Pobierz Cykl koniunkturalny w Polsce– analiza sektorowa i więcej Publikacje w PDF z Business Finance tylko na Docsity!
Bank i Kredyt 44 ( 2 ) , 2013, 175–
www.bankandcredit.nbp.pl
www.bankikredyt.nbp.pl
Cykl koniunkturalny w Polsce
– analiza sektorowa
Marta Skrzypczyńska*
Nadesłany: 12 lipca 2012 r. Zaakceptowany: 8 listopada 2012 r.
Streszczenie
W artykule omówiono cykl koniunkturalny w latach 1996−2012 na podstawie danych o aktyw- ności gospodarczej różnych sektorów. Do tego celu wykorzystane zostały modele z przełączaniem typu Markowa, ze stałym oraz zmiennym w czasie prawdopodobieństwem przejścia pomiędzy fazami cyklu koniunkturalnego. Na podstawie dat w modelach ze stałym prawdopodobieństwem przejścia można wnioskować, że procesy cykliczne w Polsce charakteryzują się występowaniem dwóch dominujących cykli, trwających przeciętnie 3,5−4,5 roku oraz 5,5 roku do 6 lat. Są także zróżnicowane pod względem czasu trwania faz oraz amplitudy wahań. Modele ze zmiennym prawdopodobieństwem przejścia wskazują, że zależy ono od czasu trwa- nia fazy cyklu oraz, w drugiej wersji, zmian wskaźnika wyprzedzającego. W pierwszym przypad- ku nie potwierdzono wzrostu prawdopodobieństwa przejścia do następnej fazy cyklu wraz z wy- dłużaniem się fazy bieżącej. W drugim przypadku wskaźnik wyprzedzający dobrze objaśnił praw- dopodobieństwo przejścia i umożliwił prognozowanie zakończenia spowolnienia produkcji dóbr zaopatrzeniowych oraz ożywienia produkcji energii elektrycznej.
Słowa kluczowe: cykl koniunkturalny, punkty zwrotne, analiza sektorowa, model z prze- łączaniem typu Markowa, stałe i zmienne prawdopodobieństwo przejścia
JEL: C22, C24, C34, E
176 M. Skrzypczyńska
1. Wstęp
Współczesny cykl koniunkturalny objawia się oscylowaniem mierników aktywności gospodar- czej wokół ich długookresowego trendu. Charakteryzuje je naprzemienność występowania w okre- sach od 1,5 roku do 10 lat, a także zróżnicowanie czasu trwania i amplitudy wahań. Wahania koniunkturalne o tym samym kierunku występują równocześnie w wielu sektorach gospodarki (ang. comovement ). Do mierników aktywności gospodarczej w skali makro, które najczęściej wykorzystuje się w badaniach cyklu koniunkturalnego, należą: produkt krajowy brutto oraz produkcja sprzedana przemysłu. Nie oddają one w pełni obrazu wahań koniunkturalnych występujących w gospodarce. Z tego względu uzasadniona jest analiza procesów cyklicznych w przekroju sektorowym. W Polsce niewiele jest opracowań, których przedmiotem są cykle koniunkturalne w różnych sektorach gospodarki. W pracy Adamowicz i in. (2008) oraz Skrzypczyńskiego (2010) szerokie spektrum zmiennych reprezentujących wahania aktywności gospodarczej wykorzystano do ba- dania synchronizacji cyklu koniunkturalnego w Polsce oraz strefie euro, używając do tego metod analizy spektralnej. Autorzy obu prac zgodnie wnioskują, że wahania aktywności gospodarczej w Polsce są relatywnie silnie zsynchronizowane z cyklami gospodarek strefy euro. Fic (2007) zba- dała przebieg cyklu koniunkturalnego w Polsce za pomocą modeli z przełączaniem typu Markowa, a Gradzewicz i in. (2010) wykorzystali analizę spektralną. W obu opracowaniach zidentyfikowa- no fazy i punkty zwrotne cyklu koniunkturalnego oraz wskazano na występowanie w wahaniach aktywności gospodarczej cykli krótszych niż 3−4 lata oraz dłuższych niż 8−10 lat. Dodatkowo w pracy Gradzewicza i in. (2010) omówiono najważniejsze współzależności charakteryzujące oma- wiane zmienne makroekonomiczne. Stwierdzono, że wiele z nich jest podobnych do występują- cych w gospodarkach wysoko rozwiniętych. Celem przeprowadzonej analizy jest charakterystyka procesów cyklicznych zachodzących w gospodarce Polski. Postawione zostały trzy hipotezy badawcze. Cykle aktywności gospodarczej nie charakteryzują się ścisłą periodycznością, różnią się amplitudą oraz momentami występowa- nia punktów zwrotnych. Hipoteza ta ogranicza wykorzystanie metod analizy spektralnej, w któ- rych zakłada się ścisłą periodyczność cykli. Zweryfikowano także stwierdzenie, że wahania ak- tywności gospodarczej występują synchronicznie w różnych sektorach gospodarki. Sprawdzono również prawdziwość twierdzenia, że im dłużej trwa bieżąca faza, tym bardziej prawdopodobne jest przejście do następnej. Do weryfikacji powyższych twierdzeń wykorzystano modele z prze- łączaniem typu Markowa ze stałym oraz zmiennym w czasie prawdopodobieństwem przejścia. Analizy przebiegu cyklu koniunkturalnego w Polsce, w których wykorzystano tego typu modele, omówiono w pracach Fic (2007) oraz Skrzypczyńskiej (2011). W literaturze tematu nie odnaleziono żadnej pozycji wykorzystującej te modele przy założeniu zmiennego prawdopodobieństwa przej- ścia pomiędzy fazami cyklu. Niniejsze opracowanie wypełnia tę lukę. Artykuł podzielono na pięć części. W punkcie drugim przedstawiono wykorzystane szeregi czasowe oraz wyniki testu na stacjonarność. Część trzecia zawiera charakterystykę metod ilościo- wych zastosowanych w analizie empirycznej. Do opisu zjawisk cyklicznych wykorzystano mo- dele z przełączaniem typu Markowa. Hamilton (1989) przedstawił model, w którym prawdopodo- bieństwo przejścia pomiędzy fazami cyklu koniunkturalnego jest stałe w czasie (FTP, ang. fixed transition probabilities ). Założył, że oczekiwana długość faz jest taka sama w każdym cyklu.
