony NUTS 2 – jde o finančně nevýznamnější
program s adekvátním podílem necelých 22% z celkového objemu přidělených zdrojů z CF,
ERDF (Evropský fond regionálního rozvoje) a ESF (Evropský sociální fond). Prioritní osy 2007–
13: modernizace železniční sítě TEN-T, modernizace železniční sítě mimo síť TEN-T, výstavba
a modernizace dálniční a silniční sítě TEN-T, modernizace silnic I. třídy mimo síť TEN-T, modernizace
a rozvoj pražského metra a systému řízení silniční dopravy v Praze, podpora multimodální
nákladní dopravy a rozvoje vnitrozemské vodní dopravy, technická pomoc20
. Náš návrh počítá
s prodloužením programu do období 2014–20 a s orientačním podílem na úhrnných prostředcích
CF, ERDF a ESF ve výši 18 až 20%.
A1a. Centralizovaná varianta
Varianta plně respektuje centrálně stanovené strategické priority rozvoje železniční a silniční
sítě a ostatních druhů dopravy. V tomto kontextu se doporučuje rozšíření stávající prioritní osy
Podpora multimodální nákladní dopravy a rozvoj vnitrozemské vodní dopravy o podporu rozvoje
20 Prioritní osy Technická pomoc nejsou dále komentovány.
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY 169
mezinárodní letecké dopravy. Z hlediska nadnárodní územní integrace lze největší synergické
efekty očekávat od výstavby 3. a 4. tranzitního železničního koridoru Praha – Plzeň – Cheb/st.
hranice (podpora konstituující se přeshraniční rozvojové osy s Německem), resp. Praha – České
Budějovice – H. Dvořiště/st. hranice (iniciace přeshraniční rozvojové osy s Rakouskem) a dále
výstavby rychlostní silnice R 35 v úseku H. Králové – Mohelnice (stimulace územní integrace
Olomouckého kraje), R 52 v úseku Pohořelice – Mikulov (iniciace přeshraniční rozvojové osy
s Rakouskem) a pražského okruhu R1 (výrazné zlepšení organizace silniční dopravy v pražské
aglomeraci).
A1b. Decentralizovaná varianta
Tato varianta klade důraz na systémové chápání výstavby dopravní infrastruktury jako významné
součásti regionální KPP (v interakci s podporou procesů územní integrace na mezoregionální
úrovni – rozvojové osy regionálního významu) prostřednictvím jeho zakomponování do strategických
priorit. V souladu s tím je navrženo posílení prioritní osy modernizace silnic I. třídy
mimo TEN-T (se zvláštním zřetelem na kraje Plzeňský, Královéhradecký, Vysočina, Jihočeský
a Pardubický) a dále budování obchvatů významnějších měst.
A2. Sektorové operační programy „Podnikání a inovace“ a „Výzkum a vývoj pro inovace“
Oba programy jsou financované z ERDF – 3. a 4. finančně nevýznamnější program v období
2007–13, s adekvátním podílem okolo 19% z celkového objemu přidělených zdrojů z CF, ERDF
a ESF. Prioritní osy 2007–13: vznik firem, rozvoj firem, efektivní energie, inovace, prostředí pro
podnikání a inovace, služby pro rozvoj podnikání a technická pomoc resp. evropská centra excelence,
regionální VaV centra, komercializace a popularizace VaV, infrastruktura pro výuku na
vysokých školách (spojená s výzkumem) a technická pomoc. Pro další období 2014–20 doporučujeme
spojení původně samostatných SOP Podnikání a inovace a Výzkum a vývoj pro inovace do
jednoho programu s pracovním označením Výzkum a vývoj a inovační podnikání, s anticipovaným
společným podílem na prostředcích CF, ERDF a ESF v rozmezí 18,5 až 20,5%.
A2a. Centralizovaná varianta
Varianta zdůrazňuje všeobecné cíle spojené s přechodem k tzv. znalostní ekonomice při účelné
redukci původních prioritních os (spojené s přesunem priority podpory efektivní výroby energie
do SOP zaměřeného na životní prostředí a postupným přesunem podpory vzniku firem do
národních programů podpory). Za hlavní priority jsou pak pokládány podpora rozvoje firem
s důrazem na tvorbu a transfer inovací (zejména inovačních MSP) a podpora výstavby a rozvoje
podnikatelské infrastruktury a center VaV (se zvláštním zřetelem na spolupráci firem s institucemi
VaV a podnikatelské služby v interakci se stimulací slabě rozvinutých rozvojových os národního
významu).
A2b. Decentralizovaná varianta
Tato varianta klade největší důraz na územně cílenou výstavbu průmyslových zón, vědecko-technických
parků a podnikatelských inkubátorů ve vazbě na rozvojové osy regionálního významu (relevantní
zejména pro kraje Středočeský, Karlovarský, Liberecký, Pardubický, Olomoucký, Zlínský
a Moravskoslezský) a podporu tvorby regionálních klastrů inovačních firem s důrazem na participaci
veřejných a soukromých institucí VaV (relevantní zejména pro kraje Plzeňský, Jihočeský,
Liberecký, Královéhradecký, Jihomoravský a Zlínský).
