Analiza procesu konwergencji wydatków na żywność gospodarstw domowych w Polsce

Muller-Fraczek, Iwona; Muszynska, Joanna; Pietrzak, Michal Bernard Working Paper Analiza procesu konwergencji wydatków na żywność gospodarstw domowych w Polsce Institute of Economic Research Working Papers, No. 34/2013 Provided in Cooperation with: Institute of Economic Research (IER), Toruń (Poland) Suggested Citation: Muller-Fraczek, Iwona; Muszynska, Joanna; Pietrzak, Michal Bernard (2013) : Analiza procesu konwergencji wydatków na żywność gospodarstw domowych w Polsce, Institute of Economic Research Working Papers, No. 34/2013, Institute of Economic Research (IER), Toruń This Version is available at: https://hdl.handle.net/10419/219560 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/3.0/ Institute of Economic Research Working Papers No. 34/2013 Analiza procesu konwergencji wydatków na żywność gospodarstw domowych w Polsce Iwona Müller-Frączek Joanna Muszyńska Michał Bernard Pietrzak Toruń, Poland 2013 © Copyright: Creative Commons Attribution 3.0 License 2 Iwona Müller-Frączek [email protected] Nicolaus Copernicus University in Toruń, Department of Econometrics and Statistics, ul. Gagarina 13a, 87-100 Toruń Joanna Muszyńska [email protected] Nicolaus Copernicus University in Toruń, Department of Econometrics and Statistics, ul. Gagarina 13a, 87-100 Toruń Michał Bernard Pietrzak [email protected] Nicolaus Copernicus University in Toruń, Department of Econometrics and Statistics, ul. Gagarina 13a, 87-100 Toruń Analiza procesu konwergencji wydatków na żywność gospodarstw domowych w Polsce JEL Classification: C23, D12, R20, O12 Keywords: convergence, household, panel data model Abstract: This paper presents an analysis of expenditure on food of households in Poland in the years 1999-2010. Since their level and dynamics can be used as a measure of well-being of society this process was used to examine internal social convergence of regions, in this case the voivodeships. The aim of this paper was to validate the hypothesis about the process for β-convergence in the share of household expenditure on food in total expenditures. The research has allowed the identification of long-term tendency of the level of expenditure on food in Polish households. Based on the analysis of conditional convergence, the article indicates household disposable income as a strong determinant of social convergence process in Poland. For the verification of hypotheses dynamic panel models were applied. The analysis was based on data from the CSO website. All calculations were performed in the Gretl. Wprowadzenie Konwergencja, inaczej zbieżność, jest pojęciem często używanym zarówno w badaniach naukowych (por. Barro, Sala-I-Martin, 1991; Sala-IMartin 1996; Ciołek 2005, Pietrzak 2012) jak i w dyskusjach mniej 3 formalnych (por. Doyle, Kuijs, Jiang 2001). Najczęściej rozważa się konwergencję gospodarczą, czyli wyrównywanie poziomu rozwoju gospodarczego regionów, mierzonego poziomem PKB per capita. Badania prowadzone są zarówno dla gospodarek krajowych jak i mniejszych regionów, w Polsce np. województw. Z punktu widzenia państwa można mówić o konwergencji zewnętrznej, czyli upodobnianiu się regionów różnej wielkości w obrębie struktury większej niż kraj, np. Unia Europejska, jak i wewnętrznej, czyli upodobniania się regionów wewnątrz danego państwa. Niektórzy badacze utożsamiają rozwój gospodarczy z rozwojem społecznym, uważając, że wzrostowi poziomu PKB per capita odpowiada wzrost standardu życia społeczeństwa. Inni autorzy wyraźnie rozdzielają te dwa procesy i podkreślają, że poziom PKB per capita nie charakteryzuje pewnych aspektów poziomu życia. W tym kontekście rozważa się, odmienną od gospodarczej, konwergencję społeczną. Jest ona rozumiana jako proces upodobniania się poziomu życia społeczeństwa. Wśród