Konstrukcja modeli ekonometrycznych dla Polski i Niemiec

W celu empirycznej identyfikacji determinant rozwoju sprzedaży89

i produkcji biopaliw ciekłych w Polsce i Niemczech w pracy zbudowano modele ekonometryczne bazujące na regresji wielorakiej dla każdego kraju, wychodząc z założenia, że należy oddzielić czynniki determinujące zużycie lub produkcję etanolu od tych, które wpływają na zużycie lub produkcję estrów, zatem lista oszacowanych modeli jest następująca:

 model dla zużycia (sprzedaży) bioetanolu w Polsce,  model dla produkcji bioetanolu w Polsce,

 model dla zużycia (sprzedaży) estrów w Polsce,  model dla produkcji estrów w Polsce,

 model dla zużycia (sprzedaży) bioetanolu w Niemczech,  model dla zużycia (sprzedaży) estrów w Niemczech.

Konstruując modele wzorowano się m.in. na pracy badaczy z Banku Światowego, J. Baffesa i A. Dennisa (2013)⁹⁰. Cytowani autorzy zbudowali model logarytmiczny, w którym wykazali wpływ różnych czynników na kształtowanie się cen pięciu wybranych produktów rolnych o największym znaczeniu w skali globalnej (kukurydzy, pszenicy, ryżu, soi, oleju palmowego)⁹¹. Ceny w tym modelu były zatem zmienną zależną (zmienną Y) i rozpatrywano je łącznie (zmiany cen wszystkich surowców razem). Z kolei wspomnianymi zmiennymi niezależnymi, (X1, X2, …) były: relacja stanu zapasów do zużycia surowców (stock-to-use ratios), cena ropy naftowej (crude oil prices), kurs walutowy (exchange rate),

89 Autor ma świadomość, że zużycie biopaliw nie może być wprost utożsamiane z ich sprzedażą, jednak w pracy pojęcia te w kontekście oszacowanych modeli występują przemiennie.

90

J. Baffes, A. Dennis, 2013, Long-Term Drivers of Food Prices, The World Bank, Development Prospects Group & Poverty Reduction and Economic Management Network, Trade Department, Policy Research Working Paper 6455, Washington.

91 Ze względu na zmienność cen surowców rolnych w czasie dla wyjaśnienia ich kształtowania przeważnie nie stosuje się modeli liniowych. Tym więc może być podyktowany wybór modelu logarytmicznego przez autorów wskazanego raportu.

stopa procentowa (interest rate), Produkt Krajowy Brutto (Gross Domestic Product), wskaźnik cen produkcji eksportowej (price index of manufacturing exports). W rozprawie w modelach dla Polski i Niemiec zmienną zależną (Y) stanowi krajowa sprzedaż biopaliw (estrów lub etanolu), natomiast czynnikami egzogenicznymi są inne zmienne z sektora biopaliw, rynków rolnych oraz zmienne makroekonomiczne, których lista oraz uzasadnienie wyboru zostały podane w dalszej części pracy oraz w aneksie. W modelach dotyczących produkcji biopaliw płynnych (estrów lub etanolu) w Polsce przyjęto, że jest ona zmienną zależną (Y), natomiast czynnikami egzogenicznymi (X1, X2, …) są analogiczne dane, jak wskazane powyżej.