178 M. Skrzypczyńska
t t
t
ε L y
dla St 0
( L )( yt 1 )dla^ St 1
r
( L ) 1 + 2 L +....+ r L
St 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
fY s s Y Ps s Y
Y θ Ps s Y Y
Ps s
= =^ =^ =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( )
0 1 1
1 0 1 1 t
t t
p pz
pz p pz
1 exp ( )
exp ( )
0 1 1
1 0 1 1 t
t t
q qz
q qz
qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
t – 1
t – 1
zt – 1
z t – 1 zt – 1
z t – 1
gdzie:
t t
t
ε L y
ε
ε
μ
μ
μ μ μ
φ
φ
φ φ φ
σ
φ
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
S (^) t 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St = st
p p
P S s S s q q
t t t t 1
( | )^1
1 1
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T t t T t t t t T fY s Y
fY s s Y Ps s Y
Y θ Ps s YY
θ
θ
θ θ θ
P s s =
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t p pz
pz p pz
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
=
=
=
=
t – 1
t – 1
zt (^) – 1 zt (^) – 1 zt (^) – 1
zt (^) – 1
=
μ μ 1 φ σ
− operator opóźnień,
t t
t
ε L y
ε
ε
μ
μ
μ μ μ
φ
φ
φ φ φ
σ
φ
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
S (^) t 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St = st
p p
P S s S s q q
t t t t 1
( | )^1
1 1
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T t t T t t t t T fY s Y
fY s s Y Ps s Y
Y θ Ps s YY
θ
θ
θ θ θ
P s s =
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t p pz
pz p pz
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
=
=
=
=
t – 1
t – 1
zt (^) – 1 zt (^) – 1 zt (^) – 1
zt (^) – 1
=
μ μ 1 φ σ
− średnia,
t t
t
ε L y
ε
ε
μ
μ
μ μ μ
φ
φ
φ φ φ
σ
φ
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
S (^) t 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St = st
p p
P S s S s q q
t t t t 1
( | )^1
1 1
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T t t T t t t t T fY s Y
fY s s Y Ps s Y
Y θ Ps s YY
θ
θ
θ θ θ
P s s =
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t p pz
pz p pz
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
=
=
=
=
t – 1
t – 1
zt (^) – 1 zt (^) – 1 zt (^) – 1
zt (^) – 1
=
μ μ 1 φ σ
Wraz ze zmianą fazy
t t
t
ε L y
ε
ε
μ
μ
μ μ μ
φ
φ
φ φ φ
σ
φ
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
S (^) t 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St = st
p p
P S s S s q q
t t t t 1
( | )^1
1 1
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T t t T t t t t T fY s Y
fY s s Y Ps s Y
Y θ Ps s YY
θ
θ
θ θ θ
P s s =
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t p pz
pz p pz
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
=
=
=
=
t – 1
t – 1
zt (^) – 1 zt (^) – 1 zt (^) – 1
zt (^) – 1
=
μ μ 1 φ σ
zmienia się jedynie średnia wartość zmiennej, a parametry wielomianu opóźnień oraz wariancja składnika losowego pozostają bez zmian. Procesem sterują- cym zmianami jest łańcuch Markowa pierwszego rzędu:
t t
t
ε L y
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
S t 0 1 S t
t ~ N^ (^0 ,^2 )
St ∈ { 0 , 1 }
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
P s s =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
exp ( )
0 1 1
0 1 1 1 t
t
t p pz
p pz
pz
1 exp ( )
( ) exp^ ( )
0 1 1
0 1 1 1 t
t
t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
t – 1
t – 1
zt – 1
zt – 1 zt – 1
zt – 1
W artykule rozważa się jedynie specyfikacje modeli z dwoma stanami, odpowiadającymi osła- bieniu i ożywieniu koniunktury. Zmienna reżimu ewoluuje zgodnie z procesem Markowa o stałych prawdopodobieństwach przejścia:
t t
t
ε L y
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
S t 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
P s s =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( )
0 1 1
0 1 1 1 t
t
t p pz
pz p pz
1 exp ( )
exp ( )
0 1 1
1 0 1 1 t
t t
q qz
q qz
qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i
2
t – 1
t – 1
zt – 1
zt – 1 zt – 1
zt – 1
+^1
gdzie p i q określają prawdopodobieństwa pozostania, odpowiednio, w okresie ożywienia i spowol-
nienia gospodarczego, a 1 − p i 1 − q prawdopodobieństwa zmiany tych faz. W przypadku takiej
postaci modelu zakłada się jednocześnie stały oczekiwany czas trwania danej fazy.
