prace i materiaŁy - kolegiakolegia.sgh.waw.pl/pl/kae/struktura/irg/publikacje/documents/pim... ·...
Post on 10-Feb-2019
214 Views
Preview:
TRANSCRIPT
PRACE I MATERIAŁY Instytutu Rozwoju Gospodarczego SGH
101
Niepewność a aktywność gospodarcza
Praca zbiorowa pod redakcją Konrada Walczyka
Szkoła Główna Handlowa w Warszawie Warszawa 2017
Rada Programowa
Elżbieta Adamowicz (Przewodnicząca), Joanna Klimkowska (Sekretarz), Marco Malgarini,
Gernot Nerb, Ataman Ozyildirim, Janusz Stacewicz, István János Tóth
Komitet Redakcyjny i adres Redakcji:
Konrad Walczyk (Redaktor naczelny)
Ewa Ratuszny (Sekretarz)
ul. Madalińskiego 6/8, 02-513 Warszawa
http://www.sgh.waw.pl/irg/
Artykuły zawarte w publikacji zostały zrecenzowane zgodnie z wytycznymi MNiSW.
Wydanie I
Wersja papierowa czasopisma jest wersją pierwotną
http://www.sgh.waw.pl/instytuty/irg/publikacje/pimirg/
©Copyright by Szkoła Główna Handlowa w Warszawie, Warszawa 2017
Wszelkie prawa zastrzeżone. Kopiowanie, przedrukowanie i rozpowszechnianie całości
lub fragmentów niniejszej publikacji bez zgody wydawcy zabronione.
Wydawnictwo:
Szkoła Główna Handlowa w Warszawie – Oficyna Wydawnicza
02-554 Warszawa, al. Niepodległości 162
www.wydawnictwo.sgh.waw.pl
e-mail: wydawnictwo@sgh.waw.pl
ISSN 0866-9503
Nr rej. PR 18413
QUICK-DRUK s.c
e-mail: quick@druk.pdi.pl
Nakład 200 egz.
Zamówienie 122/VII/17
Spis treści
Zaburzenia cykliczności aktywności gospodarczej w Polsce w świetle
wyników badania koniunktury gospodarczej IRG SGH ................................5
Elżbieta Adamowicz, Konrad Walczyk
Mapping the respondents’ assessments in the RIED manufacturing tendency
survey using the Viterbi paths .......................................................................27
Michał Bernardelli, Monika Dędys
On the possibility of artificial uncertainty in the leader-follower game ......45
Maciej K. Dudek
Niepewność w opiniach polskich gospodarstw domowych .........................55
Sławomir Dudek
Elżbieta Adamowicz, Konrad Walczyk‡
Zaburzenia cykliczności aktywności gospodarczej w Polsce w świetle wyników badania koniunktury
gospodarczej IRG SGH
Streszczenie Lata 2013-2016 były w polskiej gospodarce okresem szczególnym, bowiem
doświadczyła ona wówczas zmiany utrwalonych wcześniej wzorców wahań
cyklicznych. Na podstawie analizy danych pochodzących z badań
koniunktury IRG SGH, obejmujących przemysł przetwórczy, budownictwo,
handel, sektor bankowy i gospodarstwa domowe, twierdzimy, że w istocie
zmiany te dotknęły podażowej strony gospodarki Polski, a ich przyczyny
upatrujemy we wzroście niepewności wywołanym przede wszystkim przez
napięcia w otoczeniu politycznym biznesu.
Słowa kluczowe: badania koniunktury, cykl koniunkturalny, koniunktura
gospodarcza, wskaźniki koniunktury.
JEL: E32.
‡ Szkoła Główna Handlowa w Warszawie, Kolegium Analiz Ekonomicznych.
1. Wzrost niepewności a działalność gospodarcza. Zagrożenia zewnętrzne i wewnętrzne
Od mniej więcej końca 2013 roku nasila się nieprzewidywalność zmian
koniunktury gospodarczej. Poszukując tego przyczyn, nie sposób pominąć
narastającej niepewności w bliższym i dalszym otoczeniu biznesu, wewnątrz
i na zewnątrz systemu gospodarczego. Działalność gospodarcza wprawdzie
nierozerwalnie wiąże się z niepewnością i ryzykiem, jednak w ostatnim
okresie obserwujemy wyjątkową kumulację czynników je potęgujących.
Do źródeł eskalacji niepewności należy zaliczyć przede wszystkim
konflikt na Ukrainie. Jako najbliższy sąsiad odczuwamy wszelkie skutki tego
konfliktu, zarówno w sferze politycznej jak i gospodarczej. Gospodarka
polska doświadcza i negatywnych skutków sankcji nałożonych na Rosję,
i wprowadzonych restrykcji odwetowych. Mimo upływu czasu sytuacja nie
poprawia się. Od pewnego czasu nie pojawiają się nawet nowe pomysły na
rozwiązanie konfliktu. Także konflikty i napięcia zbrojne, przebiegające
w większym oddaleniu od granic Polski, w globalnej rzeczywistości
odciskają piętno na naszym życiu gospodarczym. Konflikty zbrojne to
współcześnie najgroźniejsze zdarzenia, które oddziałują na gospodarkę
światową. Doświadcza ona również napięć społecznych, wynikających
zarówno z niezadowolenia ludzi z dotychczasowych osiągnięć mających
prowadzić do zażegnania konfliktów, jak i rosnących możliwości oraz
umiejętności wykorzystywania tych napięć do realizacji określonych celów
politycznych, czego konsekwencją są przybierające na sile fale populizmu,
który objawia się w polityce państwa i wpływa negatywnie na stabilność
warunków prowadzenia działalności gospodarczej.
Negatywnie na polską gospodarkę oddziałuje także kryzys migracyjny.
Jego skutki to przede wszystkim napięcia społeczne i drenaż mózgów, ale
także odpływ niżej wykwalifikowanej siły roboczej, poszukującej lepszych
warunków zatrudnienia za granicą. Problem braku siły roboczej w kraju
łagodzi w znacznym stopniu rosnąca liczba imigrantów ze Wschodu,
zwłaszcza Ukrainy, zatrudnionych w polskich przedsiębiorstwach
i gospodarstwach rolnych. Nie stanowią oni jednak trwałego rozwiązania
problemu braku siły roboczej w Polsce.
Gospodarka polska wciąż odczuwa negatywne skutki zewnętrznych
napięć gospodarczych ostatnich lat. W powszechnej opinii nie uporaliśmy się
dotąd ze skutkami światowego kryzysu finansowego i gospodarczego 2007+,
a nadto musimy stawiać czoła przewlekłym skutkom kryzysu fiskalnego
w strefie euro. Wprawdzie w Polsce przebieg obu kryzysów był stosunkowo
łagodny, ale trwale wpłynęły one na zmiany w polityce makroekonomicznej
w europejskim obszarze gospodarczym, którego jesteśmy częścią składową.
Zaburzenia cykliczności … 7
Nasiliły się protekcjonizm i izolacjonizm, które uzewnętrzniły się
odłączeniem się Wielkiej Brytanii od Unii Europejskiej i w propozycji „Unii
dwóch prędkości”.
Niezależnie od tych czynników pogłębiają się w kraju podziały
społeczne, których zaostrzenie przyniosły wybory parlamentarne roku 2015.
Mają one negatywny wpływ na kapitał społeczny, niszcząc delikatną tkankę
wzajemnego zaufania wszystkich uczestników działalności gospodarczej
i pogarszając ich nastroje. Zmiany w polityce gospodarczej nowego rządu nie
sprzyjają zmniejszeniu niepewności. Zapowiedzi władz dotyczące
zamierzonych regulacji w sferze gospodarczej znalazły odbicie
w pogorszeniu się nastrojów przedsiębiorców i gospodarstw domowych.
Rozbieżność między zapowiedziami polityków a oczekiwaniami podmiotów
gospodarczych oraz chwiejność planów gospodarczych rządu, wynikająca
z nie do końca dających się przewidzieć ich skutków i niejasności
stanowionego prawa, wzmagają niepokój.
Powyższe ani nie wyczerpuje katalogu czynników niepewności
i bieżących zagrożeń dla polskiej gospodarki, ani nie omawia ich dostatecznie
obszernie, wskazuje jednak na ich duży ciężar gatunkowy i wyjątkową
intensywność w ostatnim okresie. W odróżnieniu od ryzyka, niepewności nie
potrafimy oszacować. Zauważamy jednak, iż jej wzrost przekłada się na
nastroje uczestników i wyniki działalności gospodarczej, powodując
zaburzenia w obserwowanym dotąd – na poziomie makroekonomicznym –
wzorcu zachowań. Odzwierciedlają się one w procesach ekonomicznych,
które diagnozujemy w badaniach koniunktury. Celem niniejszego artykułu
jest analiza wpływu wzrostu niepewności na wzorzec zachowań cyklicznych
w gospodarce polskiej, który ustalił się w latach wcześniejszych. Analiza
obejmuje tendencje cykliczne w pięciu sektorach objętych badaniami
koniunktury IRG SGH: przemyśle przetwórczym, budownictwie, sektorze
bankowym, gospodarstwach domowych i handlu. Szczegółowa analiza
dotyczy przemysłu przetwórczego. Badanie podjęliśmy w celu sprawdzenia
prawdziwości hipotezy mówiącej, iż w latach 2013-2017 w gospodarce
polskiej miała miejsce zmiana utrwalonych wcześniej prawidłowości
cyklicznych.
2. Analiza graficzna
Zmiany koniunktury, jakie obserwujemy w gospodarce polskiej od
2013 roku, odbiegają od obserwowanego wcześniej wzorca cyklicznych
wahań aktywności gospodarczej. Zaburzenia te sprawiają, iż w przebiegu
wskaźników koniunktury, które Instytut Rozwoju Gospodarczego Szkoły
8 Elżbieta Adamowicz, Konrad Walczyk
Głównej Handlowej w Warszawie (IRG) rejestruje i opracowuje od początku
lat dziewięćdziesiątych ubiegłego wieku, w ostatnich trzech latach brak jest
wyraźnej tendencji czy to ku wzrostowi czy spadkowi. Widoczne jest to
zarówno w przebiegu barometru IRG (BARIRG), który opisuje koniunkturę
na poziomie całej gospodarki1, jak i w przebiegu wskaźników, opisujących
koniunkturę w poszczególnych sektorach. Analizę rozpoczynamy od
prezentacji zmian barometru IRG SGH (Rysunek 1).
Rysunek 1. Barometr IRG SGH w latach 1999-2016.
Szereg surowy (BARIRG, lewa skala) pokazuje zmiany wartości
barometru w czasie. Zmiany amplitudy wahań i czasu trwania
poszczególnych faz przedstawia składnik cykliczny (prawa skala)2. W całej
gospodarce rok 2013 i pierwsza połowa roku 2014 były okresem poprawy
koniunktury, chociaż w kolejnych miesiącach przyrosty wartości barometru
były coraz mniejsze. W tym okresie, a ściślej do czerwca 2014 r., mieliśmy
1 BARIRG jest syntetycznym miernikiem, w skład którego wchodzą wskaźniki koniunktury
w: rolnictwie, przemyśle przetwórczym, budownictwie, transporcie samochodowym, handlu
i sektorze bankowym oraz wskaźnik kondycji gospodarstw domowych (nazywany również
wskaźnikiem nastrojów konsumentów). Wskaźnik koniunktury w przemyśle i wskaźnik
kondycji gospodarstw domowych mają wagę 2/9, pozostałe 1/9 (szczegółowe informacje
o sposobie liczenia tych wskaźników w: http://kolegia.sgh.waw.pl/pl/KAE/struktura/IRG/
koniunktura/Documents/metoda_badawcza.pdf). 2 Estymacja czynnika cyklicznego była dwuetapowa. Wpierw z szeregu surowego usunięto
składową sezonową metodą TRAMO-SEATS (z korektą o efekty kalendarza). Z reszty
wyodrębniono składową cykliczną za pomocą asymetrycznego filtra Christiano-Fitzgeralda
(z korektą o średnią, długość cyklu 2-12 lat). Tę metodę dekompozycji zastosowano do
wszystkich analizowanych szeregów czasowych.
-20
-15
-10
-5
0
5
10
15
20
-35
-30
-25
-20
-15
-10
-5
0
5
10
15
20
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
BARIRG BARIRG (po VI 2014) składnik cykliczny (prawa skala)
Zaburzenia cykliczności … 9
do czynienia z typową fazą wzrostową cyklu koniunkturalnego. Od połowy
2014 roku wartości barometru naprzemiennie rosły i malały, kolejne
przyrosty niwelowały wcześniejsze spadki, okresy poprawy i pogorszenia się
koniunktury były krótsze niż w poprzednich latach i nie wykazywały
trwalszej tendencji wzrostowej czy spadkowej. Oszacowana składowa
cykliczna przedstawia jednak inny obraz sytuacji w gospodarce, a mianowicie
od maja 2014 r. do maja 2015 r. trwała faza spadkowa w cyklu BARIRG, po
której nadeszła faza wzrostowa, zakończona najprawdopodobniej3 w czerwcu
2016 r. Oznaczałoby to, że pomiędzy połową 2014 r. a połową 2016 r.
wystąpił w Polsce cykl trwający 25 miesięcy. Obraz, jaki wyłania się
z porównania obu szeregów, jest zatem niespójny. Możliwe są dwa
wyjaśnienia – albo zastosowana metoda estymacji czynnika cyklicznego
zawodzi, generując cykl pozorny, albo jest on „głęboko ukryty” w szeregu
surowym. Do rozwiązania tej zagadki wrócimy później.
W poszczególnych obszarach działalności gospodarczej, objętych
badaniami koniunktury IRG SGH, zmiany przebiegały różnorako. Dla
przemysłu przetwórczego lata 2013-2016 były okresem słabej i zmiennej
koniunktury (Rysunek 2). Wcześniej niż w pozostałej części gospodarki,
bowiem już w IV kwartale 2013 roku, tendencja wzrostowa została
zahamowana. Od tego czasu wartości wskaźnika koniunktury (IRGIND)
naprzemiennie rosły i malały, a częstotliwość zmiany kierunku była większa
niż w przypadku barometru. Trudno dostrzec w przebiegu – po 2013 r. –
zarówno wskaźnika surowego jak i jego składowej cyklicznej tendencję
wzrostową czy spadkową. Może to wskazywać na pewne zagubienie
przedsiębiorców, często zmieniających oceny swojej sytuacji bieżącej
i przewidywań co do nieodległej przyszłości.
W badaniach koniunktury IRG SGH przedsiębiorcy odpowiadają także
na pytania o bariery rozwoju działalności gospodarczej. Ich odpowiedzi
wskazują, iż wspominane wyżej źródła niepewności silnie na nią oddziałują.
Brak siły roboczej, przede wszystkim wykwalifikowanej, wysunął się
w ciągu ostatnich czterech lat na piąte miejsce na liście czynników
ograniczających produkcję. W styczniu 2013 r. barierę tę wymieniało 12,1%
badanych przedsiębiorstw, zaś w styczniu 2017 r. odsetek ten wyniósł 27,2%,
zwiększając się ponad dwukrotnie (najwyższy odsetek, 30,9%, odnotowano
w październiku 2016 r.). Na trzecim miejscu na liście barier wymieniana jest
niestabilność przepisów prawnych. Na ten problem przedsiębiorcy zwracają
3 Brak jest formalnych podstaw, by twierdzić, że w czerwcu 2016 r. faktycznie wystąpił górny
punkt zwrotny w przebiegu składnika cyklicznego barometru.
10 Elżbieta Adamowicz, Konrad Walczyk
uwagę od początku badania koniunktury w przemyśle przetwórczym przez
SGH, jednak odsetek przedsiębiorców narzekających na uciążliwość tej
bariery znacznie zwiększył się w omawianym okresie – w styczniu 2013 roku
wynosił 34,1% ankietowanych, a w styczniu 2017 roku 47,1%.
Rysunek 2. Wskaźnik koniunktury w przemyśle przetwórczym (IRGIND)
w latach 1997-2016.
Dość podobnie wyglądały zmiany koniunktury w budownictwie.
Tendencja wzrostowa wskaźnika koniunktury (IRGCON), widoczna jeszcze
w 2013 r., załamała się w drugim kwartale 2014 r. Od tego czasu mamy do
czynienia ze zmiennością koniunktury budowlanej, o której decydowały
w przeważającej mierze czynniki sezonowe. Składnik cykliczny poruszał się
trendem bocznym (Rysunek 3). Tak jak w przypadku przemysłu
przetwórczego, w okresie I kwartał 2013 r. – I kwartał 2017 r. znacznie nasilił
się negatywny wpływ niestabilności przepisów prawnych na działalność
przedsiębiorstw budowlanych – odsetek ankietowanych wskazujących na tę
barierę wzrósł z 21,8% do 34,1%.
Zmiany koniunktury w bankowości w latach 2013-2016 wyróżniały się
nie tylko na tle lat wcześniejszych, ale i całej gospodarki. Zarówno zmienność
jak i amplituda zmian surowych wartości wskaźnika koniunktury (IRGBAN)
była bardzo wysoka – amplituda wahań sięgała ponad 70 punktów. Z kwartału
na kwartał wartości wskaźnika naprzemiennie rosły i spadały, każdorazowo
przekraczając linię „0” i notując kolejne historyczne minima i maksima.
(Rysunek 4). Podobnego zjawiska nie odnotowano wcześniej w historii
badania. Trudno nie wiązać reakcji banków z polityką wobec tego sektora,
skutkującą zmniejszeniem jego zyskowności. O ile w roku 2014
-20
-15
-10
-5
0
5
10
15
-40
-30
-20
-10
0
10
20
30
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
IRGIND IRGIND (po X 2013) składnik cykliczny (prawa skala)
Zaburzenia cykliczności … 11
w odpowiedziach respondentów z sektora bankowego widoczna była rosnąca
rola barier związanych z trudnościami z pozyskaniem klientów oraz
niedostatecznym popytem na usługi finansowe, to już w latach 2015 i 2016
za najważniejsze bariery banki uznawały restrykcje prawne i podatkowe.
Było to wynikiem nałożenia podatku bankowego i wyższych opłat na rzecz
BFG, związanych z upadkiem banków z sektora spółdzielczego i SKOK, oraz
zapowiedziami przewalutowania kredytów walutowych.
Rysunek 3. Wskaźnik koniunktury w budownictwie (IRGCON)
w latach 1999-2016.
Rysunek 4. Wskaźnik koniunktury w bankowości (IRGBAN)
w latach 1999-2016.