Modele ekonometryczne skonstruowano na podstawie danych kwartalnych, ponieważ badany w rozprawie okres ma zaledwie dziewięć lat (dla Polski: 2006-2014, dla Niemiec: 2007-2015), więc analiza danych rocznych byłaby niewykonalna, gdyż liczba zmiennych byłaby wyższa od liczby obserwacji. Jednocześnie stwarza to pewne ograniczenie w badaniach, ponieważ część danych i zmiennych w Polsce nie występuje w ujęciu kwartalnym, a jedynie w rocznym (np. zbiory, zapasy początkowe, zużycie przemysłowe), a w Niemczech problem stanowią chociażby dane dotyczące produkcji biopaliw – dostępne są dane jedynie w ujęciu rocznym. Ponadto bazy danych w ujęciu kwartalnym nie są tak dobrze rozwinięte i rozbudowane jak w przypadku danych rocznych, więc uniemożliwiło to uwzględnienie niektórych zmiennych. Niemniej uznano za zasadne ograniczenie liczby zmiennych i analizowanie danych w ujęciu kwartalnym. W celu określenia wpływu sezonowości na zmienne objaśniane, wprowadzono zmienne zerojedynkowe (tzw. „dummy variabels”) odpowiadające kwartałom. Aby uchwycić wpływ trendu, lista zmiennych objaśniających została poszerzona o zmienną trendu liniowego lub logarytmicznego (o wyborze typu funkcji trendu decydowało jej dopasowanie do zmienności badanego zjawiska). Ponadto w analizie empirycznej występują także zmienne opóźnione, wychodząc z założenia, że niektóre z nich mogą wpływać na produkcję i zużycie (sprzedaż) biopaliw z kwartalnym opóźnieniem (zmienne opisane jako t-1), np. ceny ropy naftowej lub produkcja oleju rzepakowego z I kwartału 2006 roku mają wpływ na produkcję estrów w II kwartale tego roku.

Przed przystąpieniem do badań empirycznych sprawdzono stacjonarność szeregów czasowych rozszerzonym testem Dickeya-Fullera (Augmented Dickey-Fuller test) w dwóch wariantach: (1) test bez wyrazu wolnego; (2) test z wyrazem wolnym dla każdej zmiennej.

Badanie to miało na celu wyeliminowanie szeregów zmiennych niestacjonarnych i tym samym uniknięcie wystąpienia regresji pozornej. Badanie stacjonarności wykonano w programie Gretl. Na podstawie wartości p (tzw „p-value”) zmienne stacjonarne włączano do analizy regresji. Dokładne wyniki wszystkich testów ADF znajdują się w aneksie. W ramach badań opracowano różne modele liniowe i nieliniowe dla poszczególnych branż sektora biopaliw ciekłych (branży estrów oraz branży etanolu). W każdym przypadku do interpretacji wybierano ten model, który charakteryzował się lepszym dopasowaniem (na podstawie wartości współczynnika determinacji R2

)⁹². Analizę regresji wielorakiej w programie Statistica (StatSoft, ver. 12) uzupełniono oszacowaniem modeli KMNK (klasyczną metodą najmniejszych kwadratów) z tzw. odpornymi błędami standardowymi (robust standard errors), dzięki czemu otrzymano oszacowania niepodatne na obserwacje odstające. Stwierdzono, że wartości błędów oszacowanych w ten sposób są niższe niż błędów standardowych. Analiza regresji została przeprowadzona metodą krokową wsteczną93

. Po otrzymaniu każdego modelu ekonometrycznego przeprowadzono test Durbina-Watsona, dzięki któremu możliwa była ocena występowania autokorelacji pierwszego rzędu między resztami, czyli błędów przewidywania rzeczywistej wartości zmiennej obliczonej na podstawie uzyskanego modelu regresji. Modele o dobrym dopasowaniu zakładają, że wspomniane reszty są od siebie niezależne, a ich rozkład jest losowy. Dla reszt w każdym modelu wykonano test White'a na heteroskedastyczność składnika losowego, czyli zmienności wariancji, w którym w hipotezie zerowej zakłada się niewystępowanie heteroskedastyczności (czyli stałość wariancji). Ponadto przeprowadzono test na normalność rozkładu reszt zmiennej, wykorzystując m.in. testy Doornika-Hansena i Shapiro-Wilka, przyjmując w hipotezie zerowej, że rozkład reszt zmiennej jest normalny. Przy konstruowaniu modeli ekonometrycznych dla sektora etanolu wykorzystano dane dotyczące produkcji i sprzedaży tego biokomponentu, dane z rynku zbóż oraz dane makroekonomiczne, natomiast dla sektora estrów wykaz zmiennych obejmował dane dotyczące wytwarzania i zbycia estrów, dane z rynku roślin oleistych oraz dane makroekonomiczne. Dla Niemiec lista zmiennych obejmuje dane dotyczące zużycia i handlu biokomponentami (etanol i estry), dane z rynków