Można wyróżnić kilka metod estymacji nieznanych parametrów modelu z przełączaniem ty- pu Markowa, m.in. metodę największej wiarygodności zaproponowaną przez Hamiltona (1989), algorytm EM (ang. expectation maximisation ) (por. Dempster, Laird, Rubin 1977; Hamilton 1990) oraz podejście bayesowskie wykorzystujące próbnik Gibbsa (por. Albert, Chib 1993). W artykule do oszacowania parametrów zastosowano podejście Hamiltona (1989). Do wnioskowania o przynależ- ności obserwacji do danej fazy cyklu koniunkturalnego wykorzystano prawdopodobieństwa wygła- dzone, uzyskane za pomocą zaproponowanego przez Kima (1994) filtru typu backward , w którym algorytm wygładzający startuje z punktu końcowego całej dostępnej próby:
t t
t
ε L y
dla St 0
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
St 0 1 S t
t ~ N^ (^0 ,^2 )
St ∈ { 0 , 1 }
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
P s s =
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 , t 1 t 1 )
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
exp ( )
0 1 1
0 1 1 1 t
t
t p pz
p pz
pz
exp ( )
( t 1 )^01^ t^1
q qz
qz
t – 1
t – 1
zt – 1
zt – 1 zt^ – 1
z t – 1
3.2. Model ze zmiennym prawdopodobieństwem przejścia
Diebold, Lee i Weinbach (1994), a także Filardo (1994) uchylają założenie o stałości prawdopodo- bieństwa przejścia i dopuszczają jego zmienność w czasie przez dopasowanie do zmieniających się
Cykl koniunkturalny w Polsce – analiza sektorowa 179
warunków gospodarczych. Filardo (1994) uzależnił kształtowanie się prawdopodobieństwa przej- ścia od zmiany wskaźnika wyprzedzającego aktywności gospodarczej. W modelu ze zmiennym prawdopodobieństwem (TVTP) przebieg zmiennej opisany jest przez proces Markowa:
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
P s s =
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
exp ( )
0 1 1
1 0 1 1 t
t t
p pz
p pz
pz
1 exp ( )
exp ( )
0 1 1
0 1 1 1 t
t
t q qz
q qz
qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
t – 1
t – 1
zt – 1
zt – 1 zt^ – 1
zt – 1
gdzie zmienna Z t– 1 stanowi wskaźnik koniunktury, a prawdopodobieństwo przejścia
=
=
=
PSt st St = st
P ( S t st | St 1 st 1 )
( t | t 1 , YT ; θ ) P ( st
θ
Ps s
= =
P ( st | st 1 , Yt ; )
P ( St st | St 1 st 1 Z
p ( z ) q ( z )
1 exp (
( ) exp^ ( 0
0 t (^1) p pz p p
1 exp (
( ) exp^ ( 0
0 1 t (^1) q qz q q
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l
0 i 2
t – 1
t – 1
=
=
=
=
=
μ μ 1 φ σ
i
St ∈ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
θ
θ θ θ θ
P s s =
= = = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
exp ( ) ( ) 0 1 1
1 0 1 1 t
t t p pz
p pz pz
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
t – 1
t – 1
zt (^) – 1 zt (^) – 1 z (^) t – 1
zt (^) – 1
=
μ μ 1 φ σ
zmienia się zgodnie z przebiegiem funkcji logistycznej:
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
Ps s
= =^ =^ =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
exp ( )
0 1 1
1 0 1 1 t
t t
p pz
p pz
pz
1 exp ( )
exp ( )
0 1 1
0 1 1 1 t
t
t q qz
q qz
qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
t – 1
t – 1
zt – 1
zt – 1 zt – 1
zt – 1
PSt st St = st S = s = PSt = st St = st
p p
q q
P St st St st
1 ,
1 , 1 1 1 1 1 , t T t t
t T t t t t t T
t t T t t t t T f Y s Y
f Y s s Y Ps s Y
Y θ Ps s Y Y
Ps s
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q
PS s S s Z z
p ( z ) q ( z )
1 exp ( )
exp ( )
0 1 1
0 1 1 1 t
t
t p pz
p pz
pz
1 exp ( )
exp ( )
0 1 1
0 1 1 1 t
t
t q qz
q qz
qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
t – 1
t – 1
zt – 1
zt – 1 zt^ – 1
zt – 1
Parametry p 0 oraz q 0 oznaczają stałe, a p 1 oraz q 1 zmienne części wartości prawdopodobieństwa, że
dany stan się utrzyma, odpowiednio, dla okresu ożywienia i spowolnienia gospodarczego. Jeśli pa-
rametry p 1 oraz q 1 mają przeciwne znaki, to prawdopodobieństwo pozostania w fazie poprawy oraz
fazie pogorszenia koniunktury gospodarczej będzie się zmieniać w przeciwnym kierunku wraz
z wahaniami zmiennej Z t– 1. Taka interpretacja jest zgodna z intuicją. W przypadku takich samych
znaków parametrów p 1 oraz q 1 interpretacja parametrów staje się skomplikowana. Statystyczna
istotność modelu TVTP oraz parametrów stojących przy zmiennej Z t– 1 może zostać oceniona na
podstawie testu ilorazu wiarygodności przy założeniu restrykcji
εt –
ε
μ
μ μ μ
φ
φ φ φ
σ
φ
( L )( yt 1 )dla St 1
r
( L ) 1 + 2 L +....+ r L
St 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St
p p
q q
P St st St st
( t | t 1 , T ; ) ( t | t 1 , t , t 1 , T ; )^ t
f Y
Y θ Ps s Y Y
θ
Ps s θ
= =^ =^ =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p