-20
-15
-10
-5
0
5
10
15
20
25
-60
-40
-20
0
20
40
60
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
IRGCON IRGCON (po II kw. 2014) składnik cykliczny (prawa skala)
-30
-20
-10
0
10
20
30
-40
-30
-20
-10
0
10
20
30
40
50
60
70
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
IRGBAN IRGBAN (po IV kw. 2013) składnik cykliczny (prawa skala)
12 Elżbieta Adamowicz, Konrad Walczyk
Jeszcze inaczej kształtowała się w omawianym okresie koniunktura
w gospodarstwach domowych. Od IV kwartału 2012 r. wartości wskaźnika
kondycji gospodarstw domowych (IRGKGD) niemal nieprzerwanie rosną
(Rysunek 5). Wprawdzie w latach 2014-2016 ten ruch zwyżkowy został
zakłócony – jego tempo wyraźnie osłabło w 2014 roku, a w I i III kwartałach
2015 r. oraz w I połowie 2016 r. zanotowano przejściowe spadki – jednak
zmiany te nie były dostatecznie silne, by powstrzymać cykliczny wzrost
wskaźnika. Nastroje polskich gospodarstw domowych są dobre, a wskaźnik
IRGKGD osiągnął już niemal wartość sprzed światowego kryzysu
finansowego i gospodarczego 2007+.
Rysunek 5. Wskaźnik kondycji gospodarstw domowych (IRGKGD)
w latach 1996-2016.
Te dobre nastroje przenoszą się na zachowania zakupowe
konsumentów. Co łączy koniunkturę w gospodarstwach domowych i handlu
w analizowanym okresie, to brak odmienności przebiegu odpowiednich
wskaźników względem lat wcześniejszych. Koniunktura w handlu ma swoją
specyfikę. Wyróżniają ją krótsze niż w pozostałych działach gospodarki fazy
wskaźnika koniunktury (IRGTRD) oraz bardzo krótkie – zwłaszcza w okresie
ostatnich trzech lat – trwające zaledwie jeden kwartał wzrosty jego wartości.
Jednak sam schemat zmian – słaba pierwsza fala, po której następują dwie
lub trzy znacznie bardziej natężone – powtórzył się w omawianym okresie
tak, jak wcześniej miało to miejsce w latach: 1999-2001, 2002-2004,
2005-2008 i 2009-2011.
Mamy więc dwoisty obraz zmian koniunktury w Polsce w ostatnich
latach. W tej części gospodarki, która zajmuje się produkcją dóbr i obsługą
-20
-15
-10
-5
0
5
10
15
20
25
-70
-60
-50
-40
-30
-20
-10
0
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
IRGKGD składnik cykliczny (prawa skala)
Zaburzenia cykliczności … 13
biznesu, lata 2014-2016 zaznaczyły się zaburzeniem dotychczasowego
wzorca wahań cyklicznych, ustawiając ją w trendzie bocznym. Z kolei
w pozostałej części gospodarki, tj. zajmującej się dystrybucją i spożyciem
dóbr, kontynuowany jest cykliczny wzrost bez oznak zakłóceń tego rodzaju,
jakie są obserwowane w produkcji. Przypuszczamy, że źródła tych zakłóceń
leżą w nadzwyczajnym wzroście niepewności w otoczeniu biznesu, która ma
niewielki wpływ na postawy konsumentów. Gospodarstwa domowe
konsumują owoce utrzymującego się od czterech lat niewysokiego, lecz
stabilnego wzrostu gospodarczego, wzrostu wynagrodzeń realnych i spadku
bezrobocia w warunkach bardzo niskich stóp procentowych, sprzyjających
wzrostowi bieżącej konsumpcji. Nie dostrzegają natomiast zagrożeń, jakie są
udziałem przedsiębiorstw, których perspektywa jest rozleglejsza i rozciąga
się na dłuższy okres. Zakłócenia te zostaną poddane bardziej szczegółowej
analizie. Zostanie ona przeprowadzona na przykładzie zachowań
przedsiębiorstw z przemysłu przetwórczego.
Rysunek 6. Wskaźnik koniunktury w handlu (IRGTRD) w latach
1994-2016.
3. Zakłócenia cyklicznych wahań koniunktury w przemyśle przetwórczym w latach 2013-2016
Z badań wynika, że cykliczne wahania koniunktury w polskim
przemyśle przetwórczym objaśniają zasadniczą część cyklu
koniunkturalnego w Polsce (Adamowicz i in., 2011; Adamowicz, Walczyk,
2013). Z tego powodu bardziej szczegółową analizę zaburzeń cyklicznego
-6
-4
-2
0
2
4
6
-20
-15
-10
-5
0
5
10
15
20
1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
IRGTRD składnik cykliczny (prawa skala)
14 Elżbieta Adamowicz, Konrad Walczyk
rytmu zmian w polskiej gospodarce w ostatnich trzech latach ograniczymy do
przemysłu przetwórczego. Obraz przebiegu zmian cyklicznych w tym
sektorze jest przedstawiony na rysunkach 2 i 7, obejmujących okres marzec
1997 r. – październik 2016 r. Na rysunkach tych pokazane są zmiany
złożonego wskaźnika koniunktury (IRGIND) i ośmiu wskaźników prostych
– podstawowych sald (stanów) odpowiedzi na pytania ankiety, dotyczące:
wielkości produkcji, wielkości zamówień ogółem, wielkości zamówień
eksportowych, wielkości zapasów wyrobów gotowych, poziomu cen,
wielkości zatrudnienia, sytuacji finansowej oraz ogólnej sytuacji
gospodarczej w kraju. Są to główne pytania w ankiecie comiesięcznego
badania koniunktury w przemyśle przetwórczym. Na wykresach wyróżniono
okres XI 2013 r. – X 2016 r. (linia przerywana). Na podstawie analizy
graficznej można sformułować trzy główne spostrzeżenia:
1. Zmienność wartości wskaźnika i sald, mierzona wielkością
kolejnych ich przyrostów (rozproszeniem wokół średniej), była
w wyróżnionym okresie mniejsza niż w latach wcześniejszych.
2. Okresy naprzemiennych wzrostów i spadków wartości wskaźnika
i sald były w tym okresie krótsze niż wcześniej (częstotliwość zmian
kierunku ruchu wskaźników była większa).
3. Wartości wskaźnika i sald nie wykazywały w omawianym okresie
trwałej tendencji ani do wzrostu, ani do spadku (w nomenklaturze
analizy cyklu koniunkturalnego nie znajdowały się ani w fazie
wzrostowej, ani w spadkowej, lecz poruszały się w trendzie
bocznym).
Słuszność tych spostrzeżeń została sprawdzona za pomocą prostych
miar statystycznych. W tym celu każdy z dziewięciu szeregów czasowych
(wskaźnik i 8 sald), złożonych z 236 obserwacji, 𝑥𝑖 = {𝑥1𝑖 , 𝑥2
𝑖 , … , 𝑥236𝑖 } (𝑖 =
1,2, … ,9), został podzielony na łącznie 2014 podszeregów o długości 36
miesięcy, z których każdy kolejny zaczyna się (kończy) w miesiącu
następującym po miesiącu, w jakim rozpoczął się (zakończył) podszereg
poprzedni, 𝑥𝑘𝑖 = {𝑥𝑘1
𝑖 , 𝑥𝑘2𝑖 , … , 𝑥𝑘36
𝑖 }, 𝑘 = 1,2, … ,201 (3-letnie tzw. okno
ruchome). Dla każdego z podszeregów 𝑥𝑘𝑖 zostały obliczone:
rozstęp,
odchylenie standardowe,
średni przyrost,
średni czas (w miesiącach) wzrostu/spadku, obliczony jako iloraz
liczby miesięcy, w których zaobserwowano wzrost (spadek)
4 W przypadku salda odpowiedzi na pytanie o ogólną sytuację gospodarczą w kraju liczba
okien wyniosła 200.
-55
-45
-35
-25
-15
-5
5
15
25
35
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość produkcji
-60
-50
-40
-30
-20
-10
0
10
20
30
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zamówień ogółem
-60
-50
-40
-30
-20
-10
0
10
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zamówień eksportowych
-15
-10
-5
0
5
10
15
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zapasów
Rysunek 7. Salda testu koniunktury w przemyśle przetwórczym w okresie marzec 1997 r. – październik 2016 r.
-20
-15
-10
-5
0
5
10
15
20
25
30
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wysokość cen wyrobów gotowych
-60
-50
-40
-30
-20
-10
0
10
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zatrudnienia
-50
-40
-30
-20
-10
0
10
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o sytuację finansową przedsiębiorstwa
-90
-70
-50
-30
-10
10
30
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o ogólną sytuację gospodarczą w kraju
Zaburzenia cykliczności … 17
wartości zmiennej i, i liczby co najmniej jednomiesięcznych
okresów wzrostu (spadku) jej wartości,
średni odsetek odpowiedzi „brak zmiany”5,
a następnie przeprowadzono normalizację wartości tych miar wg wzoru:
𝑚𝑘𝑖�̂�
=𝑚𝑘𝑖
𝑗−𝑚𝑘𝑖_𝑚𝑖𝑛
𝑗
𝑚𝑘𝑖_𝑚𝑎𝑥𝑗
−𝑚𝑘𝑖_𝑚𝑖𝑛𝑗 ,
gdzie 𝑚𝑘𝑖𝑗
to wyrazy ciągu złożonego z wartości miary j, obliczonych dla
każdego k podszeregu zmiennej i, 𝑚𝑘𝑖_𝑚𝑖𝑛𝑗
wartość najmniejsza tego ciągu,
a 𝑚𝑘𝑖_𝑚𝑎𝑥𝑗
jego wartość największa. W wyniku normalizacji otrzymano ciąg
wartości 𝑚𝑘𝑖�̂�
, które mieszczą się w przedziale ⟨0,1⟩. Procedurę tę przedstawimy na przykładzie jednej z miar. Szereg
wartości wskaźnika IRGIND, złożony z 236 miesięcznych obserwacji,
z których pierwsza została zarejestrowana w marcu 1997 r., a ostatnia
w październiku 2016 r., został podzielony na 201 36-miesięcznych
podszeregów. Pierwszy rozpoczyna się w marcu 1997 r. i kończy w lutym
2000 r., drugi rozpoczyna się w kwietniu 1997 r. i kończy w marcu 2000 r.
itd. Ostatni rozpoczyna się w listopadzie 2013 r. i kończy w październiku
2016 r. Obliczono odchylenie standardowe (𝜎) wartości każdego
z podszeregów i otrzymano 201-elementowy ciąg odchyleń standardowych.
Okazało się, że najmniejszy element tego ciągu to odchylenie standardowe
okna XI’13-X’16 (3,66 pkt), a największy to odchylenie standardowe okna
VII’06-VI’09 (okres światowego kryzysu finansowego i gospodarczego, 14,8
pkt). Następnie, ten 201-elementowy ciąg odchyleń standardowych poddano
normalizacji do przedziału ⟨0,1⟩. Te same działania wykonano na szeregach
wartości ośmiu sald testu koniunktury. Na koniec dla każdego k podszeregu
obliczono średnią 1
9∑ 𝑚𝑘𝑖
�̂�9𝑖=1 , otrzymując w rezultacie ciąg średnich {𝑚𝑘
�̂�}.
Wszystkie trzy użyte miary zmienności (rozstęp, odchylenie
standardowe i średni przyrost) dają jednoznaczne wskazania – ponad wszelką
wątpliwość omawiany okres, tj. listopad 2013 r. – październik 2016 r.,
wyróżnia się najmniejszą amplitudą zmian wartości wskaźników aktywności
gospodarczej (złożonego i prostych) w przemyśle przetwórczym (Tabela 1).
Charakteryzuje się on również wysoką częstotliwością zmian ich kierunku
ruchu (wzrost/spadek). Średni czas wzrostu/spadku nie jest wprawdzie
5 Obliczając wartość salda, odpowiedzi „brak zmiany” są pomijane.
18 Elżbieta Adamowicz, Konrad Walczyk
najkrótszy6 (0,2546 po normalizacji), ale jest mu bliski (mediana wynosi
0,4137).
Tabela 1. Średnie wartości statystyk zmienności aktywności gospodarczej
w przemyśle przetwórczym. min okno max okno
rozstęp 0,0143 XI’13-X’16 0,9318 IX’06-VIII’09
odchylenie standardowe 0,0145 XI’13-X’16 0,9264 IX’06-VIII’09
średni przyrost 0,1026 XI’13-X’16 0,8312 V’06-IV’09
średni czas wzrostu/spadku 0,1181 X’10-IX’13 0,7301 IV’02-III’05
średni odsetek odpowiedzi
„brak zmiany”7
0,1573 II’99-I’02 0,8768 III’05-II’08
Objaśnienia: min – najniższa wartość ciągu {𝑚𝑘�̂�
}, max – najwyższa (wartość) ciągu {𝑚𝑘�̂�
}.
Normalizacja do przedziału ⟨0,1⟩ stwarza możliwość nakreślenia
syntetycznego obrazu koniunktury w przemyśle przetwórczym w okresie
XI’13-X’16 na tle lat wcześniejszych przez uśrednienie wartości miar
zmienności i długości okresów wzrostu/spadku. Inaczej mówiąc, otrzymamy
w ten sposób informację o tym, jak analizowany okres ma się do pozostałych,
biorąc pod uwagę wielkość oraz czas trwania kolejnych przyrostów wartości
wskaźnika koniunktury i sald. Wartość tak skonstruowanej miary zmienności
wynosi dla omawianego okresu 0,0624 i jest najniższa spośród wszystkich,
co oznacza, że był on szczególny z uwagi na niewielkie, a zarazem częste
zmiany wartości wskaźnika IRGIND i podstawowych sald testu koniunktury.
Okazuje się również, że w okresie tym średni odsetek odpowiedzi „brak
zmiany” na pytania ankiety był trzeci najwyższy (0,8705) wśród wszystkich.
Wyjątkowo wiele ankietowanych przedsiębiorstw przemysłowych nie
zanotowało więc w ciągu ostatnich trzech lat zmiany podstawowych
wskaźników ich działalności gospodarczej (wielkości produkcji, zamówień,
zatrudnienia itd.). Można powiedzieć, że przemysł przetwórczy przeżywał
w owym czasie względny zastój, zwłaszcza że, jak wynika z analizy
przyrostów, różnice między odsetkami respondentów, którzy zanotowali
wzrost, a odsetkami, respondentów, którzy zanotowali spadek, były
rekordowo małe i zmieniały znak (z ujemnego na dodatni/z dodatniego na
ujemny) nader często.
6 Krótsze wzrosty/spadki występowały w oknach rozpoczynających się między grudniem
2009 r. a lutym 2013 r. Ogólnie rzecz biorąc, po roku 2009 czas wzrostu/spadku znacznie się
skrócił. 7 Dla wskaźnika koniunktury nie liczono średniego odsetka odpowiedzi „brak zmiany”.
Zaburzenia cykliczności … 19
Ów zastój objawia się brakiem wyraźnej tendencji wzrostowej lub
spadkowej. Gdyby połączyć linią środki przedziałów, których końce byłyby
wyznaczone przez kolejne wartości wskaźnika IRGIND (sald), to istnienie
tendencji ku wzrostowi (spadkowi) potwierdzałaby wznosząca się
(opadająca) linia prosta. Tymczasem linia ta łamie się wielokrotnie (Rysunek
8). Odpowiadająca jej linia trendu (linia przerywana) lekko opada (wznosi się
w przypadku sald odpowiedzi na pytania o wielkość zapasów i zatrudnienia),
sygnalizując niewyraźne cykliczne pogorszenie się koniunktury. Wyraźna
jest natomiast sezonowość, zwłaszcza zmian wielkości produkcji i zamówień.
Po jej usunięciu (metodą TRAMO-SEATS) uzyskujemy bardziej przejrzysty
obraz zmian koniunktury. Nie podważa on jednak wcześniejszych ustaleń –
w omawianym okresie przebieg wyrównanych sezonowo: wskaźnika
koniunktury i podstawowych sald testu koniunktury odbiega od wzorca
wahań cyklicznych, utrwalonego w latach wcześniejszych (Rysunki 9 i 10,
linia ciągła). Składają się na niego ostre, strome szczyty (górne punkty
zwrotne), z rzadka dwu- lub trzywierzchołkowe, i głęboko wcięte,
V-kształtne dna (dolne punkty zwrotne). Ostatni szczyt, odcinający
analizowany okres, ledwo się zaznacza, a w przypadku salda odpowiedzi na
pytanie o ceny jest raczej rodzajem mirażu. Dalszy rozwój przybiera
różnorakie formy, czy to postrzępionego szczytu, płaskiego (produkcja) bądź
z pojedynczym wyniesieniem (zatrudnienie), czy łagodnego grzbietu
z klinami (wskaźnik IRGIND, zamówienia ogółem i eksportowe, sytuacja
finansowa, ogólna sytuacja gospodarcza), czy też niecki zakończonej fałdem
(ceny). W niektórych przypadkach (zamówienia eksportowe, zapasy,
sytuacja finansowa, ogólna sytuacja gospodarcza) zdaje się, że formacje te
w nie w pełni wykształconej jeszcze postaci wystąpiły już wcześniej, po
recesji wywołanej światowym kryzysem finansowym i gospodarczym 2007+.
Co je wszystkie łączy, a zarazem odróżnia od cyklicznego wzorca, to
niewielkie nachylenie czy wręcz jego brak – oznaka stagnacji.
W konsekwencji rodzi się wątpliwość, czy oszacowanie składowej cyklicznej
(w omawianym okresie) za pomocą filtra Christiano-Fitzgeralda8 (linia
przerywana na Rysunkach 9 i 10) jest prawidłowe, tzn. czy faktycznie
wystąpił szczyt na przełomie lat 2013 i 2014, i czy faktycznie od tego czasu
przemysł przetwórczy przechodzi fazę spadkową cyklu koniunktury. Jest
również wątpliwe, czy zastosowanie innego filtra w celu detrendyzacji nie
wykazałoby istnienia cyklu pozornego, bowiem wszystkie popularne metody
8 Zob.: Christiano, Fitzgerald (2003). Uzasadnienie stosowania filtra Christiano-Fitzgeralda
do detrendyzacji danych jakościowych w: Adamowicz i in. (2009).
Rysunek 8. Środki przyrostów wartości wskaźnika IRGIND i sald w okresie listopad 2013 r. – październik 2016 r.