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY170
B. Sociální skupina programů
B1. Sektorový operační program „Životní prostředí“
Program je financován z CF (Kohezní fond) a ERDF – finančně druhý nevýznamnější program
v období 2007–13, s adekvátním podílem více než 18% z celkového objemu přidělených zdrojů
z CF, ERDF a ESF. Prioritní osy 2007–13: zlepšování vodohospodářské infrastruktury a snižování
rizika povodní, zlepšování kvality ovzduší a snižování emisí, udržitelné využívání zdrojů energie,
zkvalitňování nakládání s odpady a odstraňování starých ekologických zátěží, omezování průmyslového
znečištění a snižování environmentálních rizik, zlepšování stavu přírody a krajiny, rozvoj
infrastruktury pro environmentální vzdělávání, poradenství a osvětu, technická pomoc. Náš návrh
počítá s prodloužením programu do období 2014–20 a s orientačním podílem na úhrnných prostředcích
CF, ERDF a ESF v rozmezí 20 až 22%.
B1a. Centralizovaná varianta
Centralizovaná varianta sociální skupiny programů preferuje opatření s největšími potenciálními
dopady na zlepšování kvality životního prostředí a prevenci environmentálních rizik z celorepublikového
pohledu (včetně pozitivních synergických efektů na zvyšování investiční atraktivity),
orientovaná na zlepšování kvality ovzduší (včetně výzkumu a monitoringu), zlepšování vodohospodářské
infrastruktury a dále odstraňování starých ekologických zátěží.
B1b. Decentralizovaná varianta
Tato varianta klade důraz na zohlednění regionálních předpokladů pro zlepšování kvality životního
prostředí, a v souladu s tím zahrnuje opatření orientovaná na využívání místních energetických
zdrojů a úspory energie (s pozitivními vazbami na rozvoj místní ekonomiky), zlepšování stavu
přírody a krajiny a rozvoj infrastruktury pro environmentální vzdělávání a poradenství. Z regionálního
pohledu lze za nejvýznamnější potenciální adresáty uvedených opatření považovat kraje
Moravskoslezský a Ústecký a dále Prahu spolu s přilehlými částmi Středočeského kraje.
B2. Sektorový operační program „Vzdělávání pro konkurenceschopnost“
Program je financován z ESF – 6. finančně nejvýznamnější program v období 2007–13, s adekvátním
podílem necelých 7% z celkového objemu přidělených zdrojů z CF, ERDF a ESF. Prioritní osy 2007–13:
počáteční vzdělávání, terciární vzdělávání + výzkum a vývoj, další vzdělávání, systémový rámec celoživotního
učení, technická pomoc. Návrh počítá s jeho prodloužením do následujícího období 2014–20,
s orientačním podílem na úhrnných prostředcích CF, ERDF a ESF v rozmezí 6,5 až 7,5%.
B2a. Centralizovaná varianta
Centralizovaná varianta v souladu se stávající hierarchickou strukturou řízení českého školství
preferuje koncentraci prostředků na rozvoj vysokoškolského vzdělávání, které má nejvýraznější
dopady na zlepšování vstupních předpokladů pro rozvoj znalostní ekonomiky. Jako hlavní priority
tak byly stanoveny podpora terciárního vzdělávání a podpora základního a aplikovaného
výzkumu na VŠ.
B2b. Decentralizovaná varianta
Tato varianta klade důraz na všeobecné zvyšování kvality vzdělávání a optimalizaci struktury středoškolského
(včetně učňovského) a vysokoškolského vzdělávání ve vazbě na dlouhodobý vývoj
poptávky na regionálních trzích práce. Z regionálního pohledu se řešení uvedených problémů jeví
jako nejvíce naléhavé v krajích Ústeckém a Karlovarském, v případě středoškolského vzdělávání
pak zejména v periferních oblastech krajů Moravskoslezského, Jihomoravského a Plzeňského.
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY 171
C. Decentralizovaná skupina programů
C 1. Regionální operační programy
ROP, které lze pokládat za významný praktický příklad naplňování jednoho ze základních všeobecných
principů EU subsidiarity, jsou financovány z ERDF – podíl všech sedmi ROP se v období 2007–
13 pohybuje okolo 17% z celkového objemu přidělených zdrojů z CF, ERDF a ESF. Prezentovaný
návrh doporučuje jejich prodloužení i do následujícího období včetně inkorporace původních SOP
Lidské zdroje (financovaného z ESF) a Integrovaný operační program (financovaného z ERDF) ve
struktuře ROP – takto stanovený podíl na přidělených zdrojích z CF, ERDF a ESF by v období
2007–13 dosáhl přibližně 30%. Prioritní osy 2007–13: ROP – doprava (zejména modernizace regionální
dopravní infrastruktury a výstavba a modernizace infrastruktury veřejné dopravy včetně obnovy
vozového parku), cestovní ruch (zejména rozvoj ubytovacích a lázeňských kapacit, obnova památek
a rozvoj turistických služeb včetně doplňkové infrastruktury) a podpora rozvoje měst obcí (zejména
regenerace městských center, revitalizace veřejných prostor a rozvoj občanské vybavenosti, zejména
v oblasti sociálních a zdravotních služeb), technická pomoc; SOP – adaptabilita, aktivní politika trhu
práce, sociální integrace a rovné příležitosti, veřejná správa a veřejné služby, mezinárodní spolupráce,
technická pomoc, resp. rozvoj informační společnosti ve veřejné správě, zavádění ICT ve veřejné
správě, sociální a zdravotní služby, národní podpora cestovního ruchu, podpora využití kulturního
dědictví a revitalizace obytného prostředí, technická pomoc. Pro další období 2014–20 doporučujeme
zachovat orientační podíl na úhrnných prostředcích CF, ERDF a ESF v rozmezí 29 až 31%.