mierników jakości życia wymienić można np. oczekiwaną długością życia, umieralność noworodków, dzienne spożyciem protein, dzienne spożycie kalorii, poziom wykształcenia, dostępność telewizji, itp. Badania prowadzone są różnymi metodami, m. in. za pomocą klasycznej regresji przekrojowej, estymacji jądrowej czy analizy skupień (por. Hobijn, Franses 2001, Neumayer 2003). Przedmiotem badań, opisanych w artykule, była wewnętrzna konwergencja 1 społeczna w Polsce na poziomie województw, w latach 1999-2010. Miernikiem jakości życia gospodarstwa domowego, wykorzystanym w analizie, był udział wydatków na żywność w wydatkach ogółem. Zgodnie z prawem Engla, im wyższy poziom zamożności gospodarstwa domowego, tym niższy udział wydatków na żywność w wydatkach na towary i usługi konsumpcyjne. Celem badania była weryfikacja hipotezy o zachodzeniu absolutnej β-konwergencji tego procesu. Jej potwierdzenie stało się podstawą do rozszerzenia badania. W kolejnej hipotezie wskazano dochód rozporządzalny gospodarstw domowych jako silną determinantę konwergencji społecznej. Do jej weryfikacji wykorzystano badania nad warunkową konwergencją typu β. W analizach wykorzystano metody związane z dynamicznymi modelami panelowymi, opisane w literaturze m. in. przez Baltagi’ego (2005) oraz Dańską-Borsiak (2011). Badanie konwergencji poprzedzono analizą statystyczną wykorzystywanych danych. 1 W artykule rozważano wyłącznie konwergencję typu β. Inne rodzaje konwergencji, ponieważ nie są analizowane, zostały pominięte. 4 Procedura badawcza Konwergencja typu β występuje, gdy regiony, początkowo gorzej rozwinięte, doganiają regiony, startujące z wyższego pułapu. Rozważane są dwa rodzaje konwergencji tego typu: absolutna (bezwarunkowa) – w której regiony dążą do tego samego punktu równowagi, warunkowa – w której każdy z regionów dąży do właściwego dla siebie punktu równowagi, zależnego od stanu początkowego. W badaniu absolutnej β-konwergencji dla procesu Y wykorzystano dynamiczny model panelowy postaci: ,lnln 1, 1, , ititi ti ti uY Y Y++−= − − ηβα (1) gdzie: i – numer regionu, i=1,…, N, t – numer okresu, t=1,…,T, ηi – efekty grupowe, uit – składnik losowy. Zjawisko bezwarunkowej β-konwergencji dla procesu Y zachodzi, gdy parametr β w równaniu (1), przyjmuje dodatnią wartość. Świadczy to o stałym w czasie, ujemnym skorelowaniu poziomu procesu z jego stopą wzrostu 2 . Na podstawie parametru β można wyznaczyć szybkość zbieżności do stanu równowagi (tempo doganiania), zgodnie ze wzorem: ),1ln( β λ − − = (2) Dla potrzeb estymacji równanie (1) zapisuje się w postaci: ,)1( 1,, itititi uyy ++−+= − ηβα (3) gdzie: titi Yy ,, ln= . W celu dokładniejszego opisu badanego zjawiska rozważono również β-konwergencję warunkową, w której uwzględnia się wpływ innych czynników na stopę wzrostu procesu Y. Badanie β-konwergencji warunkowej przeprowadzono w oparciu o model z jedną zmienną objaśniającą, postaci: 2 W podejściu statycznym, szacuje się regresję przekrojową między poziomem procesu w okresie początkowym, a stopą wzrostu dla ustalonego przedziału czasu. 5 ,lnlnln 1, 1, , itiitti ti ti uXY Y Y+++−= − − ηγβα (4) gdzie: i – numer regionu, i=1,…, N, t – numer okresu, t=1,…,T, ηi – efekty grupowe, uit – składnik losowy. Analogicznie jak poprzednio, konwergencja warunkowa zachodzi, gdy parametr β jest dodatni, a więc zachodzi ujemna autokorelacja pomiędzy procesem, a jego stopą wzrostu. Można również wyznaczyć tempo zbieżności zgodnie ze wzorem (2). Jednakże tempo to wyznaczane jest przy silnym założeniu, że warunki wpływające na stopę wzrostu procesu Y, inaczej mówiąc wartości procesu X, są takie same dla wszystkich regionów. Dla potrzeb estymacji równanie (4) zapisuje się w postaci: ,)1( 1,, itiittiti uxyy +++−+= − ηγβα (5) gdzie: titi Yy ,, ln= , titi Xx ,, ln= . Metoda estymacji Estymatory, wykorzystywane do szacowania