q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( ) 0 1 1
0 1 1 1 t
t t (^) p pz pz p pz
1 exp ( )
( ) exp^ ( ) 0 1 1
0 1 1 1 t
t t (^) q qz qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
=
=
=
t – 1
t – 1
zt (^) – 1 zt (^) – 1
=
μ μ 1 φ σ
, redukującej model do postaci FTP. Wartość statystyki testu wynosi
ε
μ μ μ
φ φ φ
σ
( L ) 1 + 2 L +....+ φr Lr
St 0 1 S t
t ~ N^ (^0 ,^2 )
St^ ∈^ { 0 , 1 }
=
= =
= =
PSt st St = st S = s = PSt = st St = st
p p
P S s S s q q
t t t t 1
( | )^1
1 1
1 ,
1 , 1 1 1 1 , t T t t
t T t t t t t T t t t t T f Y s Y
f Y s s Y Ps
Y θ Ps s Y Y
θ
θ
θ
Ps s
= =^ = =
P ( st | st 1 , Yt ; )
( t t | t 1 t 1 t 1 t 1
p p
q q PS s S s Z z
p ( z ) q ( z )
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t p pz
pz p pz
1 exp ( )
( ) exp^ ( ) 0 1 1
1 0 1 1 t
t t q qz
qz q qz
p 1 q 1 0
2 ( TVTP lFTP )
i
LR l lTVTP lFTP
0 i 2
= = +
t – 1
t – 1
z (^) t – 1 zt (^) – 1 z (^) t – 1
zt (^) – 1
=
μ μ 1 φ σ
, gdzie lTVTP oraz l FTP oznacza-
ją logarytm funkcji wiarygodności dla modeli TVTP oraz FTP. Jeśli prawdziwa jest hipoteza zero-
wa, to statystyka ma rozkład χ^2 o dwóch stopniach swobody. Odrzucenie hipotezy zerowej świad-
czy o statystycznej istotności modelu TVTP (por. Filardo 1994). Zaletą modelu TVTP jest to, że informuje o oczekiwanym czasie trwania cyklu koniunkturalnego na podstawie wahań zmien-
nej Z t– 1. Umożliwia to przewidywanie kierunku zmian aktywności gospodarczej. Według Filardo
i Gordona (1998) oczekiwany czas trwania recesji w gospodarce amerykańskiej szybko się zmniej- szał, co było sygnałem nadchodzącego przejścia do fazy ożywienia. Jednym z kierunków badań cykli koniunkturalnych jest zależność prawdopodobieństwa
zmiany fazy koniunktury od czasu jej trwania. W tym przypadku zmienna Z t– 1 opisuje czas
trwania bieżącej fazy cyklu. Ujemny znak przy parametrach p 1 lub q 1 oznacza, że prawdopodo-
bieństwo przejścia do kolejnej fazy, odpowiednio ożywienia lub spowolnienia, rośnie (prawdopo- dobieństwo pozostania w bieżącej fazie maleje) wraz z wydłużaniem się bieżącej fazy. Durland i McCurdy (1994) badali tę zależność na podstawie jednowymiarowego modelu Hamiltona (1994). Layton i Smith (2007) rozszerzyli zestaw zmiennych objaśniających o dwa wskaźniki wyprzedza- jące. Rozważane zagadnienie było także przedmiotem badania Diebolda, Rudebuscha i Sichela (1993), którzy wyciągnęli wnioski na podstawie analizy przeżycia.
Cykl koniunkturalny w Polsce – analiza sektorowa 181
wynosi przeciętnie do 2,4%, a w fazie ożywienia około 5,7%. Podobne zjawisko występuje w bu- downictwie i transporcie, choć tu amplituda wahań jest wyższa niż w przypadku wartości doda- nej. W fazie spowolnienia notuje się absolutne spadki poziomu w ujęciu rocznym: o 2,2% w budow- nictwie oraz 4,7% w transporcie. Prawdopodobieństwo pozostania w bieżącej fazie koniunktury w następnym okresie jest wysokie. W budownictwie, transporcie i handlu jest ono wyższe niż w okresie spowolnienia. Największe prawdopodobieństwo przejścia z fazy spadkowej do wzrostowej występuje w transporcie. Istnieje 20% szans na zmianę fazy ze spowolnienia na ożywienie. W han- dlu czas trwania poszczególnych faz nie różni się istotnie, z kolei w budownictwie i transporcie występuje asymetria. W budownictwie faza spadkowa trwa 25 kwartałów, a w transporcie tylko 6, podczas gdy faza wzrostowa trwa, odpowiednio, 19 oraz 17 kwartałów. Na podstawie wyznaczonych punktów zwrotnych przedstawionych w tabeli 5 oraz prawdopo- dobieństwa znalezienia się w określonej fazie cyklu (por. wykres 4) można wnioskować, że budow- nictwo charakteryzuje się cyklicznością o najniższej częstotliwości. W latach 1996−2012 odnoto- wano w tym sektorze niespełna dwa 11-letnie cykle (por. Gradzewicz i in. 2010, tabela 4), podczas gdy w transporcie i handlu wystąpiły niecałe trzy cykle o długości 5,5 roku − 6 lat. Ponadto trans- port, budownictwo i handel wydają się niewrażliwe na szoki zewnętrzne − kryzys rosyjski oraz przystąpienie do UE, w przeciwieństwie do sektora przemysłu. W celu określenia relacji czaso- wych pomiędzy stopami wzrostu w poszczególnych sektorach obliczono wzajemne korelacje, któ- re ilustruje tabela 6. Najwyższe wskaźniki korelacji między stopami wzrostu a wartością dodaną odnotowano dla budownictwa w bieżącej chwili, handlu w poprzednim okresie oraz transportu dwa okresy później. Oszacowania parametrów zaprezentowane w tabeli 3 oraz prawdopodobieństwa pozostania w poszczególnych fazach cyklu (por. wykres 5) w przypadku dóbr inwestycyjnych i dóbr związa- nych z energią uniemożliwiają jednoznaczną interpretację wyników. Z kolei dla