-10
-8
-6
-4
-2
0
2
4
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
wskaźnik koniunktury
-15
-10
-5
0
5
10
15
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o wielkość produkcji
-25
-20
-15
-10
-5
0
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o wielkość zamówień ogółem
-25
-20
-15
-10
-5
0
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o wielkość zamówień eksportowych
-6
-4
-2
0
2
4
6
8
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o wielkość zapasów
-10
-8
-6
-4
-2
0
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o wysokość cen wyrobów gotowych
-15
-10
-5
0
5
10
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o wielkość zatrudnienia
-25
-20
-15
-10
-5
0
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o sytuację finansową przedsiębiorstwa
-20
-15
-10
-5
0
XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016
saldo odpowiedzi na pytanie o ogólną sytuację gospodarczą w kraju
Zaburzenia cykliczności … 21
dekompozycji szeregów czasowych mają podobne właściwości statystyczne
(zob. np.: Kranendonk i in., 2004; Zarnowitz, Ozyildirim, 2006; Adamowicz
i in., 2009) i są krytykowane za generowanie cykli pozornych. Proponuje się
alternatywnie dokonanie dekompozycji za pomocą strukturalnego modelu
szeregów czasowych albo, jak w opublikowanym w niniejszym numerze
„Prac i Materiałów Instytutu Rozwoju Gospodarczego SGH” artykule
Bernardelliego i Dędys, przełącznikowego modelu Markowa z trzema
stanami. W istocie kwalifikują oni lata 2014-2016 w polskim przemyśle
przetwórczym jako trzeci stan, który może być interpretowany jako faza
przejściowa (między fazami wzrostową a spadkową), bądź faza o osobliwej
genezie, niekoniecznie występująca w każdym cyklu.
Rysunek 9. Wyrównany sezonowo wskaźnik koniunktury IRGIND (linia
ciągła, lewa skala) i jego składowa cykliczna (linia przerywana, prawa
skala) w okresie III’97-X’16 (okres XI’13-X’16 zacieniowano).
4. Wnioski
Lata 2013-2016 to szczególny okres w polskiej gospodarce,
a zwłaszcza w przemyśle przetwórczym, przynajmniej w świetle wyników
badań koniunktury IRG SGH. Cechowało go obniżenie dynamiki produkcji
przy jednoczesnym wzroście popytu konsumpcyjnego i niestabilność
rozwoju aktywności gospodarczej. Zaburzyło to cykliczny rytm wahań
koniunktury, ustawiając ją w trendzie bocznym.
Zjawisko to rodzi problem dla tych metod detrendyzacji, które
rozpoznają cykl jako odchylenie od trendu. Do wyników estymacji składnika
cyklicznego z ich użyciem należy zatem podchodzić z ostrożnością, nie jest
bowiem wykluczone, że ukazują fałszywy obraz koniunktury.
-20
-15
-10
-5
0
5
10
15
-25
-20
-15
-10
-5
0
5
10
15
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
-25
-20
-15
-10
-5
0
5
10
15
-30
-25
-20
-15
-10
-5
0
5
10
15
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość produkcji
-40
-30
-20
-10
0
10
20
30
-50
-40
-30
-20
-10
0
10
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zamówień
-40
-30
-20
-10
0
10
20
-50
-40
-30
-20
-10
0
10
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zamówień eksportowych
-6
-4
-2
0
2
4
6
8
10
-10
-5
0
5
10
15
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zapasów
Rysunek 10. Wyrównane sezonowo salda (linie ciągłe, lewa skala) i składowe cykliczne sald (linie przerywane, prawa
skala) testu koniunktury w przemyśle przetwórczym w okresie marzec 1997 r. – październik 2016 r. (okres XI’13-X’16
zacieniowano).
-20
-15
-10
-5
0
5
10
15
20
-20
-15
-10
-5
0
5
10
15
20
25
30
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wysokość cen wyrobów gotowych
-30
-25
-20
-15
-10
-5
0
5
10
15
20
-45
-40
-35
-30
-25
-20
-15
-10
-5
0
5
10
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o wielkość zatrudnienia
-25
-20
-15
-10
-5
0
5
10
15
20
-40
-30
-20
-10
0
10
20
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o sytuację finansową przedsiębiorstwa
-50
-40
-30
-20
-10
0
10
20
30
40
50
-80
-60
-40
-20
0
20
40
1997 1999 2001 2003 2005 2007 2009 2011 2013 2015
saldo odpowiedzi na pytanie o ogólną sytuację gospodarczą w kraju
24 Elżbieta Adamowicz, Konrad Walczyk
Wydaje się, że to nietypowe zachowanie się producentów jest skutkiem
nadzwyczajnej niepewności w ich otoczeniu, natężonej napięciami
o różnorakim podłożu. Pod jej wpływem prawdopodobnie powstrzymują się
oni od podejmowania decyzji o dalekosiężnych skutkach, miarkują swoje
zamierzenia, a zarazem mają kłopot z właściwą ocenę bieżącej sytuacji na
rynku, jakby znajdowali się w stanie ciągłego rozedrgania, oczekiwania
„niespodziewanego” i obawy przed popełnieniem poważnego błędu. Jeśli
nasza hipoteza jest prawdziwa, jest nie mniej prawdopodobne, że ten sam
czynnik, który spowodował zaburzenie cyklicznego rytmu zmian
koniunktury, rytm ten wytwarza.
Odnotowana w badanym okresie sytuacja nie jest zjawiskiem obcym
historii koniunktury, chociaż w przypadku gospodarki polskiej obserwujemy
ją po raz pierwszy. Wybitny badacz koniunktury gospodarczej, Victor
Zarnowitz, w jednej ze swych prac pisze: „w ciągu ostatnich 200 lat cykle
koniunkturalne bardzo zmieniły się pod względem długości, rozległości i siły.
Zarazem wyróżnia się je z uwagi na ich powtarzalność, trwałość
i powszechność. To zróżnicowane, złożone i ewoluujące zjawisko
o historycznej i ekonomicznej dynamice” (1992). Zazwyczaj dotąd
w odpowiedzi na trwałe zmiany w przebiegu cykli koniunkturalnych
pojawiały się nowe metody i narzędzia ich analizy. Należy mieć nadzieję, iż
stanie się tak i teraz.
Literatura
Adamowicz, E., Dudek, S., Pachucki, D., Walczyk, K. (2009).
Synchronizacja cyklu koniunkturalnego polskiej gospodarki z krajami
strefy euro w kontekście struktury tych gospodarek. w: Raport na temat
pełnego uczestnictwa Rzeczypospolitej Polskiej w trzecim etapie Unii
Gospodarczej i Walutowej. Projekty badawcze. t. I. Warszawa: Narodowy
Bank Polski, 8-224.
Adamowicz, E., Klimkowska, J., Walczyk, K. (2011). Wahania
koniunkturalne w Polsce. Prace i Materiały Instytutu Rozwoju
Gospodarczego, 87: 9-32.
Adamowicz, E., Walczyk, K. (2013). Jakościowy cykl koniunkturalny
w Polsce. Sektorowe zmiany aktywności gospodarczej. Przegląd
Zachodniopomorski, 28(3-1): 17-2.
Christiano, L., Fitzgerald, T. J. (2003). The band-pass filter. International
Economic Review, 44(2): 435-65. Kranendonk, H. C., Bonenkamp, J., Verbruggen, J. P. (2004). A leading
indicator for the Dutch economy – methodological and empirical revision
of the CPB system. CESIfo Working Paper, 1200.
Zaburzenia cykliczności … 25
Zarnowitz, V., Ozyildirim, A. (2006). Time series decomposition and
measurement of business cycles, trends, and growth cycles. Journal of
Monetary Economics, 53(7): 1717-1739.
Zarnowitz, V. (1992). What is a business cycle. w: The business cycle:
Theories and evidence. M. T. Belongia, M. R. Garfinkel (red.). Boston,
MA: Kluwer Academic Publishers, 3-72.
Michał Bernardelli, Monika Dędys‡
Mapping the respondents’ assessments in business tendency survey using the Viterbi paths
Abstract In the paper we propose to use the so-called Viterbi paths for mapping
relationships between survey data. The Viterbi path is the most probable
sequence of states of a hidden Markov chain in a Markov Switching model
(MS). The approach is widely taken to recognize speech or to analyze DNA,
but is almost absent in econometrics, despite the great role MS models play
in non-linear modeling. The main advantages of the Viterbi paths are: (1)
intuitive interpretation of results they give and (2) their wide applicability.
They have, however, some disadvantages too. It turns out that the models we
have built do not necessarily fit to business tendency survey data, and the
interpretation of the hidden states might be unclear.
Keywords: business tendency surveys, wording of survey questions.
JEL: C81, E32.
‡ Szkoła Główna Handlowa w Warszawie, Kolegium Analiz Ekonomicznych.
1. Introduction
The Viterbi paths are strongly connected with Markov Switching models and
problems of pattern recognition. They can be regarded as a powerful tool for
comparison of univariate and multivariate macroeconomic time series. Their
usefulness has been shown in detecting turning points, or identifying periods
of a certain level or a change rate of economic phenomena under
consideration (Bernardelli, Dędys, 2014).
The goal of this paper is to show a variety of applications of the Viterbi
paths. We study the data that comes from the business tendency survey the
Research Institute for Economic Development, Warsaw School of Economics
(RIED) conducts in the Polish manufacturing industry every month.
Specifically, we analyze time series of the state balances of: production, total
orders, finished goods inventories, selling prices, employment and financial
standing of manufacturers. Any detailed description of business situation in
the industry, reported by respondents of the survey, is beyond the scope of
the paper. We mainly focus on presenting how the Viterbi paths work.
The Viterbi paths, obtained from the univariate time series of the
balances, answer the following questions: (1) Is it possible to separate sets of
time series which are strongly synchronized? (2) Is there any leading one out
of the balances? (3) Are there any ‘local leaders’, that is, the time series which
lead downturns or upturns only? and, finally, (4) Is there any recommendation
to apply the two-, three- or four-states Viterbi paths?
The Viterbi paths can be a valuable tool to analyze bivariate time series
as well. As Bernardelli and Dędys (2015) show, they could be applied to
evaluate business cycle synchronization, especially when ‘weaker’ vs
‘stronger’ economies are considered. With this in mind, we focus on the two
following problems: (1) Are the changes, that take place in an economy,
noticed by manufacturers earlier than the corresponding changes in their
firms, or vice versa? (2) What is the order of signaling when the balances
related to leading and coincident indicators are taken into account?
Unfortunately, in the two-dimensional analysis some difficulties may appear,
i.e., unlike the one-dimensional analysis, a universal interpretation of the
states in the Viterbi path is not plausible. Furthermore, it is not always
possible to estimate a model for selected pairs of the balances. We briefly
discuss these problems.
The paper is organized as follows. Section 2 is devoted to brief
discussion of the basic terminology and methodology. The results of the
empirical analysis are presented in Section 3. The paper conclude with
a summary of the key findings in Section 4.
Mapping the respondents’ … 29
2. Markov Switching models and the Viterbi path
In this paper, we focus on the simplest type of a Markov Switching model
(MS). Namely, we analyze conditionally independent observable variables
with parameters of distribution driven by a homogeneous Markov chain
(MC). More precisely, we consider a partially observable process
{(𝑋𝑡, 𝑌𝑡)}𝑡=1∞ , satisfying the following conditions:
1. Unobservable component {𝑋𝑡}𝑡=1∞ is a homogenous Markov chain
with a finite state space 𝑆𝑋.
2. Observable random variables 𝑌1, 𝑌2, …, 𝑌𝑡, given (𝑋1, 𝑋2, … , 𝑋𝑡), are
conditionally independent, and the distribution of 𝑌𝑡, given this
condition, depends only on a random variable 𝑋𝑡.
The Markov chain of that type of MS models is called the hidden
Markov chain. The models of the type are known as hidden Markov models,
and appeared in the literature in the 1960s, i.e., much earlier than the first
work of Hamilton (Cappé et al., 2005).
One of the major issues involved in the application of MS is as follows.
Having information about the realization of observable variables 𝑌𝑡 in some
period of time (say from 1 to 𝑇), one could try to estimate a state of
unobservable MC at a fixed time 𝑡, 𝑡 ≤ 𝑇. The most common approach is to
use the smoothed probability
𝑤𝑡(𝑖) = 𝑃(𝑋𝑡 = 𝑖|𝑌1 = 𝑦1, 𝑌2 = 𝑦2, … , 𝑌𝑇 = 𝑦𝑇), (1)
or the filtered probability
𝑓𝑡(𝑖) = 𝑃(𝑋𝑡 = 𝑖|𝑌1 = 𝑦1, 𝑌2 = 𝑦2, … , 𝑌𝑡 = 𝑦𝑡), (2)
to deal with this problem.
There are several procedures for obtaining the assessment of states of
the hidden Markov chain in time t, which use estimates of the filtered or
smoothed probabilities (Chauvet, Hamilton, 2005; Harding, Pagan, 2002). In
the simplest case argmax𝑖
𝑤𝑡(𝑖) or argmax𝑖
𝑓𝑡(𝑖) give this assessment.
Unfortunately, such ‘local decoding’ or ‘step-by-step decoding’ of the path
of states of the hidden Markov chain may be ineffective, especially in the case
of a larger state space.
In this paper, we use an alternative method to solve that problem.
Namely, we are looking for the most likely path of MC in the whole period
under the study. Formally speaking, we determine the path (𝑥1∗, 𝑥2
∗, … , 𝑥𝑇∗ ) ∈
𝑆𝑋𝑇 such that
30 Michał Bernardelli, Monika Dędys
𝑃(𝑋1 = 𝑥1∗, 𝑋2 = 𝑥2
∗, … , 𝑋𝑇 = 𝑥𝑇∗ |𝑌1 = 𝑦1, 𝑌2 = 𝑦2, . . , 𝑌𝑇 = 𝑦𝑇)
= max(𝑥1,𝑥2,…,𝑥𝑇)∈𝑆𝑋
𝑇{𝑃(𝑋1 = 𝑥1, 𝑋2 = 𝑥2, … , 𝑋𝑇 = 𝑥𝑇|
𝑌1 = 𝑦1, 𝑌2 = 𝑦2, … , 𝑌𝑇 = 𝑦𝑇}.
(3)
This sequence, which is more likely, is called the Viterbi path9. The
Viterbi paths concept seems to be rarely applied in an analysis of economic
data, and appears to be limited to the two-state models only (Boldin, 1994).
In this paper, we consider MS with an observable variable 𝑌𝑡 having
univariate or bivariate Gaussian conditional distribution and two, three or four
hidden states. To be clear, referring to a particular type of such a model, we
use the symbol MS(k, n), where k is the dimension of observable time series
(k = 1, 2) and n is a number of states of underlying MC (n = 2, 3, 4).
In the case of MS(1,2) we consider 𝑆𝑋 = {0, 1} and
𝑌𝑡|𝑋𝑡=0~𝑁(𝜇0, 𝜎0), 𝑌𝑡|𝑋𝑡=1~𝑁(𝜇1, 𝜎1), (4)
where 𝜇0 < 𝜇1. Obviously, the state 0 corresponds to periods of the lower
level, and the state 1 relates to the higher level (of the variable under the
study).
The analysis can be enhanced by introducing one more state, which
corresponds to unclear situation, a transition from the poor to the good state
of the economy, or vice versa, a kind of the announcement of changes. For
this purpose, we introduce a Markov chain with an extended state space
𝑆 = {0,1
2, 1}. The state
1
2 shall correspond to such an uncertain, transient
period. The meaning of the states 0 and 1 is the same as in the standard two
state model. An extended three state model is defined as follow
𝑌𝑡|𝑋𝑡=𝑖~𝑁(𝜇𝑖, 𝜎𝑖), (5)
for 𝑖 = 0,1
2, 1, where 𝜇0 < 𝜇1
2
< 𝜇1. Additionally, we assume that 𝑝(0,1) =
𝑝(1,0) = 0 to reflect smoothing of changes. As said, this model is denoted
by MS(1, 3).
In order to carry out a more precise classification, another model is
taken into account. To distinguish definitely good periods, worse but still
positive, definitely bad and moderately bad ones, we introduce the four-level
9 After Andrew Viterbi who was the author of the algorithm used to determine this path.
Mapping the respondents’ … 31
scale. The assessments are associated, respectively, with the states 1, 2
3, 0 and
1
3 of MC. Therefore, the MS model is introduced as follows
𝑌𝑡|𝑋𝑡=𝑖~𝑁(𝜇𝑖, 𝜎𝑖), (6)
for 𝑖 = 0,1
3,
2
3, 1, where 𝜇0 < 𝜇1
3
< 𝜇2
3
< 𝜇1. As previously, we assume that
only transitions between adjacent states are possible, so
𝑝(0,1) = 𝑝(1,0) = 𝑝 (0,2
3) = 𝑝 (
2
3, 0) = 𝑝 (
1
3, 1) = 𝑝 (1,
1
3) = 0.
In the two-dimensional case, it is assumed that the hidden Markov chain
reflects some common factor, which ‘governs’ the pairs of observable time
series. In this case, the model MS(2,2), MS(2,3) and MS(2,4) are considered.
For the model MS(2,k), we set the same state space 𝑆𝑋 of the hidden Markov
chain as for the model MS(1,k), k =2,3,4. Obviously, we also have
(𝑌𝑡1, 𝑌𝑡
2)|𝑋𝑡=𝑖~𝑁 ([µ𝑖
1
µ𝑖2] , 𝛴𝑖), (7)
for 𝑖 ∈ 𝑆𝑋.
Usually, without any insight into estimates of µ𝑖1 and µ𝑖
2, it is not
possible to give a proper interpretation of the states of hidden Markov chains.
Let’s consider for example MS(2,2). If each of the two observable component
states 0 and 1 corresponds to the lower and higher levels, respectively, there
is no basis for concluding that the hidden states of MS(2,2) correspond to
(1,1) and (0,0). Furthermore, it turns out that even in the case of MS(2,4) the
intuitive interpretation: (0,0), (1,1), (0,1) and (1,0) can be far from reality.
To estimate parameters of hidden Markov models we use the
Baum-Welch algorithm (Cappé et al., 2005). However, results of this
deterministic algorithm depend on initial values of probabilities. They,
therefore, may be far from optimal. In order to increase the chances of finding
the optimal solution, the calculation can be repeated many times for the same
set of data and different initial values. This is equivalent to performing
a Monte Carlo simulation. For each of a k-state HMM model preselecting of
the following values is required:
initial distribution of an unobserved Markov chain (k parameters),
transition probabilities of unobserved Markov chain parameters
(𝑘2 parameters),
32 Michał Bernardelli, Monika Dędys
means and covariances of the conditional distribution of an observed
variable in the given state (2k parameters).
In our research the initial values were randomly chosen using
independent and identically distributed draws from the univariate
distribution. The number of draws used for parameters estimation of the time
series being under the study varied between 1.000 and 5.000. The number of
trial’s repetitions depends on the number of the MS’s states and the numerical
stability of computations.
The best estimates of parameters of the models were chosen with
selection criteria taking into account the following indicators (Bernardelli,
2014; Bernardelli, Dędys, 2014):
Akaike's information criterion (AIC),
Bayesian information criterion (BIC),
the log likelihood value,
the frequency of obtaining a certain solution of the Baum-Welch
algorithm (with an accuracy of one decimal place).
