umvp.kormany.huumvp.kormany.hu/download/3/40/10000/UMVPMTE_4.8... · Web viewAz agrárgazdasági kutatásokból látszó általános tapasztalat, hogy a beruházási támogatások

„EURÓPAI MEZŐGAZDASÁGI VIDÉKFEJLESZTÉSI ALAP:

A VIDÉKI TERÜLETEKBE BERUHÁZÓ EURÓPA”

HUNGARIKUM Konzorcium

4.8. MELLÉKLET:

HUNGARIKUM KONZORCIUM 4.8. MELLÉKLET

ÚMVP FÉLIDEI ÉRTÉKELÉS 2/118

RÉSZLETES MÓDSZERTANI LEÍRÁSOK

2010. november

AZ ÚJ MAGYARORSZÁG VIDÉKFEJLESZTÉSI PROGRAM

(2007-2013) FÉLIDEI (MID-TERM) ÉRTÉKELÉSE

Dátum: 2023. 05. 17.– Készítette: HUNGARIKUM KonzorciumFájlnév: document.docx



TARTALOMJEGYZÉK

1. BEVEZETÉS 42. KVANTITATÍV VIZSGÁLATI MÓDSZERTANOK ÖSSZEFOGLALÁSA 43. ÖKONOMETRIAI ELEMZÉS ISMERTETÉSE 63.1. Módszertani leírás 63.1.1. Eredményszemléletűség a FADN adataiban 63.1.2. Beruházási támogatások hatásának késése 73.1.3. Nettó hozzáadott érték és Éves munkaerőegység vizsgálata 73.1.4. Kiegyensúlyozott panel vizsgálat 2006 és 2009 között 83.2. Modellek és eredmények 123.2.1. Panel Least Squares 143.2.2. Fixed Effects 183.2.3. Random Effects 203.2.4. Generalized Least Squares 233.2.5. Two-Stage Least Squares (IV) 263.2.6. General method of moments (dynamic panel) 293.2.7. AR(1) taggal kiegészített modellek 313.2.8. Legjobb modell kiválasztása 363.3. Következtetések, javaslatok, a modellezés korlátai 383.3.1. Beruházási támogatásokra vonatkozóan 383.3.2. Területalapú támogatásokra vonatkozóan 383.3.3. Gazdasági növekedésre vonatkozóan 393.3.4. Az ökonometriai elemzés korlátai és az EÉJ eltérések indoklása 394. STATISZTIKAI ELEMZÉS 424.1. Módszertani bemutatás 424.1.1. Jövedelmezőségi hatás vizsgálatának módszertana 434.1.2. Foglalkoztatási hatás vizsgálatának módszertana 444.1.3. Termelékenységi vizsgálat módszertana 454.1.4. Az államháztartásra gyakorolt hatások vizsgálatának módszertana 454.1.5. További statisztikai vizsgálatok 464.2. Statisztikai elemzés 464.2.1. Jövedelmezőségi hatás 464.2.2. Foglalkoztatási hatás 504.2.3. Termelékenységi vizsgálat 544.2.4. Nemzetgazdaságra gyakorolt hatások 544.2.5. További statisztikai vizsgálatok 565. SZAKIRODALMI HIVATKOZÁSOK 64

VERZIÓKÖVETÉSI INFORMÁCIÓK

Verzió száma: v05

Utoljára módosította: Nagy Gábor




Módosítás indoka: Dr. Habuda Judit észrevételeinek átvezetése

Jóváhagyta a HUNGARIKUM konzorcium részéről (név/dátum)

Cserneczky Tamás, 2010.12.04

Jóváhagyta a MEGRENDELŐ részéről (név/dátum)

-




1. BEVEZETÉSJelen dokumentum az Új Magyarország Vidékfejlesztési Program (továbbiakban ÚMVP) félidei értékelése során alkalmazott kvantitatív módszertanokat mutatja be a Zárójelentés részeként.A teljes módszertani logikát (módszertani megközelítés) a Zárójelentés 3-ik fejezete mutatja be, ebben a dokumentumban azokat az elemzési módszertanokat mutatjuk be, amelyek dokumentációs igénye meghaladta a Zárójelentés terjedelemi korlátait.A továbbiakban a módszertani leírások mellett az egyes számítások eredményeit is közöljük a független ellenőrizhetőség biztosításai érdekében.

2. KVANTITATÍV VIZSGÁLATI MÓDSZERTANOK ÖSSZEFOGLALÁSA

A továbbiakban az értékelés során alkalmazott kvantitatív módszertanokat mutatjuk be részletesen. E módszertanokat a korábbi fejezetekben csak meghivatkoztuk, mert ismertetésük szétfeszítette volna az átfogó ismertetés terjedelmi kereteit. A további fejezetekben részletesen bemutatjuk a módszertani megfontolásokat, a használt számítási metódusokat és az ellenőrizhetőség érdekében az eredményeket is. A következő táblázat szemlélteti, az Előzetes Értékelő Jelentésben kvantitatív módon vizsgálni tervezett intézkedéseket.

Intézkedés - Jogcím

Jövedelmezőségi

vizsgálat

Foglalkoztatási vizsgálat

Termelékenységi

vizsgálat

Gazdasági növekedési hatás

Államháztartás

112 –

Fiatal gazdákKvalitatív módon vizsgáltuk a jogcímet, mert a projektek még nem zárultak le

a kvalitatív vizsgálathoz szükséges számban.

121 - Kertészeti üzemek

Ökonometriai vizsgálatot végeztünk a 121. intézkedésre, továbbá statisztikai elemzést végeztünk támogatási

kérelmekben benyújtott árbevétel és létszám, valamint kiadási tétel adatok, továbbá az OPTEN Mérlegtár árbevétel és létszám

adatok felhasználásával.

Importhatás és ÁFA

növekmény vizsgálatot végeztünk

121 - Kertészeti gépek

121 - Gépbeszerzés

121 – Állattartó telepk

korszerűsítése

121 – Öntözés, melioráció,

területi vízgazdálkodás





Jövedelmezőségi

vizsgálat


Termelékenységi

vizsgálat


Államháztartás

121 – Gyümölcsültetvé

nyek

122 – Erdészeti gépek

Statisztikai elemzést végeztünk a támogatási kérelmekben benyújtott kiadási tételekre

vonatkozóan

Az elemzést - a jelenleg megítélt

támogatások csekély mértéke miatt – nem

lehetett elvégezni.

Import és ÁFA


123 – ÉLIP

Statisztikai elemzést végeztünk támogatási kérelmekben benyújtott árbevétel és létszám,

valamint kiadási tétel adatok, továbbá az OPTEN Mérlegtár árbevétel és létszám adatok

felhasználásával.

Az elemzést - a jelenleg megítélt

támogatások csekély mértéke miatt – nem

lehetett elvégezni.

Import és ÁFA


142 – Termelői csoportok

Mivel a TCS tagok gazdasági adatai nem álltak rendelkezésre, ezért kvantitatív elemzést nem tudtunk végezni.

212 - KAT - Az Előzetes Értékelő Jelentésben nem terveztük vizsgálni.

213 – Natura 2000 - Az Előzetes Értékelő Jelentésben nem terveztük vizsgálni.

214 – AKG -Az Előzetes Értékelő

Jelentésben nem terveztük vizsgálni.

221 – MgTE A projektek érdemi gazdasági hatást csak a telepítések letermelése után (5-10 év múlva) váltanak ki, így nem volt mód ilyen elemzés elvégzésére.





Jövedelmezőségi

vizsgálat


Termelékenységi

vizsgálat


Államháztartás

312 – Mikrovállalkozás

Statisztikai elemzést végeztünk a támogatási kérelmekben benyújtott kiadási tételekre

vonatkozóan

Az Előzetes Értékelő Jelentésben nem terveztük

vizsgálni.

313 – TurizmusStatisztikai elemzést végeztünk a támogatási

kérelmekben benyújtott kiadási tételekre vonatkozóan

Az Előzetes Értékelő Jelentésben nem terveztük

vizsgálni.

321 - Tanyabusz Az Előzetes Értékelő Jelentésben nem terveztük vizsgálni.

Import és ÁFA


1. táblázat: Az Előzetes Értékelő Jelentésben egyeztetett vizsgálatok státusza1

3. ÖKONOMETRIAI ELEMZÉS ISMERTETÉSEAz Új Magyarország Vidékfejlesztési Program gazdasági hatásait vizsgáló ökonometriai modellt az Agrárgazdasági Kutató Intézet (továbbiakban AKI) által üzemeltetett FADN (Farm Accountancy Data Network) tesztüzemi adatbázis alapján állítottuk össze2. Az elemzés célja megmutatni a FADN tesztüzemi adatain keresztül a beruházási jellegű támogatások (I. tengely) és a területalapú kifizetések (II. tengely) hatásait egy ún. longitudinális modellben. A tesztüzemi rendszerben a SAPS, a TOP-UP és ÚMVP támogatásai mind megtalálhatóak az üzemek adatai között. Az évente rögzített adatbázis közel kétezer üzeméből kiegyensúlyozottan3 csupán 1490 üzem használható. Ezekből a vizsgálható mintaszám megőrzése miatt legfeljebb kéttípusú bontást használunk: beruházási támogatásokat4 és területalapú támogatásokat (több szempontú bontásnál a vizsgálható mintaszám drasztikusan lecsökkent volna). Ez utóbbinál külön választottuk az agrár-környezetgazdálkodáshoz (AKG) köthető kifizetéseket a SAPS-tól. A KAT és NATURA 2000 jogcímeket – elenyésző mintaszámuk miatt - nem szerepeltettük a vizsgált mintában. 1 Forrás: UMVPMTE_I_melleklet_beavatkozas_vizsgalat_tabla_v07.xls (EÉJ melléklet)2 A Mezőgazdasági Számviteli Információs Hálózat (FADN) a mezőgazdasági üzemek pénzügyi-, vagyoni helyzetét felmérő Európai Uniós reprezentatív információs rendszer. Magyarországi alrendszere a Tesztüzemi Információs Hálózat, ismertebb nevén tesztüzemi rendszer, ami a közösségi előírások teljesítésén túl kiszolgálja a hazai információs igényeket is. A felmérés 1900 üzem eredményszemléletű könyvvitele alapján történik, a rendszer az egyéni gazdaságok adatait is a gazdasági társaságokéhoz hasonló struktúrában tartalmazza, tehát az egyéni gazdaságoknak is van mérlegük és eredmény-kimutatásuk. A minta a 90 ezer magyarországi árutermelő gazdaságot reprezentálja. A magyar tesztüzemi rendszer az üzemszintű adatokon kívül a fontosabb növénytermesztő, állattenyésztő és kertészeti ágazatok adatait is tartalmazza.3 Minden vizsgált évre ugyanazon keresztmetszeti üzemazonosítóhoz meglévő adatforrás. 4 Itt elsősorban az 1. tengelyben az árutermelő üzemekhez kapcsolható jogcímekről van szó (121. intézkedés). Fontos kiemelni, hogy az élelmiszeripari vállalkozások és támogatások nem szerepelnek a modellben (ezért a kötet Statisztikai elemzés részében foglalkozunk az értékelésével).




A mintaszám csökkenésének elkerülését szem előtt tartva nem választottuk szét az üzemeket regionális csoportokra.Az AKI-val folytatott egyeztetések és a nemzetközi szakirodalom feldolgozása után választottuk ki a megfelelő magyarázó változóinkat. Előzetesen fontos megjegyeznünk, hogy az ÚMVP 2007-es indulását követően a legtöbb kifizetés 2009-ben történt, a támogatási kérelmek 2010. június 30-i állapota alapján a legtöbb projekt lezárása még nem történt meg. Ezek hatásainak jelentkezését természetesen csak részlegesen vagy egyáltalán nem várhatjuk. A területalapú támogatások egy része (elsősorban az AKG) még az NVT keretén belül kerültek kifizetésre, ami – az 1320/2006/EC rendeletben megjelölt determinációs lehetőség folytán – folytatódott az ÚMVP kereteinek terhére is. Az ökonometriai modell bemutatásakor részletesen kitérünk az értékelési munka módszertani alapjainak és sajátosságainak, továbbá - az értékeléshez felhasznált adatok, információk alapján – az értékelés korlátainak ismertetésére.

3.1. MÓDSZERTANI LEÍRÁS

3.1.1. EREDMÉNYSZEMLÉLETŰSÉG A FADN ADATAIBAN

Az Agrárgazdasági Kutatóintézet által üzemeltetett FADN adatbázisba az üzemek könyvelőirodákon keresztül juttatják el számviteli adataikat. Ezzel kapcsolatban fontos kitérni arra, hogy ezek a számok eredményszemléletben értendőek, ami a mi esetünkben azért fontos, mert ebben a rendszerben a támogatások megítélésének pillanatában (támogató határozat dátuma) az üzem elméletileg megkapja a támogatást, és azt le is könyveli. Az üzemek a kifizetések során esetleg eltérő összegeket a következő évi korrekciós sorra vezetik majd fel. Elemzésünkben ezek a korrekciók nem szerepelnek, mivel a támogatási összegek alapján elkezdett projektek hatását kívántuk elsősorban vizsgálni, és nem a pontosan kifizetett összegeket5. Ez a megközelítés jobban megfelel az utófinanszírozott projektek valós megvalósítási logikájának. Ugyanakkor az is előfordulhat, hogy a támogatás megítélése után nem közvetlenül kezdődik meg a beruházás/fejlesztés, ezt azonban nem állt módunkban kiszűrni, mivel a FADN adatbázis szigorú anonimitása miatt nem lehetett az MVH támogatási adataival összekapcsolni a rendszerben részt vevő üzemek adatait.

3.1.2. BERUHÁZÁSI TÁMOGATÁSOK HATÁSÁNAK KÉSÉSE

Az agrárgazdasági kutatásokból látszó általános tapasztalat, hogy a beruházási támogatások az üzemek eredményeiben többnyire késéssel jelennek meg, és eleinte inkább eredményt rontó tényezőnek számítanak. Az építkezési beruházásokra mindez fokozottabban, míg a gépvásárlásokra kevésbé érvényes. Bár ezt a késést teljesen kiszűrni nem tudjuk (főként egy félidei értékelés időzítéséből fakadóan), a modellben a függő változóinkat igyekszünk nem eredményességhez, hanem hozzáadott értékhez és munkaerőegységhez kötni. Javasoljuk azonban az ex-post elemzés készítőinek az adózás

5 A pénzforgalmi szemlélet jelentené azt, hogy az összegek kifizetéskor jelennek meg az üzemeknél, ez azonban torzítaná a becslésünket, mivel a projektek már a támogatás megítélésének pillanatában elkezdődhetnek, így azok hatásait már vizsgálnunk kell.




előtti eredmény vizsgálatát is a támogatások függvényében a lentebb feltárt módszertani megfontolásokat figyelembe véve.

3.1.3. NETTÓ HOZZÁADOTT ÉRTÉK ÉS ÉVES MUNKAERŐEGYSÉG VIZSGÁLATA

Az éves nettó árbevételnél finomabb változónak tekintjük az AKI által is alkalmazott6 nettó hozzáadott érték alkalmazását függő változóként a modellben. Ezt a bruttó hozzáadott értékből származtatjuk (levonva abból az értékcsökkenést), aminek a számítása a következőképpen történik:Bruttó termelési érték – folyó termelő felhasználás – adók. A későbbiekben az AKI 2009. évi kérdőívének cellahivatkozásaival fejtjük ki a nettó hozzáadott érték pontos meghatározását. Ezzel a mutatóval becsüljük az üzemek gazdasági potenciáljának, jövedelmezőségének fejlődését az évek során a támogatások tükrében. Ezt a mutatót annak érdekében választottuk, hogy egy egyéni és társas gazdaságok tekintetében is összehasonlítható kategóriát tudjunk használni, mivel a Magyarországon mezőgazdasági termelést végző 90 ezer üzem között nagy a méret és jellegbeli szóródás, ami megnehezíti az arányos teljesítmények összevetését. Az AKI-val egyeztetve jutottunk arra az álláspontra, hogy a bruttó hozzáadott értékből levonva az értékcsökkenést egy olyan mérőszámhoz jutunk, ami a legkisebb torzítással méri a mintán az üzemek gazdasági erejét.Az Éves Munkaerőegység (ÉME) használata egyrészt egy Európai Uniós standardból adódik, másrészt pedig az egyéni és társas üzemek/gazdaságok egyenértékes munkateljesítmény mutatója. Definíciója: egy teljes munkaidőben foglalkoztatott, koránál és egészségi állapotánál fogva teljes értékű munkavégzésre alkalmas dolgozó éves munkaidő-teljesítménye, munkaórában – 2200 óra/év standardra vetítve. Ezzel a mutatóval becsüljük a támogatások foglalkoztatási hatását. Amennyiben a munkaerőegység a támogatásoknak köszönhetően növekszik, úgy azt úgy értelmezzük, hogy a korábbi állapothoz képest addicionális munkaerőt kell alkalmazni.A két mutató hányadosát (Nettó hozzáadott érték/Éves Munkaerőegység) tekintjük munkatermelékenységi mutatónak, és az elemzéseket erre nézve végezzük el az Előzetes Értékelő Jelentésben leírtaknak megfelelően.