produkcji dóbr trwałych nie uzyskano oszacowań parametrów modelu, ponieważ trudno było dobrać parametry startowe procedury. Produkcja w przemyśle ogółem charakteryzuje się dużą zmiennością. Najwyż- sze i najbardziej podobne amplitudy wahań cechują produkcję przemysłu przetwórczego oraz dóbr zaopatrzeniowych. W tych dwóch sektorach oraz w produkcji energii notuje się spadki, podczas gdy dynamika wzrostu produkcji dóbr nietrwałych zmniejsza się do około 3,0% wobec 8,3% w fa - zie pomyślnej koniunktury. Prawdopodobieństwo pozostania w fazie ożywienia jest najwyższe dla produkcji dóbr zaopatrzeniowych, a najniższe w przypadku produkcji energii. Cykle analizowa- nych wskaźników miesięcznych charakteryzują się zatem różnym czasem trwania faz. Jednak tyl - ko w produkcji dóbr nietrwałych faza spadkowa jest dłuższa od wzrostowej i trwa przeciętnie 38 miesięcy. W pozostałych sektorach zachodzi zjawisko odwrotne. Cykle w produkcji dóbr nietrwa - łych mają najmniejszą częstotliwość. W latach 1996−2012 wystąpiły trzy cykle trwające przecięt- nie 5,5 roku. Biorąc dodatkowo pod uwagę wyznaczone punkty zwrotne (por. tabela 7) oraz prawdopodo- bieństwo znalezienia się w danej fazie, można wnioskować, że cykliczność produkcji energii oraz dóbr nietrwałych jest inna niż produkcji w przemyśle. Najwyższą korelację stóp wzrostu analizo- wanych wskaźników miesięcznych odnotowano natomiast dla równoczesnych zmian produkcji w przemyśle (por. tabela 6). Na podstawie powyższych wyników można wnioskować, że na procesy gospodarcze w Polsce wpływa nakładanie się cykli o wyższej częstotliwości (3,5–4,5 roku) na cykle dłuższe
182 M. Skrzypczyńska
5,5 roku – 6 lat) oraz cykl 11-letni charakteryzujący aktywność gospodarczą w budownictwie. W latach 1996−2011 można wyróżnić cztery cykle. W 1996 i 1997 r. odnotowano wysokie tempo rozwoju gospodarczego, które jednak spowolni- ło na początku 1998 r. wskutek obniżenia dynamiki popytu krajowego. Zewnętrznym czynnikiem pogłębiającym spadek aktywności było duże osłabienie eksportu, które odbiło się na koniunkturze w przemyśle. Na załamanie eksportu złożyły się: osłabienie aktywności gospodarczej głównych partnerów handlowych Polski, będące skutkiem kryzysu azjatyckiego w 1997 r., oraz kryzys rosyj- ski w 1998 r., który miał charakter nieoczekiwanego szoku. Pomyślna koniunktura rozpoczęła się w połowie 1999 r. i trwała do drugiego półrocza 2000 r. Był to dość krótki okres, w którym nastąpił jednak wzrost popytu konsumpcyjnego, wspierany m.in. serią obniżek stóp procentowych w całym 1998 r. oraz na początku 1999 r. W tym czasie wzrost popytu na eksport spowodował przyspieszenie aktywności w przemyśle. Także koniunktu- ra w budownictwie, mimo że słabła, nadal była znaczna na skutek silnego popytu inwestycyjne- go. W drugiej połowie 2000 r. gospodarka spowolniła. O sile tego zjawiska zadecydowały zarówno czynniki zewnętrzne, jak i wewnętrzne. Gospodarka światowa pogrążyła się w recesji. Spowol- nienie gospodarcze w Polsce rozpoczęło się spadkiem dynamiki popytu krajowego, w szczególno- ści spożycia indywidualnego (m.in. handel). Do obniżenia popytu przyczyniło się prowadzenie od drugiej połowy 1999 r. bardziej restrykcyjnej polityki pieniężnej i fiskalnej. Co więcej, w drugim półroczu 2000 r., kiedy spadek był już wyraźny, nastąpiło ponowne zaostrzenie polityki pienięż- nej, co uderzyło w gospodarstwa domowe i przedsiębiorstwa. Ponadto w kwietniu 2000 r. nastąpi - ła zmiana reżimu kursowego – wprowadzono kurs płynny. Złoty po okresie deprecjacji zaczął się umacniać, co negatywnie wpłynęło na konkurencyjność polskiego eksportu. Okres dekoniunktury trwał do III kwartału 2003 r. w warunkach pogarszającej się sytuacji przedsiębiorstw oraz ograni- czania nakładów inwestycyjnych, co znalazło odzwierciedlenie w aktywności sektora budowlane- go. Poprawę koniunktury spowodował wzrost popytu konsumpcyjnego i eksportu. W transporcie i przemyśle nastąpiła ona szybciej. Do ożywienia konsumpcji mógł się przyczynić cykl obniżek stóp procentowych rozpoczęty w 2001 r. W okresie od IV kwartału 2003 r. do IV kwartału 2005 r. obserwowano pozytywny szok zwią- zany z przystąpieniem Polski do Unii Europejskiej. Był on oczekiwany i dlatego jego skutki odczu- wano zarówno przed akcesją, jak i po niej. Inaczej było w przypadku kryzysu rosyjskiego, którego skutki nastąpiły dopiero po jego rozpoczęciu. Przed przystąpieniem do Unii Europejskiej odnoto- wano wzrost nowych zamówień w przemyśle oraz nagromadzenie zapasów. W wyniku napływu bezpośrednich inwestycji zagranicznych oraz funduszy unijnych