The MS model, considered as the best for the particular input data set,
was used to compute the most likely path, consists of the sequence of the
states of MC (throughout the whole period under consideration). These paths
are outputs of the Viterbi algorithm (Cappé et al., 2005). It is worth noting
that, despite the deterministic nature of both used algorithms, the method of
‘decoding’ the states of unobserved MC as a whole has a non-deterministic
character. The stability of the results of the empirical analysis was verified
with the procedure presented by Bernardelli (2015), and all the Viterbi paths
were found to be stable.
3. Results of empirical analysis
This paper applies models and techniques described in the previous section to
the results of the business tendency survey conducted monthly by the
Research Institute for Economic Development, Warsaw School of Economics
in the Polish manufacturing industry. In this survey respondents evaluate
current and future (expected) changes in certain areas of economic activity.
The survey basically consists of eight questions. For every question there are
three possible reply options: increase, decrease or no change. For each
question the balance is calculated as a difference between percentages of
positive and negative answers. In the study we analyze the following
balances:
volume of production (prod),
volumen of total orders (order),
finished good inventories (stock),
Mapping the respondents’ … 33
selling prices of products (price),
level of employment (employ),
financial standing (fin).
The data sample covers the period from May 2004 to February 2016.
All the time series were seasonally adjusted using Seasonal package in R, i.e.,
the R-interface to X-13 ARIMA-SEATS, seasonal adjustment software
developed by the United Census Bureau.
3.1. Results of decomposition of univariate time series
The parameters of MS(1,2), MS(1,3) and MS(1,4) were estimated for the six
balances, and the Viterbi paths for all models were obtained. To give an
example, in Figure 1 the time series prod and its decomposition into
two-, three- and four-states Viterbi path are shown, and the results of the
decomposition of univariate time series of all balances are shown in Figure 2.
Figure 1. Original time series of the prod balance vs the Viterbi paths of the
corresponding two-, three- and four-states MS.
We start with an analysis of the Viterbi paths obtained for MS(1,2). At
first glance, one can see three very similar Viterbi paths for prod, order and
fin. The two last ones are almost identical (see Figure 3). As a matter of fact,
except for the first additional series of ‘zeros’, the Viterbi path for employ
may be attached to that group. By analyzing Figure 4 one can see the
analogous relationship in the observable time series. The Viterbi paths of
price and stock differ from the rest of the paths and from each other. In
addition, the Viterbi path obtained for stock has the greatest variability.
0
1
-40
-30
-20
-10
0
10
20
30
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
prod MS2 MS3 MS4
Mapping the respondents’ … 35
Figure 3. Original time series of the prod, fin and order balances.
Figure 4. Original time series of the prod and employ balances.
Obviously, as shown by Figure 5, this is a reflection of the actual
relationship between the balances under consideration. It does not seem
possible to clearly distinguish a leader time series, even in the group of prod,
order and fin.
The Viterbi paths with two states are a convenient way of pooling the
balances, and they also give an opportunity to identify a leading time series,
if such exists. The three-states Viterbi paths provide with even more valuable
information. By comparing Figures 6 and 7 one can clearly note a difference
in the pictures the two- and three-states Viterbi paths of fin show. However,
-50
-40
-30
-20
-10
0
10
20
30
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
prod fin order
-40
-30
-20
-10
0
10
20
30
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
prod employ
36 Michał Bernardelli, Monika Dędys
introducing the fourth state in MS does not informationally enrich the picture
a lot (see Figure 8). A similar observation can be made for the Viterbi paths
of employ and price MS(1,2) (see Figures 9-11).
Figure 5. Original time series of the price and stock balances.
Figure 6. Original time series of fin vs the corresponding two-states MS.
There is no surprise that due to the higher level of decomposition,
observation on the concordance of time series may change. For example, in
absence of state 1 in the path of MS(1,3) for fin in the period April 2010 –
August 2011 prod and order seem to be closer to the original time series.
The three-states Viterbi paths give an opportunity to assess the rate of
change of the states associated with the high and low levels. For example, by
-15
-10
-5
0
5
10
15
20
25
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
price stock
0
1
-40
-30
-20
-10
0
10
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
Mapping the respondents’ … 37
analyzing the prod and order balances and the period February 2008 – July
2010, one can infer that the descent from state 1 to state 0, due to longer series
of state ½, is slightly gentler for prod. On the contrary, transition from state
0 to 1 seems to be a little bit sharp (see Figure 12). Furthermore, there are
periods in which the Viterbi paths seem to indicate the same range of changes
(up to November 2013; see Figures 13 and 14).
Figure 7. Original time series of fin vs the corresponding three-states MS.
Figure 8. Original time series of fin vs the corresponding four-states MS.
Although the difference between the paths obtained for MS(1,4) and
MS(1, 3) is not so striking as the one between the paths for MS(1,3) and
0
1
-40
-30
-20
-10
0
10
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
0
1
-40
-30
-20
-10
0
10
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
38 Michał Bernardelli, Monika Dędys
MS(1,2), the four-states paths provide crucial information as well. For
example, comparing the paths for MS(1,3) and MS(1,2) for employ in the
period up to January 2006 may be in a way a little bit misleading. A deeper
insight into the path for MS(1, 4) gives a clear explanation.
Figure 9. Original time series of employ vs the corresponding
two-states MS.
Figure 10. Original time series of employ vs the corresponding
three-states MS.
0
1
-40
-35
-30
-25
-20
-15
-10
-5
0
5
10
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
0
1
-40
-35
-30
-25
-20
-15
-10
-5
0
5
10
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
Mapping the respondents’ … 39
Figure 11. Original time series of employ vs the corresponding
four-states MS.
Figure 12. Part of the prod and order Viterbi paths.
3.2. Results of decomposition of bivariate time series
In this section, an example of the use of the Viterbi paths for models M(2,k)
is given. We focus on the following pairs of the balances: (prod, employ),
(stock, order) and (order, price). It turns out that not all of models M(2,k) fit
the data. Specifically, this problem refers to M(2,2) for the pair (order, price),
and M(2,4) for the pairs: (order, price) and (stock, order).
0
1
-40
-35
-30
-25
-20
-15
-10
-5
0
5
10
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
10
1
20
07-1
2
20
08-0
2
20
08-0
4
20
08-0
6
20
08-0
8
20
08-1
0
20
08-1
2
20
09-0
2
20
09-0
4
20
09-0
6
20
09-0
8
20
09-1
0
20
09-1
2
20
10-0
2
20
10-0
4
20
10-0
6
20
10-0
8
prod MS3 order MS3
40 Michał Bernardelli, Monika Dędys
Figure 13. Part of the prod and order Viterbi paths.
Figure 144. Part of the prod and order Viterbi paths.
In the two-dimensional case it is assumed that the hidden Markov chain
reflects some common factor, which ‘governs’ the pairs of the observable
time series. On the contrary to the one-dimensional case, interpretation of
states is not obvious and should be inferred after thorough examination of
Gaussian distribution mean estimates. For clarity, we decide to omit exact
values and use the following symbols: ++ to denote the high level, + moderate
high level, - moderate low level, -- low level, and 0 meant to be a value very
close to zero. Interpretation of states of the hidden Markov chain for all
models under the study is given in Table 1 (with X reserved for models that
do not fit to data). The Viterbi paths obtained for the pair (prod, employ) are
0
0,5
1
prod MS3 order MS3
0,00
0,33
0,67
1,00
prod MS4 order MS4
Mapping the respondents’ … 41
shown in Figure 15, for (price, order) in Figure 16, and for (order, stock) in
Figure 17.
Table 1. Summary of the averages of normal distribution for the states of
hidden Markov chain.
state (prod, employ) (order, price) (stock, order)
0 (-,-) X (+,--)
1 (+,+) X (0,-)
0 (--,--) (--,-) (+,--)
1/2 (+,-) (-,-) (+,-)
1 (0,+) (0,+) (-,+)
0 (--,--) X X
1/3 (+,-) X X
2/3 (+,0) X X
1 (++,+) X X
Figure 15. The prod and employ Viterbi paths.
The question arises: what could Viterbi paths of bivariate time series be
applied to? For example, comparing the Viterbi paths for (prod, employ) and
(order, price) makes one assume that the changes which happen within a firm
are perceived almost simultaneously or with a slight delay (except for the
period of the Great Recession) to the corresponding changes outside that firm.
Illustration is given by Figure 16. Furthermore, the Viterbi paths shown in
Figure 17, suggest there is not a clear relationship between the balances
0,00
0,33
0,67
1,00
0
0,5
1
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
prod + employ MS2 prod + employ MS3
prod + employ MS4
42 Michał Bernardelli, Monika Dędys
related to leading economic variables and the balances connected with
coincident ones.
Figure 16. The prod and employ Viterbi paths vs the order and price ones.
Figure 17. The stock and order Viterbi paths vs the prod and employ ones.
4. Conclusions
In this paper the application of the Viterbi paths to analyze qualitative data is
examined. We focus on modeling univariate and bivariate time series. Using
MS models with the conditional Gaussian distribution with two, three and
four hidden states, it is possible to find decompositions of the survey balances
0
0,5
1
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
order + price MS3 prod + employ MS3
0
0,5
1
0
1
20
04-0
5
20
04-1
1
20
05-0
5
20
05-1
1
20
06-0
5
20
06-1
1
20
07-0
5
20
07-1
1
20
08-0
5
20
08-1
1
20
09-0
5
20
09-1
1
20
10-0
5
20
10-1
1
20
11-0
5
20
11-1
1
20
12-0
5
20
12-1
1
20
13-0
5
20
13-1
1
20
14-0
5
20
14-1
1
20
15-0
5
20
15-1
1
stock + order MS2 stock + order MS3 prod + employ MS3
Mapping the respondents’ … 43
of manufacturing production, orders, finished goods inventories, selling
prices of products, employment and financial standing of manufacturers. On
the whole, the Viterbi paths with two states provide a convenient way to pool
time series, and to identify leading ones. We did not, however, find any
leading time series in the dataset, even in the group of the balances of
production, orders and financial standing, i.e., the time series with very
similar Viterbi paths. The three- and four-states Viterbi paths allow assessing
the change rate of the states related to high and low levels of economic
phenomena under a study. Ones of the many advantages of the Viterbi paths
obtained for the one-dimensional case are intuitive interpretation of results
and a wide range of types of analyses that can be carried out. The Viterbi
paths obtained for the two-dimensional case seem to be a promising tool too.
However, they have some disadvantages. It turned out that the proposed
models did not always fit to business tendency survey data. Moreover,
interpretation of the hidden states might be found unclear a bit.
References Bell, W. (1984). Signal extraction for nonstationary time series. Annals of
Statistics, 12(2): 646-664.
Bernardelli, M. (2013). Non-classical Markov models in the analysis of
business cycles in Poland. Roczniki Kolegium Analiz Ekonomicznych
SGH, 30: 59-74.
Bernardelli, M. (2015). The procedure of business cycle turning points
identification based on hidden Markov models. Prace i Materiały Instytutu
Rozwoju Gospodarczego SGH, 96: 5-23.
Bernardelli, M., Dędys, M. (2015). Przełącznikowe modele Markowa
w analizie synchronizacji cykli koniunkturalnych. Roczniki Kolegium
Analiz Ekonomicznych SGH, 39: 213-227.
Bernardelli, M., Dędys, M. (2014). The Viterbi path of hidden Markov
models in an analysis of business tendency surveys. Prace i Materiały
Instytutu Rozwoju Gospodarczego SGH, 96: 25-47.
Boldin, M. (1994). Dating turning points in the business cycle. Journal of
Business, 67(1): 97-131.
Cappé, O., Moulines, E., Rydén, T. (2005). Inference in hidden Markov
models. Nowy Jork: Springer.
Chauvet, M., Hamilton, J. D. (2005). Dating business cycle turning points.
NBER Working Paper Series, 11422.
Harding, D., Pagan, A. (2002). A comparison of two business cycle dating
methods. Journal of Economics & Control, 27(9): 1681-1690.
Maciej K. Dudek‡
On the possibility of artificial uncertainty in the leader-follower game
Abstract In this paper we study equilibrium dynamics in a simple duopoly game. We
show that the beliefs about the structure of the game influence the actual
dynamics. Furthermore, we argue that beliefs induced dynamics can be
complex and can in equilibrium be consistent with the underlying beliefs. We
illustrate that the beliefs can be consistent even if the underlying beliefs do
not correspond to the objective truth.
Keywords: duopoly, uncertainty, consistent equilibria.
JEL: D83, D84, D91, E32.
‡ Akademia Finansów i Biznesu – VISTULA, Instytut Badań Rynku, Konsumpcji
i Koniunktur
1. Introduction
In this paper we examine the role of perceptions about an economy and their
impact on the actual dynamics of the economy. In modern economic
modeling we allow for a time dimension, and at the same time we expect the
decision makers to be sophisticated in their optimal intertemporal choices.
Naturally, this implies that agents’ beliefs must be modeled accordingly. In
particular, the beliefs must be a part of equilibrium and must be model
consistent.
Traditionally, the consistency between the model and the beliefs has
been achieved by demanding economic agents be rational, i.e., that their
private beliefs correspond to the objective truth. In this paper we provide an
example of a situation where the consistency is achieved even when the
beliefs at the individual level do not correspond to the objective truth.
Nevertheless, at the same time the observed dynamics is consistent with the
underlying beliefs.
Our result fundamentally follows from a very basic observation that
multiple models can give rise to a given observed dynamics. Furthermore,
contrary to the most positions in the literature we rely on an obvious
observation that the underlying model is endogenous and its shape is in fact
determined by the beliefs held by economic agents. We constructively show
that it is possible that a belief-shaped model generates dynamics consistent
with the beliefs even though, objectively speaking, the model itself differs
from the one deemed correct by economic agents.
In the paper we present a very simple case based on a duopoly game. In
the game one of the players behaves always in the same manner. Specifically,
the player assumes that she is a follower and always acts accordingly. At the
same time we assume that the other player is not sure about the nature of the
game played. In fact the player believes that there are two possibilities: the
game could be of the Stackelberg form, or it could be of the Cournot form. In
other words, the player does not know whether the other player perceives her
as a leader or an equal. In her assessment at some periods the outcome
corresponds to the outcome in a Stackelberg game, and in some to the
outcome in a Cournot game. The leader assigns subjectively probabilities to
the two perceived possibilities, and then updates her beliefs about the nature
of the game and the state of the demand. Updated beliefs change the behavior
and, in turn, impact the actual dynamics of the game. We show that the
observed dynamics can correspond to the beliefs, and confirm that the
equilibrium indeed exists and is in fact belief-driven.
The basic idea utilized in the paper stems from the prior contributions
of Sorger (1998), Hommes (1998), and Dudek (2012), who show that the
On the possibility of artificial uncertainty in the leader-follower game 47
observed dynamics not only is endogenous, but shaped by the beliefs that
need not correspond to the objective truth. In this paper, we show that similar
type of equilibria can arise in a very basic and otherwise familiar setup.
Furthermore, we show that the resulting dynamics can be very rich and, in
fact, it can be indistinguishable from purely stochastic dynamics.
The paper is organized in five sections. In the following section we
outline the basic setup of the game. Then we introduced perceived uncertainty
into the system. In Section 4 we discuss the possibility of the consistency of
beliefs and analyze the ensuing dynamics. Section 5 concludes.
2. Basic setup
In this section we outline the traditional leader-follower game of quantity
competition. There are two producers who compete in a given market by
setting quantities produced. For simplicity, and without any loss of generality,
let us assume that the marginal cost is constant and equal to 0, i.e., in our
setup effectively producers are revenue maximizing firms. Furthermore, let
us assume that the demand is given by
𝑃 = 24 − 𝑄. (1)
In the traditional setup we have two firms, one being in a privileged
position, the leader, and the other, the follower, that reacts to the choices of
the leader. It is straightforward to establish that the best response of the
follower to the choice of the leader is simply given by
𝑄𝐹 = 12 −1
2𝑄𝐿. (2)
Now, given the best response of the follower, one can quickly find the best
response of the leader. Specifically, the profit of the leader is given by
𝜋𝐿 = 𝑃𝑄𝐿 = (24 − 𝑄)𝑄𝐿, (3)
which of course, given that 𝑄 = 𝑄𝐹 + 𝑄𝐿, translates to
𝜋𝐿 = 𝑃𝑄𝐿 = (24 − 𝑄𝐿 − 𝑄𝐹)𝑄𝐿.
A sophisticated leader, taking into account the reaction function of the
follower, can establish that her profit is
48 Maciej K. Dudek
𝜋𝐿 = 𝑃𝑄𝐿 = (24 − 𝑄𝐿 − (12 −1
2𝑄𝐿)) 𝑄𝐿,
which naturally reduces to
𝜋𝐿 = (12 −1
2𝑄𝐿) 𝑄𝐿,
and implies that profit maximizing quantity is given by 𝑄𝐿 = 12, and in turn,
given the reaction of the follower, equation (2), that 𝑄𝐹 = 6. Naturally, in this
case the total supply is equal to 𝑄 = 𝑄𝐹 + 𝑄𝐿 = 12 + 6 = 18, and implies
that the equilibrium price is equal to 𝑃 = 24 − 𝑄 = 24 − 18 = 6.
The equilibrium is static. The price is always equal to 6 and the quantity
produced is equal to 18. A simple repetition of the game does not lead to any
interesting dynamics. The equilibrium point (18, 6) will continue to appear
indefinitely along the equilibrium path.
3. Perceived uncertainty
In the traditional setup the roles of the two producers are given and known to
all parties. In this section we introduce a modification. Specifically, we
assume that there is a possibility that one of the players is uncertain about his
status. In fact, we assume that the follower simply takes her role as given and
always behaves in the standard manner, simply reacting to the choice of the
leader. On the other hand, we assume that the leader is uncertain about his
role. Specifically, we assume that the leader believes that there is only
a chance 𝑞 that the follower treats her as a leader, and the chance 1 − 𝑞 that
the follower does not consider the leader as such, and simply chooses her
quantity simultaneously without any particular considerations to the choice
of the leader. We want to know that the assumed probabilities 𝑞 and 1 − 𝑞
reflect only the perceptions of the leader and do not conform to the objective
truth as in reality the follower is always a follower, i.e., in reality we have
𝑞 = 1.
Furthermore, let us assume that the leader, but not the follower, believes
that the demand itself is stochastic. Specifically, the leader believes that the
demand is of the form
𝑃 = 24 + 𝜀 − 𝑄, (4)
where 𝜀 denotes a shock with mean 𝜇.
On the possibility of artificial uncertainty in the leader-follower game 49
Note that given our assumptions we can always state that the reaction
function of the follower is always the same and simply given by equation (2).