3.1.4. KIEGYENSÚLYOZOTT PANEL VIZSGÁLAT 2006 ÉS 2009 KÖZÖTT

Az AKI adatbázisából a 2006 és 2009 közötti adatokat kértük el abból a célból, hogy az Új Magyarország Vidékfejlesztési Program programozási időszakát megelőzően is rendelkezzünk bázis értékekkel az elemzésünkben. Az ökonometriában a több időszakon keresztül átívelő keresztmetszeti adatsorokat panel vagy longitudinális adatoknak nevezzük. Az évek során az üzemek egyedi FADN azonosítói nem változhatnak, így egyértelműen be lehet azonosítani egy üzem adott évi aranykorona, tárgyi eszköz állomány, beruházási támogatás, EUME, ÉME vagy hozzáadott érték adatait. Ha minden 6 Agrárgazdasági Kutató Intézet: A tesztüzemi információs rendszer 2009. évi eredményei, Budapest, 2010




évre megtalálható az adatbázisban ugyanannak a számosságú mintának minden adata, akkor azt az adatbázist kiegyensúlyozott panelnek (balanced panel) tekintjük. Ez jelen esetben a minta hozzávetőleg 1950 üzeméből 1490-re történő szűkítésével volt elérhető. Ezek azok az üzemek, amelyeknek adatai mind a négy vizsgált évben rendelkezésre állnak. Ezt a mintát az AKI súlyozási szisztémája alapján továbbra is reprezentatívnak tekinthetjük, amennyiben arra a 90 ezer árutermelő üzemre összpontosítunk az agráriumban, melyek az AKI megközelítése szerint valós hozzáadott értékkel hozzájárulnak az ország GDP-jéhez.Ez a minőségű, kiegyensúlyozott adathalmaz az egyszerű keresztmetszeti vizsgálatoknál többre is enged következtetni a következő egyszerű megfontolások alapján.

3.1.4.1. ÖKONOMETRIAI HÁTTÉR (MODELL TÍPUSOK)7

Többféle panel modelltípust ismerünk, mint például a konstans együtthatók, fixed effects és random effects modelleket, dinamikus paneleket és különböző kovariancia struktúrákat kezelő típusokat. Elsődlegesen az autokorreláció és heteroszkedaszticitás kezelésére8 fókuszálunk, melyek a hagyományos becslési eljárást a legismertebb módon tudják torzítani.A konstans együtthatók módszerében a panel szerkezetnek nincs igazán jelentősége, miáltal egy vegyített legkisebb négyzetek alapján becsült adatbázis regresszióról van szó. Ez az alapmodell akkor állja meg a helyét, ha sem az időnek, sem pedig a keresztmetszeti különbségeknek nincs statisztikai jelentősége, és a változóink „együttesen” tekintve is magyarázóerővel bírnak egymásra nézve. Ez az a kiindulási pont, ahonnan tovább lehet lépni a becsült egyenlet és módszerek, megszorítások bonyolításával.A fixed effects modellben, ha az időbeli különbségeket elhanyagolhatónak tekintjük, és a keresztmetszeti differenciákra koncentrálunk, akkor a minta egyes egységeihez bináris (dummy) változót rendelhetünk, ami a regressziós egyenest elemenként tudja mozgatni az ordináta (függőleges) tengely mentén (drift). Mivel minden évben ugyanazt a csoport vagy elemi-üzemi hatást tételezzük fel, fix hatásnak nevezzük a módszert. Ha a függő változó első differenciáját becsülnénk a továbbiakban, akkor a fenti dummy változók kiesnének a rendszerből. Tehát „szinten” (level) becsülve a változókat még használhatjuk a fix hatásokért felelős változókat, differenciát becsülve már nincs jelentőségük. A fix hatás egyébként becsülhető az évekre is, de ekkor ezeket a keresztmetszet minden elemére változatlannak kellene feltételeznünk, amivel előzetesen is hibát követhetnénk el, mivel pl.: egy aszályos év nem sújthatja ugyanúgy az országban tevékenykedő (vagy legalábbis a FADN-ben megtalálható) összes mezőgazdasági üzemet. A helyes modell kiválasztása közben ügyeltünk arra, hogy a modellek magyarázó ereje, egyszerűsége és csak az indokolt feltételezések száma növekedjen. Mivel a keresztmetszeti fixed effects modell a teljes mintán képez dummy változókat, a modell szabadságfoka drasztikusan lecsökken, így a becslés, noha konzisztens, semmiképpen sem hatékony, és az ellenőrző 7 Az itt taglalt módszertani háttér részben Wooldridge [2002], részben az EViews ökonometriai szoftvercsomag User’s Guide-ból származik.8 Autokorreláció jelentése, hogy az idősorban komoly összefüggés van az előző időszaki érték és a prompt (jelenlegi, aktuális) érték között (pl.: árfolyam). A heteroszkedaszticitás azt jelenti, hogy a minta nem egyenlő mértékben, egyes részei erősebben, más részei gyengébben ingadoznak a minta átlaga körül.




tesztek ereje is lecsökken. Fennállhat a változók közötti multikollinearitás veszélye is, ami miatt a becslőmátrix rangja nem lenne teljes, de erről később ejtünk szót.A random effects modellben az előzőhöz hasonlóan lehet kapcsolni a hatásokat a keresztmetszeti és időbeli megfigyelésekhez, azonban az ordináta tengely metszetét nem gondoljuk egyértelműnek, hanem egy eloszlásból származóan (egy várható érték és egy hibatag segítségével) választjuk meg. Ennek feltétele azonban, hogy ez a nem megfigyelhető hatás korrelálatlan legyen a magyarázó változóinkkal, mivel csak ekkor tudjuk megfelelően beépíteni a modellünkbe. Ezt a módszert is használhatjuk időben és keresztmetszetben egyaránt, illetve együtt a kettőn (two-way random effects), mivel kiegyensúlyozott panel adatbázison dolgozunk, ami megengedi ezt a lehetőséget. Fontos megjegyezni, hogy a random effects modell autoregresszív tagokkal együtt nem becsülhető, így diszjunkt modellekként kell rájuk tekintetünk a későbbiekben az általunk választott becslési eljárásokban is.A hatás specifikációs teszt eredménye a döntő annak meghatározásában, hogy fix vagy random hatásokban érdemes gondolkoznunk. Többnyire a nem teljes populációt fedő keresztmetszeti hatásokat jobb randomként kezelni, míg a fix hatások a teljes sokaságot lefedő megfigyeléseink esetén vezetnek sikerre. Kézenfekvő még egy hosszabb időhorizonton az eredményváltozók első differenciáját (diszkrét modellben egy időszaki differenciát értünk ez alatt) vizsgálni, amit dinamikus panel modellnek is nevezünk az ökonometriában. Jelen esetben ez azt jelenti, hogy a 4 év megfigyeléseiből 3 időszaknyi különbséget tudunk képezni, és ennek összefüggéseit tudjuk vizsgálni a magyarázó változókkal. Ez a modellcsalád kapcsolódik a General Method of Moments módszerhez, és az egyszerű első differencia mellett az ortogonális eltérések modellje is vizsgálható. A kettő közötti különbség a transzformáció után feltételezett hiba eloszlásokban rejlik. Ezen modell becsléséhez instrumentumok megadása is kötelező, ami az endogenitás kezelésére feltehetően a legjobb megoldás (Two-Stage-Least-Squares-ként egyszerűbb, GMM-ként bonyolultabb formában), de erről részletesebben később beszélünk.Itt említenénk meg újra az autoregresszív magyarázó tag csatolásának és becslésének lehetőségét, amely a dinamikus modellek egy esete, mivel a függő változó előző időszaki megvalósulási értékét nem egészében, hanem csak részben veszi figyelembe. E részlegesség mértékét a modellen belül nem-lineáris módon becsülni tudjuk. Ez a modellcsalád a regressziós egyenes ordináta metszetét tologató hatásbecslésekkel nem kompatibilis. A következőkben a becslések során felmerülő problémákat és kezelésüket mutatjuk be, majd a tanulságokat leszűrve kiválasztjuk a becsülendő modelleket, amelyek értékelhetőségét fontosnak tartjuk.

3.1.4.2. AUTOKORRELÁCIÓ, ENDOGENITÁS, MULTIKOLLINEARITÁS ÉS HETEROSZKEDASZTICITÁS KEZELÉSE, ILLETVE INSTRUMENTÁLIS VÁLTOZÓK (IV) MEGVÁLASZTÁSÁNAK LEHETŐSÉGEI

Az ökonometriában ismert a hagyományos, legkisebb négyzetek módszere alapján becsült regressziós egyenlet torzítását okozó többféle tényező. Ezek közül a fejezetcímben felsoroltunk néhányat, melyek a mi esetünkben is fennállhatnak, ezért kezelésükre




figyelmet kell fordítanunk. Az alábbiakban használt néhány kifejezés definíciója a következő:

Becslési egyenlet: y = X*ß+u, ahol y: a függő, magyarázandó változó vektora, mérete: n x 1;

X: a független, magyarázó változók mátrixa, mérete: n x k; ß: a regressziós egyenes koefficiensei, mérete: k x 1; u: hiba vagy reziduális tag, nem megfigyelt hatások, mérete: n x 1.

Az autokorreláció jelenlétének jelentése az, hogy a becsült egyenletünk hibatagjai legalább első fokon (egy késleltetéssel) előző idei megvalósulásuk által nagyban magyarázottak, ami arra utal, hogy a függő változó aktuális értékének becslésekor nem szabad figyelmen kívül hagyni az előző évi értéket. Ennek jelét a Durbin-Watson statisztika mutatja, amely 0 és 4 közötti értéket vehet fel, azonban a megengedhető sáv 1,5 és 2,5 között húzódik. Ezen kívül eső értékekre már ellenőrizni érdemes egy autoregresszív tag csatolásával az egyenletünk magyarázó erejének változását, és a reziduálisokra tett normalitási feltételek teljesülését9.A regresszió analízis fundamentális feltevése, hogy a magyarázó változók és a hiba tag között nincs semmiféle korreláció. Ha ez a feltétel megsérül (és a független változóink nincsenek rosszul mérve), akkor beszélünk endogenitásról (a független változók nem eléggé függetlenek). Az endogenitás problémája legkönnyebben az instrumentális változók használatával és két-lépcsős becslési eljárással küszöbölhető ki. Az instrumentumokról később kívánunk beszélni, elöljáróban csak annyit szeretnénk leírni, hogy az IV-nek10 teljesítenie kell a következő két feltételt: (1) korreláljon a független változókkal; (2) valóban legyen független a hiba tagtól. Jelen esetben ez az előzetes „szelekciós” hatásként felfogható endogenitás probléma annyiban érinti a mintánkat, hogy nem tudhatjuk a támogatottakról, hogy milyen nettó hozzáadott értékű növekedési potenciállal rendelkeztek előzetesen, a támogatást megelőzően, így nem tudjuk elválasztani a támogatás hatását az egyéb nem megfigyelhető hatásoktól. Multikollinearitás alatt azt értjük, mikor a független változóink közötti korreláció igen magas. Ha egy változónkat át tudjuk alakítani néhány affin transzformációval, hogy felvegye egy másik változónk értékeit, akkor egzakt kollinearitásról beszélünk, és a becslésünk (koefficiens vektorunk) nem tükrözi hűen egy magyarázó változónkhoz tartozó ceteris paribus hatást, illetve nagyban megnövekedhet az együttható standard hibája, ami miatt kivehetünk olyan változót is a modellből, amire szükség lenne. Ez a veszély többnyire a túl nagy számosságú magyarázó változók megválasztásával nő, viszont a minta nagyságának növekedésével csökken, így érdemes a modellváltozóink számát kontrollálnunk, amennyire lehetséges, fundamentális érvelés alapján. Az általunk használt mintaszám elegendőnek tekinthető a multikollinearitás kivédésére, illetve a korrelációs 9 Ramsey 1969-ben bizonyította, hogy a reziduálisok várható értéke 0-tól eltérő, ha a modell rosszul specifikált. Egy általános stabilitás tesztet alkalmazott arra nézve, hogy az egyenletben minden változó a helyén, megfelelő kitevővel szerepel-e (RESET-teszt). Számunkra itt az a lényeges, hogy statisztikailag nullának tekinthető-e a hibatag várható értéke, mivel a normális eloszlás visszaellenőrzésére alkotott Jarque-Bera statisztika a keresztmetszetünk nagyságával már nem kompatibilis, és azt kell feltételeznünk, hogy a reziduumok aszimptotikusan normális eloszlásúak.10 Instrumentális változó.




mátrixot is figyelembe véve választottuk ki a lehetőleg egymástól is független változóinkat.Heteroszkedaszticitás a keresztmetszeti vagy időbeli síkon is azt jelenti, hogy adataink varianciája időben vagy térben nem állandó. A becsléseink többnyire felteszik a reziduális tagról, hogy varianciája (szórása) állandó, azonban ez a feltétel sokszor megsérülhet az adataink sokszínűsége folytán, ami bár a koefficienseket nem torzítja, a standard hibáikat már igen, így közvetve a szignifikancia szintjükre tehető megállapításainkat is. Így mindenképpen figyelembe kell vennünk az egyes változók együtthatóinak vizsgálatakor, hogy a zaj (reziduum) állandó szórással bír-e, és ha nem, akkor megfelelő módon megnöveljük a standard hibák nagyságát, így reálisabb, megbízhatóbb becsléshez jutva. Panel ökonometriában többféle súlyozási módszer és megközelítés létezik, amivel korrigálni lehet a változók hibáit. Ilyenek a keresztmetszeti vagy időbeli SUR (Seemingly Unrelated Regression) és PCSE (Panel Corrected Standard Error) robosztus hibák használata is. Instrumentális változók megválasztásának lehetőségeiről azért fontos szólnunk, mert egyrészt a fentebb említett endogenitás probléma kezelésére ez az egyik lehetőség, másrészt a becsülni kívánt modellek egy részének elengedhetetlen feltétele az instrumentum lista (pl.: General Method of Moments). A kiválasztás alapelvei közé tartozik, hogy az instrumentum:

legyen független a becslés hibatagjától; korreláljon a független változóinkkal.

Ezek alapján azok a változók, amelyek a multikollinearitás veszélye miatt kieshetnek a rendszerünkből, de a függő változóinkkal kevésbé szoros viszonyban állnak, nagy eséllyel kerülhetnek fel az instrumentum listára. Ennek eldöntésére a korábban említett korrelációs mátrixot (lásd 5. táblázat) és intuitív, fundamentális érveket használunk az egyes becslések során.

3.1.4.3. VÁLASZTOTT MODELLEK

A választott modellek az egyszerűbbtől a komplexebb irányba haladva fejlődnek. A modellek szabadságfokokkal igazított magyarázó ereje (adjusted R-squared) és a változók egyedi t-statisztikájából származtatott szignifikanciát mérő p-érték játszott főszerepet a különböző specifikációk elbírálásában egy modellcsaládon belül. Figyelemmel kísértük még az elsőrendű autokorreláció tesztjéül szolgáló Durbin-Watson statisztikák értékét is. Néhány esetben, mikor egy változóhoz kapcsolódó nullhipotézis megtartása (azaz az együttható értéke 0) is fontos eredménynek tekinthető, szándékosan szerepeltetjük a modellt - a fenti elméleti háttérre és megfontolásokra végig reflektálva. Lentebb az 1. ábra mutatja a választott modelleket és kapcsolataikat.