poprawił się również popyt in- westycyjny. W budownictwie ożywienie pojawiło się jednak z pewnym opóźnieniem w stosunku do koniunktury ogólnogospodarczej – zwrot nastąpił dopiero w IV kwartale 2004 r. W ciągu 1, roku po akcesji tempo wzrostu gospodarczego osłabło w warunkach zmniejszania się stanu zapa- sów i towarzyszącego temu ograniczania popytu konsumpcyjnego. Do spadku aktywności gospo- darczej przyczyniło się także zmniejszenie stopy wzrostu eksportu spowodowane małym popytem zewnętrznym wynikającym z problemów strefy euro oraz aprecjacji złotego. Tempo wzrostu gospodarczego zaczęło ponownie przyspieszać w drugiej połowie 2005 r. za sprawą wzrostu dynamiki spożycia zbiorowego. Wtedy także nastąpiło wyraźne ożywienie w han- dlu, a zwiększone spożycie gospodarstw domowych było finansowane coraz bardziej popularny- mi kredytami konsumpcyjnymi i mieszkaniowymi. Do wzrostu gospodarczego przyczyniło się
184 M. Skrzypczyńska
parametrów. Zmienne objaśniające przebieg prawdopodobieństwa przejścia zilustrowano na wykresie
- Wyniki oszacowań modeli TVTP przedstawiono w tabelach 8 i 9. Test ilorazu wiarygodności wskazał, że istnieją podstawy do odrzucenia hipotezy o stałym prawdopodobieństwie przejścia. Potwierdził natomiast ich zmienność w czasie w przypadku wartości dodanej ogółem, transpor- tu, handlu, produkcji w przemyśle, przetwórstwa przemysłowego, dóbr inwestycyjnych oraz dóbr związanych z energią. Pomimo to dla żadnego szeregu czasowego odzwierciedlającego aktyw- ność gospodarczą w poszczególnych sektorach gospodarki parametry przy zmiennej odpowiada- jącej czasowi trwania faz cyklu nie były istotne. Nie potwierdza się zatem twierdzenie, że wraz z wydłużaniem się bieżącej fazy cyklu zmienia się także prawdopodobieństwo przejścia do na- stępnej fazy. Dla gospodarki amerykańskiej uzyskano inne wyniki. Durland i McCurdy (1994) stwierdzili, że prawdopodobieństwo zmiany fazy rośnie wraz z wydłużaniem się recesji. Layton i Smith (2007) uwzględnili w modelu dodatkowo dwie zmienne objaśniające, będące wskaźnikami wyprzedzającymi. Okazało się, że czas trwania bieżącej fazy wpływa na prawdopodobieństwo wyjścia nie tylko z fazy recesji, ale także z ekspansji.
Prawdopodobieństwo przejścia zależne od wskaźnika wyprzedzającego Wskaźnik wyprzedzający CLI stosowany przez OECD został wyrażony w formie odchyleń kwartal- nych lub miesięcznych logarytmicznych temp wzrostu od ich średniej wartości w próbie. Oszaco- wania parametrów modeli TVTP dla tej specyfikacji przedstawiono w tabelach 10 i 11. Ze wzglę- du na problemy z doborem wartości startowych nie uzyskano oszacowań wartości dodanej w bu- downictwie. Na podstawie testu ilorazu wiarygodności analizowanych wskaźników aktywności (z wyjątkiem handlu) można wnioskować, że istnieją podstawy do odrzucenia hipotezy o stałym prawdopodobieństwie przejścia. Wskaźnik wyprzedzający OECD dobrze objaśnia jednak kształ- towanie się prawdopodobieństwa przejścia tylko w przypadku produkcji dóbr zaopatrzeniowych oraz energii elektrycznej. Wykres 7 ilustruje prawdopodobieństwo znalezienia się tych zmiennych w fazie spowolnienia. Z kolei na wykresie 8 pokazano prawdopodobieństwo przejścia ze spowol- nienia do ożywienia w przypadku dóbr zaopatrzeniowych oraz z ożywienia do spowolnienia dla produkcji energii elektrycznej. Na podstawie wykresu produkcji energii elektrycznej nie stwierdza się zmian w przebiegu koniunktury. W modelu TVTP znaki parametrów stojących przy prawdopo- dobieństwie przejścia powinny być przeciwne: ujemny dla spowolnienia i dodatni dla ożywienia. Wtedy zgodna z intuicją staje się interpretacja prawdopodobieństwa przejścia według zmian war- tości wskaźnika wyprzedzającego. W przypadku produkcji dóbr zaopatrzeniowych model TVTP o rozważanej specyfikacji może służyć do prognozowania przejścia ze spowolnienia do ożywienia
ze względu na wynik testu ilorazu wiarygodności oraz istotność parametru q 1. Parametr p 1 jest
nieistotny, ale ma znak przeciwny do q 1. Można więc stwierdzić, że wraz ze wzrostem wskaźnika
wyprzedzającego maleje prawdopodobieństwo pozostania w fazie spowolnienia, a jednoczenie ro- śnie prawdopodobieństwo pozostania w fazie ożywienia, co jest zgodne z intuicją. W przypadku
produkcji energii elektrycznej tylko parametr p 1 jest istotny statystycznie. Ponadto oba parametry:
p 1 oraz q 1 , mają taki sam znak, co utrudnia interpretację wyników. Wydaje się, że model dla
produkcji energii elektrycznej mógłby posłużyć do prognozowania przejścia z fazy ożywienia do spowolnienia, choć znaki parametrów nie są zgodne z intuicją.