C1a. Ekonomická varianta
Varianta počítá s koncentrací opatření na podporu ekonomického rozvoje v jednotlivých regionech
NUTS 2. Kromě podpory udržitelného rozvoje regionální dopravní infrastruktury a dopravní
obsluhy území jde v tomto směru zejména o opatření zaměřená na podporu ekonomického
využití přírodní a urbanistické atraktivity území (s důrazem na zvyšování rozsahu a kvality
turistických služeb a volnočasových aktivit, které je jeví jako zvlášť aktuální zejména v zázemích
krajských center Plzeňského a Jihomoravského kraje, a dále v příhraničních oblastech Zlínského
kraje), zkvalitňování nabídky podnikatelských nemovitostí ve městech a obcích (s důrazem na
regeneraci městských center) a podporu drobného podnikání (považovanou za významnou zejména
u krajů Ústeckého, Pardubického, Vysočina a Olomouckého). Nejvýznamnější synergické
efekty pak lze očekávat v případě územní koncentrace výše uvedených opatření na rozvojové osy
regionálního významu (s nejlepšími předpoklady v krajích Středočeském, Ústeckém, Libereckém,
Královéhradeckém, Pardubickém, Vysočina a Zlínském).
C1b. Sociální varianta
Tato varianta preferuje opatření zaměřená na zvyšování kvality života obyvatel regionů NUTS 2.
Kromě podpory udržitelného rozvoje regionální dopravní infrastruktury a dopravní obsluhy území
(respektující výsledky podrobných regionálních analýz) jde zejména o opatření cílená na zlepšování
a revitalizaci obytného prostředí měst a obcí (včetně komunální infrastruktury) a kvality
sociálních a zdravotních služeb, kvality a efektivity veřejné správy (relevantní zejména pro kraje
Liberecký, Královéhradecký a Jihomoravský), a dále podporu tvorby nových pracovních míst (se
specifickým důrazem na kraje Jihočeský, Plzeňský, Karlovarský, Ústecký, Liberecký, Pardubický,
Vysočina, Jihomoravský, Olomoucký, Zlínský a Moravskoslezský) a rekvalifikace pracovních
sil (potenciálně přínosné zvláště pro kraje Karlovarský, Ústecký, Královéhradecký, Olomoucký
a Moravskoslezský) v rámci aktivní politiky zaměstnanosti. Pro zvýšení synergických efektů výše
uvedených opatření lze účelně využít i vzájemnou spolupráci měst a obcí v rámci účelově vzniklých
mikroregionů (v interakci s rozvojem občanských aktivit).
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY172
D. Specifická skupina programů
D1. Operační programy Praha
Operační programy Konkurenceschopnost a Adaptabilita, financované v rámci Cíle 2 z ERDF
resp. ESF – jejich souhrnný podíl v období 2007–13 pouze mírně převyšoval hranici 1% z celkového
objemu přidělených zdrojů z CF, ERDF a ESF (pro období 2014–20 je předpokládán podobný
podíl). Prioritní osy 2007–13: dopravní dostupnost a rozvoj ICT, životní prostředí, inovace
a podnikání, technická pomoc resp. podpora rozvoje znalostní ekonomiky, podpora vstupu na trh
práce, modernizace počátečního vzdělávání a technická pomoc.
D1a. Ekonomická varianta
Varianta preferuje opatření primárně zaměřená na územně cílenou podporu ekonomického rozvoje,
zejména podporu inovačních firem s důrazem na MSP (včetně jejich spolupráce s veřejnými
institucemi VaV) a dále podporu zvyšování kvality vzdělávání ve vazbě na dlouhodobější trendy
projevující se na regionálních trzích práce.
D1b. Sociální varianta
Tato varianta preferuje opatření primárně zaměřená na zvyšování kvality života, realizovaná zejména
prostřednictvím podpory rozvoje veřejné dopravy (s významnými vazbami na kvalitu obytného
prostředí) a zkvalitňování sociálních služeb (včetně služeb zaměstnanosti).
D2. Operační programy evropské územní spolupráce
Operační programy v rámci cíle Evropská územní spolupráce (přeshraniční spolupráce, nadnárodní
spolupráce a meziregionální spolupráce) financované z ERDF – jejich souhrnný podíl v období
2007–13 pouze mírně převyšoval hranici 1 % z celkového objemu přidělených zdrojů z CF,
ERDF a ESF (pro následující období 2014–20 je počítáno s podobným podílem). Prioritní osy
2007–13: hospodářský rozvoj (s důrazem na cestovní ruch), zlepšování životního prostředí, technická
pomoc.
D2a. Ekonomická varianta
Varianta preferuje opatření zaměřená na podporu všestranné spolupráce a výměnu zkušeností
v oblasti ekonomického rozvoje (včetně relevantních vazeb na prostorové plánování, resp. urbanistickou
ekonomii).
D2b. Sociální varianta
Varianta preferuje opatření zaměřená na podporu všestranné spolupráce a výměnu zkušeností
v oblasti zvyšování kvality života (včetně relevantních vazeb na prostorové plánování resp. urbanistickou
ekonomii).