parametrów modeli panelowych, w przypadku modeli dynamicznych tracą swoje własności. Zastosowanie zarówno klasycznej MNK jaki i UMNK (w przypadku braku sferyczności składnika losowego), a także estymatora wewnątrzgrupowego powoduje obciążenie uzyskiwanych ocen parametrów. Jak wykazano m.in. w pracach Blundella, Bonda, i Windmeijera (2000), Ciołek (2003), w przypadku klasycznej MNK ocena parametru (1-β) jest przeszacowana, natomiast zastosowanie estymatora wewnątrzgrupowego powoduje jego niedoszacowanie. Obciążenie parametru autoregresyjnego modeli przekłada się na dokładność oceny szybkości konwergencji. Zastosowanie klasycznej MNK powoduje jej niedoszacowanie, natomiast w przypadku estymatora within wyliczona szybkość konwergencji jest zawyżona. Estymacja dynamicznych modeli panelowych wymaga stosowania odmiennych metod. Ich przegląd można znaleźć m.in. w pracach Hsiao (2003), Baltagi’ego (2005). 6 W badaniu empirycznym, które było przedmiotem niniejszego artykułu, oceny parametrów modeli szacowano przy pomocy systemowego estymatora Uogólnionej Metody Momentów. Jego istota polega na estymacji układu równań w postaci pierwszych różnic oraz równań uwzględniających niezróżnicowane poziomy zmiennych. Do wyznaczenia ocen parametrów modelu wykorzystuje się macierz obserwacji, w której zmienne objaśniające, skorelowane ze składnikiem losowym, zastępowane są instrumentami, zdefiniowanymi jako opóźnione wartości zmiennych, dla równań w postaci pierwszych różnic, oraz opóźnione pierwsze różnice, dla równań w poziomach. Jakość modelu, szacowanego za pomocą systemowego estymatora UMM, ocenia się na podstawie testów statystycznych, których szczegółowe omówienie można znaleźć m.in. w pracach Ciołek (2004), Dańska-Borsiak (2011). Diagnoza poprawności uzyskanych wyników wymaga przede wszystkim weryfikacji hipotezy o właściwej specyfikacji modelu, czyli prawidłowym doborze zmiennych instrumentalnych. Dobór ten uważa się za właściwy jeżeli instrumenty nie są skorelowane ze składnikiem losowym modelu. Do oceny zgodności estymatora konieczna jest także weryfikacja założenia o braku autokorelacji składnika losowego drugiego rzędu, w równaniach dla pierwszych różnic. Obecność autokorelacji rzędu pierwszego przyrostów zakłóceń ∆uit nie świadczy o niezgodności estymatora systemowego UMM. Przeciwnie, jest ona zjawiskiem spodziewanym, wynikającym z konstrukcji modelu (por. Dańska-Borsiak 2011). W prezentowanym badaniu empirycznym, ocenę poprawności doboru zmiennych instrumentalnych przeprowadzono na podstawie testu Sargana. Hipoteza zerowa testu zakłada, że zmienne instrumentalne nie są skorelowane ze składnikiem losowym. Brak podstaw do jej odrzucenia potwierdza zatem poprawność specyfikacji modelu i zasadność wprowadzenia instrumentów. Do oceny występowania autokorelacji składnika losowego pierwszego i drugiego rzędu, w równaniach dla pierwszych różnic, wykorzystano test Arellano-Bonda. W obu przypadkach, hipoteza zerowa testu zakładała nieistotność współczynnika autokorelacji odpowiedniego rzędu. Model uważa się za poprawnie zbudowany jeżeli nie stwierdza się podstaw do odrzucenia hipotezy zerowej, mówiącej o braku autokorelacji rzędu drugiego, przy jednoczesnym odrzuceniu hipotezy o nieistotności współczynnika autokorelacji pierwszego rzędu. Istotność parametrów strukturalnych modelu weryfikowano na podstawie testu Walda. 