Moreover, the profit of the leader is given with equation (3). However, given
our assumptions the leader does not know whether the follower actually is
going to act as a follower, i.e., the leader does not know whether the game
played has the Cournot or Stackelberg form. Therefore, the leader does not
know whether she should take the quantity produced by the other producer as
given, or should use the correct reaction function, equation (2), of the
follower. Given the perceived uncertainty of the leader her rational
assessment of the quantity produced by the follower is given by
𝐸𝑄𝐹 = 𝑞𝑄𝐹𝑆 + (1 − 𝑞)𝑄𝐹
𝐶, (5)
where 𝑄𝐹𝐶 denotes the quantity that corresponds to the Cournot game, and 𝑄𝐹
𝑆
reflects the quantity in the Stackelberg game. Naturally, the leader will take
𝑄𝐹𝐶 as given in her decision making, but at the same time will correctly assess
the value of 𝑄𝐹𝑆 in line with the relevant reaction function. Note that in this
case in line with the perceptions of the leader the reaction function is not quite
given with condition (2) as the leader believes that the demand is stochastic.
In fact, according to the leader the reaction function now takes the form
𝑄𝐹 = 12 +1
2𝜇 −
1
2𝑄𝐿. (6)
Now, we can express the expected profit of the leader as
𝐸𝜋𝐿 = 𝐸[(24 + 𝜀 − 𝑄𝐿 − 𝑄𝐹)𝑄𝐿], (7)
which simplifies, given (5), to
𝐸𝜋𝐿 = (24 + 𝜇 − 𝑄𝐿 − 𝑄𝐹 − 𝑞𝑄𝐹𝑆 − (1 − 𝑞)𝑄𝐹
𝐶)𝑄𝐿,
Which, noting (6), reduces to
𝐸𝜋𝐿 = ((1 −𝑞
2) (24 + 𝜇 − 𝑄𝐿) − (1 − 𝑞)𝑄𝐹
𝐶) 𝑄𝐿.
Now, we can differentiate the above condition to get the optimal
quantity produced by the leader, which is given by
50 Maciej K. Dudek
𝑄𝐿 =1
2(24 + 𝜇) −
1−𝑞
2(1−𝑞
2)
𝑄𝐹𝐶.
Note that the above reaction function of the leader has been derived
under the assumption that the leader is not sure about the true status of the
follower and simply takes 𝑄𝐹𝐶 as given, i.e. we have
𝜕𝑄𝐹𝐶
𝜕𝑄𝐿= 0. Nevertheless,
the objective truth is different. The follower always acts as a follower, and
her true choice is always the same, i.e., we have
𝑄𝐹𝐶 = 𝑄𝐹
𝑆 = 12 −1
2𝑄𝐿.
Observe that in the above condition there is no 𝜇, as we assume that the
follower always objectively assesses the demand, which is always given with
(1). By combining the above conditions we can establish that the actual
quantity produced by each of the producers is given by
𝑄𝐿 =24
3−𝑞+ 𝜇
2−𝑞
3−𝑞, (8)
and
𝑄𝐹 =2−𝑞
3−𝑞(12 −
𝜇
2), (9)
which implies that the total output is given by
𝑄 =4−𝑞
3−𝑞12 +
2−𝑞
3−𝑞
𝜇
2. (10)
The equilibrium price in this case is given by (note that objectively there
is no shock)
𝑃 = 24 − 𝑄 =2−𝑞
3−𝑞12 −
2−𝑞
3−𝑞
𝜇
2. (11)
Conditions (10) and (11) reflect the true values of the equilibrium price
and quantity, and as such will be observed along the equilibrium path.
However, according to the perceptions of the leader the equilibrium values
are given by different equations. Specifically, the leader believes that in
periods when the follower acts as a follower then the actual quantity is given
by
𝑄𝑆 = 𝑄𝐿 + 𝑄𝐹𝑆 =
3
4(24 + 𝜇), (12)
On the possibility of artificial uncertainty in the leader-follower game 51
i.e., it is equal to the quantity that would be supplied in a Stackelberg game
when the demand is given with condition (4). Naturally, in this case, given
the beliefs of the leader the equilibrium price is given by
𝑃𝑆 = 24 + 𝜀 − 𝑄𝑆 = 6 + 𝜀 −3
4𝜇. (13)
Furthermore, recall that the leader believes that with probability 1 − 𝑞
the follower does not recognize her as the leader. Consequently, the leader
believes that with chance 1 − 𝑞 essentially a Cournot game is played and in
that case the overall quantity is given by
𝑄𝐶 = 𝑄1𝐶 + 𝑄2
𝐶 =2
3(24 + 𝜇). (14)
In this case the market price, again according to the leader, is simply
given with
𝑃𝐶 = 24 + 𝜀 − 𝑄𝐶 = 8 + 𝜀 −2
3𝜇. (15)
In summary, in reality there is always a single outcome given with
conditions (10) and 11). However, the leader believes otherwise. In her mind
there are two possibilities. The outcome could be given with conditions (12)
and (13), which happens with probability 𝑞, and with conditions (14) and
(15), which occurs with probability 1 − 𝑞. Could it be the case that despite
holding incorrect beliefs the leader finds the actual equilibrium dynamics to
be supportive of her beliefs. In other words, could it be the case that the
perceptions of the leader are in fact consistent with the actual equilibrium
dynamics. We examine the issue next.
4. Consistency
Note that from the formal perspective the leader is permanently wrong as her
description of reality involves two distinct states of nature (the Cournot
outcome and the Stackelberg outcome) whereas the actual dynamics is given
with two simple conditions (10) and 11). Can we expect that nevertheless the
beliefs of the leader can be sustained in equilibrium, i.e., can we expect that
the leader never realizes that her perceptions of reality are incorrect?
Let us now assume that producer can observe only the price level, P,
and not the aggregate quantity produced, Q. Such a case would naturally arise
52 Maciej K. Dudek
when marginal costs are stochastic and only individually known1. Therefore,
the leader can only learn about the reality by observing P. Could the path of
P generated with condition (11) correspond to the path consistent with the
beliefs of the leader – conditions (13) and (15)?
Note that the leader makes in fact two mistakes. First, she is not sure
about the nature of the game, and secondly, she believes that the demand is
stochastic and affected by disturbance 𝜀 even though the actual demand is
always fixed and given with condition (1). In other words, the leader believes
that the demand is affected by a disturbance, which itself could follow
a complicated process. Accordingly, let 𝑓𝑡(𝜀) denote the prior pdf of 𝜀 on time
t. Naturally, now we have 𝜇𝑡 = ∫ 𝜀𝑓𝑡(𝜀)𝑑𝜀 and the equilibrium true price is
given by
𝑃𝑡 =2−𝑞
3−𝑞12 −
2−𝑞
3−𝑞
𝜇𝑡
2. (16)
Note that, as expected, the beliefs of the leader feed into the actual
dynamics as 𝑃𝑡 is a function of 𝜇𝑡.
Imagine that at time t the leader actually observes price 𝑃𝑡. In his
judgment a given value of 𝑃𝑡 is consistent with two scenarios. First, it could
be an outcome in a Cournot game when the demand disturbance is given by
𝜀𝑡𝐶 = 𝑃𝑡 − 8 +
2
3𝜇𝑡, (17)
which in her judgement happens with probability 1 − 𝑞.
Alternatively, a given value 𝑃𝑡 could be consistent with an outcome of
a Stackelberg game where the demand disturbance is given by
𝜀𝑡𝑆 = 𝑃𝑡 − 6 +
3
4𝜇𝑡, (18)
which according to the beliefs of the leader occurs with probability 𝑞.
Naturally, having observed the actual price and knowing about the two
scenarios, the leader can update her beliefs about the distribution of 𝜀𝑡. In
particular, the leader can assess the value of the posterior mean of 𝜀𝑡, i.e., the
prior mean for period 𝑡 + 1 in line with
1 Recall that we have already assumed for pure analytic convenience that marginal costs are
zero. Naturally, we could relax this assumption by allowing for stochastic marginal costs and,
thus, unobservable Q. We choose not to do it to simplify algebra.
On the possibility of artificial uncertainty in the leader-follower game 53
𝜇𝑡+1 = 𝜀𝑡𝐶(1 − 𝑞) + 𝜀𝑡
𝑆𝑞 = 𝑃𝑡 − 8 + 2𝑞 +8+𝑞
12𝜇𝑡. (19)
Observe now that we have a recursive system. The price level 𝑃𝑡
depends on 𝜇𝑡, condition (16), and at the same time 𝜇𝑡+1 depends both on 𝑃𝑡
and 𝜇𝑡, condition (19). The evolution of such a recursive system can be very
rich and in fact depends on 𝑞. Recall, that 𝑞 reflects beliefs of the leader with
regard to the nature of the game being played. In that sense 𝑞 is not real but
purely imaginary. In fact, from a purely modeling perspective 𝑞 is a free
parameter, which can assume any value. Moreover, we can even assume that
𝑞 is stochastic and revealed to the leader every period. Specifically, assuming
that 𝑔(𝑞) is the pdf of 𝑞, and assuming that in each period 𝑞 is drawn from
the corresponding distribution and revealed to the leader, we can easily notice
that now from the perspective of the leader equations (16) and (19) that
describe the actual dynamics are random as well, which further enriches the
dynamics. The dynamics now can be very rich and can in fact be stochastic.
Furthermore, now equations (17) and (18) determine the implied values of the
perceived disturbance 𝜀, which, combined with the perceived uncertainty of
the nature of the game and now randomness of 𝑞, allow us to construct the
distribution of 𝜀 and the corresponding pdf, 𝑓(𝜀). However, the underlying
pdf was also perceived and not real as the shocks to demand in fact do not
exist. Thus, we can identify the reconstructed pdf based on the observables
with the one originally assumed ensuring that we attain a consistent
equilibrium.
5. Conclusions
In this paper we illustrate that dynamics observed along the equilibrium path
can be belief-based. Furthermore, we show that the observed equilibrium path
can be consistent with the underlying beliefs even if the underlying beliefs
are objectively unfounded. The findings of this paper stem from two
observations. First, we note that beliefs feed into the system and shape the
actual dynamics. Secondly, we note that a given system can generate actual
dynamics consistent with that generated by a totally different and independent
system.
Our findings suggest that in reality economic agents need not be able to
fully eliminate uncertainty as their beliefs and ensuing actions can be a source
of the observed uncertainty. Uncertainty can be thus endogenous and can
come from the system, and need not reflect the physical reality.
54 Maciej K. Dudek
References
Dudek, M. K. (2012). Living in an imaginary world that looks real. Journal
of Economic Dynamics and Control, 41: 209-223.
Hommes, C. H. (1998). On the consistency of backward-looking
expectations: The case of the cobweb. Journal of Behavior and
Organization, 33(3-4): 333-362.
Sorger, G. (1998). Imperfect foresight and chaos: An example of
a self-fulfilling mistake. Journal of Economic Behavior and Organization,
33(3-4): 363-383.
Sławomir Dudek‡
Niepewność w opiniach polskich gospodarstw domowych
Streszczenie Przedmiotem artykułu jest analiza kształtowania się – w ujęciu przekrojowym
i czasowym – odsetka odpowiedzi „nie wiem” na pytania ankiety kwartalnego
badania nastrojów gospodarstw domowych, prowadzonego przez Instytut
Rozwoju Gospodarczego Szkoły Głównej Handlowej w Warszawie. Zgodnie
ze zharmonizowaną ankietą UE, wariant odpowiedzi „nie wiem” występuje
w każdym pytaniu. Ankietowany może wybrać ten wariant czy to z powodu
braku wiedzy, czy dlatego, że pytanie może go nie dotyczyć, bądź też by
wyrazić niepewność co do kształtowania się badanego zjawiska. W artykule
badane jest zróżnicowanie częstości udzielania przez respondentów
odpowiedzi „nie wiem” w zależności od ich cech społeczno-demograficznych
oraz przeprowadzona zostaje analiza zmienności tego odsetka w cyklu
koniunkturalnym. Jest to pierwsza tak kompleksowa analiza statystyczna
niepewności na podstawie danych IRG SGH.
Słowa kluczowe: badania ankietowe, wskaźnik odczuć konsumenckich,
niepewność w formułowaniu ocen i prognoz, interpretacja wariantu
odpowiedzi „nie wiem”, skala Likerta.
JEL: E32.
‡ Szkoła Główna Handlowa w Warszawie, Kolegium Analiz Ekonomicznych.
1. Wstęp
Kwartalne, ankietowe badanie kondycji gospodarstw domowych
prowadzone jest przez Instytut Rozwoju Gospodarczego Szkoły Głównej
Handlowej (IRG SGH) metodą testu koniunktury począwszy od 1990 r. IRG
SGH bada opinie polskich gospodarstw domowych o głównych procesach
zachodzących w polskiej gospodarce (wzroście gospodarczym, inflacji,
bezrobociu, klimacie do oszczędzania) oraz o ich własnej sytuacji finansowej,
planowanych wydatkach i skłonności do oszczędzania. Opinie te dotyczą
sytuacji bieżącej i przyszłej (przewidywanej w kolejnych 12 miesiącach).
Badania tego typu nazywane są badaniami nastrojów czy też odczuć
konsumenckich (consumer sentiment survey). Wśród odpowiedzi na
poszczególne pytania ankiety znajduje się wariant „nie wiem”.
Przedmiotem artykułu jest analiza kształtowania się – w ujęciu
przekrojowym i czasowym – odsetka odpowiedzi niezdecydowanych („nie
wiem”). Artykuł podejmuje problem rozważany już przez Białowolskiego
i Dudka (2008), jednak w odróżnieniu od ich badania przedmiotem analizy
są odpowiedzi na wszystkie pytania ankiety i ma ona charakter dynamiczny
(tzn. badane są szeregi czasowe). Należy dodać, że analizę odpowiedzi
„trudno powiedzieć” na podstawie wyników badania IPSOS przeprowadził
Jankiewicz (2013). Curtin (2000) analizował odpowiedzi „nie wiem”
udzielane w badaniu nastrojów konsumenckich w Rosji i USA. Wymienia on
następujące powody wyboru przez ankietowanych wariantu odpowiedzi „nie
wiem”:
• ogólny brak podstawowej wiedzy ekonomicznej,
• duże (względem korzyści) koszty pozyskania informacji w celu
udzielenia konkretnej odpowiedzi,
• brak zdolności zrozumienia i skutecznego przetworzenia informacji
w celu udzielenia odpowiedzi,
• niepewność co do badanych procesów gospodarczych.
Stawiamy tezę, iż o ile ogólny brak podstawowej wiedzy ekonomicznej
może być stały w czasie, to niepewność co do zachodzących procesów
ekonomicznych czy planowanych wydatków i oszczędności gospodarstwa
domowego powinna się zmieniać w cyklu koniunkturalnym. Już pobieżna
analiza ukazuje dużą zmienność w czasie częstości udzielania odpowiedzi
„nie wiem”, co może wskazywać, że do pewnego stopnia może być ona
wskaźnikiem niepewności ujawniającej się w opiniach gospodarstw
domowych. Celem artykułu nie jest opracowanie miernika niepewności,
bowiem na podstawie danych IRG SGH nie jest możliwe określenie, jaką
część wśród respondentów, którzy zaznaczyli wariant „nie wiem”, stanowią
osoby wyrażające w ten sposób swoją niepewność. Zbadamy natomiast
Niepewność w opiniach polskich gospodarstw domowych 57
zróżnicowanie częstości wyboru tego wariantu odpowiedzi na pytania ankiety
w zależności od cech społeczno-demograficznych respondenta oraz
zmienność odsetka odpowiedzi „nie wiem” w cyklu koniunkturalnym. Okres
analizy obejmuje lata 1996-2017.
2. Metodyka badania kondycji gospodarstw domowych w kontekście analizy odpowiedzi „nie wiem”
Z punktu widzenia analizy rozkładu odpowiedzi respondentów,
a w szczególności częstości wybierania wariantu „nie wiem”, istotne
znaczenie ma konstrukcja treści poszczególnych pytań, w tym konstrukcja
stosowanych skal odpowiedzi. Obecna ankieta zawiera 15 pytań stałych.
Dodatkowo w ankiecie zamieszczane są pytania specjalne, które odnoszą się
do bieżących zjawisk ekonomicznych, istotnych z punktu widzenia zachowań
gospodarstw domowych (nie są one przedmiotem analizy w niniejszym
artykule).
Ankieta zawiera pytania dotyczące: sytuacji finansowej gospodarstwa
domowego, ogólnej sytuacji gospodarczej, rynku pracy, skłonności do
ponoszenia wydatków przez gospodarstwa domowe, ich skłonności do
oszczędzania oraz procesów inflacyjnych:
• KGD.FS.S (Q01) – sytuacja finansowa – diagnoza;
• KGD.FS.F (Q02) – sytuacja finansowa – prognoza;
• KGD.GES.S (Q03) – ogólna sytuacja gospodarcza – diagnoza;
• KGD.GES.F (Q04) – ogólna sytuacja gospodarcza – prognoza;
• KGD.PRA.S (Q05) – koszty utrzymania – diagnoza;
• KGD.PRA.F (Q06) – inflacja – prognoza;
• KGD.UNEMP.F (Q07) – bezrobocie – prognoza;
• KGD.MP.S (Q08) – klimat do zakupu dóbr trwałych – diagnoza;
• KGD.MP.F (Q09) – wydatki na dobra trwałe – prognoza;
• KGD.SAV.S (Q10) – klimat do oszczędzania – diagnoza;
• KGD.SAV.F (Q11) – prawdopodobieństwo oszczędzania –
prognoza;
• KGD.FIN.S (Q12) – kondycja finansowa – diagnoza;
• KGD.CAR.F (Q13) – prawdopodobieństwo zakupu samochodu –
prognoza;
• KGD.HOUSEBUY.F (Q14) – zakup domu/mieszkania – prognoza;
• KGD.HOUSEEXP.F (Q15) – prawdopodobieństwo wydatków
remontowych – prognoza.
Dokładną treść pytań przedstawiono w Załączniku 1.
58 Sławomir Dudek
Pytania dotyczą bieżącej sytuacji gospodarstwa domowego
(w większości przypadków w porównaniu do sytuacji sprzed 12 miesięcy)
lub jej zmiany w 12 następnych miesiącach.