Z možných perspektivních rizik praktické aplikace koncepcí regionálního rozvoje je užitečné
upozornit zejména na podceňování potenciálních dopadů nerovnoměrného regionálního rozvoje
na společenskou efektivnost regionální politiky. Z hlediska jejich vazeb na Kohezní politiku
je pak účelné empiricky zohlednit předchozím výzkumem ověřenou skutečnost, že primárně
konkurenční vztahy mezi cílem „Konvergence“ a cílem „Konkurenceschopnost“ lze důslednou
orientací regionální politiky na podporu procesů územní integrace transformovat do komplementární
podoby (významným předpokladem je ovšem potlačení jednostranné preference high-tech
firem na úkor low-tech firem, lokalizovaných zejména v periferních regionech). Systémové řešení
této a podobných otázek pak lze, podle našeho názoru, nejlépe zajistit prostřednictvím aplikace
NÁVRH DLOUHODOBÉ KONCEPCE REGIONÁLNÍHO ROZVOJE ČESKÉ REPUBLIKY 173
tzv. place-based approach (Barca, 2009)21
. V prezentovaném návrhu je tento přístup aplikován
především prostřednictvím opatření cílených na podporu šíření rozvojových efektů z nadnárodně
či národně významných pólů rozvoje podél rozvojových os národního a regionálního (v interakci
s tzv. nodálními procesy reprezentovanými především dojížďkou do zaměstnání) příp. přeshraničního
významu. Jde o příklad aplikace „strategie dvojnásobného vítězství“, od níž lze očekávat
nejen významný příspěvek k harmonizaci regionálního rozvoje, ale i ke zvyšování regionální
konkurenceschopnosti.
Závěr3.5.3.
Celková strategie realizace koncepcí regionálního rozvoje České republiky je pochopitelně úzce spojena
s dalším vývojem Kohezní politiky EU, jejíž hlavní zásady pro období 2014–2020 jsou v současné
době předmětem intenzivních politických jednání na úrovni EU i jednotlivých členských zemí.
V tomto ohledu nelze samozřejmě vyloučit určité změny v jejích prioritách, finančním zabezpečení
či způsobu její praktické implementace. Z toho logicky vyplývá zvyšující se závažnost otázky flexibility
národních koncepcí regionálního rozvoje (v této souvislosti je potřebné respektovat i skutečnost,
že míra ingerence Kohezní politiky se bude s nejvyšší pravděpodobností z pohledu České republiky
postupně oslabovat). Vzhledem k uvažovanému dlouhodobému časovému horizontu vypracované
koncepce je rovněž potřebné věnovat adekvátní pozornost percepci potenciálních, např. demografických,
rizik budoucího vývoje (se zřetelem k systémovým vazbám na výše definované rozvojové
scénáře krajů). Závěrem je možné konstatovat, že vypracovaný návrh, resp. základní nástin variantních
rozvojových scénářů respektuje uvedené potřeby, neboť poskytuje potřebný prostor pro efektivní
přehodnocení stanovených opatření s ohledem na možné změny Kohezní politiky EU, a to
i v uvažovaném dlouhodobém časovém horizontu let 2014–2027.
21 Z širšího pohledu jde i o příspěvek k řešení významných otázek spojených zejména s aplikací Evropskou komisí tolik
diskutovaného konceptu tzv. lokálního přístupu (place-based approach), který koresponduje s trvale se zvyšujícím
významem tzv. kooperativních strategií (collaborative strategy) v rámci regionální i hospodářské politiky.
POUŽITÁ LITERATURA KE 3. KAPITOLE174
Použitá literatura ke 3. kapitole
BARCA, F. (2009): An Agenda for a Reformed Cohesion Policy. Brussels: European Commission, 2009, pp. 219.
Dostupné na: http://www.eurada.org/site/ files/Regional%20development/Barca_report.pdf.
BLAŽEK, J. – UHLÍŘ, D. (2002): Teorie regionálního rozvoje. Praha: Karolinum, 2002, pp. 212. ISBN
8024603845.
BRUNDTLAND, G. (1987): Our Common Future. Oxford: Oxford University Press, 1987. ISBN 0-19-282080-X.
CEITEC (2009): OP Výzkum a vývoj pro inovace je na začátku. Brno: CEITEC, 2009. Dostupné na:
http://www.ceitec.cz/op-vyzkum-a-vyvoj-pro-inovace-je-na-zacatku.
CZECHINVEST (2011a): Podnikání a inovace. Praha: CzechInvest, 2011. Dostupné na:
http://www.czechinvest.org/podnikani-a-inovace.
CZECHINVEST (2011b): Úspěšné projekty OPPI. Praha: CzechInvest, 2011. Dostupné na:
http://www.czechinvest.org/uspesne-projekty-oppi.
ČESKÝ STATISTICKÝ ÚŘAD (2010a): Inovační aktivity podniků v České republice v letech
2006–2008. Praha: ČSÚ, 2010, pp. 128. ISBN 978-80-250-2024-1. Dostupné na:
http://www.czso.cz/csu/2010edicniplan.nsf/t/2A003BA6CE/$File/ Publikace_960510_CZ.pdf.
ČESKÝ STATISTICKÝ ÚŘAD (2010b): Malý lexikon obcí 2010. Praha: ČSÚ, 2010. Dostupné na:
http://www.czso.cz/csu/2010edicniplan.nsf/publ/1302-10-2010.
ČESKÝ STATISTICKÝ ÚŘAD (2010c): Statistická ročenka vědy, technologií a inovací. Česká republika
a mezinárodní srovnání v období 2000–2008. Praha: ČSÚ, 2010, pp. 369. ISBN 978-80-250-2043-2. Dostupné
na: http://www.czso.cz/ csu/2010edicniplan.nsf/t/1500428C8C/$File/100510.pdf.
ČESKÝ STATISTICKÝ ÚŘAD (2010d): Ukazatele výzkumu a vývoje za rok
2009. Praha: ČSÚ, 2010, pp. 195. ISBN 978-80-250-2038-8. Dostupné na:
http://www.czso.cz/csu/2010edicniplan.nsf/t/DD0022A0CF/$File/960110_cela_publikace.pdf.