7 Analiza statystyczna materiału empirycznego Analizę przeprowadzono na podstawie danych pochodzących z badania budżetów gospodarstw domowych, zaczerpniętych z witryny internetowej GUS. Wykorzystano w niej średnie, miesięczne dochody i wydatki, przypadające na 1 osobę w gospodarstwie domowym. Badaniem objęto 16 województw w latach 1999-2010. Przeprowadzona analiza statystyczna wykazała umiarkowaną, ale zwiększającą się dyspersję dochodów gospodarstw domowych, w zależności od ich lokalizacji. Współczynnik zmienności, kształtujący się na poziomie 10% w pierwszych latach badania, wzrósł do 13% w roku 2010. Dywersyfikację potwierdzają także relacje między dochodami osiąganymi przez gospodarstwa domowe w poszczególnych regionach oraz zmiany poziomu dochodów i tempo tych zmian. Najwyższy poziom dochodów zaobserwowano w Mazowieckiem. Były one wyższe o ok. 20-30% od przeciętnych w Polsce. Dochody wyższe od średnich w kraju uzyskiwały także gospodarstwa domowe w województwach pomorskim, dolnośląskim i śląskim. Najniższe dochody osiągali mieszkańcy województwa podkarpackiego. Stanowiły one zaledwie 75-85% średnich dochodów w Polsce. Dochodami znacznie niższymi od przeciętnych charakteryzowały się także gospodarstwa domowe zlokalizowane w województwach świętokrzyskim, podlaskim i lubuskim. Tabela 1. Relacje przeciętnych miesięcznych dochodów rozporządzalnych gospodarstw domowych w poszczególnych regionach do średniego dochodu w Polsce (Polska=100) rok województwo 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 łódzkie 103 104 100 99 100 99 101 100 98 97 100 99 mazowieckie 121 123 120 120 126 128 123 126 130 128 129 134 małopolskie 100 96 98 95 94 98 96 92 93 96 93 93 śląskie 107 108 107 104 102 102 104 102 99 100 100 98 lubelskie 88 82 86 88 91 92 88 87 85 84 82 82 podkarpackie 85 81 82 81 82 80 81 77 75 76 75 76 podlaskie 85 86 90 94 85 88 95 98 95 89 91 92 świętokrzyskie 83 85 86 87 85 84 82 84 83 84 84 86 lubuskie 98 100 98 98 95 89 91 101 98 101 99 97 wielkopolskie 100 99 99 96 97 95 97 98 96 97 98 94 zachodniopomorskie 105 99 100 99 99 104 100 100 97 100 102 100 dolnośląskie 104 99 101 104 102 102 102 102 102 107 105 104 opolskie 91 101 98 97 97 101 105 95 99 103 97 94 8 kujawsko-pomorskie 92 94 94 98 90 89 87 92 97 91 91 97 pomorskie 101 103 106 112 108 102 105 109 111 105 104 104 warmińsko-mazurskie 83 90 90 89 90 89 92 89 90 94 97 93 Źródło: obliczenia własne na podstawie danych GUS. W latach 1999-2010 gospodarstwa domowe w Polsce podwoiły wartość swoich nominalnych dochodów rozporządzalnych. Średnie, roczne tempo zmian dochodów nominalnych wyniosło 7,1%. Zdecydowanie niższy, od wzrostu wielkości nominalnych, był wzrost wartości realnych. W roku 2010, średni, miesięczny, realny dochód rozporządzalny przeciętnego gospodarstwa domowego w Polsce był wyższy od dochodu z roku 1999 o 47,4%. Oznacza to, że wzrastał one średnio o 3,6% rocznie. Gospodarstwa domowe w poszczególnych regionach kraju charakteryzowały się odmiennym tempem wzrostu dochodów. Najszybciej zmieniały się dochody gospodarstw zlokalizowanych w województwach: warmińsko-mazurskim, mazowieckim i podlaskim. Średnie, roczne tempo wzrostu wielkości nominalnych wyniosło w tych regionach ok.8%, a w przypadku dochodów realnych kształtowało się na poziomie ok.4,5%. W województwach tych odnotowano także najwyższe przyrosty dochodów, w badanym okresie. Wyniosły one ponad 130% w przypadku wielkości nominalnych i ok. 60% w przypadku dochodów realnych. Najniższe wzrosty dochodów i najsłabsze tempo zmian zaobserwowano w województwach podkarpackim, śląskim i małopolskim. Tabela 2. Dynamika zmian dochodów gospodarstw domowych w Polsce województwo dochody nominalne dochody realne dynamika 2010/1999 średnie roczne tempo wzrostu dynamika 2010/1999 średnie roczne tempo wzrostu łódzkie 2,051 6,7% 1,420 3,2% mazowieckie 2,356 8,1% 1,631 4,5% małopolskie 1,979 6,4% 1,370 2,9% śląskie 1,956 6,3% 1,355 2,8% lubelskie 1,993 6,5% 1,380 3,0% podkarpackie 1,903 6,0% 1,317 2,5% podlaskie 2,302 7,9% 1,594 4,3% świętokrzyskie 2,195 7,4% 1,520 3,9% lubuskie 2,099 7,0% 1,454 3,5% wielkopolskie 2,013 6,6% 1,394 3,1% zachodniopomorskie 2,008 6,5% 1,390 3,0% dolnośląskie 2,133 7,1% 1,477 3,6% opolskie 2,200 7,4% 1,523 3,9% kujawsko-pomorskie 2,259 7,7% 1,564 4,1% pomorskie 2,190 7,4% 1,517 3,9%