1. ábra: A választott modellek és kapcsolataik

Mivel három függő változót kívánunk magyarázni, a támogatások hatását ezekre minden esetben külön-külön vizsgáljuk meg. A heteroszkedaszticitás jelenlétét a keresztmetszetben látjuk erősebbnek, és a White-féle keresztmetszeti, illetve a PCSE panel korrigált keresztmetszeti robosztus hibák használatát preferáljuk a többivel szemben. A modellek bemutatása a 3.2.1 alfejezettel kezdődik.

3.2.MODELLEK ÉS EREDMÉNYEK

A kiegyensúlyozott panel elkészítése során arra törekedtünk, hogy az alábbi táblázatban (2. táblázat) felsorolt változóink minden üzemre minden évben teljesek legyenek. Így kaptuk meg azt a szűkített mintát, amely egy évben 1490 megfigyelést tartalmaz 2006 és 2009 között, összesen 5960 darabot minden változónkra.

Modell változóink

Függő változóink Független változóink

NH, Nettó hozzáadott érték – forrás: AKI kiegészítés11.

FEJTAM, Tőketartalékból fejlesztési célú, vissza nem fizetendő agrártámogatás:

11 Számítása az AKI kódjait használva a következőképpen történik: (m4280_03 -m4279_03 +m5619_06 -m5619_04 +m5849_06 -m5849_04 +m6060_06 -m6060_04 +m5349_06 -m5349_04 -




m3511

MUNKA, Éves Munkaerőegység: 2200 óra/év standardra vetített munkateljesítmény

AKG, Agrár-környezetgazdálkodási támogatás (növénytermesztés): m7049_08

TERM, Munkatermelékenységi mutató, a két fenti változó hányadosából képeztük: NH/MUNKA

SAPS, SAPS támogatás: m7049_04

TOTALTAM, Visszafizetési kötelezettség nélküli közvetlen támogatások összesen12: m4221, 7219

TARSAS, Társas vagy egyéni gazdaság: dummy változó (1/0), forrás: AKI kiegészítés

EUME, a gazdaság európai méretegységben kifejezett standard fedezeti hozzájárulása (forrás: AKI)

BERUHAZAS, adott évben történt összes bruttó beruházás mértéke, forrás: AKI kiegészítés

TARGYI, adott évhez tartozó tárgyi eszköz állomány nagysága: m5079_03

2. táblázat: A modellek változói

A modellek kiépítése a Quantitative Micro Software által készített EViews nevű alkalmazásban történt, ami a legmodernebb statisztikai és ökonometriai elméleti módszerek gyakorlati alkalmazását tette lehetővé, a 3.1.4.1. alfejezetben bemutatottak mentén. Az alaphipotézis minden esetben a magyarázó változók együtthatóinak jelentéktelensége volt, amivel szemben az alternatív hipotézist 5%-os szignifikancia szint mellett fogadtuk el. A 3. táblázat és a 4. táblázat a változóink leíró statisztikáit mutatja két részletben. Az 5. táblázat a változóink közötti korrelációt mutatja táblázatos formában. A 6. táblázat a beruházási és a terület alapú támogatások megoszlását mutatja a mintában évről évre.

m4115_03 -m4281_03 -m4285_03 -m4287_03 -m4288_03 -m4291_03 -m4295_03 -m4301_03 -m4305_03 -m4311_03 -m4315_03 -m4321_03 -m4325_03 -m4331_03 -m4335_03 -m4345_03), aminek jelentése: Bevételek mindösszesen + Gyepgazdálkodás + Állati termékek + Zöldségek + Állatok - Eladott áruk beszerzési értéke - Vetőmag - Műtrágya - Növény védőszerek - Egyéb anyagköltség - Állatvásárlás - Abrak költségek - Egyéb állattenyésztési anyag költségek.12 Minden közvetlen támogatás, a beruházási támogatások ezért nincsenek beszámítva, viszont a kamattámogatások, kártérítések is ide tartoznak.




3. táblázat: A változóink leíró statisztikája (eFt, kivéve az Éves Munkaerőegységet, és Termelékenységet)

4. táblázat: A változóink leíró statisztikája (folytatás, eFt kivéve az Európai Méretegységet)

Amint azt a 3. táblázat és 4. táblázat is mutatja, noha a négy évet egyben kezelve nem egyszerű értelmezést adni az átlagnak, úgy tekinthetjük, hogy minden üzem négy megfigyeléssel (négy év) járult hozzá az átlag kiszámításához, azaz ezek most az éves átlagok átlagai. A nettó hozzáadott érték esetében ez 25,8 millió forintot jelent, munkakapacitás tekintetében 5,4 ÉME-t (3. táblázat). Ennek megfelelően az átlagos termelékenység ÉMÉ-nként 5,7 millió forint. Azonban figyelemreméltó, hogy a termelékenységi mutató extrém értékekkel bír (maximum és minimum értékek egyaránt kiugróak). A torzítatlan becslés érdekében a termelékenység abszolút értékben 100.000-et meghaladó értékeit nem vettük figyelembe, mivel nagyon eltolta volna a mintánk értelmezhetőségét. Az átlagos AKG támogatás 1,7 millió forint volt (3. táblázat), míg SAPS-ból ugyanez 6,5 millió forintra rúg. Fejlesztési támogatást átlagosan 7,1 millió forintot kaptak az üzemek (4. táblázat).Az átlagos üzemméret 85,9 EUME (4. táblázat), azonban a mediánt érdemes itt figyelnünk (27,56), mivel ez az a középső üzemméret, ami alatt és felett az üzemek 50-50%-a elhelyezkedik. Mindez rávilágít a hazai birtokszerkezet duális jellegére: a kevés számú nagybirtok jelentősen emeli az átlagos birtokméretet, a jelentős számú „törpebirtok” rovására. Látszik, hogy csak a 2 EUME feletti gazdaságok kerültek be a FADN-be (lásd 2. lábjegyzet), a minimum érték 2,01 (4. táblázat).


Leíró statisztika NH MUNKA TERM AKG BERUHAZASÁtlag 25 822,73 5,40 5 702,25 1 721,97 17 864,50

Medián 6 543 1,68 3 758,56 - 900,00 Maximum 1 842 626 433,86 209 937,70 136 691,50 6 095 854 Minimum 553 050 - 0,01 123 722,50 - - -

Szórás 81 342,02 16,67 8 829,76 7 424,33 129 161,10 Ferdeség 9,26 12,72 6,25 9,63 33,72

Csúcsosság 136,88 261,94 121,73 124,46 1 432,04

Megfigyelések 5 960 5 960 5 960 5 960 5 960

Leíró statisztika EUME FEJTAM SAPS TARGYI TARSAS TOTALTAMÁtlag 85,90 7 183,06 6 558,07 77 122,81 0,18 13 747,22

Medián 27,56 - 1 981,56 30 793,00 - 3 729,15 Maximum 8 391,04 1 538 276 491 400,60 7 748 015,00 1,00 1 094 411,00

Minimum 2,01 - - - - - Szórás 271,27 38 987,34 17 408,88 221 305,10 0,39 40 832,39

Ferdeség 15,13 17,08 9,10 20,08 1,65 11,62 Csúcsosság 367,20 484,99 154,61 600,67 3,73 232,82

Megfigyelések 5 960 5 960 5 960 5 960 5 960 5 960



5. táblázat: Korrelációs együtthatók mátrixa

A fenti 5. táblázat alapján erős a korreláció a nettó hozzáadott érték (NH) és az éves munkaerőegység (MUNKA) között (0,88), valamint a támogatások illetve az EUME és a nettó hozzáadott érték között. Nyilvánvaló korreláció van a TOTALTAM és AKG, valamint SAPS között. A tárgyi eszköz állomány és EUME erős pozitív összefüggést mutatnak, de az EUME meglepő módon az ÉME és a TOTALTAM változóinkkal van közel lineáris viszonyban (0,94-es érték). Ez a táblázatunk a későbbiekben hasznosnak bizonyul az instrumentumok kiválasztásában, a multikollinearitás megértésében és a modellek értelmezéseiben.

6. táblázat: Támogatások megoszlása

A 6. táblázaton látszik, hogy az évek során az általunk kiemelt beruházási típusú és agrár-környezetgazdálkodási területalapú támogatásokból számszerűen hányan részesültek, vagyis kiket tekinthetünk támogatottaknak, és kiket kontrollcsoportnak a FADN adatbázisában. Nem jelöltük itt a SAPS támogatást élvezők arányát. Egészen a 2009-es évig kiegyensúlyozottnak tekinthetjük a mintát, azonban 2009-ben közel 200-al nőtt a támogatottak száma. Mivel mi végig az előző időszaki támogatások hatását vizsgáljuk, a 2009-es támogatások a mi szempontunkból irrelevánsak. Azonban később – egy ex-post elemzés keretében – fontos figyelemmel követni a FADN-en belüli támogatottsági arányok eltolódását, és ennek hatásait egy panel ökonometriai elemzésre.Miután megvizsgáltuk a változóink leíró statisztikáit, a 3.1.4.3 alfejezetben tisztázottak alapján és az 1. ábra mentén bemutatjuk a fejlesztett modelleket a támogatások vizsgálatára.

3.2.1. PANEL LEAST SQUARES

Az első modellünk a legegyszerűbb, négy év adatait és keresztmetszeti mintáját egyben kezelő Panel Least Squares modell. Ebből az alapmodellből indulunk ki az együtthatók vizsgálatánál, és a következő modellek fejlesztésénél. A modelljeinkben az előző időszaki fejlesztési támogatások (FEJTAM(-1)) és az agrár-környezetgazdálkodási (AKG(-1))


Korrelációs együtthatók NH MUNKA TERM AKG BERUHAZAS EUME FEJTAM SAPS TARGYI TARSAS TOTALTAMNH 1,00 0,86 0,12 0,63 0,64 0,86 0,55 0,81 0,78 0,41 0,87 MUNKA 0,86 1,00 0,03 - 0,66 0,77 0,94 0,59 0,79 0,85 0,43 0,90 TERM 0,12 0,03 - 1,00 0,02 0,00 0,02 0,01 0,05 0,03 0,03 - 0,04 AKG 0,63 0,66 0,02 1,00 0,54 0,65 0,42 0,64 0,63 0,30 0,76 BERUHAZAS 0,64 0,77 0,00 0,54 1,00 0,82 0,56 0,60 0,87 0,21 0,73 EUME 0,86 0,94 0,02 0,65 0,82 1,00 0,64 0,85 0,91 0,40 0,94 FEJTAM 0,55 0,59 0,01 0,42 0,56 0,64 1,00 0,64 0,72 0,25 0,63 SAPS 0,81 0,79 0,05 0,64 0,60 0,85 0,64 1,00 0,77 0,44 0,93 TARGYI 0,78 0,85 0,03 0,63 0,87 0,91 0,72 0,77 1,00 0,31 0,86 TARSAS 0,41 0,43 0,03 - 0,30 0,21 0,40 0,25 0,44 0,31 1,00 0,43 TOTALTAM 0,87 0,90 0,04 0,76 0,73 0,94 0,63 0,93 0,86 0,43 1,00

Támogatások megoszlása (db) 2006. 2007. 2008. 2009.

Nem kapott. 807 754 758 586Csak beruházási támogatást kapott. 263 262 256 433Csak akg támogatást kapott. 298 305 316 186Mindkettőt kapott. 122 169 160 285Összesen: 1490 1490 1490 1490



területalapú támogatások hatásait keressük, miközben kontrollálunk13 a gazdaságok méretére (EUME), jogi jellegére (TARSAS) és a SAPS területalapú támogatásokra (SAPS(-1)).

2. ábra: Panel Least Squares becslés - NH

A nettó hozzáadott értéket vizsgáló Panel Least Squares modellt a 2. ábra mutatja. A támogatásokat (FEJTAM, AKG, SAPS) együtt jelenítjük meg, ezzel próbálva meg kiszűrni azt, hogy tévesen csak valamelyiknek tulajdonítsunk hatást. Az ábrán pirossal kiemeltük a p-értékeket, hogy megmutassuk, hogy a beruházási támogatások hatása nem szignifikáns a modellben (a p-érték 57,5%, ami az 5%-os határt messze meghaladja)14. Ilyen esetben az irányt (előjelet) sem tekintjük mérvadónak, mivel statisztikailag az együtthatót nullának kell tekintenünk. A szabadságfokokkal igazított R-négyzet15 szerint a független változóink a függő változó alakulását 75%-ban magyarázzák. Egészében a modell nem elvethető, ahogy az F-statisztika értéke és a valószínűsége is mutatja16, az EUME és az előző időszaki SAPS támogatás erősen szignifikáns együtthatói közelítően jól magyarázzák a nettó hozzáadott értéket. A következő módon interpretálhatjuk a szignifikáns koefficienseink (EUME, SAPS(-1)) értékét:13 A kontrollálni kifejezés az ökonometriában azt jelenti, hogy a modellben azért szerepeltetjük az adott változót, mert nem szeretnénk, hogy a neki tulajdonítható hatásokat más magyarázó változónak tulajdonítsuk tévesen. Például, ha az EUME és a FEJTAM korrelálnak, akkor, ha az EUME-t kihagyjuk a modellből, tévesen megnőhet a FEJTAM együtthatója vagy magyarázóereje.14 Ez egyébként az elsőfajú hiba valószínűsége, ami azt jelenti, hogy ekkora valószínűséggel követünk el hibát, ha elvetjük a nullhipotézist, holott az igaz; jelen esetben a fejlesztési támogatások együtthatójának inszignifikanciáját.15 Adjusted R-squared: 74,9%, az ábrán kiemelve vastagon.16 A F-próba a modellek változóinak inszignifikanciáját egyben teszteli, a nullhipotézise szerint minden változó együtthatója 0. A Prob(F-statistic) mutatja az elsőfajú hiba valószínűségét, ha elvetjük a nullhipotézist, holott az igaz. Jelen esetben ez 0%.


Dependent Variable: NHMethod: Panel Least SquaresDate: 10/28/10 Time: 15:41Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470White cross-section standard errors & covariance (d.f. corrected)

Variable Coefficient Std. Error t-Statistic Prob.

C -152.4336 286.8561 -0.531394 0.5952EUME 167.0507 12.26115 13.62440 0.0000TARSAS 8937.271 7509.381 1.190148 0.2341

FEJTAM(-1) -0.101006 0.180538 -0.559474 0.5759AKG(-1) 0.536584 0.313367 1.712317 0.0869SAPS(-1) 1.788203 0.670806 2.665754 0.0077

R-squared 0.749527 Mean dependent var 26925.27Adjusted R-squared 0.749246 S.D. dependent var 84920.24S.E. of regression 42524.06 Akaike info criterion 24.15487

Sum squared resid 8.07E+12 Schwarz criterion 24.16347Log likelihood -53980.13 F-statistic 2671.656

Durbin-Watson stat 1.878319 Prob(F-statistic) 0.000000



1 EUME-vel magasabb standard fedezeti hozzájárulás ceteris paribus (minden más változatlansága mellett) 167 ezer Ft-nyi nettó hozzáadott érték növekedést jelent a modell tanúsága szerint.

1000 Ft SAPS támogatás 1788 Ft formájában képes tükröződni átlagosan a nettó hozzáadott értékben minden egyéb változót ugyanazon a szinten tartva.

Mivel a támogatásoknál a hozzáadott értéket megelőző időszak értékeit vesszük figyelembe, a mintánk igazításra szorul, például 2007-es hozzáadott értéket tudunk vizsgálni a 2006-os támogatások adataival. Így elveszítjük a 2006-os hozzáadott érték információt, és a 2009-es támogatási információt, de ezeket nem tudnánk konzisztensen elemezni, mivel nincs 2005-ös támogatásunk illetve 2010 hozzáadott értékünk. Ez azonban természetes, hiszen legfeljebb az előző évi támogatásoknak lehet hatása a nettó hozzáadott értékre, sőt voltaképpen a beruházási támogatások két évvel megelőző értékét is figyelembe vehetnénk. A specifikációk között futtattunk ilyen modellt is, de kevésbé szignifikáns eredményekre jutottunk.A keresztmetszeti heteroszkedaszticitás jelenléte miatt (4. ábra) miatt White-féle hibákat használtunk.A következőkben a foglalkoztatási hatást vizsgáló modellt elemezzük.