ČESKÝ STATISTICKÝ ÚŘAD (2010e): Využívání informačních a komunikačních technologií v domácnostech
a mezi jednotlivci v roce 2010. Praha: ČSÚ, 2010, pp. 76. ISBN 978-80-250-2044-9. Dostupné na:
http://www.czso.cz/csu/2010edicni plan.nsf/t/E4003156C1/$File/970110.pdf.
EUROPEAN COMMISSION (1999): Sixth Periodic Report on the Social and Economic Situation and Development
of Regions in the European Union. Brussels: Commission of the European Communities, 1999, pp. 242.
Dostupné na: http://ec.europa.eu/regional_policy/document/pdf/document/radi/en/pr6_complete_en.pdf.
EUROSTAT (2011a): Education Database. Luxembourg: Eurostat, 2011. Dostupné na:
http://epp.eurostat.ec.europa.eu/portal/page/portal/education/data/database.
EUROSTAT (2011b): Science, Technology and Innovation Database. Luxembourg: Eurostat, 2011. Dostupné na:
http://epp.eurostat.ec.europa.eu/portal/page/portal/ science_technology_innovation/data/database.
EUROSTAT (2011c): Information Society Database. Luxembourg: Eurostat, 2011. Dostupné na:
http://epp.eurostat.ec.europa.eu/portal/page/portal/information_ society/data/database.
FEIXOVÁ, B. (2011): Podpora výzkumu a vývoje v Jihomoravském a Moravskoslezském kraji. Brno:
Ekonomicko-správní fakulta Masarykovy univerzity, Diplomová práce, 2011, pp. 71. Dostupné na:
http://is.muni.cz/th/206666/esf_m/.
FONDY EVROPSKÉ UNIE (2010a): Operační program Podnikání a inovace. Praha: MMR, 2010. Dostupné na:
http://www.strukturalni-fondy.cz/Programy-2007-2013/ Tematicke-operacni-programy/OP-Podnikani-a-inovace.
FONDY EVROPSKÉ UNIE (2010b): Operační program Výzkum a vývoj pro inovace. Praha: MMR, 2010.
Dostupné na: http://www.strukturalni-fondy.cz/ Programy-2007-2013/Tematicke-operacni-programy/OP-Vyzkum-
a-vyvoj-pro-inovace.
FONDY EVROPSKÉ UNIE (2010c): Operační program Vzdělávání pro konkurenceschopnost. Praha: MMR,
2010. Dostupné na: http://www.strukturalni-fondy.cz/getdoc/bcccc738-7fb0-4742-9b90-b75ce4b28b2e/OP-Vzde
lavani-pro-konkurenceschopnost.
FONDY EVROPSKÉ UNIE (2010d): Informace o fondech. Praha: MMR, 2010. Dostupné na:
http://www.strukturalni-fondy.cz/Informace-o-fondech-EU.
HÄGERSTRAND, T. (1975): Space, Time and Human Conditions. In: Dynamic Allocation of Urban Space.
Farnborough: Saxon House, 1987, pp. 383. ISBN 0347010520.
HAMPL, M. (1988): Teorie strukturální a vývojové organizace geografických systémů: principy a problémy. Studia
geographica, Vol. 93, 1988, pp. 78. ISSN 0587-1247.
HAMPL, M. a kol. (2002): Regionální vývoj: specifika české transformace, evropská integrace a obecná teorie. Praha:
Přírodovědecká fakulta UK, 2002, pp. 328. ISBN 8090268668.
HIRSCHMAN, A. O. (1958): The Strategy of Economic Development. New Haven: Yale University Press, 1958,
pp. 217. ISBN 0-300-00559-8.
ISARD, W. (1960): Methods of Regional Analysis: An Introduction to Regional Science. Cambridge: The MIT
Press, 1960, pp. 784. ISBN 0262090031.
POUŽITÁ LITERATURA KE 3. KAPITOLE 175
KRUGMAN, P. (1991): Geography and Trade. Cambridge: The MIT Press, 1991, pp. 156. ISBN 0262610868.
LUCAS, R. E. (1988): On the Mechanics of Economic Development. Journal of Monetary Economics, Vol. 22,
No. 1, pp. 3–42.
LUNDVALL, B. A. (1992): National Systems of Innovation: Towards a Theory of Innovation and Interactive
Learning. London: Pinter, 1992, pp. 342. ISBN 1855670631.
MASARYKOVA UNIVERZITA (2011a): Current Projects of the Faculty of Economics and Administration.
Brno: Masarykova univerzita, 2011. Dostupné na: http://www.muni.cz/econ/research/projects.
MASARYKOVA UNIVERZITA (2011b): Ochrana, transfer a uplatnění výsledků VaV na národní
a mezinárodní úrovni: Project Details. Brno: Masarykova univerzita, 2011. Dostupné na:
http://www.muni.cz/research/projects/13746.
MASSEY, D. (1979): A Critical Evaluation of Industrial-Location Theory. In: Spatial Analysis, Industry and the
Industry Environment. New York: John Wiley and Sons Ltd, 1979, pp. 304. ISBN 0471997382.
MINISTERSTVO PRO MÍSTNÍ ROZVOJ (2006): Strategie regionálního rozvoje České republiky na roky
2007–2013. Praha: MMR, 2006. Dostupné na: http://www.mmr.cz/Regionalni-politika/Koncepce-Strategie/Stra
tegie-regionalniho-rozvoje-Ceske-republiky-na.
MINISTERSTVO PRŮMYSLU A OBCHODU (2010): Operační program Podnikání a inovace 2007–2013.
Praha: MPO, 2010. Dostupné na: http://www.mpo.cz/cz/ podpora-podnikani/oppi/.