Cykl koniunkturalny w Polsce – analiza sektorowa 185
5. Podsumowanie
Celem niniejszego artykułu była charakterystyka cyklu koniunkturalnego w Polsce w latach 1996−2012 na podstawie danych opisujących aktywność gospodarczą różnych sektorów. Za po - mocą modeli z przełączaniem typu Markowa ze stałym prawdopodobieństwem przejścia (FTP) wyznaczono punkty zwrotne dla poszczególnych wskaźników aktywności gospodarczej. Pozwo - liło to zestawić najważniejsze cechy cyklu koniunkturalnego w Polsce. W zależności od sektora gospodarki różni się on amplitudą, czasem trwania oraz występowaniem punktów zwrotnych. W gospodarce Polski można wyróżnić cykle trwające 3,5−4,5 roku (wartość dodana ogółem, produkcja w przemyśle, w przetwórstwie przemysłowym, dóbr zaopatrzeniowych, energii), od 5,5 roku do 6 lat (transport, handel, produkcja dóbr nietrwałych) oraz cykl 11-letni w budow - nictwie. Jedynie w handlu faza spadkowa i wzrostowa mają podobną długość. W pozostałych sektorach występuje asymetria. Faza pomyślnej koniunktury trwa dłużej niż faza pogorsze - nia w: przemyśle, przetwórstwie przemysłowym, transporcie, produkcji dóbr trwałych oraz energii. Dla wartości dodanej ogółem, budownictwa oraz produkcji dóbr nietrwałych zachodzi zjawisko odwrotne. W budownictwie, transporcie, przemyśle, przetwórstwie przemysłowym, produkcji dóbr zaopatrzeniowych oraz energii w fazie dekoniunktury obserwuje się absolutne spadki poziomu produkcji. Z kolei w przypadku wartości dodanej ogółem, handlu oraz pro - dukcji dóbr nietrwałych w fazie spadkowej następuje spowolnienie tempa wzrostu produkcji. Spośród analizowanych sektorów najniższą amplitudę wahań ma handel oraz wartość dodana ogółem, a najwyższą: budownictwo, produkcja dóbr nietrwałych, przemysł przetwórczy oraz produkcja dóbr zaopatrzeniowych. Jeśli w modelu z przełączaniem typu Markowa zrezygnujemy z założenia o stałości praw - dopodobieństwa przejścia, to jego zmiany będą zależeć od bieżącej koniunktury gospodarczej oraz czasu trwania bieżącej fazy cyklu. Pozwoli to zweryfikować przydatność modeli ze zmien - nym prawdopodobieństwem (TVTP) w analizie cyklu koniunkturalnego w Polsce. Modele te posłużyły także do sprawdzenia, czy przejście do kolejnej fazy cyklu powinno nastąpić tym szybciej, im dłużej trwa bieżąca faza. Nie dla wszystkich analizowanych zmiennych modele TVTP były w tym przypadku istotne statystycznie. Jeśli zmienną objaśniającą prawdopodo - bieństwo przejścia był wskaźnik wyprzedzający, model TVTP został odrzucony tylko w handlu na korzyść modelu ze stałym prawdopodobieństwem (FTP). Wskaźnik wyprzedzający OECD stosowany jako zmienna objaśniająca był istotny tylko dla produkcji dóbr zaopatrzeniowych oraz energii elektrycznej. Wraz z jego wzrostem obniża się prawdopodobieństwo pozostania w fazie spowolnienia oraz rośnie prawdopodobieństwo pozostania w fazie ożywienia. Wskaź - nik wyprzedzający pomaga przewidzieć zakończenie dekoniunktury gospodarczej produkcji dóbr zaopatrzeniowych. W odniesieniu do produkcji energii elektrycznej ułatwia prognozo - wanie wyjścia z fazy ożywienia gospodarczego, choć znaki parametrów nie są zgodne z tym, co podpowiada intuicja. Z kolei czas trwania poszczególnych faz okazał się nieistotny staty - stycznie we wszystkich analizowanych sektorach. Nie potwierdza się zatem przypuszczenie, że przejście do kolejnej fazy cyklu powinno nastąpić tym szybciej, im dłużej trwa bieżąca faza. Przedstawione w artykule podejście jednowymiarowe nie pozwala na uchwycenie zależ - ności pomiędzy analizowanymi zmiennymi makroekonomicznymi. Jego rozszerzeniem jest model wielowymiarowy. Ze względu na mało obiecujące wyniki uzyskane za pomocą modeli
Cykl koniunkturalny w Polsce – analiza sektorowa 187
Kwiatkowski D.P., Phillips C.B., Schmidt P., Shin Y. (1992), Testing the null hypothesis of stationary against the alternative of a unit root, Journal of Econometrics , 54(1−3), 159−178. Layton A.P., Smith D.R. (2007), Business cycle dynamics with duration dependence and leading indicators, Journal of Macroeconomics , 29(6), 855−875. MacKinnon J.G. (1996), Numerical distribution functions for unit root and cointegration tests, Journal of Apllied Econometrics , 11(6), 601−618. Skrzypczyńska M. (2011), Pomiar cyklu koniunkturalnego – analiza porównawcza, Bank i Kredyt , 42(4), 11−54. Skrzypczyński P. (2008), Wahania aktywności gospodarczej w Polsce i strefie euro , Materiały i Studia NBP, 227, Narodowy Bank Polski, Warszawa. Skrzypczyński P. (2010), Metody spektralne w analizie cyklu koniunkturalnego , Materiały i Studia NBP, 252, Narodowy Bank Polski, Warszawa.