3. ábra: Panel Least Squares - MUNKA

A foglalkoztatási hatást mérő egyszerű Panel Least Squares becslést a 3. ábra mutatja. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk. Láthatjuk, hogy a FEJTAM(-1)-hez tartozó p-érték (0,0674) az 5%-os szignifikancia küszöb felett található, azaz a beruházási támogatások hatását nem tekinthetjük szignifikánsnak.


Dependent Variable: MUNKAMethod: Panel Least SquaresDate: 10/28/10 Time: 15:43Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470White cross-section standard errors & covariance (d.f. corrected)


C 0.120974 0.072718 1.663610 0.0963EUME 0.052859 0.002014 26.24444 0.0000TARSAS 2.608178 0.082729 31.52681 0.0000

FEJTAM(-1) -2.18E-05 1.19E-05 -1.829279 0.0674AKG(-1) 0.000162 7.04E-06 22.98890 0.0000SAPS(-1) -1.98E-05 2.56E-05 -0.775802 0.4379


Sum squared resid 128277.3 Schwarz criterion 6.205965Log likelihood -13845.12 F-statistic 7382.389




A pirossal kiemelt Durbin-Watson statisztika értéke hamis regresszióra utal, ami miatt ezt a specifikációt magas magyarázóereje ellenére nem értékeljük. (3. ábra)

4. ábra: Standardizált reziduálisok ábrája (Panel Least Squares, MUNKA)

A 4. ábra mutatja a 3. ábra egyenletének hibatagját (lásd: 3.1.4.2 alfejezet). Előfordulnak magyarázat nélkül maradt kilógó értékek, és nem mondható el az egyenletes szóródás sem (lásd: heteroszkedaszticitás).Térjünk át a harmadik függő változónk, a termelékenység vizsgálatára.

5. ábra: Panel Least Squares – TERM

Az 5. ábra mutatja a termelékenység egyszerű Panel Least Squares becslését. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az


-80

-40

0

40

80

120

-80

-40

0

40

80

120

500 1500 2500 3500 4500 5500

Standardized Residuals

Dependent Variable: TERMMethod: Panel Least SquaresDate: 10/28/10 Time: 15:46Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470White cross-section standard errors & covariance (d.f. corrected)


C 5957.392 387.8274 15.36094 0.0000EUME -4.469676 0.632139 -7.070716 0.0000TARSAS -1967.600 436.3966 -4.508743 0.0000

FEJTAM(-1) 0.007067 0.006130 1.152747 0.2491AKG(-1) -0.012111 0.012828 -0.944122 0.3452SAPS(-1) 0.128393 0.027596 4.652557 0.0000






értelmezésével a modellről döntünk. A támogatások hatása nem szignifikáns (a p-értékek magasan 5% felett találhatóak a támogatások sorain), a regresszió kifejezetten rosszul sikerült, szinte 0 magyarázóerővel (adjusted R-squared) és alacsony Durbin-Watson statisztikával (1,083). Emiatt a modell további értelmezése nem javasolt.

3.2.2. FIXED EFFECTS

A Panel Least Squares modellt követően megvizsgáljuk a fix hatások modelljét, amiben mind keresztmetszeti, mind periódusra jellemző dummy (bináris) változókat illesztünk az egyetlenbe. Ezáltal a modell szabadságfoka erősen lecsökken, ami az ezt a tényt is figyelembe vevő teszteket, mutatókat erősen torzíthatja. Először a nettó hozzáadott értéket, majd a foglalkoztatási kapacitást és végül a termelékenységet vizsgáljuk.

6. ábra: Fixed Effects (LS) – NH

A 6. ábra mutatja a nettó hozzáadott érték Fixed Effects modelljét. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk. A támogatások hatása ebben a modellben kevésbé kimutatható, mint korábban (2. ábra), noha a modell magyarázó ereje nőtt a keresztmetszeti és periódus dummyk használatának hatására (adjusted R-squared: 81,7%). Azonban a Durbin-Watson (továbbiakban DW) statisztika 4-hez közeli értéke a becslés helyességét erősen kétségbe vonja, és az EUME szignifikanciája is eltűnt (p-érték: 0,34), ezért további következtetéseket nem vonnánk le ebből a modellből. További specifikációk vizsgálatára van szükség.A következőkben ugyanezt a modellt a munkakapacitásra nézzük meg.


Dependent Variable: NHMethod: Panel Least SquaresDate: 10/28/10 Time: 16:17Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470White cross-section standard errors & covariance (d.f. corrected)


C 28275.96 5098.963 5.545433 0.0000EUME -31.08620 32.95226 -0.943371 0.3456TARSAS 42014.18 21442.25 1.959411 0.0502

FEJTAM(-1) 0.230396 0.182057 1.265514 0.2058AKG(-1) -0.201308 0.782094 -0.257396 0.7969SAPS(-1) -1.205437 1.850305 -0.651480 0.5148

Effects Specification

Cross-section fixed (dummy variables)Period fixed (dummy variables)






7. ábra: Fixed Effects (LS) – MUNKA

A foglalkoztatási hatást mérő egyszerű Fixed Effects becslést a 7. ábra mutatja. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.Kevésbé mutatható ki a támogatások hatása, mint a Panel Least Squares becslésben (3.ábra), viszont a modell magyarázó ereje nagyon megnőtt (adjusted R-squared 98,5%). Ez azonban szinte teljes mértékben a fix hatások használatának tudható be, a többi regresszor kisebb mértékben járul hozzá a magyarázathoz (az F-statisztika értéke: 205,02, ami, bár szignifikáns, nem mondható kiugrónak). A modell jelzés értékűnek tekinthető abból a szempontból, hogy bár az AKG(-1) a lehető legkevésbé mozog együtt a modellel (p-érték 99,9%!) a fix hatások miatt, az EUME és a SAPS továbbra is az 5%-os szignifikancia küszöb alatt találhatóak. Ez azt jelenti számunkra, hogy valóban indokolt kontrollálnunk ezekre a változókra a támogatások magyarázata közben.Térjünk át a harmadik függő változónk, a munkatermelékenység vizsgálatára.


Dependent Variable: MUNKAMethod: Panel Least SquaresDate: 10/28/10 Time: 16:22Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470White cross-section standard errors & covariance (d.f. corrected)


C 3.562768 0.943272 3.777032 0.0002EUME 0.025758 0.010742 2.397777 0.0166TARSAS 0.351817 0.479737 0.733354 0.4634

FEJTAM(-1) -1.36E-05 7.95E-06 -1.714490 0.0865AKG(-1) 3.63E-08 2.94E-05 0.001235 0.9990SAPS(-1) -9.07E-05 3.89E-05 -2.333133 0.0197








8. ábra: Fixed Effects (LS) – TERM

A 8. ábra mutatja a munkatermelékenység Fixed Effects modelljét. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.Noha a magyarázó erő (adjusted R-squared) nőtt a Panel Least Squares (5. ábra) becsléshez képest (0,46 szemben a 0,01-el), a támogatások hatását nem tudjuk kimutatni benne (p-értékek 5% felett állnak a vonatkozó sorokban, pirossal megjelölve), és a DW statisztika is átlépi azt a határt17, aminél érdemes elgondolkozni a specifikáció helyességén. Sajnos az idáig szignifikáns EUME és SAPS változónk kirívó mértékű jelentéktelenséget mutat (p-értékek 90% felett!), ami további kérdéseket vet fel a modell sikerével kapcsolatban.További becslési eljárások tesztelése mellett döntünk, a következő modellünk a panel ökonometriában jól ismert random effects specifikációk családja.

3.2.3. RANDOM EFFECTS

A Fixed Effects modell után a konstansra a keresztmetszeten egy eloszlásból veszünk mintát, ahogy a random effects becslés módszere szerint történik. Itt már a hagyományos legkisebb négyzetek módszerének becslőmátrixa apróbb változtatásokon megy keresztül, így általánosítottan kell becsülnünk a modellt (GLS). Emiatt a White-féle heteroszkedaszticitás-konzisztens robosztus hibák helyett áttérünk - a Generalized LS becslések során - a PCSE (Panel corrected standard errors) hibák használatára. Ezek a struktúrák a változóink együtthatóit nem, csupán a standard hibáikat érintik, amikből a t-statisztikák és szignifikancia szintek számolódnak. A modelljeink kevésbé megbízhatóak lennének, ha nem korrigálnák ilyen módon a hibákat, hiszen akkor olyan változónk is jelentős szerephez jutna, ami egyébiránt nem indokolt.

17 Korábban már megállapítottuk, hogy a DW-statisztika 0 és 4 közötti lehetséges értékeiből a [1,5;2,5] sáv az, amiben maradva elfogadhatónak tartjuk a modellt.


Dependent Variable: TERMMethod: Panel Least SquaresDate: 10/28/10 Time: 16:30Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470White cross-section standard errors & covariance (d.f. corrected)


C 5045.561 350.8659 14.38031 0.0000EUME 0.223192 2.414024 0.092456 0.9263TARSAS 4826.766 1207.552 3.997149 0.0001

FEJTAM(-1) 0.002670 0.002241 1.190958 0.2338AKG(-1) -0.010428 0.012675 -0.822719 0.4107SAPS(-1) 0.002697 0.034410 0.078379 0.9375








Első random effects modellünket a nettó hozzáadott érték vizsgálatára készítettük.

9. ábra: Random Effects (GLS) – NH

A nettó hozzáadott érték random effects modelljét mutatja a 9. ábra. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.A támogatások hatása jelentéktelen, amint azt a pirossal kiemelt p-értékek is jelzik (0,77 és 0,37). Így az együtthatók előjelét sem vesszük figyelembe, mivel statisztikailag nulla értéket vesznek fel. A modell magyarázó ereje (Weighted statistics, adjusted R-squared: 67,2%) alacsonyabb, mint a fix hatás modellben (6. ábra). Ezen felül a panel szintű varianciából az egyedi, idioszinkratikus hibák többet magyaráznak (cross-section random S.D/Rho: 20%), így ebben az esetben a random és a fixed effects modell közül érdemesebb inkább a fix hatás modelleket becsülni. Mivel azonban a fix hatás modell nem hozott jó eredményt, más modellt fogunk vizsgálni a nettó hozzáadott értékre a későbbiekben. Az látszik azonban, hogy a méret (EUME), az üzemek egyéni vagy társas gazdaság mivolta (TARSAS) és a SAPS rendelkezik magyarázóerővel a nettó hozzáadott érték esetében az eddigi modelljeinkben, így ezek kontrolláló funkcióját fontos megőriznünk.Nézzük meg most a foglalkoztatási kapacitást vizsgáló random effects modellt.


Dependent Variable: NHMethod: Panel EGLS (Cross-section random effects)Date: 10/28/10 Time: 17:38Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Swamy and Arora estimator of component variancesCross-section weights (PCSE) standard errors & covariance (d.f. corrected)


C 113.6427 778.5234 0.145972 0.8840EUME 170.7931 32.43280 5.266060 0.0000TARSAS 10671.21 4838.433 2.205509 0.0275

FEJTAM(-1) -0.046229 0.165196 -0.279846 0.7796AKG(-1) 0.547352 0.617114 0.886953 0.3752SAPS(-1) 1.584974 0.451024 3.514169 0.0004


Cross-section random S.D. / Rho 18875.94 0.2094Idiosyncratic random S.D. / Rho 36674.44 0.7906

Weighted Statistics

R-squared 0.673033 Mean dependent var 20098.44Adjusted R-squared 0.672666 S.D. dependent var 66500.92S.E. of regression 38047.22 Sum squared resid 6.46E+12

F-statistic 1837.748 Durbin-Watson stat 2.333281Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.749069 Mean dependent var 26925.27Sum squared resid 8.09E+12 Durbin-Watson stat 1.864447



10. ábra: Random Effects (GLS) – MUNKA

A 10. ábra mutatja a MUNKA változóra végzett Random Effects becslést. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk. A modellben a random hatások érvényesülnek (cross-section random S.D /Rho: 86%), viszont a támogatások nem. Figyelemre méltó, hogy a SAPS támogatás sem bír jelentős hatással a modell kereteiben. A magyarázó erő (weighted adjusted R-squared: 0,73) is gyengébb a súlyozatlan változatnál (0,88), a keresztmetszeti „nem megfigyelt” hatások becslésére használt módszerekkel a támogatások hatását láthatóan nem tudjuk kimutatni, más becslésekre van szükség.Térjünk át a harmadik függő változó, a termelékenység random effects modellben történő vizsgálatára.


Dependent Variable: MUNKAMethod: Panel EGLS (Cross-section random effects)Date: 10/28/10 Time: 17:40Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Swamy and Arora estimator of component variancesCross-section weights (PCSE) standard errors & covariance (d.f. corrected)


C 0.295790 0.186734 1.584016 0.1133EUME 0.048601 0.005352 9.080574 0.0000TARSAS 3.720383 1.163533 3.197488 0.0014

FEJTAM(-1) -9.93E-06 1.90E-05 -0.523925 0.6004AKG(-1) 8.38E-05 6.79E-05 1.233409 0.2175SAPS(-1) -6.31E-06 4.91E-05 -0.128444 0.8978



Weighted Statistics

R-squared 0.730970 Mean dependent var 1.188314Adjusted R-squared 0.730669 S.D. dependent var 4.023867S.E. of regression 2.088271 Sum squared resid 19466.95



R-squared 0.886632 Mean dependent var 5.314208Sum squared resid 134791.8 Durbin-Watson stat 0.248207



11. ábra: Random Effects (GLS) – TERM

A 11. ábra által bemutatott termelékenységi random effects modellünk annyira rossz, hogy nem is érdemes vele foglalkozni, mivel változóink gyakorlatilag nem magyaráznak semmit a termelékenységi mutatóból. Hiába szignifikáns minden más a támogatásokon kívül (lásd a p-értékeket), kifejezetten gyenge a modellünk (adjusted R-squared nem éri el az 1%-ot). Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk. Más, hatékonyabb specifikációra van szükség, ez a módszer nem vezetett eredményre.

3.2.4. GENERALIZED LEAST SQUARES

Már a random effects modellnél eltértünk a hagyományos OLS becslőmátrixától (kiegészítve azt), azonban ennél komolyabb eltéréseket is érdemes megvizsgálnunk. Súlyozhatunk például keresztmetszeti módon a Generalized Least Squares (Általánosított legkisebb négyzetek módszere) modellcsalád segítségével. Innentől kezdve végig PCSE hibákat használunk a standard hibák pontosítása végett.Az első modellünk a nettó hozzáadott értéket jellemzi GLS Cross-section weights becsléssel.


Dependent Variable: TERMMethod: Panel EGLS (Cross-section random effects)Date: 10/28/10 Time: 17:41Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Swamy and Arora estimator of component variancesCross-section weights (PCSE) standard errors & covariance (d.f. corrected)


C 5998.240 191.8493 31.26538 0.0000EUME -2.321540 0.784040 -2.960995 0.0031TARSAS -1727.471 421.4376 -4.098995 0.0000

FEJTAM(-1) 0.004310 0.004598 0.937459 0.3486AKG(-1) -0.007819 0.016627 -0.470250 0.6382SAPS(-1) 0.081589 0.015363 5.310749 0.0000



Weighted Statistics







12. ábra: GLS – NH

A nettó hozzáadott értéket nagyon jól és szignifikánsan magyarázó keresztmetszeti súlymátrixszal becsült GLS modellünkben (12. ábra) az előző időszaki beruházási támogatások enyhén csökkentik az üzemek időszaki hozzáadott értékét. Ezt a hatást a 3.1.2 alfejezetben taglaltaknak tulajdonítjuk, miszerint a beruházások az első két évben még akár eredménycsökkentő hatással is bírhatnak.A SAPS és EUME együtthatói konzisztensek a korábban becsültekkel (lásd 2. ábra és 9.ábra), nem térnek el nagymértékben, így a multikollinearitás gyanúja nem merül fel18, ezekre a változókra szükség van a modellben. Az egyetlen negatívum a DW-statisztika kettőnél alacsonyabb értéke, ami miatt meg kell vizsgálnunk majd egy AR(1) tag jelenlétének hatásait is19.Egyébként a modell ez idáig a legjobbnak tekinthető, minden változónk magyarázó erővel bír. Nézzük meg ugyanezt a specifikációt a munkakapacitásra futtatva.