Z punktu widzenia częstości wybierania odpowiedzi „nie wiem” istotne
jest sklasyfikowanie pytań wg następującego układu:
• pytania diagnostyczne vs prognostyczne, trudniej jest bowiem
przewidywać sytuację przyszłą niż oceniać sytuację bieżącą czy,
tym bardziej, zdarzenia zaszłe;
• pytania dotyczące własnej sytuacji vs pytania dotyczące sytuacji
ogólnogospodarczej (łatwiej jest oceniać własne np. decyzje
podatkowe niż stan całej gospodarki);
• pytania dotyczące decyzji podejmowanych często vs pytania
dotyczące decyzji podejmowanych rzadko (np. decyzje o wydatkach
bieżących dotyczą bardzo krótkiego okresu i są podejmowane na
podstawie w miarę kompletnych informacji, podczas gdy decyzje
o wydatkach mieszkaniowych są podejmowane co najwyżej kilka
razy w życiu i z uwagi na to, że dotyczą przyszłego i długiego
okresu, informacje warunkujące ich podjęcie są niepewne
i niekompletne).
Rozróżnienie to ma znaczenie dla interpretacji i porównania
odpowiedzi udzielanych na poszczególne pytania.
Istotną cechą zharmonizowanego kwestionariusza jest również sposób
konstruowania wariantów odpowiedzi. W większości pytań (9 z 15)
stosowana jest skala Likerta z pięcioma wariantami odpowiedzi
z dodatkowym wariantem „nie wiem” (w sumie 6 wariantów). Skala ta jest
dwubiegunowa. Z jednej strony mamy dwa warianty pozytywne, gdzie
pozytywne nastawienie jest stopniowane do dwóch wariantów. Z drugiej
strony mamy dwa symetryczne, stopniowane warianty negatywne. Występuje
ponadto wariant neutralny. Skala Likerta w pierwotnej pracy (Likert, 1932)
miała formę: „zdecydowanie się zgadzam”, „zgadzam się”, „ani się zgadzam,
ani się nie zgadzam (nie mam zdania)”, „nie zgadzam się”, „zdecydowanie
się nie zgadzam”. Treść wariantów odpowiedzi w zharmonizownym
kwestionariuszu jest odpowiednio dostosowana do treści pytania, jednak
zachowana jest idea symetrycznej dwubiegunowości. W przypadku pięciu
pytań zastosowano 4-stopniową skalę Likerta, tj. bez wariantu neutralnego,
ale z wariantem „nie wiem”. Skala 4-stopniowa wymusza od respondenta
zajęcie konkretnego stanowiska co do ocenianego zjawiska i z tego powodu
określana jest mianem skali „wymuszonego wyboru”, choć w przypadku
ankiety zharmonizowanej „buforem” jest wariant „nie wiem”. W przypadku
Niepewność w opiniach polskich gospodarstw domowych 59
jednego pytania skala odpowiedzi jest 3-wariantowa, z dodatkowym
wariantem „nie wiem”.
Wśród specjalistów w zakresie badań sondażowych nie ma zgody co do
podejścia do stosowania skali „wymuszonego wyboru” vs skali
„niewymuszonego wyboru”, tj. z wariantem naturalnym. Oba podejścia mają
swoje wady i zalety. Niektórzy są zdania, że umożliwienie respondentowi
wyboru wariantu neutralnego może powodować występowanie tzw. błędu
tendencji centralnej. Jest to jedno z często występujących obciążeń wyników
badań ankietowych opinii, polegające na niechęci do wskazywania
krańcowych odpowiedzi na skali Likerta. Ogólnie bowiem rzecz biorąc,
ankietowani wolą przyznawać oceny umiarkowane niż skrajne.
Konsekwencją tego obciążenia jest ryzyko uzyskania wielu odpowiedzi
neutralnych, gdy zastosuje się skalę pięciostopniową. Z drugiej strony, przy
skali wymuszonej (4-stopniowej) może dochodzić do przekłamania
wyników, gdyż respondenci mimo braku wiedzy czy braku zdania będą
wybierali biegunowe warianty odpowiedzi.
Konstrukcja skali odpowiedzi na poszczególne pytania może mieć
znaczenie dla interpretacji częstości wybierania przez respondentów wariantu
„nie wiem”, gdyż w przypadku skali 5-stopniowej ankietowani mogą swoje
niezdecydowanie lokować w wyborze wariantu neutralnego, a nie wariantu
„nie wiem”. Szczegółowe zestawienie typu zastosowanej skali dla
poszczególnych pytań przedstawiono w Tabeli 1.
Specyficzną cechą zharmonizowanego badania nastrojów gospodarstw
domowych jest agregacja wyników. Dla każdego stałego pytania, oprócz
wskaźników struktury, obliczane są, po usunięciu odpowiedzi „nie wiem”,
syntetyczne wskaźniki bilansowe tzw. salda1. Ogólna zasada polega na
obliczeniu różnicy odsetków odpowiedzi pozytywnych i negatywnych.
Obliczenia sald dokonuje się poprzez przyjęcie przy zliczaniu wyników
odpowiednich wag dla różnych wariantów odpowiedzi w poszczególnych
pytaniach. Polega to na przyjęciu dla poszczególnych pytań wagi 1,0 dla
wariantu „bardzo pozytywnego” (PP), wagi 0,5 dla „pozytywnego” (P), -0,5
dla „negatywnego” (N), -1,0 dla wariantu „bardzo negatywnego” (NN).
Pozostałe warianty mają wagę 0,0, np. wariant „bez zmian” (E), wariant „nie
wiem” (DN)2.
1 W badaniu IRG SGH odsetki brane do obliczania salda spełniają warunek PP+P+E+
N+NN=100. W metodyce Komisji Europejskiej wariant „nie wiem” nie jest redukowany,
stąd PP+P+E+N+NN+DN=100. 2 W przypadku tradycyjnej skali Likerta przy agregacji stosuje się wagi liniowe, od 1 do 5.
60 Sławomir Dudek
Tabela 1. Zestawienie konstrukcji i typów pytań.
Kod pytania Nr
Typ wariantu: waga / numer wariantu
odpowiedzi Wariant
neutralny Status
PP:
1,0
P:
0,5
E:
0,0
N:
-0,5
NN:
-1
DN:
0,0
FS.S 1 1 2 3 4 5 6 x własna
sytuacja
FS.F 2 1 2 3 4 5 6 x własna
sytuacja
GES.S 3 1 2 3 4 5 6 x sytuacja
ogólnogosp.
GES.F 4 1 2 3 4 5 6 x sytuacja
ogólnogosp.
PRA.S 5 1 2 3*) 4**) 5 6 x sytuacja
ogólnogosp.
PRA.F 6 1 2 3*) 4**) 5 6 x sytuacja
ogólnogosp.
UNEMP.F 7 1 2 3 4 5 6 x sytuacja
ogólnogosp.
MP.S 8 1 2 3 4 x sytuacja
ogólnogosp.
MP.F 9 1 2 3 4 5 6 x sytuacja
ogólnogosp.
SAV.S 10 1 2 3 4 5 sytuacja
ogólnogosp.
SAV.F 11 1 2 3 4 5 własna
sytuacja
FIN.S 12 5 4 3 2 1 6 x własna
sytuacja
CAR.F 13 1 2 3 4 5 własna
sytuacja
HOUSEBUY.F 14 1 2 3 4 5 własna
sytuacja
HOUSEEXP.F 15 1 2 3 4 5 własna
sytuacja
*) w pytaniu dotyczącym bieżących kosztów utrzymania i oczekiwanej przyszłej inflacji,
zgodnie z metodyką KE, jako wariant neutralny/normalny przyjmuje się odpowiednio:
koszty utrzymania „nieco wyższe” (w pytaniu prognostycznym: „ceny wzrastać będą
wolniej”), a wariant „zbliżone”/„ceny będą mniej więcej takie same” uznano za
umiarkowanie negatywny z wagą -0,5; S – diagnoza; F – prognoza;
Wszystkie statystyki bilansowe przyjmują wartości w przedziale
od -100,0 do +100,0. Wartość ujemna wskaźnika oznacza, że przeważają
opinie negatywne odnośnie badanego zjawiska, a wartość dodatnia że
przeważają opinie pozytywne. Zwracamy uwagę, że polskie społeczeństwo
Niepewność w opiniach polskich gospodarstw domowych 61
charakteryzuje się w swych opiniach stosunkowo stabilnym, nadmiernym
pesymizmem (średnie wartości sald są ujemne), wobec czego interpretacja
wyników badania kondycji gospodarstw powinna odnosić się w dużym
stopniu również do zmian wskaźników bilansowych na przestrzeni czasu,
a nie jedynie ich znaku i poziomu. Przykładowo, wzrost wartości salda,
choćby była ujemna, należy interpretować jako poprawę nastrojów, i na
odwrót.
Na podstawie czterech sald prognostycznych obliczany jest
syntetyczny wskaźnik sytuacji gospodarstw domowych – Wskaźnik Kondycji
Gospodarstw Domowych IRG SGH, który jest średnią arytmetyczną z sald:
oceny przyszłej sytuacji finansowej (Q02), oceny przyszłej ogólnej sytuacji
ekonomicznej (Q04), oczekiwanej zmiany poziomu bezrobocia (Q07), ze
znakiem ujemnym, oraz oceny przyszłej skłonności do oszczędzania (Q011).
Wskaźnik syntetyczny również przyjmuje wartości w przedziale od -100,0 do
+100,0 i ma podobną interpretację jak wskaźniki bilansowe.
3. Analiza i interpretacja wyników
3.1. Zróżnicowanie odsetków odpowiedzi „nie wiem” dla poszczególnych
pytań
W okresie objętym analizą, tj. I kwartał 1996 – I kwartał 2017
(w przypadku pytań dotyczących zakupu samochodu, mieszkania i wydatków
remontowych od I kwartału 2005) średni odsetek respondentów
wybierających wariant „nie wiem” dla poszczególnych pytań jest bardzo
zróżnicowany (Rysunek 1). Zróżnicowany jest również rozstęp oraz
zmienność mierzona odchyleniem standardowym (Tabela 2).
Najniższy średni odsetek odpowiedzi „nie wiem” zanotowano dla FS.S
– jedynie 0,4%, z odchyleniem standardowym 0,7 pkt proc. i rozstępem
0-5,6% (przy czym wartość 5,6% to obserwacja odstająca, zanotowana
w chwili wstąpienia Polski do UE, poza nią maksimum wynosiło 1,9%).
Również niski średni odsetek odpowiedzi „nie wiem” zanotowano dla pytania
o bieżącą kondycję finansową gospodarstwa domowego, tj. stopień
zbilansowania dochodów i wydatków; wyniósł on 1,4% w przedziale 0-5,4%,
z odchyleniem standardowym 1,2 pkt proc. Wyniki te nie zaskakują,
ponieważ oba pytania dotyczą bezpośrednio sytuacji własnej gospodarstwa
domowego i zdarzeń zaszłych. W tym zakresie gospodarstwa są pewne
swoich opinii.
62 Sławomir Dudek
Rysunek 1. Zróżnicowanie odsetków odpowiedzi „nie wiem” dla
poszczególnych pytań.
Największą punktową częstość wskazywania odpowiedzi „nie wiem”
odnotowano dla pytania o zamierzenia gospodarstw domowych co do
przyszłych wydatków na dobra trwałego użytku – 35%. Była to obserwacja
odstająca, zanotowana w okolicach daty przystąpienia Polski do UE. Oprócz
MP.F i FS.S, takie jednorazowe, skokowe zmiany odsetka odpowiedzi „nie
wiem” w II kwartale 2004 r. dotyczyły również ocen kosztów utrzymania
i oczekiwań inflacyjnych (PRA.S i PRA.F) oraz prognoz zdolności do
oszczędzania (SAV.F). W okresie wchodzenia do UE sceptycy integracji
ostrzegali przed m.in. wzrostem cen, co znalazło odbicie w wynikach
badania.
Najwyższy średni odsetek odpowiedzi „nie wiem” zanotowano dla
pytania o bieżący klimat do oszczędzania; wyniósł on 22% (w przedziale
9,4-30,7%, odchylenie standardowe 4,9 pkt proc.). Jest to pytanie
diagnostyczne, ale dotyczy sytuacji ogólnogospodarczej, poza
gospodarstwem domowym, więc stopień niewiedzy czy niepewności jest
naturalnie większy. Wśród odpowiedzi na to pytanie nie występuje wariant
neutralny (tj. „bez zmian”, zob. Tabela 1), w związku z czym niepewność czy
niezdecydowanie respondentów najprawdopodobniej lokują się
w odpowiedzi „nie wiem”. Należy mieć również na uwadze, że w pierwszej
połowie analizowanego okresu względnie nieduży odsetek gospodarstw
0,0%
6,2%
1,3%
8,8%
0,4%1,4% 1,1%
8,9%
4,1%
9,4%
0,9% 0,0%1,1% 0,3%
2,7%
0,4%
11,2%
4,9%
13,7%
2,3%4,1%
5,9%
17,1%
12,3%
22,0%
3,5%
1,4%4,6% 2,3%
6,2%5,6%
19,9%
9,0%
25,4%
7,6%
15,9%15,0%
26,0%
35,0%
30,7%
15,4%
5,4%6,8% 6,6%
9,4%
-5%
0%
5%
10%
15%
20%
25%
30%
35%
40%
min średnia max
Niepewność w opiniach polskich gospodarstw domowych 63
domowych miał zdolność do oszczędzania. Gospodarstwa, które z tego
powodu nie musiały podejmować decyzji o podziale dochodu, wyrażają
zarazem mniejsze zainteresowanie pozyskiwaniem informacji
warunkujących te decyzje.
Tabela 2. Statystyki opisowe odsetków odpowiedzi „nie wiem” dla
poszczególnych pytań.
Kod KGD nr średnia min max rozstęp odchylenie
standardowe
współczynnik
zmienności
.FS.S Q01 0,4% 0,0% 5,6% 5,6% 0,7% 191,6%
.FS.F Q02 11,2% 6,2% 19,9% 13,8% 2,5% 22,5%
.GES.S Q03 4,9% 1,3% 9,0% 7,7% 1,7% 34,8%
.GES.F Q04 13,7% 8,8% 25,4% 16,6% 3,4% 25,2%
.PRA.S Q05 2,3% 0,4% 7,6% 7,3% 1,2% 51,8%
.PRA.F Q06 4,1% 1,4% 15,9% 14,5% 2,3% 55,8%
.UNEMP.F Q07 5,9% 1,1% 15,0% 13,9% 2,6% 44,8%
.MP.S Q08 17,1% 8,9% 26,0% 17,1% 3,8% 21,9%
.MP.F Q09 12,3% 4,1% 35,0% 30,9% 5,1% 41,4%
.SAV.S Q10 22,0% 9,4% 30,7% 21,3% 4,9% 22,1%
.SAV.F Q11 3,5% 0,9% 15,4% 14,5% 2,2% 62,1%
.FIN.S Q12 1,4% 0,0% 5,4% 5,4% 1,2% 89,9%
.CAR.F Q13 4,6% 1,1% 6,8% 5,7% 1,3% 28,3%
.HOUSEBUY.F Q14 2,3% 0,3% 6,6% 6,3% 1,2% 52,8%
.HOUSEEXP.F Q15 6,2% 2,7% 9,4% 6,7% 1,7% 27,2%
Poza SAV.S wysokie, średnie częstości wyboru wariantu „nie wiem”
zanotowano dla pytań o: bieżący klimat do zakupu dóbr trwałych (17,1%),
przewidywaną ogólną sytuację gospodarczą (13,7%), prognozowaną sytuację
finansową gospodarstwa domowego (11,2%) oraz przewidywane wydatki na
dobra trwałe (12,3%). Cechą wspólną tych pytań jest to, że dotyczą one
ogólnej sytuacji gospodarczej lub przyszłości. Udzielenie na nie odpowiedzi
wymaga pewnej wiedzy ekonomicznej, umiejętności interpretowania zjawisk
gospodarczych oraz zdolności prognozowania. W odpowiedziach
ankietowanych osób ujawnia się czy to brak umiejętności oceny tych zjawisk
gospodarczych, czy względnie duża niepewność co do dalszego rozwoju
gospodarki i jej wpływu na gospodarstwo domowe. Analizując parami
(diagnostyczne vs prognostyczne) odpowiedzi na pytania dotyczące sytuacji
finansowej gospodarstwa, ogólnej sytuacji gospodarczej oraz procesów
64 Sławomir Dudek
inflacyjnych można zauważyć, że na ogół odsetek odpowiedzi „nie wiem”
jest większy w przypadku pytania prognostycznego niż diagnostycznego,
odpowiednio: 11,2% vs 0,4% (FS), 13,7% vs 4,9% (GES) i 4,1% vs 2,3%
(PRA).
Dość zaskakujący jest dość niski odsetek odpowiedzi „nie wiem” na
pytanie o prognozowaną inflację (4,1%) i pytanie o przewidywane bezrobocie
(5,9%) w stosunku do pytania o przewidywaną ogólną sytuację ekonomiczną
w kraju (13,7%). Pytania te bowiem dotyczą sytuacji ogólnogospodarczej
i przyszłości. Można przypuszczać, że procesy inflacyjne i bezrobocie są
bliższe codziennym decyzjom gospodarstw domowych niż ogólny stan
gospodarki.
Należy zauważyć, że udział respondentów wybierających wariant „nie
wiem” w odpowiedzi na pytania dotyczące procesów ogólnogospodarczych
jest istotnie mniejszy od odsetka respondentów deklarujących w badaniu
NBP (2015) raczej małą lub bardzo małą wiedzę ekonomiczną (wahał się on
od 31% do nawet 70%). Oznacza to, że spora część gospodarstw domowych,
która w badaniu zleconym przez NBP deklarowała niewielką wiedzę
ekonomiczną, w przypadku badań nastrojów udziela biegunowych
odpowiedzi lub wybiera wariant neutralny.
W przypadku odpowiedzi na pytania o planowane większe wydatki,
takie jak zakup samochodu, mieszkania czy wydatki remontowe, średni
odsetek „nie wiem” wyniósł odpowiednio: 4,6%, 2,3% i 6,2%. Jest to niski
poziom, jeśli wziąć pod uwagę, że pytania mają charakter prognostyczny,
a wśród odpowiedzi nie ma wariantu neutralnego. Należy jednak zaznaczyć,
że takie wydatki dokonujemy bardzo rzadko, raczej nie więcej niż kilka razy
w życiu, co oznacza, że udział w tych transakcjach dotyczy kilku procent
gospodarstw domowych w danym okresie. Naturalnym zatem wyborem
większości respondentów jest stwierdzenie, iż nie zamierzają oni dokonać
tego rodzaju wydatków, a ewentualna niepewność może dotyczyć bardzo
niewielkiej grupy ankietowanych.
3.2. Analiza odpowiedzi „nie wiem” w zależności od cech
społeczno-demograficznych gospodarstwa domowego/respondenta.
Średnie odsetki odpowiedzi „nie wiem” są zróżnicowane względem
cech społeczno-demograficznych. Poziom wykształcenia odgrywa istotną
rolę w umiejętnościach formułowania ocen w zakresie zjawisk
gospodarczych (por. Rysunek 2a i Załącznik 5).