92

Modele logarytmiczne w mniejszym stopniu objaśniały zmienność zjawiska, zatem do interpretacji wybierano modele liniowe. Modelami logarytmicznymi były: model, w którym wszystkie zmienne (objaśniana i objaśniające) zostały zlogarytmowane oraz model, w któym zmienna objaśniana (Y) była w formie zlogarytmowanej, a zmienne objaśniające (X1, X₂, …) były w nominalnej postaci.

93

Metoda regresji krokowej wstecznej polega na usuwaniu z modelu kolejno zmiennych niezależnych (objaśniających), mających najmniej istotny wpływ na zmienną objaśnianą [Poczta-Wajda 2010, s. 22-23].

rolnych – odpowiednio – rynku zbóż oraz rynku roślin oleistych oraz dane makroekonomiczne. W aneksie do rozprawy umieszczono listy wszystkich zmiennych, które wybrano do analiz oraz źródła danych.

Modele ekonometryczne, identyfikujące determinanty zużycia (sprzedaży) biopaliw ciekłych (etanolu i estrów) bądź ich produkcję w Polsce zbudowano na podstawie danych z sektora biopaliw (produkcji, sprzedaży w kraju oraz za granicą), rynków rolnych (związanych z podażą, popytem i ceny) oraz danych makroekonomicznych. Za zmienną zależną przyjęto odpowiednio zużycie lub produkcję biokomponentów (etanolu i estrów), natomiast wszystkie pozostałe zmienne są niezależnymi. Modele ekonometryczne, identyfikujące determinanty zużycia (sprzedaży) biopaliw ciekłych (etanolu i estrów) w Niemczech zbudowano na podstawie danych z sektora biopaliw, rynków rolnych (związanych z podażą, popytem i ceny) oraz danych makroekonomicznych. Z sektora biopaliw wybrano import oraz eksport, przyjmując, że wpływają one na zużycie biokomponentów w kraju. W żadnym modelu nie występują ceny biopaliw, ponieważ nie są dostępne takie notowania w analizowanym okresie (tj. po 2006 roku)⁹⁴.

Z rynku zbóż do analizy włączono pszenicę, żyto oraz kukurydzę, czyli te gatunki zbóż, które są bardzo dobrymi surowcami dla branży etanolu [Szajner (red.) 2015, s. 89; Zegar 2012c, s. 73]. W Unii Europejskiej pszenica jest głównym surowcem do produkcji bioetanolu i w pracy przyjęto założenie, że podobnie jest także w Polsce i Niemczech, o czym była już mowa w podrozdziale dotyczącym struktury wykorzystania surowców do produkcji biopaliw. Według Ajanovic struktura zużycia surowców do wytwarzania bioetanolu w UE przed kilkoma laty przedstawia się następująco: 70% pszenica, jęczmień 15%, kukurydza 10%, żyto 5% [2011, s. 2071]. Inni autorzy podają, że w strukturze większe i rosnące znaczenie ma kukurydza, natomiast malejące – żyto, niemniej to pszenica pozostaje najważniejszym surowcem [Flach i in. 2013, s. 12]. Jak wskazano, żyto i kukurydza również są znaczącymi gatunkami zbóż w polskim rolnictwie i ważnymi surowcami dla branży etanolu w kraju (jęczmień – w niewielkim stopniu). W modelach empirycznych nie zostały uwzględnione niektóre surowce, mogące być wykorzystywane do wytwarzania etanolu. Są nimi buraki cukrowe⁹⁵, ziemniaki – ich pominięcie wynika jednak z mniejszego znaczenia dla

94 Fachagentur Nachwachsende Rohstoffe podawała jedynie szczątkowe (wybrane) miesięczne notowania cen biopaliw (etanolu i estrów) w Niemczech z ostatnich kilku lat, więc ich włączenie do analizy empirycznej było niemożliwe [zob. Fachagentur Nachwachsende Rohstoffe, Biokraftstoffe Großhandelspreise].