18 Akkor szokás gyanakodni szorosan összefüggő változókra (multikollinearitás) egy modellben, ha a becslések során az együtthatók értéke indokolatlanul nagyot változik. 19 A 0 közeli DW-statisztika elsőrendű pozitív autokorrelációra utal, ami a hibatagok előző időszaki értékei és aktuális időszaki értékei közötti korrelációban tesztelhető. Ilyenkor érdemes a függő változó egy időszakkal késleltetett értékeit szerepeltetni a modellben magyarázó változóként.


Dependent Variable: NHMethod: Panel EGLS (Cross-section weights)Date: 10/28/10 Time: 17:51Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Linear estimation after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)


C -273.8373 34.83206 -7.861645 0.0000EUME 172.0687 3.898889 44.13276 0.0000

TARSAS 6156.945 490.9773 12.54018 0.0000FEJTAM(-1) -0.095217 0.016024 -5.942241 0.0000

AKG(-1) 0.902579 0.064433 14.00806 0.0000SAPS(-1) 1.570136 0.046140 34.02998 0.0000

Weighted Statistics







13. ábra: GLS – MUNKA

A 13. ábra mutatja a GLS specifikációt a MUNKA változóra. Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.A nettó hozzáadott értékre adott jellemzés nagy része (12. ábra) igaznak tűnik a munkateljesítményre nézve is, azzal a kitétellel, hogy jelen esetben az autokorreláció jelenléte még erősebb (DW-stat: 0,61), így ezt a modellt is meg kell vizsgálnunk egy autoregresszív tag hozzáadásával később. Jelen esetben nem fejtegetnénk tovább az együtthatók nagyságának elemzését, megvárnánk ezzel az AR modellt.Térjünk át a termelékenység általánosított legkisebb négyzetek módszerével történő elemzésére.


Dependent Variable: MUNKAMethod: Panel EGLS (Cross-section weights)Date: 10/28/10 Time: 17:54Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Linear estimation after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)


C 0.168956 0.005165 32.71011 0.0000EUME 0.051366 0.000433 118.6193 0.0000

TARSAS 2.393759 0.061350 39.01800 0.0000FEJTAM(-1) -1.30E-05 1.83E-06 -7.124700 0.0000

AKG(-1) 0.000153 8.39E-06 18.17051 0.0000SAPS(-1) -4.10E-05 4.89E-06 -8.389202 0.0000

Weighted Statistics

R-squared 0.943630 Mean dependent var 17.41337Adjusted R-squared 0.943567 S.D. dependent var 22.08817S.E. of regression 5.247193 Sum squared resid 122907.5






14. ábra: GLS – TERM

A keresztmetszeti súlyokkal ellátott GLS modell (14. ábra) jóval szignifikánsabb eredményt hozott a termelékenységre nézve, viszont egyedül a beruházási támogatások hatását nem lehet kimutatni a modellből (p-érték: 40%). Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.A DW-statisztikák (mind a súlyozott - weighted, mind a súlyozatlan - unweighted esetben: 1,21 és 1,07) autokorrelációra utalnak a reziduálisokban (lásd 19. lábjegyzet), így ezt a modellt sem tekinthetjük még véglegesnek a munkakapacitásra vonatkozóhoz. Annyit kiemelhetünk, hogy az AKG hatása a termelékenységre előreláthatóan enyhén negatív lesz (-0,03-as együttható érték).

3.2.5. TWO-STAGE LEAST SQUARES (IV)Az ökonometriai modelleket bemutató fejezetben (3.1.4.1 alfejezet) beszéltünk arról, hogy lehetőségünk van instrumentális változók használatára, ha az endogenitás20 elméleti lehetőségét nem tudjuk kizárni. Jelen esetben több változó kipróbálása után a BERUHAZAS és TOTALTAM változókra esett a választásunk instrumentumokként. Fontos kiemelni, hogy technikailag nem lehet több magyarázó, mint instrumentális változónk, ezért a beruházási támogatás hatását vizsgáljuk meg. A becslés itt két egyenletből áll, ahogy a név is utal rá, 20 Emlékeztetőül az endogenitásról: a független változók és a hibatag függetlenségére tett feltétel megsérülésekor beszélünk róla, és legegyszerűbb kiküszöbölési módja az instrumentális változók használata.


Dependent Variable: TERMMethod: Panel EGLS (Cross-section weights)Date: 10/28/10 Time: 17:54Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Linear estimation after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)


C 5424.424 124.5601 43.54867 0.0000EUME -3.557476 0.361118 -9.851293 0.0000

TARSAS -2134.163 151.5338 -14.08374 0.0000FEJTAM(-1) 0.002111 0.002537 0.832068 0.4054

AKG(-1) -0.036534 0.008340 -4.380731 0.0000SAPS(-1) 0.131089 0.007059 18.56989 0.0000

Weighted Statistics







de csak a második, támogatási regresszort tartalmazó modell eredményeit közöljük. Első becslésünk a nettó hozzáadott értékre vonatkozó elemzés.

15. ábra: 2SLS – NH

A 3.2.4 alfejezetben bemutatott GLS modelleket egy lépéssel próbáltuk tovább fejleszteni azzal, hogy két instrumentumot is beletettünk a modellbe (15. ábra). Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.Sajnos a kísérlet a nettó hozzáadott értékre nem hozott jobb eredményt (adjusted R-squared 69%, szemben a korábbi 93%-al), a beruházási támogatások pedig továbbra is inszignifikánsak a modellben. A Durbin-Watson statisztika miatt (1,21) egyébként is érdemes elgondolkodnunk az AR(1)-el kiegészített specifikáción. A méretre az EUME-n keresztül továbbra is kontrollálunk, ami azért fontos, hogy ne tulajdonítsunk tévesen valamilyen hatást a támogatásoknak, ami nem tartozik szorosan hozzájuk.A munkateljesítmény elemzésével folytatjuk a 2SLS modellek vizsgálatát.


Dependent Variable: NHMethod: Panel Two-Stage EGLS (Cross-section weights)Date: 10/29/10 Time: 19:23Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Linear estimation after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Instrument list: C BERUHAZAS TOTALTAM


C -1075.551 417.5404 -2.575921 0.0100EUME 495.5668 98.04442 5.054513 0.0000FEJTAM(-1) -2.923156 4.315069 -0.677430 0.4982

Weighted Statistics

R-squared 0.689470 Mean dependent var 133585.3Adjusted R-squared 0.689331 S.D. dependent var 202612.0S.E. of regression 112931.1 Sum squared resid 5.70E+13Durbin-Watson stat 1.218853 J-statistic 1.21E-25Instrument rank 3.000000





16. ábra: 2SLS – MUNKA

A munkakapacitásra megvizsgálva a két lépcsős, instrumentumokat is tartalmazó modellt a beruházási támogatások hatása továbbra is lényegtelen marad (16.ábra). Vastagon szedve és pirossal kiemelve láthatóak azok a sorok az ábrán, amelyeknek az értelmezésével a modellről döntünk.A DW-statisztika (0,53) itt is egyértelmű reziduális autokorrelációt mutat, így érdemes AR(1) taggal együtt becsülni a modellt, és az értelmezést arra megadni. A termelékenység vizsgálatával folytatjuk az elemzést.

17. ábra: 2SLS – TERM


Dependent Variable: MUNKAMethod: Panel Two-Stage EGLS (Cross-section weights)Date: 10/29/10 Time: 19:29Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Linear estimation after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Instrument list: C BERUHAZAS TOTALTAM


C 0.313651 0.015749 19.91519 0.0000EUME 0.055728 0.004540 12.27472 0.0000FEJTAM(-1) -6.25E-05 5.72E-05 -1.092435 0.2747

Weighted Statistics

R-squared 0.921896 Mean dependent var 17.39554Adjusted R-squared 0.921861 S.D. dependent var 20.62774S.E. of regression 5.766134 Sum squared resid 148520.2Durbin-Watson stat 0.532937 J-statistic 1.57E-25Instrument rank 3.000000



Dependent Variable: TERMMethod: Panel Two-Stage EGLS (Cross-section weights)Date: 10/29/10 Time: 19:39Sample (adjusted): 2007 2009Cross-sections included: 1490Total panel (balanced) observations: 4470Linear estimation after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Instrument list: C BERUHAZAS TOTALTAM


C 5124.316 148.6887 34.46338 0.0000EUME 15.23044 1.318541 11.55099 0.0000FEJTAM(-1) -0.230071 0.018492 -12.44162 0.0000

Weighted Statistics

R-squared 0.710387 Mean dependent var 11430.26Adjusted R-squared 0.710258 S.D. dependent var 16529.44S.E. of regression 8897.421 Sum squared resid 3.54E+11Durbin-Watson stat 1.080740 J-statistic 1.62E-26Instrument rank 3.000000


R-squared -0.260108 Mean dependent var 5953.663Sum squared resid 3.72E+11 Durbin-Watson stat 0.948827



A 17. ábra mutatja a termelékenységre végzett 2SLS becslést. A magyarázó erőt és szignifikanciát nézve még akár ez a specifikáció lehetne a legerősebb ez idáig (FEJTAM p-értéke: 0% és adjuested R-squared: 71%), ha nem mutatna erős pozitív autokorrelációt a Durbin-Watson statisztika (lásd 19. lábjegyzet). Érdemes megjegyeznünk ugyanakkor, hogy a beruházási támogatások hatása szignifikánsan negatív a termelékenységre nézve, de mielőtt messzemenő következtetéseket vonnánk le ebből, érdemes megvizsgálnunk a maradék két modell család eredményeit is.

3.2.6. GENERAL METHOD OF MOMENTS (DYNAMIC PANEL)

Az eddigi modelljeinkben „szinten” (level) becsültük a változóinkat, most nézzünk egy példát a dinamikus lehetőségekre is. Az instrumentum listát megtartva visszük tovább a 2SLS becslésünket másik eljárásra, amit General Method of Moments néven ismer a szakirodalom. Az ökonometriai modellek módszertani bemutatásában (3.1.4.1 alfejezet) említett First Differences és Orthogonal Deviations becslési eljárások közül a jobbat prezentáljuk itt ábrával együtt, a másikra csupán néhány adattal hivatkozunk.Az első ilyen modellünk a nettó hozzáadott értéket magyarázza.

18. ábra: GMM – NH

A 18. ábra alapján, a fontosabb információkat vastagon kiemelve elemezzük a nettó hozzáadott értéket GMM módszerrel, ezen belül is jelen esetben az ortogonális eltérések modelljét választva. Az ortogonális eltérések eljárás egy komplikáltabb fix hatás modellnek tekinthető.


Dependent Variable: NHMethod: Panel Generalized Method of MomentsTransformation: Orthogonal DeviationsDate: 10/29/10 Time: 20:04Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Cross-section weights instrument weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Instrument list: BERUHAZAS TOTALTAM @SYSPER


EUME 530.2549 779.6637 0.680107 0.4965FEJTAM(-1) 7.545139 5.455617 1.383004 0.1668@ISPERIOD("2008") 6437.299 2889.474 2.227845 0.0260@ISPERIOD("2009") -3713.519 4194.596 -0.885310 0.3761


Cross-section fixed (orthogonal deviations)Period fixed (dummy variables)

R-squared -4.603715 Mean dependent var 3923.518Adjusted R-squared -4.609364 S.D. dependent var 36797.01S.E. of regression 87150.40 Sum squared resid 2.26E+13J-statistic 7.15E-27 Instrument rank 4.000000



Sajnos az Orthogonal Deviations modell specifikációk közül egy sem mondható sikeresnek, a magyarázó erejük még nullánál is kisebb (az instrumentumok miatt ez lehetséges). A First differences módszerrel készült becslésünk még rosszabb specifikációnak bizonyult (Adjusted R-squared: -7,45), ezért nem szerepeltetjük itt.Mivel nem tudunk levonni érdemleges következtetést a modellből, a próbálkozás zsákutcának bizonyult.Nézzük meg, hogyan reagál a munkakapacitás változónk erre a GMM modell keretre.

19. ábra: GMM – MUNKA

A 19. ábra mutatja a munkateljesítményre vonatkozó GMM próbálkozásunkat. Sajnos ez a kísérlet sem mondható sikeresnek (a regresszoraink jelentéktelenek, ahogy a p-értékek mutatják, magyarázó erő negatív). A First Difference becslésben a magyarázó erő (-8,34) még rosszabb volt, mint jelen esetben. Egyértelműen kijelenthető, hogy más modellre van szükségünk.


Dependent Variable: MUNKAMethod: Panel Generalized Method of MomentsTransformation: Orthogonal DeviationsDate: 10/29/10 Time: 20:08Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Cross-section weights instrument weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Instrument list: BERUHAZAS TOTALTAM @LEV(@SYSPER)


EUME 0.002491 0.047360 0.052597 0.9581FEJTAM(-1) -0.000492 0.000314 -1.567102 0.1172@LEV(@ISPERIOD("2008")) 0.072060 0.163511 0.440701 0.6595@LEV(@ISPERIOD("2009")) 0.201967 0.151361 1.334347 0.1822



R-squared -5.429027 Mean dependent var 0.130032Adjusted R-squared -5.435508 S.D. dependent var 2.131776S.E. of regression 5.407955 Sum squared resid 87036.03J-statistic 2.05E-29 Instrument rank 4.000000



20. ábra: GMM – TERM

Amint azt a 20. ábra mutatja, megbecsültük a termelékenységre vonatkozó GMM modellt, szintén Orthogonal Deviations módszerrel. Nem tekinthetjük igazán eredménynek, hogy a magyarázóerő kevésbé negatív, mint az előző két változóra tett becslésnél (Adjusted R-squared értékei: -0,24; lásd 18. ábra és 19. ábra). A következő lépésben az utolsó modellcsaládunk becslésével folytatjuk.

3.2.7. AR(1) TAGGAL KIEGÉSZÍTETT MODELLEK

A GMM becslések nem vezettek eredményre. Azonban több korábbi becslésnél megállapítottuk a Durbin-Watson statisztika értéke alapján (lásd 19. lábjegyzet), hogy szükséges lehet egy autoregresszív tag beépítése a magyarázó változóink közé, azaz a függő változónk egy időszakkal késleltetett értékének szerepeltetése magyarázó változóként. Ezt alapvetően a GLS és 2SLS modellcsaládoknál tehetjük meg kiegészítésként, mivel a random effects és ortogonális eltéréseket használó GMM modellekben technikailag nem lehet ilyen módon becsülni. A most következő modellek a Generalized Least Squares és a Two-Stage Least Squares (IV) alfejezetekben bemutatott becslések AR(1)-el kiegészített verziói.Elsőként a nettó hozzáadott értéket vizsgáljuk, egymás alá rendezve és együtt elemezve a két modellt.