Niepewność w opiniach polskich gospodarstw domowych 65
2a - wykształcenie
2b – miejsce zamieszkania
2c – dochód*
0%
5%
10%
15%
20%
25%
30%wyższe
zawodowe/średnie
podstawowe/gimnazjalne
0%
5%
10%
15%
20%
25%miasto > 100miasto 10-100miasto < 10wieś
0%
5%
10%
15%
20%
25%
1 2 3 4 5
66 Sławomir Dudek
2d – wiek
*) w obecnej ankiecie 1. < 550 zł; 2. 551-750 zł; 3. 751-1000 zł; 4. 1001-1400 zł; 5. > 1400
zł, w latach poprzednich przedziały były dostosowane do rozkładu dochodów gospodarstw
domowych. Rysunek 2. Zróżnicowanie odsetków odpowiedzi „nie wiem” w zależności
od cech społeczno-demograficznych gospodarstwa domowego.
Wyraźnie widać, że w przypadku większości pytań respondenci
z wykształceniem podstawowym/gimnazjalnym znacznie częściej w swoich
odpowiedziach wskazują wariant „nie wiem” niż respondenci
z wykształceniem wyższym. W przypadku prognozy sytuacji finansowej
odsetki te wynoszą, odpowiednio: 7,4% i 14,2% (różnica istotna statystycznie
przy empirycznym p= 0,000), a w przypadku pytania o przyszłą sytuację
ogólnogospodarczą ta rozpiętość jest jeszcze większa (8,3% vs 20,1%,
p=0,000). Dla pytania o bieżący klimat do wydatków na dobra trwałe
rozpiętość wynosi 15,9-19,5% (p=0,000), a dla pytania o klimat do
oszczędzania 18,6-23,9% (p=0,000). W przypadku pozostałych pytań
zróżnicowanie jest niewielkie (wyniki przedstawiono szczegółowo
w Załączniku 5).
Widoczna jest również zależność względem miejsca zamieszkania.
Choć zróżnicowanie nie jest tak wyraźne jak w przypadku wykształcenia,
częstość wskazywania wariantu niekonkluzywnego jest mniejsza w dużych
miastach niż na wsi czy w małych miasteczkach (Rysunek 2b). W przypadku
prognozy sytuacji finansowej odsetki te wynoszą, odpowiednio: 10% i 14,1%
(p=0,000). W przypadku pytania o przyszłą sytuację ogólnogospodarczą ta
rozpiętość wynosi 12-17,1% (p=0,000). Dla pytania o bieżący klimat do
wydatków na dobra trwałe rozpiętość sięga od 16,9% (15,9 małe miasta) do
18,3% (p=0,000), a dla opinii odnośnie do klimatu do oszczędzania od 21,5%
0%
5%
10%
15%
20%
25%
30%
16-2930-4950-64> 64
Niepewność w opiniach polskich gospodarstw domowych 67
do 23,8% (p=0,000). W przypadku pozostałych pytań zróżnicowanie jest
niewielkie.
Znaczne zróżnicowanie niezdecydowania w formułowaniu ocen
zanotowano względem dochodu gospodarstwa domowego na osobę
(Rysunek 2c). W przypadku prognozy sytuacji finansowej odsetki te
wynoszą, odpowiednio: 7,9% vs 15,4% (p=0,000), a pytania o przyszłą
sytuację ogólnogospodarczą: 9,8% vs 17,1% (p=0,000). W przypadku
pytania o bieżący klimat do wydatków na dobra trwałe zróżnicowanie jest
dużo mniejsze i brak jest korelacji względem dochodu (p=0,548). Dla opinii
odnośnie do klimatu do oszczędzania zróżnicowanie wynosi 20,1% vs 23,8%
(p=0,000). Jest dosyć zaskakujące, że w przypadku pytań o: prognozę
oszczędności, wydatki na zakup samochodu i wydatki na dobra trwałe
wystąpiła zależność odwrotna, co można po części tłumaczyć faktem, że
częstotliwość tych wydatków jest większa u osób zamożniejszych (stąd
również większy odsetek niezdecydowanych).
Wiek respondenta wypełniającego ankietę również ma znaczenie dla
częstości wyboru wariantu „nie wiem” (Rysunek 2d), choć zróżnicowanie nie
jest tak duże jak w przypadku wykształcenia czy miejsca zamieszkania.
Również zależność nie jest jednoznaczna. Na przykład, w przypadku
prognozy sytuacji finansowej odsetki te wahają się od 13,3% dla wieku
produkcyjnego (30-49 lat) do 9,8% (p=0,000) dla wieku emerytalnego. Dla
osób młodych (16-29 lat) odsetek wynosi 11,7% (p=0,004 względem wieku
emerytalnego, p=0,000 względem wieku produkcyjnego). Jak widać,
zależność od wieku jest raczej ujemna, co wynika prawdopodobnie z faktu,
że emerytura jest pewniejszym dochodem niż dochody, jakie daje aktywność
zawodowa. W przypadku ocen ogólnej sytuacji gospodarczej zależność jest
dodania, tzn. im starszy jest respondent, tym większe jego niezdecydowanie,
choć rozpiętość nie jest tak duża jak w przypadku pozostałych cech (4,4% vs
5,9% dla diagnozy, p=0,002, i 10,7% vs 13,2% dla prognozy, p=0,000).
3.3. Wariant „nie wiem” – zmienność w cyklu koniunkturalnym
W ramach analizy szeregów czasowych dokonano wygładzenia
wyników z wahań krótkookresowych, stosując filtr Hodrick-Prescotta
z parametrem wygładzania lambda równym 5. W Załączniku 2
przedstawiono odsetki „nie wiem” (szeregi surowy i wygładzony),
a w Załącznikach 3-5 (w Załączniku 3 odsetki „nie wiem” przedstawiono na
tle rocznej dynamiki konsumpcji gospodarstw domowych, w Załączniku 4 na
tle wskaźnika kondycji gospodarstw domowych IRG SGH, a w Załączniku 5
na tle odpowiedniego salda dla danego pytania) wygładzone odsetki „nie
wiem” na tle zmiennych referencyjnych. Odsetki „nie wiem” zostały
68 Sławomir Dudek
przedstawione z odwróconą skalą (tj. z odwrotnym znakiem), ponieważ
niezdecydowanie i niepewność, zgodnie z teorią (Curtin, 2000), powinny być
antycykliczne względem wahań konsumpcji i nastrojów gospodarstw
domowych.
Wahania odsetka „nie wiem” poszczególnych pytań są wyraźne. Gdyby
odsetki „nie wiem” wynikały wyłącznie z braku wiedzy ekonomicznej, to nie
podlegałyby aż tak silnym wahaniom. Okresy silnych wahnięć można
przypisać do konkretnych zdarzeń ekonomicznych (np. przystąpienia Polski
do UE, światowego kryzysu finansowy i gospodarczego 2007+, kryzysu
finansów publicznych w strefie euro).
W przebiegu szeregów na Rysunku 3 można dostrzec pewne
podobieństwa i wzrost niepewności w okresie wchodzenia Polski do UE
w 2004 r. Po tej dacie, szczególnie w przypadku prognoz własnej sytuacji
finansowej i prognoz dla całej gospodarki, nastąpiło stopniowe obniżanie się
odsetka „nie wiem”. Osiągnął on minimum w 2008 r., tuż po wybuchu
światowego kryzysu finansowego i gospodarczego. Od 2008 r. obserwujemy
wzrost niepewności, co było skutkiem obaw związanych z kryzysem
finansowym. Wzrost obaw był jednak krótkotrwały i w 2010 r. nastąpiła
pewna poprawa. Jednak od 2013 r. na skutek zawirowań w strefie euro
niepewność ponownie zaczęła narastać. Tendencja ta trwała aż do połowy
2015 r., kiedy niepewność co do zjawisk makroekonomicznych i sytuacji
finansowej gospodarstw domowych zaczęła się zmniejszać.
W przypadku niektórych pytań można, oprócz wahań, zaobserwować
pewne tendencje wzrostowe odsetka „nie wiem”. W przypadku pytania
o klimat do wydatków na dobra trwałe (MP.S) odsetek ten oscylował w latach
1996-2004 na poziomie ok. 11-15% (por. Załącznik 2), a obecnie waha się
wokół ok. 20%. W przypadku pytania o planowane wydatki na dobra
trwałego użytku (MP.F) na początku okresu badania wynosił ok. 6%,
a obecnie osiąga poziom 16-18%. Również w przypadku pytań dotyczących
oszczędności (SVA.S i SAV.F) można zaobserwować wahania wokół trendu
wzrostowego. W przypadku pytania o klimat do oszczędzania na początku
próby odsetek oscylował w przedziale 15-19%, a obecnie 22-28%, zaś
w przypadku prognoz oszczędności na początku próby wynosił średnio 2-3%,
a obecnie 5-7%. Być może na początku analizowanego okresu udział
gospodarstw domowych w rynku dóbr trwałego użytku i rynku finansowym
(w zakresie oszczędzania) był niewielki i naturalnym wyborem respondentów
było wskazanie braku tego typu wydatków i brak nawet hipotetycznego
rozważania oszczędności. Obecnie zdolność do oszczędzania i ponoszenia
poważniejszych wydatków jest większa, stąd i większy odsetek odpowiedzi
„nie wiem”.
Niepewność w opiniach polskich gospodarstw domowych 69
3a
3b
3c
3d
Rysunek 3. Odsetek „nie wiem” odpowiedzi na pytania o: prognozowaną
ogólną sytuację gospodarczą i sytuację gospodarstwa domowego.
Analiza kształtowania się niepewności w zakresie ocen przyszłej
sytuacji finansowej wzbogaca interpretację wskaźnika kondycji gospodarstw
domowych. W 2015 r. obserwowaliśmy stagnację tempa wzrostu konsumpcji
mimo bardzo szybko poprawiających się nastrojów konsumenckich,
malejącej stopy bezrobocia i dobrej sytuacji na rynku pracy (Rysunek 4a).
Wytłumaczeniem tej sytuacji może być wysoka niepewność gospodarstw
domowych w zakresie przyszłych dochodów, która odzwierciedliła się we
wzroście odsetka „nie wiem” odpowiedzi na to pytanie. Wartość salda
również dynamicznie rosła i nie wykazywała stagnacji (por. Załącznik 5).
Podobnej interpretacji dostarcza nam analiza niepewności ujawniającej się
w odpowiedziach na pytania o ogólną sytuację gospodarczą i przyszłe
bezrobocie (Rysunki 4c i 4d).
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%19
960
119
970
119
980
119
990
120
000
120
010
120
020
120
030
120
040
120
050
120
060
120
070
120
080
120
090
120
100
120
110
120
120
120
130
120
140
120
150
120
160
120
170
1
FS.F.NSP
FS.F.NSP.HP
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
GES.F.NSP
GES.F.NSP.HP
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
18,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
PRA.F.NSP
PRA.F.NSP.HP
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
UNEMP.F.NSP
UNEMP.F.NSP.HP
70 Sławomir Dudek
4a
4b
4c
4d
Rysunek 4. Odsetek „nie wiem” odpowiedzi na pytania o: przewidywaną
własną sytuację finansową gospodarstwa domowego, ogólną sytuację
gospodarczą w kraju i bezrobocie na tle dynamiki konsumpcji i wskaźnika
kondycji gospodarstw domowych.
4. Podsumowanie
Analiza odsetka odpowiedzi „nie wiem” w kontekście mierzenia
niepewności ekonomicznej powinna być pogłębiona z wykorzystaniem
bardziej formalnych analiz statystycznych, które umożliwią głębsze
zrozumienie wzorców formułowania ocen i opinii przez gospodarstwa
domowe. Należy mieć jednak na uwadze, że związki odsetków „nie wiem”
z konsumpcją, wskaźnikiem kondycji gospodarstw domowych, czy
poszczególnymi saldami są zmienne w czasie i wychwycenie statystycznych
zależności – biorąc pod uwagę, że szeregi czasowe są dość krótkie – może
być trudne.
Niniejszy artykuł stanowi punkt wyjścia i pokazuje, iż w zakresie
interpretacji wyników badania kondycji gospodarstw domowych,
Niepewność w opiniach polskich gospodarstw domowych 71
ograniczających się zazwyczaj jedynie do badania salda, otwiera się szeroki
pole badawcze. Kolejne badania powinny też objąć pełny wzorzec
odpowiedzi na pytania, a więc też rozkład na inne warianty w ramach skali
Likerta. Potencjalnym obszarem rozwojowym jest analiza danych
jednostkowych oraz analiza wzorców odpowiedzi respondentów w panelu.
Niemniej jednak, przeprowadzona w artykule analiza prowadzi do
kilku istotnych wniosków. Pom pierwsze, ankietowani częściej wskazują
wariant „nie wiem”, gdy oceniają przyszłe zjawiska i ogólną sytuację
gospodarczą. Bardziej pewni w formułowaniu ocen są wówczas, gdy oceniają
zjawiska bieżące, historyczne i dotyczące ich gospodarstwa domowego. Po
drugie, częściej wybierają odpowiedź „nie wiem”, jeśli nie mają możliwości
wyboru wariantu neutralnego („brak zmiany”). Po trzecie, respondenci
rzadziej wskazują wariant „nie wiem” w odpowiedzi na pytania odnoszące
się do większych wydatków, które są rzadko dokonywane, co wynika
zapewne stąd, że w danej chwili tylko niewielka część społeczeństwa ponosi
takie wydatki. Po czwarte, znaczny wzrost odsetka „nie wiem” może być
spowodowany czynnikami pozaekonomicznymi, np. w wyniku kampanii
medialnej, czy zdarzeniami politycznymi (jak przystąpienie do UE).
Po piąte, ogólnie rzecz biorąc, częstość odsetka „nie wiem” jest ujemnie
skorelowana z poziomem wykształcenia. Im wyższe wykształcenie, tym
bardziej pewnie gospodarstwa domowe formułują opinie. Częstość
wskazywania wariantu „nie wiem” jest mniejsza w dużych miastach niż na
wsi czy w małych miasteczkach. Znaczne zróżnicowanie niezdecydowania
w opiniach gospodarstw domowych zanotowano w zależności od ich
dochodów per capita. W przypadku pytań o sytuacje finansową gospodarstwa
domowego i sytuację ogólnogospodarczą większy dochód oznacza mniejszą
niepewność.
Po szóste, wahania w czasie odsetka „nie wiem” są bardzo wyraźne.
Zdaniem Curtina (2000), wysoki odsetek odpowiedzi „nie wiem”
odzwierciedla raczej niepewność niż brak wiedzy czy niezrozumienie
procesów gospodarczych. Analiza wahań odsetka „nie wiem” odpowiedzi na
pytania o przyszłą sytuację finansową gospodarstwa domowego oraz
przyszłej ogólną sytuację gospodarczą w kraju i bezrobocia ułatwia
interpretację wskaźnika kondycji gospodarstw domowych, umożliwiając
wyjaśnienie, dlaczego mimo poprawy nastrojów konsumenckich w 2015 r.
konsumpcja prywatna nie wykazywała dynamiki.
Niniejsze badanie ma charakter wstępny. Jego wyniki i postawione
hipotezy wymagają przeprowadzenia dalszych, bardziej szczegółowych
analiz.
72 Sławomir Dudek
Literatura
Białowolski, P., Dudek, S. (2008). Wzorce formułowania ocen i prognoz
przez polskie gospodarstwa domowe – fakty i mity. Prace i Materiały
Instytutu Rozwoju Gospodarczego SGH, 80: 43-57.
Bovi, M. (2006). Long-run biases in consumer sentiment. Micro evidence
from European surveys. Referat przedstawiony podczas konferencji
OECD. Rzym (wrzesień).
Curtin, R. T. (2000). The structure of consumer confidence: Comparisons
between the United States and Russia. Referat przedstawiony podczas 25
konferencji CIRET. Paryż (październik).
Jankiewicz, J. (2013). Niepewność w diagnozach i prognozach
formułowanych w badaniach koniunktury konsumenckiej w Polsce.
Przegląd Zachodniopomorski, 3(2): 143-150.
Komisja Europejska (2017). A user guide to the joint harmonised EU
programme of business and consumer surveys. Bruksela.
Likert, R. (1932). A technique for the measurement of attitudes. Archives of
Psychology, 140: 5-55.
NBP (2015). Stan wiedzy i świadomości ekonomicznej Polaków. Warszawa.
Niepewność w opiniach polskich gospodarstw domowych 73
Załącznik 1. Treść pytań w ankiecie i oznaczenia zmiennych.
Kod pytania Treść pytania i wariantów odpowiedzi
KGD.FS.S
(Q1) Jak oceniają Państwo obecną sytuację finansową
swego gospodarstwa domowego w porównaniu
z sytuacją sprzed 12 miesięcy?
1. poprawiła się bardzo (PP)
2. poprawiła się trochę (P)
3. bez zmian (E)
4. pogorszyła się trochę (N)
5. pogorszyła się bardzo (NN)
6. nie wiem (DN)
KGD.FS.F
(Q2) Jak - przypuszczalnie - zmieni się sytuacja
finansowa Państwa gospodarstwa domowego
w następnych 12 miesiącach?
1. poprawi się bardzo (PP)
2. poprawi się trochę (P)
3. bez zmian (E)
4. pogorszy się trochę (N)
5. pogorszy się bardzo (NN)
6. nie wiem (DN)
KGD.GES.S
(Q3) Jak zmieniła się, Państwa zdaniem, ogólna
sytuacja ekonomiczna Polski w ostatnich 12
miesiącach?
1. poprawiła się bardzo (PP)
2. poprawiła się trochę (P)
3. bez zmian (E)
4. pogorszyła się trochę (N)
5. pogorszyła się bardzo (NN)
6. nie wiem (DN)
KGD.GES.F
(Q4) Jak, Państwa zdaniem, zmieni się ogólna sytuacja
ekonomiczna Polski w następnych 12 miesiącach?
1. poprawi się bardzo (PP)
2. poprawi się trochę (P)
3. bez zmian (E)
4. pogorszy się trochę (N)
5. pogorszy się bardzo (NN)
6. nie wiem (DN).
74 Sławomir Dudek
KGD.PRA.S
(Q5) Czy w porównaniu z sytuacją sprzed 12 miesięcy
koszty utrzymania w skali kraju są, Państwa zdaniem,
teraz:
1. wyraźnie dużo wyższe (PP)
2. znacznie wyższe (P)
3. nieco wyższe (E)
4. zbliżone (N)
5. niższe (NN)
6. nie wiem (DN)
KGD.PRA.F
(Q6) Porównując z tym, co dzieje się teraz, czy Państwo
sądzą, że w najbliższych 12 miesiącach w skali kraju
1. wzrost cen będzie szybszy (PP)
2. ceny wzrastać będą tak samo (P)
3. ceny wzrastać będą wolniej (E)
4. ceny będą mniej więcej takie same (N)
5. ceny nieco zmaleją (NN)
6. nie wiem (DN)
KGD.UNEMP.F
(Q7) Jak zmieni się, zdaniem Państwa, bezrobocie w
kraju w następnych 12 miesiącach?