MINISTERSTVO PRŮMYSLU A OBCHODU (2011): Monitorovací systém ISOP OPPI. Praha: MPO, 2011.
Dostupné na: http://www.mpo.cz/cz/podpora-podnikani/ oppi/#category372.
MINISTERSTVO PRŮMYSLU A OBCHODU (2011): Výroční zpráva OPPI 2009. Praha: MPO, 2010.
Dostupné na: http://download.mpo.cz/get/42290/50414/582327/ priloha002.pdf.
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY (2011): Operační
program Vzdělávání pro konkurenceschopnost. Praha: MŠMT, 2011. Dostupné na:
http://www.msmt.cz/strukturalni-fondy/op-vpk-obdobi-2007-2013.
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY (2011): Operační program Výzkum a vývoj pro
inovace. Praha: MŠMT, 2011. Dostupné na: http://www.msmt.cz/strukturalni-fondy/op-vavpi.
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY (2011): Seznam příjemců OP VaVpI. Praha:
MŠMT, 2011. Dostupné na: http://www.msmt.cz/ strukturalni-fondy/seznam-prijemcu-v-ramci-op-vavpi?highligh
tWords=list+beneficiaries.
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY (2011): Seznam příjemců OP VK. Praha:
MŠMT, 2011. Dostupné na: http://www.msmt.cz/ strukturalni-fondy/souhrnny-seznam-prijemcu-financni-pomoci.
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY (2011): Výroční zpráva OP VaVpI 2010.
Praha: MŠMT, 2011. Dostupné na: http://www.msmt.cz/file/16736.
MYRDAL, G. (1957): Economic Theory and Underdeveloped Regions. London: Methuen and Co. Ltd, 1957, pp.
181. University Paperback No. 2/6816/27.
PERROUX, F. (1955): Note sur la notion de pole de croissance. Economique Applique, Vol. 1955, No 1–2.
PORTER, M. (1996): Competitive Advantage, Agglomeration Economies and Regional Policy. International
Regional Science Review, Vol. 19, No. 1–2, pp. 85–90.
RADA PRO VÝZKUM, VÝVOJ A INOVACE (2010): Analýza stavu výzkumu, vývoje a inovací v České republice
a jejich srovnání se zahraničím v roce 2010. Praha: Úřad vlády ČR, 2010, PP. 121. ISBN 978-80-7440-037-7.
ROMER, P. (1986): Increasing Returns and Long-run Growth. Journal of Political Economy, Vol. 94, No. 5, pp.
1002–1037.
SLANÝ, A. a kol. (2010): Konkurenceschopnost a stabilita. Brno: Masarykova univerzita, 2010, pp. 285.
ISBN 978-80-210-5336-6.
SOLOW, R. (1956): A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics,
Vol. 70, No. 1, pp. 65–94.
STIMSON, R., STOUGH, R., ROBERTS, B. (2006): Regional Economic Development. Heidelberg, New York:
Springer, 2006, pp. 466. ISBN 3540348263.
UNIVERZITA JANA EVANGELISTY PURKYNĚ (2008): Kurzy pro zaměstnance. Ústí nad Labem: ÚJEP,
2008. Dostupné na: http://www.ujep.cz/cz/podle-uzivatele/pro-pracovniky/kurzy-pro-zamestnance.html.
ÚSTAV PRO INFORMACE VE VZDĚLÁVÁNÍ (2010a): Statistická ročenka školství 2009/2010 – výkonové
ukazatele – kapitola F: Vysoké školy. Praha: ÚIV, 2010. Dostupné na: http://www.uiv.cz/soubor/4309.
ÚSTAV PRO INFORMACE VE VZDĚLÁVÁNÍ (2010b): Školství v krajích podle ISCED-97. Praha: ÚIV,
2010, pp. 68. ISBN 978-80-211-0600-0. Dostupné na: http://www.uiv.cz/soubor/4363.
VITURKA, M., ŽÍTEK, V., HALÁMEK, P., KLÍMOVÁ, V., TONEV, P. (2005): Teoreticko-metodologická
východiska hodnocení programů podpory regionálního rozvoje. Brno: Masarykova univerzita, 2005, pp. 132.
ISBN 80-210-3639-7.
VITURKA, M. (2007): Konkurenceschopnost regionů a možnosti jejího hodnocení. Politická ekonomie, Vol. 2007,
No. 5, pp. 637–658.
POUŽITÁ LITERATURA KE 3. KAPITOLE176
VITURKA, M. a kol. (1998): Investiční atraktivita vybraných měst České republiky. Brno: Masarykova univerzita,
1998, pp. 119. ISBN 80-210-2007-5.
VITURKA, M. a kol. (2003): Regionální vyhodnocení kvality podnikatelského prostředí v České republice. Brno:
Ekonomicko-správní fakulta Masarykovy univerzity, 2003, pp. 141. ISBN 80-210-3304-5.
VITURKA, M. a kol. (2010): Kvalita podnikatelského prostředí, regionální konkurenceschopnost a strategie
regionálního rozvoje České republiky. Praha: Grada publishing, 2010, pp. 232. ISBN 978-80-247-3638-9.
WORLD BANK, The (2011a): KI and KEI Indexes. Washington: The World Bank, 2011. Dostupné na:
http://go.worldbank.org/SDDP3I1T40.
WORLD BANK, The (2011b): Knowledge Assessment Methodology. Washington: The World Bank, 2011.
Dostupné na: www.worldbank.org/kam.
ŽÍTEK, V. – KLÍMOVÁ, V. (2011): Knowledge Economy and Knowledge Infrastructure. In: Proceedings of the
International Conference on Applied Economics – ICOAE 2011. Perugia: TEI of Wester Macedonia Press,
2011, pp. 821–828. ISBN 978-960-89054-5-0.