Dependent Variable: TERMMethod: Panel Generalized Method of MomentsTransformation: Orthogonal DeviationsDate: 10/29/10 Time: 20:12Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Cross-section weights instrument weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Instrument list: BERUHAZAS TOTALTAM @LEV(@SYSPER)


EUME 39.46665 36.59704 1.078411 0.2809FEJTAM(-1) 0.254212 0.282788 0.898950 0.3688@LEV(@ISPERIOD("2008")) 381.4086 159.9391 2.384712 0.0172@LEV(@ISPERIOD("2009")) 1035.330 152.1370 6.805253 0.0000



R-squared -0.240007 Mean dependent var 768.1528Adjusted R-squared -0.241257 S.D. dependent var 5938.894S.E. of regression 6616.623 Sum squared resid 1.30E+11J-statistic 1.23E-29 Instrument rank 4.000000



21. ábra: AR(1) GLS – NH


Dependent Variable: NHMethod: Panel EGLS (Cross-section weights)Date: 10/29/10 Time: 16:32Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Iterate coefficients after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Convergence achieved after 9 total coef iterations


C -452.3321 36.94567 -12.24317 0.0000EUME 179.1010 4.315974 41.49723 0.0000TARSAS 4922.815 706.3858 6.969017 0.0000FEJTAM(-1) 0.065934 0.010945 6.024298 0.0000AKG(-1) 1.121529 0.084486 13.27476 0.0000SAPS(-1) 1.073530 0.041049 26.15250 0.0000AR(1) 0.262739 0.009335 28.14586 0.0000

Weighted Statistics

R-squared 0.928395 Mean dependent var 109034.1Adjusted R-squared 0.928251 S.D. dependent var 171376.0S.E. of regression 45904.88 Sum squared resid 6.26E+12F-statistic 6424.429 Durbin-Watson stat 2.035428Prob(F-statistic) 0.000000



Inverted AR Roots .26



22. ábra: AR(1) 2SLS – NH

A nettó hozzáadott értékre nézve a keresztmetszetileg súlyozott általánosított legkisebb négyzetek módszere (GLS) egy időszaki késleltetett autoregresszív taggal kiegészítve egészen jelentős eredményt hozott (21. ábra: AR(1) GLS – NH), mind a beruházási támogatások, mind pedig az agrár-környezetgazdálkodási támogatások pozitív előjelű együtthatója messzemenőkig szignifikáns (p-value: 0 és a t-statisztikák is kirívóan magasak). A súlyozatlan magyarázóerő is elég magas (unweighted R-squared: 73%), és ezen még majdnem 20%-pontot javít a súlymátrix használata (weighted adjusted R-squared: 92,8%). Az elsőrendű autokorrelációt teljes mértékben sikerült kiszűrni, ahogy a már említett DW-statisztika 2 közeli értékén is látszik (lásd 3.1.4.2. alfejezet).Amint a 22. ábra mutatja, a 2SLS AR(1) becslés is sikeresnek mondható, minden együttható szignifikáns, magas a magyarázó erő és a DW-statisztika értéke ideális (2,01). Vastagon kiemeltük az elemzendő együtthatókat és statisztikai értékeket. Az első modellben 1000 Ft beruházási támogatások hatása 65 Ft-ot emel átlagosan a nettó hozzáadott értéken, míg az instrumentumokkal bővített modell (22. ábra: AR(1) 2SLS– NH) szerint 137 forintot – azonban itt már nem szerepelnek a területalapú támogatások, mivel technikailag kevesebb magyarázóváltozónk lehet, mint instrumentumunk a becslés során. Ez a két modellünk jelenti ki biztosan, hogy már az előző időszaki beruházási támogatásoknak is van enyhe, pozitív hatása.


Dependent Variable: NHMethod: Panel Two-Stage EGLS (Cross-section weights)Date: 10/29/10 Time: 20:20Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Iterate coefficients after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Convergence achieved after 8 total coef iterationsInstrument list: C BERUHAZAS TOTALTAMLagged dependent variable & regressors added to instrument list


C 878.5415 135.6165 6.478131 0.0000EUME 278.5003 4.812967 57.86456 0.0000FEJTAM(-1) 0.137000 0.034596 3.960036 0.0001AR(1) 0.356213 0.011418 31.19762 0.0000

Weighted Statistics

R-squared 0.878292 Mean dependent var 99289.49Adjusted R-squared 0.878170 S.D. dependent var 128456.4S.E. of regression 44836.70 Sum squared resid 5.98E+12Durbin-Watson stat 2.017129 J-statistic 78.74472Instrument rank 6.000000






23. ábra: AR(1) GLS – MUNKA


Dependent Variable: MUNKAMethod: Panel EGLS (Cross-section weights)Date: 10/29/10 Time: 20:19Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Iterate coefficients after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Convergence achieved after 12 total coef iterations


C 1.421344 0.038199 37.20891 0.0000EUME 0.016050 0.001232 13.02442 0.0000TARSAS 2.645086 0.246129 10.74673 0.0000FEJTAM(-1) -2.18E-05 1.78E-06 -12.22339 0.0000AKG(-1) 1.94E-05 5.85E-06 3.321249 0.0009SAPS(-1) 6.87E-05 5.18E-06 13.25554 0.0000AR(1) 0.896209 0.006041 148.3621 0.0000

Weighted Statistics

R-squared 0.998898 Mean dependent var 21.33139Adjusted R-squared 0.998896 S.D. dependent var 59.12082S.E. of regression 1.964625 Sum squared resid 11475.04F-statistic 449119.6 Durbin-Watson stat 1.771896Prob(F-statistic) 0.000000






24. ábra: AR(1) 2SLS – MUNKA

A munkakapacitásra vonatkozóan bár az AR(1) modelleink magyarázóereje szinte 100%-ra nőtt, a beruházási támogatások hatása egyik esetben enyhén negatív (23. ábra: AR(1)GLS – MUNKA), másik esetben enyhén pozitív (24. ábra: AR(1) 2SLS – MUNKA) hatással jelenik meg (-2,18 és 5 x 10-5). Nem jelenthetjük ki nagy biztonsággal, hogy a beruházási támogatásoknak van hatása a foglalkoztatásra a tesztüzemi adatokból készített modellek alapján.Az AKG szignifikáns pozitív hatása (23. ábra) körülbelül a SAPS harmadának felel meg a modelljeink alapján, ami megfelel a várható értékük arányának is (lásd 4. táblázat). A Durbin-Watson statisztikák értéke (1,78 és 1,77) megfelelő, a türelmi sávon belül található.Térjünk át a termelékenységi változónk vizsgálatára az autoregresszív modellcsalád elemzésének keretében.


Dependent Variable: MUNKAMethod: Panel Two-Stage EGLS (Cross-section weights)Date: 10/29/10 Time: 20:22Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Iterate coefficients after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Convergence achieved after 13 total coef iterationsInstrument list: C BERUHAZAS TOTALTAMLagged dependent variable & regressors added to instrument list


C 2.393635 0.118673 20.17008 0.0000EUME 0.018734 0.004693 3.991762 0.0001FEJTAM(-1) 5.01E-05 1.35E-05 3.721180 0.0002AR(1) 0.924280 0.005134 180.0444 0.0000

Weighted Statistics

R-squared 0.995238 Mean dependent var 17.43471Adjusted R-squared 0.995233 S.D. dependent var 30.25263S.E. of regression 2.088701 Sum squared resid 12983.31Durbin-Watson stat 1.781406 J-statistic 1.358461Instrument rank 6.000000






25. ábra: AR(1) GLS – TERM


Dependent Variable: TERMMethod: Panel EGLS (Cross-section weights)Date: 10/29/10 Time: 20:20Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Iterate coefficients after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Convergence achieved after 8 total coef iterations


C 4841.223 98.14100 49.32926 0.0000EUME -1.293164 0.560218 -2.308324 0.0210TARSAS -855.5431 158.3151 -5.404053 0.0000FEJTAM(-1) 0.006804 0.004055 1.677940 0.0935AKG(-1) 0.004251 0.012782 0.332554 0.7395SAPS(-1) 0.040680 0.009370 4.341481 0.0000AR(1) 0.477427 0.010437 45.74185 0.0000

Weighted Statistics

R-squared 0.947433 Mean dependent var 14355.38Adjusted R-squared 0.947327 S.D. dependent var 29542.71S.E. of regression 6780.216 Sum squared resid 1.37E+11F-statistic 8930.620 Durbin-Watson stat 2.002566Prob(F-statistic) 0.000000






26. ábra: AR(1) 2SLS – TERM

Amint azt a 25. ábra és 26. ábra is mutatja, a termelékenységi mutatónkra 10%-os szint mellett szignifikánsan pozitívan hatnak a beruházási támogatások (lásd 26.ábra: AR(1) 2SLS – TERM). Vastagon szedve és pirossal kiemelve találhatóak azok a sorok az ábrákon, amelyeket a döntéshez felhasználtunk. Az EUME és a termelékenységi mutató (nettó hozzáadott érték/munkakapacitás) szignifikánsan egymással ellentétesen mozognak (az együttható értéke: -1,3 és -1,6 a két modellben). A modellek magyarázó ereje 90% fölötti (adjusted R-squared), és a DW-statisztika értéke az ideális kettőtől nem tér el. Ezek után a modell szerint, a beruházási támogatás együtthatója alapján 1000 Ft támogatás 0,064-el mozdítja felfelé a termelékenységet, ami a fejlesztési támogatásoktól elvárt irányt jelenti.Az AKG támogatás hatása a termelékenység autoregresszív modelljében nem kimutatható (25. ábra), amiből arra következtetünk, hogy bár a nettó hozzáadott értékben megjelenhet az AKG területalapú támogatás hatása, mikor ezt munkakapacitásra vetítjük, ez a hatás elvész. Ez azonban az előzetes feltételezettekkel egybeesik, intuitíven is erre számítottunk.


Dependent Variable: TERMMethod: Panel Two-Stage EGLS (Cross-section weights)Date: 10/29/10 Time: 20:22Sample (adjusted): 2008 2009Cross-sections included: 1490Total panel (balanced) observations: 2980Iterate coefficients after one-step weighting matrixCross-section weights (PCSE) standard errors & covariance (d.f. corrected)Convergence achieved after 7 total coef iterationsInstrument list: C BERUHAZAS TOTALTAMLagged dependent variable & regressors added to instrument list


C 4892.766 108.9303 44.91647 0.0000EUME -1.670052 0.653478 -2.555636 0.0106FEJTAM(-1) 0.064028 0.026023 2.460435 0.0139AR(1) 0.477506 0.011039 43.25535 0.0000

Weighted Statistics

R-squared 0.949030 Mean dependent var 14606.22Adjusted R-squared 0.948979 S.D. dependent var 30543.02S.E. of regression 6899.016 Sum squared resid 1.42E+11Durbin-Watson stat 1.981399 J-statistic 4.237400Instrument rank 6.000000






3.2.8. LEGJOBB MODELL KIVÁLASZTÁSA

Az alábbiakban a három függő változó mindegyikére megvizsgált modelljeink összefoglaló táblázatait láthatjuk (7. táblázat; 8. táblázat és 9. táblázat), amiben vastagon kiemeltük a szöveges értékelésnél figyelembe vehető eredményeket. A táblázatok sorrendje a modellek során megismertet követi, először a nettó hozzáadott értéket, majd a munkakapacitást, végül a termelékenységet tekintjük át.

NH

Jellemzők

3.2.1

PLS

3.2.2

FE

3.2.3

RE

3.2.4

GLS

3.2.5

2SLS

3.2.6

GMM

3.2.7

AR(1)

R-squared

0,749246

0,817462

0,672666

0,931115

0,689331

-4,60936

4

0,928251

DW-stat. 1,878319

3,467350

2,333281

1,594889

1,218853

- 2,035428

P-értékek (FEJTAM és AKG)

0,5759

0,0869

0,2058

0,7969

0,7796

0,3752

0,0000

0,0000

0,4982 0,1668 0,0000

0,0000

7. táblázat: Nettó hozzáadott érték – legjobb modell kiválasztása

A 7. táblázat alapján a nettó hozzáadott érték leírására a GLS és AR(1) modellek a legalkalmasabbak.

MUNKA

Jellemzők

3.2.1

PLS

3.2.2

FE

3.2.3

RE

3.2.4

GLS

3.2.5

2SLS

3.2.6

GMM

3.2.7

AR(1)

R-squared

0,891990

0,985570

0,730669

0,943630

0,921861

-5,43550

8

0,998896

DW-stat.

0,283477

2,278100

1,718618

0,617558

0,532937

- 1,771896


0,0674

0,0000

0,0865

0,9990

0,6004

0,2175

0,0000

0,0000

0,2747 0,1172 0,0001

0,0002

8. táblázat: Munkakapacitás – legjobb modell kiválasztása




A 8. táblázat alapján a munkakapacitás vizsgálatára az AR(1) modellek a legalkalmasabbak.

TERM

Jellemzők

3.2.1

PLS

3.2.2

FE

3.2.3

RE

3.2.4

GLS

3.2.5

2SLS

3.2.6

GMM

3.2.7

AR(1)

R-squared

0,015745

0,466561

0,004623

0,811773

0,710258

-0,24125

7

0,947327

DW-stat.

1,083413

2,927195

1,946179

1,217707

1,080740

- 2,002566


0,2491

0,3452

0,2338

0,4107

0,3486

0,6382

0,4054

0,0000

0,0000 0,3688 0,0935

0,7395

9. táblázat: Termelékenység – legjobb modell kiválasztása

A 9. táblázat alapján a termelékenység vizsgálatára az AR(1) modellek a legalkalmasabbak.

3.3. KÖVETKEZTETÉSEK, JAVASLATOK, A MODELLEZÉS KORLÁTAI

Az alábbi táblázatban összefoglaljuk az erősebb magyarázóerejű modellek hivatkozásait és a vizsgált támogatások hatásainak lehetséges irányát. A 3.3.1 alfejezettel kezdődően szövegesen is értelmezzük az eredményeket.

Hatások iránya Jövedelmezőség Foglalkoztatás Termelékenység

Beruházási támogatások

Enyhe pozitív (21.ábra és 22. ábra)

fenntartásokkal (12.ábra)

Nem dönthető el (23. ábra és 24.

ábra)

Enyhe pozitív (25.ábra és 26. ábra)

Agrár-környezetvédelmi

Pozitív (. ábra) Enyhe pozitív (. ábra)

Nincs hatása (. ábra)




támogatások

SAPS támogatás Pozitív (.ábra) Pozitív (. ábra) Pozitív (. ábra)

10. táblázat: Az ökonometriai elemzés eredményeinek összefoglalása

3.3.1. BERUHÁZÁSI TÁMOGATÁSOKRA VONATKOZÓAN

A legtöbb modellünkben az egy időszakkal megelőző beruházási támogatások gazdasági hatása nem kimutatható. Az egyik erősebb magyarázóerejű modellünk (12. ábra) szerint még enyhén csökkenti is átlagosan az üzemek nettó hozzáadott értékét. Egy másik erős specifikáció (21. ábra és 22. ábra) enyhén pozitív hatást mutat ki a nettó hozzáadott értékre nézve, de ez legfeljebb 130 forintot jelenthet 1000 forint támogatási összegenként átlagosan, minden más változatlanságát feltételezve.21

Már a 3.1.2 alfejezetben említettük, hogy a beruházási típusú támogatások eredményben tükröződő pozitív hatását vélelmezhetően két éves késés jellemzi, sőt előfordulhat átmenetileg eredményt csökkentő hatás is. Ennek fényében nem meglepő, hogy az egy időszakkal megelőző támogatások hatása ilyen csekély mértékben és vegyesen jelentkezik.A foglalkoztatásra (munkakapacitás) és termelékenységre nézve a fenti modellek még nehezebben eldönthető álláspontot mutatnak. A munkakapacitásra vonatkozó modellek közül az autoregresszív taggal rendelkezőket tekintjük megbízhatónak (. és . ábra), mivel a többi modellünkben az elsőrendű reziduális autokorreláció jelenléte szignifikánsnak volt mondható. Ezek viszont sajnos egymásnak ellentmondó előjelet tulajdonítanak a munkakapacitásra gyakorolt előző időszaki beruházási hatásoknak.Termelékenységre nézve az utolsó modellünk (. ábra) a mérvadó, ahol enyhe pozitív hatást tapasztaltunk a beruházási támogatásoknak köszönhetően.22

3.3.2. TERÜLETALAPÚ TÁMOGATÁSOKRA VONATKOZÓAN

A beruházási támogatások elemzése mellett – bár nem terveztük – vizsgáltuk a területalapú támogatások megjelenését is. Érdekes módon az előző időszaki agrár-környezetgazdálkodási támogatásoknak a SAPS támogatással együtt erősebben megjelenik a hatása, mint a beruházási támogatásoknak. Erre a magyarázat talán a támogatás széleskörűségében és SAPS-hoz való hasonlóságában, korrelációjában rejlik (lásd 5. táblázat: Korrelációs együtthatók mátrixa). Igyekeztünk kontrollálni a modelljeinkben a méretre, a gazdaságok jogi helyzetére (egyéni vagy társas gazdaság) és a nagy összegű kapott területalapú támogatásokra, így a beruházási összegeknek elolvadt a hatása, ahogy az fentebb is látszik. Azonban az agrár-környezetgazdálkodási programból származó bevétel úgy tűnik, szinte „egy az egyben” megjelent a nettó hozzáadott értékben (lásd 12. ábra: GLS – NH és 21. ábra: AR(1) GLS –NH). 21 Lásd: 12. ábra: GLS – NH; 21. ábra: AR(1) GLS – NH; 22. ábra: AR(1) 2SLS – NH.22 Lásd: 23. ábra: AR(1) GLS – MUNKA; 24. ábra: AR(1) 2SLS – MUNKA és 26. ábra: AR(1) 2SLS –TERM.