1. gwałtownie wzrośnie (PP)
2. nieznacznie wzrośnie (P)
3. pozostanie takie samo (E)
4. nieznacznie zmaleje (N)
5. gwałtownie zmaleje (NN)
6. nie wiem (DN).
KGD.MP.S
(Q8) Czy sadzą Państwo, że obecnie korzystnie jest
kupować dobra trwałego użytku (meble, sprzęt TV,
pralkę, kuchenkę, lodówkę)?
1. tak, teraz właśnie jest odpowiedni czas (PP)
2. obecny czas nie jest na to ani dobry, ani zły (E)
3. nie, nie jest to czas odpowiedni (NN)
4. nie wiem (DN)
KGD.MP.F
(Q9) Czy sądzą Państwo, że Wasze wydatki na zakupy
dóbr trwałego użytku w następnych 12 miesiącach będą
w porównaniu z tego typu wydatkami w poprzednich 12
miesiącach:
1. dużo większe (PP)
2. nieco większe (P)
3. podobne (E)
4. nieco mniejsze (N)
Niepewność w opiniach polskich gospodarstw domowych 75
5. dużo mniejsze (NN)
6. nie wiem (DN)
KGD.SAV.S
(Q10) Czy uwzględniając ogólną sytuację ekonomiczną
Polski, Państwa zdaniem obecnie jest:
1. bardzo dobry czas, aby oszczędzać (PP)
2. dobry czas, aby oszczędzać (P)
3. raczej niekorzystny czas, aby oszczędzać (N)
4. bardzo niekorzystny czas, aby oszczędzać (NN)
5. nie wiem (DN)
KGD.SAV.F
(Q11) Jakie jest prawdopodobieństwo, że w następnych
12 miesiącach zdołacie Państwo zaoszczędzić
jakiekolwiek pieniądze?
1. bardzo duże (PP)
2. dość duże (P)
3. znikome (N)
4. zdecydowanie żadne (NN)
5. nie wiem (DN)
KGD.FIN.S
(Q12) Która z poniżej wymienionych sytuacji najlepiej
opisuje obecną sytuację finansową Państwa
gospodarstwa domowego?
1. wpadamy w długi (NN)
2. przejadamy nasze oszczędności (N)
3. nasz dochód z trudem starcza (E)
4. nieco oszczędzamy (P)
5. dużo oszczędzamy (PP)
6. nie wiem (DN)
KGD.CAR.F
(Q13) Jakie jest prawdopodobieństwo, że w następnych
12 miesiącach kupicie Państwo samochód?
1. bardzo duże (PP)
2. dość duże (P)
3. niewielkie (N)
4. zdecydowanie żadne (NN)
5. nie wiem (DN)
KGD.
HOUSEBUY.F
(Q14) Czy planujecie Państwo w następnych 12
miesiącach kupić lub budować dom, mieszkanie (dla
siebie, dla członka rodziny, jako dom letniskowy, do
wynajęcia itp.)?
1. zdecydowanie tak (PP)
2. możliwe (P)
3. raczej nie (N)
76 Sławomir Dudek
4. zdecydowanie nie (NN)
5. nie wiem (DN)
KGD.
HOUSEEXP.F
(Q15) Jakie jest prawdopodobieństwo, że w następnych
12 miesiącach poniesiecie Państwo duże wydatki na
podniesienie standardu lub remont zajmowanego domu,
mieszkania?
1. bardzo duże (PP)
2. dość duże (P
3. niewielkie (N)
4. zdecydowanie żadne (NN)
5. nie wiem (DN)
IRGKGD
Wskaźnik kondycji gospodarstw domowych IRG SGH:
średnia arytmetyczna z sald: oceny przyszłej sytuacji
finansowej (Q2), oceny przyszłej ogólnej sytuacji
ekonomicznej (Q4), oczekiwanej zmiany poziomu
bezrobocia (Q7) ze znakiem ujemnym, oceny przyszłej
skłonności do oszczędzania (Q11).
Oznaczenia:
.F pytanie prognostyczne
.S pytanie diagnostyczne
.NSP odsetek odpowiedzi „nie wiem”
.HP szereg czasowy wygładzony filtrem Hodrick-Prescotta
CONS.SA konsumpcja gospodarstw domowych, szereg
wyrównany sezonowo, r/r
GDP.SA produkt krajowy brutto, szereg wyrównany sezonowo,
r/r
Niepewność w opiniach polskich gospodarstw domowych 77
Załącznik 2. Odsetek odpowiedzi „nie wiem” na poszczególne pytania.
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
FS.S.NSP
FS.S.NSP.HP
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
FS.F.NSP
FS.F.NSP.HP
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
10,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
GES.S.NSP
GES.S.NSP.HP
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
GES.F.NSP
GES.F.NSP.HP
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
PRA.S.NSP
PRA.S.NSP.HP
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
18,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
PRA.F.NSP
PRA.F.NSP.HP
78 Sławomir Dudek
Rysunek Z2.1.
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
UNEMP.F.NSP
UNEMP.F.NSP.HP
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
FIN.S.NSP
FIN.S.NSP.HP
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
MP.S.NSP
MP.S.NSP.HP
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%19
960
119
970
119
980
119
990
120
000
120
010
120
020
120
030
120
040
120
050
120
060
120
070
120
080
120
090
120
100
120
110
120
120
120
130
120
140
120
150
120
160
120
170
1
MP.F.NSP
MP.F.NSP.HP
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
SAV.S.NSP
SAV.S.NSP.HP
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
18,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
SAV.F.NSP
SAV.F.NSP.HP
Niepewność w opiniach polskich gospodarstw domowych 79
Rysunek Z2.2.
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CAR.F.NSP
CAR.F.NSP.HP
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
HOUSEBUY.F.NSP
HOUSEBUY.F.NSP.HP
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
10,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
HOUSEEXP.F.NSP
HOUSEEXP.F.NSP.HP
80 Sławomir Dudek
Załącznik 3. Odsetek odpowiedzi „nie wiem” na poszczególne pytania na tle
dynamiki konsumpcji prywatnej.
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
FS.S.NSP.HP-18,0%
-17,0%
-16,0%
-15,0%
-14,0%
-13,0%
-12,0%
-11,0%
-10,0%
-9,0%
-8,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
FS.F.NSP.HP
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
GES.S.NSP.HP
-22,0%
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
GES.F.NSP.HP
-4,5%
-4,0%
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
PRA.S.NSP.HP
-10,0%
-9,0%
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
PRA.F.NSP.HP
Niepewność w opiniach polskich gospodarstw domowych 81
Objaśnienie: dla .NSP odwrócona skala.
Rysunek Z3.1.
-12,0%
-10,0%
-8,0%
-6,0%
-4,0%
-2,0%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
UNEMP.F.NSP.HP
-5,0%
-4,5%
-4,0%
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
FIN.S.NSP.HP
-22,0%
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
MP.S.NSP.HP
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-6,0%
-4,0%
-2,0%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
MP.F.NSP.HP
-33,0%
-28,0%
-23,0%
-18,0%
-13,0%
-8,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
SAV.S.NSP.HP
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
SAV.F.NSP.HP
82 Sławomir Dudek
Objaśnienie: dla .NSP odwrócona skala.
Rysunek Z3.2.
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
CAR.F.NSP.HP
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
HOUSEBUY.F.NSP.HP
-9,0%
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-1,0%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CONS.SA
HOUSEEXP.F.NSP.HP
Niepewność w opiniach polskich gospodarstw domowych 83
Załącznik 4. Odsetek odpowiedzi „nie wiem” na poszczególne pytania na tle
wskaźnika kondycji gospodarstw domowych IRG SGH.
-1,2%
-1,0%
-0,8%
-0,6%
-0,4%
-0,2%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
FS.S.NSP.HP-18,0%
-17,0%
-16,0%
-15,0%
-14,0%
-13,0%
-12,0%
-11,0%
-10,0%
-9,0%
-8,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
FS.F.NSP.HP
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
GES.S.NSP.HP-22,0%
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
GES.F.NSP.HP
-4,5%
-4,0%
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
PRA.S.NSP.HP
-10,0%
-9,0%
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
PRA.F.NSP.HP
84 Sławomir Dudek
Objaśnienie: dla .NSP odwrócona skala.
Rysunek Z4.1.
-12,0%
-10,0%
-8,0%
-6,0%
-4,0%
-2,0%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
UNEMP.F.NSP.HP
-5,0%
-4,5%
-4,0%
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
FIN.S.NSP.HP
-22,0%
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
MP.S.NSP.HP
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-6,0%
-4,0%
-2,0%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
MP.F.NSP.HP
-33,0%
-28,0%
-23,0%
-18,0%
-13,0%
-8,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
SAV.S.NSP.HP
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
SAV.F.NSP.HP
Niepewność w opiniach polskich gospodarstw domowych 85
Objaśnienie: dla .NSP odwrócona skala.
Rysunek Z4.2.
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
CAR.F.NSP.HP
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
HOUSEBUY.F.NSP.HP
-9,0%
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
IRGKGD.HP
HOUSEEXP.F.NSP.HP
86 Sławomir Dudek
Załącznik 5. Odsetek odpowiedzi „nie wiem” na poszczególne pytania na tle
sald.
-1,2%
-1,0%
-0,8%
-0,6%
-0,4%
-0,2%
0,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
10,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
FS.S.HP
FS.S.NSP.HP-18,0%
-17,0%
-16,0%
-15,0%
-14,0%
-13,0%
-12,0%
-11,0%
-10,0%
-9,0%
-8,0%
-40,0%
-35,0%
-30,0%
-25,0%
-20,0%
-15,0%
-10,0%
-5,0%
0,0%
5,0%
10,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
FS.F.HP
FS.F.NSP.HP
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-70,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
10,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
GES.S.HP
GES.S.NSP.HP-22,0%
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
10,0%
20,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
GES.F.HP
GES.F.NSP.HP
-4,5%
-4,0%
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-20,0%
-10,0%
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
PRA.S.HP
PRA.S.NSP.HP
-10,0%
-9,0%
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
80,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
PRA.F.HP
PRA.F.NSP.HP
Niepewność w opiniach polskich gospodarstw domowych 87
Objaśnienie: dla .NSP odwrócona skala.
Rysunek Z5.1.
-12,0%
-10,0%
-8,0%
-6,0%
-4,0%
-2,0%
0,0%
-30,0%
-20,0%
-10,0%
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
UNEMP.F.HP
UNEMP.F.NSP.HP-5,0%
-4,5%
-4,0%
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-30,0%
-25,0%
-20,0%
-15,0%
-10,0%
-5,0%
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
FIN.S.HP
FIN.S.NSP.HP
-22,0%
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-25,0%
-20,0%
-15,0%
-10,0%
-5,0%
0,0%
5,0%
10,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
MP.S.HP
MP.S.NSP.HP
-20,0%
-18,0%
-16,0%
-14,0%
-12,0%
-10,0%
-8,0%
-6,0%
-4,0%
-2,0%
0,0%
-30,0%
-20,0%
-10,0%
0,0%
10,0%
20,0%
30,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
MP.F.HP
MP.F.NSP.HP
-33,0%
-28,0%
-23,0%
-18,0%
-13,0%
-8,0%
-70,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
SAV.S.HP
SAV.S.NSP.HP
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-90,0%
-80,0%
-70,0%
-60,0%
-50,0%
-40,0%
-30,0%
-20,0%
-10,0%
0,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
SAV.F.HP
SAV.F.NSP.HP
88 Sławomir Dudek
Objaśnienie: dla .NSP odwrócona skala.
Rysunek Z5.2.
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-95,0%
-90,0%
-85,0%
-80,0%
-75,0%
-70,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
CAR.F.HP
CAR.F.NSP.HP
-3,5%
-3,0%
-2,5%
-2,0%
-1,5%
-1,0%
-0,5%
0,0%
-95,0%
-90,0%
-85,0%
-80,0%
-75,0%
-70,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
HOUSEBUY.F.HP
HOUSEBUY.F.NSP.HP
-9,0%
-8,0%
-7,0%
-6,0%
-5,0%
-4,0%
-3,0%
-2,0%
-1,0%
0,0%
-65,0%
-60,0%
-55,0%
-50,0%
-45,0%
-40,0%
-35,0%
-30,0%
1996
01
1997
01
1998
01
1999
01
2000
01
2001
01
2002
01
2003
01
2004
01
2005
01
2006
01
2007
01
2008
01
2009
01
2010
01
2011
01
2012
01
2013
01
2014
01
2015
01
2016
01
2017
01
HOUSEEXP.F.HP
HOUSEEXP.F.NSP.HP
Niepewność w opiniach polskich gospodarstw domowych 89
Załącznik 6. Odsetek odpowiedzi „nie wiem” na poszczególne pytania wg
cech społeczno-demograficznych gospodarstw domowego/respondenta.
Tabela Z6.1.
Wyszczególnienie KGD
.FS.S .FS.F .GES.S .GES.F .PRA.S
Ogółem 0,4% 11,2% 4,9% 13,7% 2,3%
Wykształcenie
wyższe 0,3% 7,4% 2,8% 8,3% 1,1%
zawodowe/średnie 0,3% 12,5% 5,3% 15,0% 2,4%
podstawowe/
gimnazjalne 0,7% 14,2% 7,6% 20,1% 4,9%
Wiek
16-29 0,5% 11,7% 4,4% 10,7% 2,1%
30-49 0,2% 13,3% 3,7% 14,0% 2,3%
50-64 0,4% 10,5% 4,3% 13,1% 1,8%
> 64 0,4% 9,8% 5,9% 13,2% 2,6%
Dochód per
capita
1 0,5% 15,4% 6,1% 17,1% 4,1%
2 0,5% 13,9% 6,0% 16,8% 3,0%
3 0,3% 11,8% 5,3% 14,3% 2,3%
4 0,2% 9,8% 4,2% 12,9% 1,8%
5 0,2% 7,9% 3,6% 9,8% 1,2%
Miejsce
zamieszkania
miasto > 100 0,3% 10,1% 4,3% 12,0% 1,7%
miasto 10-100 0,3% 9,8% 4,4% 12,2% 2,0%
miasto < 10 0,3% 11,2% 5,4% 13,7% 2,7%
wieś 0,5% 14,1% 5,7% 17,1% 3,1%
Liczba dzieci
0 0,3% 12,0% 4,3% 13,5% 2,2%
1 0,4% 12,6% 4,8% 14,7% 2,6%
2 0,3% 11,8% 5,3% 15,0% 3,0%
3 0,7% 13,8% 6,6% 17,4% 4,7%
4 1,2% 17,2% 8,5% 21,2% 7,1%
90 Sławomir Dudek
Tabela Z6.2.
Wyszczególnienie KGD
.PRA.F .UNEMP.F .MP.S .MP.F .SAV.S
Ogółem 4,1% 5,9% 17,1% 12,3% 22,0%
Wykształcenie
wyższe 3,1% 4,2% 15,9% 12,0% 18,6%
zawodowe/średnie 4,2% 6,1% 17,2% 12,2% 23,1%
podstawowe/
gimnazjalne 5,9% 8,7% 19,5% 13,1% 23,9%
Wiek
16-29 3,2% 4,5% 13,2% 8,8% 16,9%
30-49 4,6% 6,2% 17,0% 13,1% 27,2%
50-64 4,0% 5,6% 18,5% 15,1% 25,3%
> 64 5,5% 8,3% 23,6% 21,3% 25,6%
Dochód per
capita
1 4,7% 5,4% 16,7% 10,9% 21,9%
2 4,1% 6,6% 17,6% 11,3% 23,8%
3 4,1% 6,1% 16,5% 11,1% 22,9%
4 3,6% 6,0% 17,6% 13,1% 22,1%
5 3,9% 5,4% 17,0% 13,7% 20,1%
Miejsce
zamieszkania
miasto > 100 3,9% 5,7% 16,9% 13,0% 21,5%
miasto 10-100 3,4% 5,3% 15,9% 11,8% 21,0%
miasto < 10 3,8% 5,4% 17,9% 11,3% 21,2%
wieś 5,2% 6,9% 18,3% 12,4% 23,8%
Liczba dzieci
0 3,5% 5,0% 14,9% 8,9% 20,2%
1 3,5% 5,4% 14,9% 9,1% 21,4%
2 3,8% 4,9% 14,0% 7,7% 20,2%
3 4,6% 6,0% 16,5% 8,9% 21,0%
4 7,9% 9,5% 22,0% 11,5% 29,9%
Niepewność w opiniach polskich gospodarstw domowych 91
Tabela Z6.3.
Wyszczególnienie
KGD
.SAV.F .FIN.S .CAR.F .HOUSE
BUY.F
.HOUSE
EXP.F
Ogółem 3,5% 1,4% 4,6% 2,3% 6,2%
Wykształcenie
wyższe 3,8% 1,8% 5,1% 2,6% 5,1%
zawodowe/
średnie 3,4% 1,1% 4,3% 2,0% 6,3%
podstawowe/
gimnazjalne 3,3% 1,3% 3,8% 2,1% 8,6%
Wiek
16-29 4,0% 2,2% 3,8% 3,3% 5,5%
30-49 5,2% 2,2% 5,4% 3,2% 6,4%
50-64 4,3% 1,6% 5,1% 2,4% 5,5%
> 64 4,0% 2,1% 3,8% 1,3% 6,7%
Dochód per
capita
1 2,4% 0,9% 3,3% 2,6% 7,1%
2 3,2% 1,0% 3,8% 2,2% 6,5%
3 3,3% 1,1% 3,8% 2,2% 5,7%
4 3,6% 1,3% 3,7% 1,8% 5,9%
5 4,3% 1,9% 6,1% 2,4% 5,8%
Miejsce
zamieszkania
miasto > 100 3,5% 1,6% 4,6% 2,2% 5,7%
miasto 10-100 3,2% 1,1% 4,3% 1,9% 5,4%
miasto < 10 3,1% 1,0% 5,5% 2,5% 6,7%
wieś 4,1% 1,4% 4,5% 2,5% 7,0%
Liczba dzieci
0 3,4% 1,2% 4,9% 3,0% 5,5%
1 3,4% 1,1% 5,4% 2,9% 5,4%
2 2,4% 0,6% 3,2% 2,2% 4,6%
3 3,4% 1,2% 2,4% 4,5% 6,8%
4 2,6% 2,4% 7,4% 3,7% 5,1%
top related