SEZNAM TABULEK A GRAFŮ 177
Seznam tabulek a grafů
Seznam tabulek
[1] Proměnné použité v rovnicích (2) a (3) (23)
[2] Výsledky regresní analýzy pro původní státy (23)
[3] Výsledky regresní analýzy pro všechny dostupné státy (24)
[4] Hodnoty Idesu ISA za období 0–1950 pro země východního bloku (26)
[5] Hodnoty Indexu ISA za období 0–2000 pro země východního bloku (27)
[6] Otevřenost ekonomiky (ukazatele v poměru k HDP) (30)
[7] Významní obchodní partneři České republiky (dle výše obratu) (32)
[8] Struktura zahraničního obchodu dle třídění skupin SITC (33)
[9] Podíl high-tech zahraničního obchodu na celku (34)
[10] Odhad závislosti dovozu (38)
[11] Závislost českého růstu na německém (39)
[12] Odhady parametrů modelu č. 1 (50)
[13] Charakteristiky modelu č. 1 (51)
[14] Odhady parametrů modelu č. 2 (52)
[15] Charakteristiky modelu č. 2 (52)
[16] Odhady parametrů modelu č. 3 (53)
[17] Charakteristiky modelu č. 3 (54)
[18] Struktura zaměstnání cizinců a domácích zaměstnanců podle KZAM (v %) (59)
[19] Dopad pracovní imigrace na míru nezaměstnanosti (61)
[20] Dopad pracovní imigrace na míru nezaměstnanosti (bez Prahy) (61)
[21] Dopad pracovní imigrace na průměrné mzdy (62)
[22] Dopad pracovní imigrace na průměrné mzdy (bez Prahy) (62)
[23] Vliv pracovní imigrace na míru nezaměstnanosti (63)
[24] Vliv pracovní imigrace na míru nezaměstnanosti (64)
[25] Vliv pracovní imigrace na míru ekonomické aktivity (64)
[26] Vliv pracovní imigrace na míru ekonomické aktivity (64)
[27] Vliv pracovní imigrace na výši průměrné mzdy (65)
[28] Vliv pracovní imigrace na výši průměrné mzdy (65)
[29] Výsledky bayesovského odhadu (77)
[30] Směrodatné odchlyky a relativní volatility (78)
[31] Varianční dekompozice (81)
[32] Odhad parametrů – neomezená varianta (89)
[33] Bayesovy faktory a logaritmy marginální věrohodnosti – strukturální parametry (91)
[34] Bayesovy faktory a logaritmy marginální věrohodnosti – strukturální šoky (92)
[35] Korelace mezi vzájemně odpovídajícími šoky (100)
[36] Vliv šoků (kor – korelace vlivu šoků, DP – vliv na domácí proměnnou, ZP – vliv na zahraniční proměnnou) (101)
[37] Popis parametrů a apriorní hustoty (108)
[38] Odhady parametrů (109)
[39] Výběrové momenty a autokorelační koeficienty (111)
[40] Korelační matice (111)
[41] Hladiny významnosti spočtených charakteristik změn pro rekurzívní odhady parametrů na datech od roku 2001 (118)
[43] Změny v pořadí hodnocení znalostních ekonomik dle KEI a KI mezi roky 2000 a 2009 (KAM 2009) (134)
POUŽITÁ LITERATURA KE 3. KAPITOLE178
[44] Terciární vzdělávání – studenti jednotlivých oborů jako % všech studentů (2009) (137)
[45] Procento podniků s inovační aktivitou (2008) (140)
[46] Výdaje na VaV podle zdrojů jejich financování v mil. Kč (2009) (146)
[47] Struktura Operačního programu Výzkum a vývoj pro inovace (150)
[48] Regionální diferenciace alokace v OP VaVpI (152)
[49] Struktura Operačního programu Vzdělávání pro konkurenceschopnost (155)
[50] Regionální diferenciace alokace PO 2 v OP VK (156)
[51] Struktura Operačního programu Podnikání a inovace (158)
[52] Počet podaných žádostí a udělených dotací v OPPI (159)
[53] Finanční podpora z OPPI v jednotlivých krajích ČR (159)
[54] Cíle a vybraná opatření na podporu regionálního rozvoje (167)
Seznam grafů
[1] Vývoj ekonomické úrovně v České republice, Rusku a na Ukrajině (15)
[2] Vývoj rozdělení ekonomické úrovně v zemích bývalého východního bloku v letech 1990–2008 (16)
[3] Rozdělení indexu ISA ve variantě Statehist5 za období 0–1950 a 0–2000 (18)
[4] Korelace indexu ISA ve variantě Statehist5 za období 0–1950 a 0–2000 (18)
[5] Rozdělení hodnot Statehist5 podle regionů (18)
[6] Vztah ISA a indikátoru kvality vlády pro rok 2000 (19)
[7] Vztah ISA a indikátoru kvality byrokracie pro rok 2000 (20)
[8] Korelace ISA s cyklicky očištěným průměrným růstem HDP na osobu (21)
[9] Vývoj obchodu a ekonomický růst (tempa růstu v %) (30)
[10] Podíl vývozu zboží a služeb na produkci a HDP v zemích EU (%, rok 2007) (31)
[11] High-tech zahraniční obchod (% celkového obchodu) (35)
[12] Běžný účet a čistý export (mld. CZK) (36)