3.3.3. GAZDASÁGI NÖVEKEDÉSRE VONATKOZÓAN

A gazdasági növekedésre véleményünk szerint csak a beruházási támogatásoknak lehet hosszú távú hatása. Ha az AKI adatbázisának ezt a szűkített mintáját továbbra is reprezentatívnak tekintjük az országos mintára nézve, akkor azt mondhatjuk, hogy a beruházási támogatások teljes összegének legfeljebb 13%-a23 (lásd 22. ábra: AR(1) 2SLS –NH) jelentkezik egy időszakkal később a gazdaságok hozzáadott értékében. Itt az első tengelyben, kizárólag mezőgazdasági üzemeknek jutatott összegek hatására tehetünk ilyen formán becslést, mivel az élelmiszeripari vállalatok nem szerepelnek az adatbázisban. A Jelentés az ÚMVP módosításával kapcsolatos pénzügyi, jogi lehetőségekről c. kötetünkben megállapított, ÉLIP, Fiatal gazdák, TCS és Agrárkamara nélkül számított megítélt támogatások (355 Mrd24) 13%-a, hozzávetőleg 46 Mrd forint jelentkezhet a mezőgazdasági szektorban hozzáadott értékként. Ebben az esetben a nettó hozzáadott érték használata egy közelítő becslés a GDP mint bruttó hozzáadott érték (termelői oldalról tekintve) alakulására. Az értékcsökkenés statisztikai fogalma egyébiránt nagyban eltér a számvitelben használt kategóriától, emiatt azok összevetésére tett kísérletek meglehetősen nehézkesnek bizonyulnak.

3.3.4. AZ ÖKONOMETRIAI ELEMZÉS KORLÁTAI ÉS AZ EÉJ ELTÉRÉSEK INDOKLÁSA

A következő táblázat szemlélteti az Előzetes Értékelő Jelentésben szereplő módszertani sajátosságokat, melyektől az ökonometriai modell összeállítása során – a rendelkezésre álló adatbázisok adattartalmának megismerése után – részben vagy egészben eltértünk.

Ssz.

Előzetes értékelő jelentésben leírt

Zárójelentésben megvalósult

Az eltérés indoka

1. Difference-in-differences módszerrel terveztük vizsgálni a jövedelmezőséget, foglalkoztatást és munkatermelékenységet.

Fix és random hatás modellek, Két-lépcsős legkisebb négyzetek, GMM és autoregresszív panel modellek vizsgálatát végeztük el helyette.

A panel ökonometria a Diff-in-diff módszernél szofisztikáltabb eszközökkel rendelkezik, ezért alkalmasabbnak találtuk a hatások vizsgálatára.

2. Függő változó: adózás előtti eredmény.

Nettó hozzáadott érték használata.

Az egyéni és társas gazdaságok összehasonlíthatósága miatt és a gazdasági növekedés becsléséhez használtuk inkább a nettó

23 Az AR(1) – 2SLS modell FEJTAM(-1) koefficiens értéke – optimista forgatókönyv esetén.24 Forrás: UMVPMTE_penzugyi_statusz_I_sz_Melleklet_v08.xlsx H oszlopának 121. intézkedésre vonatkozó összege.




Ssz.



Az eltérés indoka

hozzáadott értéket, egyeztetve az AKI-val.

3. Termelői árindex használata mint a jövedelmezőség deflátora.

Nem használtunk. Az elérhető elemzések a nettó hozzáadott értéket konzisztensnek és összehasonlíthatónak tekintik a mezőgazdaság éves teljesítményének vizsgálatára.

4. Munkahelyteremtés indikátora: Alkalmazotti létszám

Az alkalmazotti létszám helyett az Éves Munkaerőegység használatát javasoljuk.

Az ÉME változását megfelelő indikátornak tartjuk arra nézve, hogyan változott egy üzem munkakapacitása, mivel a létszám és a kapacitáskihasználtság vegyített mutatójáról van szó, ami intervallum skálán finomabb léptékkel megjeleníthető, de tetszés szerint visszaváltható emberfőre.

5. Válság hatásának kiszűrése ANOVA használatával.

Reprezentatív FADN adatbázist használtunk.

Mivel a válság hatásai egyaránt érintették az ország mezőgazdaságainak mindegyikét, és a FADN adatai leképezik ezt az országos sokaságot, így az a feltételezésünk, hogy az üzemek eredményességét egymáshoz mérten lehet értelmezni.

6. European Evaulation Network for Rural Development szervezet által elkészített Working Paper for approaching the impacts of the Rural

Az iránymutatásokat a hazai adatbázisokban elérhető adatok és vizsgálható trendek sajátosságaihoz

A modell kialakítása során figyelembe vettük az iránymutatást, valamint a FADN, az IIER és az OPTEN Mérlegtár




Ssz.



Az eltérés indoka

Development Programmes in the context of multiple intervening factors iránymutatásainak figyelembe vétele az ökonometriai modell kialakítása során.

igazítottuk. adatszerkezetét.

7. Támogatáshalmozódás kiszűrésére több kontrollcsoport alkalmazása.

A 121. intézkedést egyben kezeltük, kontrollcsoportként a támogatásban nem részesülők és a csak területalapú támogatással rendelkezők szerepeltek.

Egyrészről a FADN anonimitási elve, másrészről a mintaszám csökkenésének elkerülése miatt nem bontottuk szét a FADN adatbázisát.

8. Propensity score és Leontiev input-output fajlagosok használata.

Nem használtuk. A FADN adatbázisából dolgoztunk, amely a hozzáadott értéket termelő mezőgazdasági üzemeket reprezentatívan lefedi, így nem volt szükség propensity score-os megfeleltetésre. Input-output fajlagosok használatára a nettó hozzáadott érték használata miatt nem volt szükségünk.

Az ökonometriai elemzés korlátai:

Legfőbb korlátunk az értékelés félidei jellegéből fakadó időtényező volt. A lezárt projektek száma csekély, ezek eredményességének tükröződése az üzemek könyvelésében még nem számottevő. A támogatási jogcímekre való lebontás az AKI kérdőívének struktúrája, és a kielégítő mintaszám megőrzésének szempontja miatt nem valósulhatott meg. A modell összeállítása során a mintanagyság nem okozott problémát, azonban a beruházási támogatásokat jogcímszintű bontásban nem, csak aggregált módon tudtuk elemezni a FADN sajátos adatstruktúrája okán.




Mivel az AKG támogatások már az NVT támogatási időszakában megindultak, és mellettük területalapon jelentős normatívájú SAPS támogatáshoz jutnak az üzemek, nem feltétlenül javasoljuk az eredmények teljes mértékű kivetítését az ÚMVP 2009-ben elindított AKG kifizetéseire. Ebben az esetben a korábbi támogatások kiszűrése ellehetetlenítette volna az elemzést, mivel 2009 előtt ÚMVP keretből AKG-t nem finanszíroztak.A monitoring adatok használatát megakadályozta az adatok hiányos feltöltöttsége, és a FADN adatbázis évről évre történő adatfelvételéhez képest messze elmaradó adatminősége. A monitoring rendszerről és hiányosságairól külön számolunk be.




4. STATISZTIKAI ELEMZÉSJelen fejezetben statisztikai módszerekkel adunk áttekintést azon intézkedések (jogcímek) esetében, melyeket a . táblázatban megjelöltünk. A fejezet rövid módszertani bemutatást követően részletesen bemutatja az elemzéseket.

4.1.MÓDSZERTANI BEMUTATÁS

A statisztikai elemzés során alapvetően két dimenzió mentén folytattunk vizsgálatot:1. Melyek és milyen irányúak az ÚMVP már kimutatható hatásai? (Hatásvizsgálat)2. Milyen hatások várhatók az ÚMVP jogcímeitől a jövőben? (Potenciálvizsgálat)

Az első kérdés hagyományosan ex-post értékelési kategória: a lezárt projektek (befejezett beruházások) „üzembe állása” után várt vagy nem várt hatásokat generálnak, melyek kimutathatóvá válnak számviteli, gazdaságstatisztikai adatsorokban. A második kérdés a potenciálvizsgálat tárgykörébe tartozik, mely során az értékelő arra keres választ, hogy a megítélt támogatások (vagyis a feltételezhetően már elindult, vagy rövidesen elinduló beruházások) során megvalósuló fejlesztések milyen várható hatásokat fejtenek ki. Jelen fejezet mindkét értékelési dimenzió szerinti elemzéseket tartalmaz.Hatásvizsgálatot – az ökonometriai elemzéshez hasonlóan – lezárt beruházások (projektek) esetében végzetünk el, hiszen feltételezésünk szerint csak már lezárt, „üzembe helyezett” fejlesztések implikálhatnak hatást mikro- és makroszinten. A félidei értékelés sajátos időbeni ütemezése miatt azonban még kevés megvalósult, potenciális hatást generáló projekt értékelhető, amely adottsághoz az értékelés módszertanát is hozzá kellett igazítanunk. A hatások kimutatását ezért csak a lezárt, vagy vélelmezhetően lezárt beruházások esetében tudtuk vizsgálni: lezártnak tekintettünk minden olyan beruházást, amelynél a megítélt támogatási összeg legalább 80%-át lefedő kifizetési kérelem érkezett be az intézményrendszerhez25 2009.06.30-ig. Az időbeli megszorítás feltételezésünk szerint azért szükséges, mert az új beruházás legalább fél éves „működésének” eredménye válhat csak kimutathatóvá a vállalkozás számviteli nyilvántartásaiban (vizsgálatunkhoz a 2009-es évi mérleg és eredménykimutatás adatokat használtuk fel).Potenciálvizsgálatot azon jogcímek esetében végeztünk, melyeknél az értékelés időpontjában találtunk megítélt (jóváhagyott) támogatást. Értelemszerűen a vizsgálatot csak a jóváhagyott támogatási határozattal rendelkező projektekre tudtuk elvégezni.Miáltal hatás- és potenciálvizsgálatot egyaránt elvégezhettünk egy adott jogcím vonatkozásában, az elemzésünkben végig jelezzük, melyik típusú vizsgálatról van szó.

25 Mivel a beruházások utólagos finanszírozásúak, ezért élhetünk azzal a feltételezéssel, hogy 80%-os – benyújtott! - kifizetési kérelem arány mellett a beruházás valós készültsége közel 100%-os. Módszertan: az MVH Szervezési és Koordinációs Főosztálytól 2010.08.06-án kapott „tételes lista” támogatási és kifizetési kérelem adatbázisának összevezetése.




4.1.1. JÖVEDELMEZŐSÉGI HATÁS VIZSGÁLATÁNAK MÓDSZERTANA

Jövedelmezőségi hatásvizsgálatot csak a lezárt beruházások esetében végeztünk, a következő jogcímekre vonatkozóan:

Állattartó telepek korszerűsítése jogcím: bár ökonometriai módszerekkel a FADN adatbázisból korábban már vizsgáltuk, kiemelt jelentősége okán (valamint abból a célból, hogy a jogcím hatását „tisztán” vizsgálhassuk26) újra értékeljük egy kontrollcsoportos vizsgálat során.

Erdészeti gépbeszerzés jogcím: 2009.06.30-ig nem találtunk lezárt beruházást, így hatásvizsgálatot nem tudtunk végezni.

ÉLIP jogcím: a FADN adatbázisában nem szerepeltek az élelmiszeripari vállalkozások, így – az ÁTK jogcímhez hasonló módszertan alapján – vizsgáljuk a jövedelmezőségi hatást.

Mikrovállalkozások jogcím: 2009.06.30-ig nem találtunk lezárt beruházást, így hatásvizsgálatot nem tudtunk végezni.

Turizmus jogcím: 2009.06.30-ig nem találtunk lezárt beruházást, így hatásvizsgálatot nem tudtunk végezni.

Az ÁTK és ÉLIP jogcímek kontrollcsoportos vizsgálatához a jóváhagyott támogatási kérelmek, valamint az OPTEN Mérlegtár „Értékesítés nettó árbevétele” adatát használtuk fel. A vizsgált csoport ÉLIP esetében 40, ÁTK esetében 260 lezárt projektből állt, míg a kontrollcsoport kizárólag olyan, támogatási kérelmet benyújtó entitásokat tartalmaz, melyek nem kaptak támogatást az adott jogcímből. A kontrollcsoport kiválasztásánál törekedtünk a regionális reprezentativitásra, mint azt a 27. ábra szemlélteti.

26 A FADN adatbázis alapján készített ökonometriai modell a 121-es intézkedés jogcímeit együttesen kezelte – abból csak az ÁTK jogcímet önállóan vizsgálni nem lehetett.




27. ábra: ÁTK és ÉLIP kontroll csoportok kiválasztása

Az OPTEN Mérlegtárban rendelkezésre álló adatok tovább szűkítették a vizsgált és a kontrollcsoport méretét, hiszen csak olyan entitásokat hagyhattunk az egyes csoportokban, melyek esetében az induló és a legutolsó gazdasági évre (2007 és 2009) összevethető adatot találtunk (a TK adatlapon és az OPTEN-ben is volt adat). Mindezek után a modellben vizsgálható elemszám ÁTK esetében 92 db (kontroll: 104 db), ÉLIP esetében 26 db (kontroll: 19 db).A két jogcímnél megvizsgáltuk az árbevétel növekedés (abszolút és relatív értelemben) kapcsolatát a támogatásokkal (összegek, illetve a bináris, támogatottság ténye változók segítségével). A modellek egyszerű OLS becslések. A modellekben a keresztmetszeti heteroszkedaszticitás jelenlétére kontrollálva White-féle robosztus standard hibákat használtunk.Jövedelmezőségre potenciálvizsgálatot nem végeztünk, mert a támogatási kérelem lapokon sok esetben irreálisan magas, valamint inkonzisztens induló és tervezett árbevételi adatokat találtunk, ami jelentősen torzította volna az eredményeket.

4.1.2. FOGLALKOZTATÁSI HATÁS VIZSGÁLATÁNAK MÓDSZERTANA

Foglalkoztatási hatásvizsgálatot - igazodva a jövedelmezőségi hatás vizsgálati módszertanához - azon jogcímek esetében (ÁTK, ÉLIP) végeztünk, melyeknél találtunk lezárt projekteket, a támogatási kérelem és az OPTEN Mérlegtár foglalkoztatási adatait


Régiók ÉLIP Régiók ÉLIP KontrollDél-Alföld 11 Dél-Alföld 11

Dél-Dunántúl 5 Dél-Dunántúl 5Észak-Alföld 4 Észak-Alföld 4

Észak-Magyarország 4 Észak-Magyarország 4Közép-Dunántúl 4 Közép-Dunántúl 4

Közép-Magyarország 4 Közép-Magyarország 4Nyugat-Dunántúl 8 Nyugat-Dunántúl 8

Összesen 40 Összesen 40

Régiók ÁTK Régiók ÁTK KontrollDél-Alföld 69 Dél-Alföld 69

Dél-Dunántúl 30 Dél-Dunántúl 30Észak-Alföld 64 Észak-Alföld 63

Észak-Magyarország 15 Észak-Magyarország 16Közép-Dunántúl 28 Közép-Dunántúl 28

Közép-Magyarország 12 Közép-Magyarország 12Nyugat-Dunántúl 42 Nyugat-Dunántúl 42

Összesen 260 Összesen 260



felhasználva megvizsgáltuk: az induló időszakhoz képest (2007) hogyan változott az entitások átlagos állománya.Potenciálvizsgálat során a támogatási kérelem adatai alapján összehasonlítottuk az induló időszak (tényleges) állományi létszámát és a beruházás lezárása utáni időszakra vállalt (tervezett) létszámot a következő jogcímek esetében: Kertészeti gépek beszerzése, Öntözés, melioráció, Szárítók beszerzése, Kertészeti üzemek fejlesztése, Erdészeti gépbeszerzés, ÉLIP, Turizmusfejlesztés, Mikrovállalkozások fejlesztése.Két jogcímnél (ÁTK, Gépbeszerzés) a támogatási kérelemben szereplő SFH adatok alapján megvizsgáltuk továbbá, hogy az egyes gazdasági méretkategóriák szerint a kérelmezők tervei szerint hogyan változik az átlagos állományi létszám. Az SFH szerinti méretkategóriákat kvartilisek kialakításával végeztük el: összerendeztük a támogatott gazdaságokat a 2007-es évi SFH összegek alapján. A négy kvartilis négy egyenlő számú gazdaságból áll: az alsó kvartilist elneveztük „mikro gazdaságnak”, a középső két kvartilist „kis gazdaságnak” és „közép gazdaságnak”, míg a felső kvartilist „nagygazdaságnak”. Ebben a megközelítésben, a méret relatív kategória, hiszen minden jogcímnél más és más lesz az egyes kvartilisek felső korlátja. Ez egyrészt természetesen azt okozza, hogy az így kialakított méretkategóriák nem vethetők össze a KKV-kódok szerinti tipizálással, másrészt azonban alkalmas arra, hogy az egyes jogcímek között finomabb módon összehasonlíthassuk a méretbeli sajátosságokat. Feltételezésünk szerint továbbá ez a fajta tipizálás alkalmas lesz az esetleges támogatás koncentráció kimutatására is.