95

Jako surowiec energetyczny buraki cukrowe mają większe znaczenie w Niemczech niż w Polsce, por. podrozdział prezentujący strukturę wykorzystania surowców do produkcji biopaliw.

branży w stosunku do wybranych surowców. Włączone do analizy empirycznej w Polsce relacje „zużycie przemysłowe / skup”, „zużycie / eksport” oraz „zużycie / import” są trochę sztucznymi parametrami, tym bardziej, że za zużycie przemysłowe w kwartałach przyjęto ¼ zużycia rocznego. W odniesieniu do tych współczynników chodzi o pewną relację, jaką część skupu, eksportu lub importu stanowi zużycie przemysłowe pszenicy, żyta lub kukurydzy. Parametr ten ma pokazać wielkość zużycia przemysłowego w relacji. Z rynku zbóż w Niemczech wybrano dodatkowo zapasy pszenicy oraz żyta z początku okresu.

Rynki roślin oleistych w Polsce i Niemczech są zdominowane przez rzepak (i rzepik), więc do badań włączono przede wszystkim zmienne związane z nasionami rzepaku oraz olejem rzepakowym (produkcja, zużycie krajowe, import, eksport, ceny dla Polski oraz skup, zapasy, zasoby, przetwórstwo, import dla Niemiec), ale również zmienne związane z innymi olejami roślinnymi, które są istotne dla branży estrów w Polsce, zatem z olejami palmowym i sojowym [Rosiak, Łopaciuk i Krzemiński 2011]. Ajanovic wskazuje, że podstawowym surowcem do produkcji estrów w Unii Europejskiej jest olej rzepakowy (79% udziału w łączym zużyciu), a na kolejnych miejscach są olej sojowy (18%) i słonecznikowy (2%) [2011, s. 2071]. Inni autorzy wskazują, że w latach 2009-2013 przeciętny udział różnych surowców był następujący: olej rzepakowy 67%, olej sojowy 9%, olej palmowy 8%, olej słonecznikowy 2%, tłuszcze zwierzęce 4,5%, zużyte oleje i inne surowce 9,5% [Flach i in. 2013, s. 19]. Zarówno w Polsce, jak i w Niemczech najważniejszym surowcem dla sektora estrów jest olej rzepakowy, jednak warto odnotować, że w ostatnich latach duże znaczenie zyskał właśnie olej palmowy. Także w skali globalnej surowiec ten staje się coraz ważniejszy dla sektora estrów.

Do empirycznej analizy czynników determinujących sprzedaż i produkcję biopaliw włączono również najważniejsze dane makroekonomiczne, do których zaliczono: zmianę dochodu narodowego (Produktu Krajowego Brutto), referencyjną stopę procentową, wskaźnik inflacji, kursy walutowe Narodowego Banku Polskiego w parach: euro/złoty oraz dolar amerykański/złoty i kurs walutowy Europejskiego Banku Centralnego w parze dolar amerykański/euro, a także ceny ropy naftowej. Szczególnie ta ostatnia determinanta z obszaru zmiennych makroekonomicznych wydaje się mieć kluczowe znaczenie dla funkcjonowania i rozwoju sektora biopaliw ciekłych, w tym w szczególności produkcji biopaliw. Dane te w postaci powyższych zmiennych zostały dodane do badań jako reprezentujące otoczenie zewnętrzne – makroekonomiczne.