188 M. Skrzypczyńska
Aneks
Źródła szeregów czasowych Wartość dodana brutto – dane kwartalne, ceny stałe średnioroczne z 2005 r., w latach 1995−1999 wg PKD 2004, od 2000 r. wg PKD 2007, GUS. Wartość dodana w budownictwie (F) – dane kwartalne, ceny stałe średnioroczne z 2005 r., w latach 1995−1999 wg PKD 2004, od 2000 r. wg PKD 2007, GUS. Wartość dodana w handlu i naprawach (G) – dane kwartalne, ceny stałe średnioroczne 2005 r., w latach 1995−1999 wg PKD 2004, od 2000 r. wg PKD 2007, GUS. Wartość dodana transporcie (H) – dane kwartalne, ceny stałe średnioroczne z 2005 r., w latach 1995− wg PKD 2004, od 2000 r. wg PKD 2007, GUS. Produkcja sprzedana przemysłu ogółem – dane miesięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgodnie z klasyfikacją NACE Rev2^1. Przetwórstwo przemysłowe – dane miesięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgodnie z klasyfikacją NACE Rev2. Produkcja sprzedana przemysłu wg głównych grupowań przemysłowych – dobra konsumpcyjne trwałe, dane miesięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgodnie z klasyfikacją NACE Rev2. Produkcja sprzedana przemysłu wg głównych grupowań przemysłowych – dobra konsumpcyjne nietrwałe, dane miesięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgodnie z klasyfikacją NACE Rev2. Produkcja sprzedana przemysłu wg głównych grupowań przemysłowych – dobra inwestycyjne, dane mie- sięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgodnie z klasyfikacją NACE Rev2. Produkcja sprzedana przemysłu wg głównych grupowań przemysłowych – dobra zaopatrzeniowe, dane mie- sięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgodnie z klasyfikacją NACE Rev2. Produkcja sprzedana przemysłu wg głównych grupowań przemysłowych – dobra związane z energią, dane miesięczne, ceny stałe, indeks jednopodstawowy (2005 = 100), dane GUS pozyskane z bazy danych Eurostat, dla lat 2000−2012 − PKD 2007, dane dla lat 1995−1999 zostały przeliczone przez Eurostat zgod- nie z klasyfikacją NACE Rev2. Produkcja energii elektrycznej w GWh – dane miesięczne, Biuletyny Statystyczne GUS.
(^1) PKD 2007 jest spójna z klasyfikacją NACE Rev.2. Klasyfikacja ta jest umownie przyjętym, hierarchicznie usystematy- zowanym podziałem rodzajów działalności społeczno-gospodarczej podmiotów gospodarczych.
190 M. Skrzypczyńska
Wykres 2 Roczne przyrosty logarytmów naturalnych miesięcznych wskaźników aktywności gospodarczej w Polsce w latach 1995−
-15,
-5,
5,
15,
25,
19951996199719981999200020012002200320042005200620072008200920102011
Produkcja energii elektrycznej
-20,
-10,
0,
10,
20,
19951996199719981999200020012002200320042005200620072008200920102011
Produkcja sprzedana przemysłu ogółem
-20,
-10,
0,
10,
20,
19951996199719981999200020012002200320042005200620072008200920102011
Przetwórstwo przemysłowe
-30,
-20,
-10,
0,
10,
20,
19951996199719981999200020012002200320042005200620072008200920102011
2011
2011
Dobra zaopatrzeniowe
-30,
-10,
10,
30,
19951996199719981999200020012002200320042005200620072008200920102011
Dobra inwestycyjne
-25,
-5,
15,
35,
1995199619971998199920002001200220032004200520062007200820092010
Dobra konsumpcyjne trwałe
-15,
-5,
5,
15,
25,
19951996199719981999200020012002200320042005200620072008200920102011
Dobra konsumpcyjne nietrwałe
-25,
-15,
-5,
5,
15,
1995199619971998199920002001200220032004200520062007200820092010
Dobra związane z energią
Cykl koniunkturalny w Polsce – analiza sektorowa 191
Wykres 3 Prawdopodobieństwo wystąpienia ożywienia dla wartości dodanej oraz produkcji w przemyśle na tle rocznych przyrostów logarytmów naturalnych tych zmiennych oraz ich okresów spowolnienia
0
0,
0,
0,
0,
1,
1,
1
3
5
7
9
11
13
1996199719981999200020012002200320042005200620072008200920102011
1996199719981999200020012002200320042005200620072008200920102011
Okres spowolnienia Wartość dodana (lewa oś)
Prawdopodobieństwo ożywienia (prawa oś)
Okres spowolnienia Wartość dodana (lewa oś)
Prawdopodobieństwo ożywienia (prawa oś)
0
0,
0,
0,
0,
1,
1,
0
5
10
15
20
25
Cykl koniunkturalny w Polsce – analiza sektorowa 193
Wykres 5 Prawdopodobieństwo wystąpienia ożywienia na tle rocznych przyrostów logarytmów naturalnych oraz okresów spowolnienia produkcji w przemyśle
0
0,
0,
0,
0,
1,
1,
0
0,
0,
0,
0,
1,
1,
0
10
20
30
0
10
20
30
0
10
20
30
0
0,
0,
0,
0,
1,
1,
1996199719981999200020012002200320042005200620072008200920102011 Okres spowolnienia Przetwórstwo przemysłowe Produkcja energii elektrycznej Produkcja w przemyśle ogółem (prawa oś)
1996199719981999200020012002200320042005200620072008200920102011 Okres spowolnienia Dobra nietrwałe Dobra zaopatrzeniowe Produkcja w przemyśle ogółem (prawa oś)
1996199719981999200020012002200320042005200620072008200920102011 Okres spowolnienia Dobra inwestycyjne Dobra związane z energią Produkcja w przemyśle ogółem (prawa oś)
194 M. Skrzypczyńska
Wykres 6 Zmienne reprezentujące czas trwania faz cykli kwartalnej wartości dodanej oraz miesięcznej produkcji w przemyśle
0
2
4
6
8
10
12
Produkcja w przemyśle – D *= 10
0
1
2
3
4
5
6
Wartość dodana – D *= 5
1996199719981999200020012002200320042005200620072008200920102011
1996199719981999200020012002200320042005200620072008200920102011