[13] Směnné relace (index 100 = průměr roku 2005) (36)
[14] Exportní a importní ceny (index 100 = průměr roku 2005) (37)
[15] Vztah exportu a importu (37)
[16] Kumulativní obrat migrace v letech 1991–2009 (v tis.) (44)
[17] Hrubá míra migrace (1991 a 2009) (45)
[18] Kumulativní migrační saldo v letech 1991–2009 (v tis.) (45)
[19] Čistá míra migrace (1991 a 2009) (46)
[20] Vývoj míry nezaměstnanosti (47)
[21] Vývoj počtu volných pracovních míst (48)
[22] Vývoj průměrné hrubé mzdy (49)
[23] Podíl cizinců v postavení zaměstnanců a celkové zaměstnanosti cizinců na pracovní síle v ČR (v %) (58)
[24] Podíl cizinců na pracovní síle v jednotlivých krajích ČR (v %) (59)
[25] Míra nezaměstnanosti a pracovní imigrace (62)
[26] Mzdy a míra pracovní imigrace (63)
[27] Autokorelace (79)
[28] Impulsní odezvy na šok v efektivitě investic (80)
[29] Data (88)
[30] Impulsní odezvy (94)
[31] Data (108)
[32] Trajektorie vybraných (vyhlazených) proměnných (110)
[33] Data (117)
[34] Rekurzívní odhad persistence celosvětového technologického pokroku (120)
[35] Rekurzívní odhad váhy na inflaci v zahraničním Taylorově pravidle (121)
[36] Rekurzívní odhad setrvačnosti domácího poptávkového šoku (122)
[37] Preferenční parametry domácí a zahraniční monetární autority (123)
[38] Rekurzívní impulzní odezvy: reakce domácího tempa růstu výstupu na negativní celosvětový technologický šok (124)
[39] Rekurzívní impulzní odezvy: reakce zahraničního tempa růstu výstupu na negativní celosvětový technologický šok (124)
[40] Znalostní index (KI) a Index znalostní ekonomiky (KEI) (131)
[41] Znalostní index – KI (KAM 2009) (132)
[42] Index znalostní ekonomiky – KEI (KAM 2009) (133)
[43] Počet studentů v terciárním vzdělávání – stupeň 5–6 (ISCED 1997) na 1000 obyvatel (2009) (136)
[44] Celkové veřejné výdaje na vzdělávání jako % HDP, pro všechny stupně vzdělávání dohromady (2008) (138)
[45] Podíl zaměstnanců ve VaV na celkové zaměstnanosti (%) – přepočet na plné úvazky (2008) (138)
[46] Celkové výdaje na výzkum a vývoj jako % HDP (2009) (139)
POUŽITÁ LITERATURA KE 3. KAPITOLE 179
[47] Procento domácností s vysokorychlostním připojením k internetu – podíl na celkovém počtu domácností (2010) (141)
[48] Výdaje na ICT jako % HDP (2008) (142)
[49] Počet studentů v terciárním vzdělávání celkem – stupeň 5–6 (ISCED 1997) (2009) (144)
[50] Počet studentů v terciárním vzdělávání – stupeň 5–6 (ISCED 1997) na 1000 obyvatel (2009) (144)
[51] Terciární vzdělávání – studenti jednotlivých oborů jako % všech studentů (2010) (145)
[52] Počet zaměstnanců ve VaV celkem – přepočet na plné úvazky (2009) (145)
[53] Podíl sektorů VaV na celkové zaměstnanosti ve VaV (%) v ČR – přepočet na plné úvazky (2008) (146)
[54] Procento podniků s technickou inovační aktivitou (2008) (147)
[55] Procento domácností s vysokorychlostním připojením k internetu – podíl na celkovém počtu domácností (2009) (148)
[56] Procento uživatelů osobního počítače – podíl na celkovém počtu obyvatel (2009) (148)
[57] Finanční alokace prioritních os v OP VaVpI (151)
POZNÁMKY180
Poznámky
POZNÁMKY 181
Poznámky
Vydala Masarykova univerzita roku 2011
1. vydání, 2011, náklad 200 výtisků
Návrh a sazba: EXACTDESIGN, Pavel Jílek, Jana Jansková; www.exactdesign.cz
Tisk: Tiskárna DIDOT spol. s r.o., Trnkova 119, 628 00 Brno-Líšeň
CENTRUM VÝZKUMU KONKURENČNÍ SCHOPNOSTI ČESKÉ EKONOMIKY
EKONOMICKO-SPRÁVNÍ FAKULTA MASARYKOVY UNIVERZITY
prof. Ing. Antonín Slaný, CSc., vedoucí výzkumného centra
KONKURENCESCHOPNOST, RŮSTOVÁ VÝKONNOST
A STABILITA ČESKÉ EKONOMIKY
prof. Ing. Antonín Slaný, CSc., a kolektiv
Ediční rada: L. Blažek, H. Hušková, V. Hyánek, E. Hýblová, J. Maryáš,
M. Kvizda, R. Lukášová, J. Nekuda, D. Němec
ISBN 978-80-210-5656-5
Vzor citace: NĚMEC, Daniel. Strukturální charakteristiky českého trhu práce pohledem „search and matching“
DSGE modelu In Slaný a kol. Konkurenceschopnost, růstová výkonnost a stabilita české ekonomiky.
Brno: Masarykova univerzita, 2011. 184 strany. ISBN 978-80-210-5656-5.
MASARYKOVA UNIVERZITA
EKONOMICKO-SPRÁVNÍ
FAKULTA
CENTRUM VÝZKUMU
KONKURENČNÍ SCHOPNOSTI
ČESKÉ EKONOMIKY
ISBN978-80-210-5656-5