4.1.3. TERMELÉKENYSÉGI VIZSGÁLAT MÓDSZERTANA

Termelékenységi hatásvizsgálatot csak azon jogcímek esetében tudunk vizsgálni (ÁTK, ÉLIP), ahol jövedelmezőségi és foglalkozatási hatást is vizsgáltunk a lezárt projektekre vonatkozóan. A munkatermelékenységi mutatót az árbevétel és a létszám hányadosaként képezzük, és azt vizsgáljuk, az induló időszakhoz képest (2007), milyen irányban változott a mutató.Potenciálvizsgálatot – a jövedelmezőségi hatások vizsgálati módszertana részben leírtak alapján – nem végeztünk.

4.1.4. AZ ÁLLAMHÁZTARTÁSRA GYAKOROLT HATÁSOK VIZSGÁLATÁNAK MÓDSZERTANA

Az államháztartásra gyakorolt hatások vizsgálata során alapvetően két tényezőt értékeltünk: a beruházások ÁFA-tartalmának hatását (mint a költségvetés bevételi oldalát növelő tételt), valamint a beruházások addicionális importszükségletét (mint külkereskedelmi egyensúlyrontó tételt). Mivel ezen hatások – stratégiai jellegüknél fogva - alapvetően kihathatnak egyes fejlesztéspolitikai döntésekre, nem hatás-, hanem potenciálvizsgálatot végeztünk: nem csak a lezárt, hanem a megítélt támogatással rendelkező beruházásokat is figyelembe véve.Az ÁFA-tartalom vizsgálatához az IIER-ben rögzített támogatási kérelmek tervezett kiadási (költség) tételeiből leválogattuk a személyi és a dologi típusú (gép, technológia stb.) kiadásokat. A dologi kiadásoknál egy általunk készített becslés alapján vizsgáljuk a támogatások ÁFA tartalmát.




Az importszükséglet vizsgálatához a vásárolt gépek származási helyét gyűjtöttük le a támogatási kérelem, valamint a gépkatalógus adatai alapján.A vizsgálatba – az Előzetes Értékelő Jelentésben leírtak szerint - a következő jogcímeket vontuk be: ÉLIP, ÁTK, Gépbeszerzés, Tanyabusz, Kertészeti gépek beszerzése, Kertészeti üzemek fejlesztése, Öntözés, melioráció, Szárítók beszerzése, Erdészeti gépbeszerzés, Mikrovállalkozások fejlesztése, Turizmusfejlesztés, Ültetvények támogatása.

4.1.5. TOVÁBBI STATISZTIKAI VIZSGÁLATOK

Az IIER-ben rögzített adatok alapján a következő további statisztikai elemzéseket végezzük el:

A gazdaságok SFH méret szerinti megoszlása: az ÁTK, Gépbeszerzés, Kertészeti gépek beszerzése, Fiatal gazdálkodók támogatása, Öntözés, melioráció jogcímek esetében – méretkategóriánként megvizsgáljuk az SFH összeg, összes megítélt támogatás és az átlagos megítél támogatás mutatókat.

A támogatási kérelemben benyújtott projekt költségszerkezetek vizsgálata: ÉLIP, Kertészeti üzemek fejlesztése, Öntözés, melioráció, Szárító beszerzése, Mikrovállalkozások fejlesztése, Turizmusfejlesztés és Ültetvények támogatása jogcímek esetében. Mindenképpen megemlítendő, hogy a költségek vizsgálata során nem az elszámolható kiadásokat, hanem a megítélt támogatást elemeztük: projektenként a költségszerkezeti arányokat a megítélt támogatási összegekre vetítettük, ezáltal értékelhetővé vált, hogy az egyes költségtételekre az ÚMVP keretből milyen összeg folyt.

ÁTK jogcím további elemzése: a támogatások regionális bontásával, valamint a költségek élyebb szerkezeti elemzésével további információt adunk a jogcímről.

4.2.STATISZTIKAI ELEMZÉS

4.2.1. JÖVEDELMEZŐSÉGI HATÁS

Hatásvizsgálat

Az Állattartó telepek korszerűsítése jogcím vizsgálata során megállapítottuk, az átlagos árbevétel növekedés 33%-os volt lezárt projektek és a kontrollcsoport körében, ami abszolút értékben 40 milliós növekedést jelent átlagosan 2009 és 2007 között (lásd:. táblázat).

Függő változó

kÁtlag Medián

Maximum

Minimum

SzórásFerdesé

gCsúcsos

ság

REV0.33436

20.06044

317.8415

2- .99854

01.84003

16.94596

157.92937

REVABS40442.6

53304.50

03762294

.-

2309772404951.

33.57799

946.99179




11. táblázat: Függő változóink leíró statisztikája az ökonometriai modellben

Megállapítható továbbá, hogy 5%-os szignifikancia szint mellett a támogatások jelenlétének hatása átlagosan 60 százalékponttal emelte a 2009-es árbevétel/2007-es árbevétel alapon képzett árbevétel növekmény százalékos értékét a lezárt ÁTK projekttel rendelkező entitások körében (lásd: . ábra).

28. ábra: Least Squares ÁTK – REV

Az árbevétel növekedés abszolút értékére készített egyszerű modellnél a fentihez hasonló becslési eljárással jártunk el (lásd: . ábra).Dependent Variable: REVABSMethod: Least SquaresDate: 11/11/10 Time: 12:29Sample: 1 196Included observations: 196White Heteroskedasticity-Consistent Standard Errors & Covariance


C -19978.74 30782.38 -0.649032 0.5171TAMD 128723.8 58797.20 2.189285 0.0298




29. ábra: Least Squares ÁTK – REVABS

5%-os szignifikancia szint mellett a támogatások jelenlétének hatása átlagosan 128,7 millió forinttal emelte a 2009-es árbevétel értékét 2007-hez képest a lezárt ÁTK projekttel rendelkező vállalatok körében.


Dependent Variable: REVMethod: Least SquaresDate: 11/11/10 Time: 12:29Sample: 1 196Included observations: 196White Heteroskedasticity-Consistent Standard Errors & Covariance


C 0.046982 0.072886 0.644600 0.5199TAMD 0.612244 0.274128 2.233421 0.0267






Az ÁTK-ban lezárt projektek gazdasági hatása a kontrollcsoporttal szemben, a vizsgálatunk alapján kimutatható (lásd: . tábla).

Lezárt projektek Kontrollvállalatok

Árbevétel növekedés összesen 10,46 Mrd Ft -2,53 Mrd Ft

Árbevétel növekmény átlagosan 64,0% -2,5%

12. táblázat: ÁTK Lezárt projektek és kontrollcsoport összehasonlítása

A kapott eredmények felkeltették érdeklődésünket: vajon tényleg ennyire sikeres a jogcím, vagy a vizsgált minta összetétele nem tekinthető reprezentánsnak a teljes jogcímre nézve?A vizsgált csoportból kiválasztottuk a 10 legnagyobb árbevétel-növekedési dinamikát felmutató entitást, és telefonos lekérdezés során kiegészítő információkat gyűjtöttünk a beruházás körülményeiről, hatásairól. A lekérdezés során a megkeresett vállalatvezetők egybehangzóan azt nyilatkozták, hogy a támogatások nem bírtak meghatározó szereppel a tapasztalt növekedésben, de a jelenlétüknek volt részleges pozitív hatása. A felmérés eredményét dokumentáló táblázatot az intézkedés értékelésénél mutatjuk be. Ez a tapasztalat egybecseng a FADN adatbázisán végzett ökonometriai vizsgálatok eredményével is (21. ábra és 29. ábra).

Az ÉLIP jogcím esetében a következő eredményeket kaptuk: modellünkben a támogatások a lehető legrosszabb módon magyarázzák az árbevétel változását abszolút értelemben (REVABS), mint ahogy azt a 30. ábra mutatja. Az igazított R-négyzet értéke egyenesen negatív, így a modellünk alapján kijelenthetjük, hogy a támogatások nem magyarázzák a választott mintán az élelmiszeripari árbevétel növekedést.A függő változóinkat leíró statisztikával a Error: Reference source not found jellemzi. Láthatjuk, hogy a növekedési mutatók magas standard hibával rendelkeznek, így a konkrét átlagértékeket nem tudjuk értelmezni.

Átlag Standard Hiba Medián Csúcsos

ságFerdes

ég Minimum Maximum

REV 5,69 5,07 0,25 44,86 6,69 - 0,88 228,39




REVABS

106 325,76 153 025,33 49

775,00 5,31 - 0,06 - 3 324 488,00

3 467 441,00

13. táblázat: Függő változóink leíró statisztikája az ökonometriai modellben

30. ábra: Least Squares becslés ÉLIP – REVABS

31. ábra: Least Squares becslés ÉLIP – REV

Ahogy azt a 31. ábra mutatja, a relatív értelemben vett árbevétel növekedés és a támogatás között nincs érdemi regressziós kapcsolat. A támogatás változónk az 5%-os szignifikancia határértéket messze meghaladja, és a modellünk igazított magyarázóereje


Dependent Variable: REVABSMethod: Least SquaresDate: 11/04/10 Time: 15:40Sample: 1 45Included observations: 45


C 105845.2 172981.4 0.611888 0.5438TAM 2.51E-05 0.004025 0.006224 0.9951

R-squared 0.000001 Mean dependent var 106325.8Adjusted R-squared -0.023255 S.D. dependent var 1026525.S.E. of regression 1038392. Akaike info criterion 30.58767Sum squared resid 4.64E+13 Schwarz criterion 30.66797Log likelihood -686.2226 F-statistic 3.87E-05Durbin-Watson stat 2.454008 Prob(F-statistic) 0.995063

Dependent Variable: REVMethod: Least SquaresDate: 11/14/10 Time: 15:42Sample: 1 45Included observations: 45


C 6.781513 5.713469 1.186934 0.2418TAM -5.72E-08 1.33E-07 -0.429921 0.6694

R-squared 0.004280 Mean dependent var 5.685141Adjusted R-squared -0.018876 S.D. dependent var 33.97827S.E. of regression 34.29746 Akaike info criterion 9.951446Sum squared resid 50581.58 Schwarz criterion 10.03174Log likelihood -221.9075 F-statistic 0.184832Durbin-Watson stat 2.068552 Prob(F-statistic) 0.669400



szintén negatív. Kijelenthetjük, hogy vizsgált vállalkozásokban a támogatási összegek semmilyen mértékben nem magyarázzák az árbevétel növekedést.

4.2.2. FOGLALKOZTATÁSI HATÁS

Hatásvizsgálat

A foglalkoztatási hatás vizsgálatának első körében megnéztük, hogyan változott a beruházást megelőző és a beruházást követő gazdasági év átlagos állományi létszáma, a lezárt beruházások esetében (vagyis azon projektek esetében, melyeknél jövedelmezőségi hatást vizsgáltunk).Összesen 241 db projektet vizsgáltunk meg: 196 db ÁTK és 45 db ÉLIP beruházást27, a vizsgálat eredményét a következő táblázat szemlélteti.

14. táblázat: Foglalkoztatás vizsgálata - lezárt projektek

Megállapítható, hogy ÁTK jogcím esetén a vizsgált csoport 176 fő (175,58) létszámleépítést tervezett a támogatási kérelmek adatai alapján – ezzel szemben 113 fővel (112,5) nőtt az átlagos állományi létszám. A kontrollcsoportnál azonban mind a tervezett, mind a tényleges létszám csökkent: az előbbi 19 fővel, az utóbbi 227 fővel. Megemlítendő, hogy a tervezett és a tényleges létszámok közötti korrelációs együttható meglehetősen gyenge: a vizsgált csoportnál 14,6%, a kontrollcsoportnál 35,5%. Mindezek alapján megítélésünk szerint elhamarkodott döntés lenne véleményt mondani a támogatás foglalkoztatási hatásáról.Az ÉLIP jogcím meglehetős hasonlóságot mutat az ÁTK kontrollcsoport vizsgálata során tapasztaltakkal: a vizsgált csoport esetében terv és tény oldalon is jelentős létszámleépítést tapasztaltunk (rendre 234 és 288 fő), ami a kontrollcsoport esetében még nagyobb értékű (rendre 341 és 231 fő). A korrelációs együttható az ÉLIP jogcímnél jóval erősebb, mint az ÁTK-nál, ennek ellenére javasolt óvatosan kezelni az eredmény interpretációját.

27 Vizsgált és kontroll csoport mintaszám rendre: 92/104 – ÁTK és 16/19 – ÉLIP.




Potenciálvizsgálat

A foglalkoztatási hatás becslésének második körében összehasonlítottuk a támogatási kérelem adatlapon megadott induló időszaki (tényleges) és a beruházás lezárása utáni időszak (tervezett) létszámai28. Az összehasonlítás eredményét a következő táblázat mutatja be. Ezek alapján megállapítható, hogy létszámleépítéssel csak két jogcím számolt (Öntözés és Szárítók támogatása), ami ilyen jellegű technológiai beruházások esetében racionális döntésként értelmezhető, a többi jogcímben ezzel szemben létszámbővítéssel terveznek a kedvezményezettek.

15. táblázat: További jogcímek tervezett létszámváltozásai

A létszámadatok mélyebb elemzéséhez megvizsgáltuk két jogcím esetében (ÁTK, Gépbeszerzés), milyen létszám-vállalásokat tettek a pályázók gazdasági méretnagyság szerint (SFH érték alapján).

Méretkategóriák SFH 2007 alapján (ÁTK I-

II.)

Átlagos támogatási összegek

Tervezett létszámbővíté

s

Átlaglétszám (fejlesztés előtti tény)

Átlaglétszám (fejlesztés

utánra vállalt)

Nagy gazdálkodó 236 952 298,88 Ft - 2 917,50 47 320,00 44 402,50

Középgazdálkodó 106 638 702,54 Ft 89,90 12 435,40 12 525,30

Kis gazdálkodó 77 833 970,96 Ft 524,80 2 403,20 2 928,00

Mikro gazdálkodó 39 673 335,95 Ft 409,90 1 136,10 1 546,00

Nincs beosztályozva29 20 772 263,25 Ft 258,50 12 874,00 13 132,50

Összesen 96 649 149,08 Ft - 1 634,40 76 168,70 74 534,30

16. táblázat: ÁTK I-II. Jóváhagyott támogatottakra vonatkozó tervezett létszám bővítési kimutatás SFH 2007 összegek alapján történt méretbesorolás szerint

28 Csak a jóváhagyott támogatási kérelmeket vettük figyelembe, ezen belül is csak azokat, ahol az IIER tartalmazott létszámra vonatkozó adatot! A pontos mintanagyságot lásd a táblázatban.29 Az IIER nem tartalmazott ezen kedvezményezettekhez SFH értéket.




Mint azt a fenti táblázat mutatja (16. táblázat), míg a mikro-, kis- és középméretű gazdálkodók esetében a munkahelyteremtő hatást tulajdoníthatunk a támogatásoknak, addig a „nagyok” a támogatások révén elért fejlesztések ellenére is jelentős létszámleépítést terveznek az ÁTK I-II. jogcímekben. Az ÁTK III. jogcímre – bár ebben a jogcímben még nincsenek megítélt támogatások – is elvégeztük a fenti elemzést, melynek eredményét az alábbi táblázat tartalmazza.

Méretkategóriák SFH 2007 alapján (ÁTK III)

Igényelt támogatási összegek

Tervezett létszámbőv

ítés

Átlaglétszám

(fejlesztés előtti tény)


utánra vállalt)

Nagy gazdálkodó 27 223 653 406 Ft -1165,3 16250,3 15085

Középgazdálkodó 18 291 376 454 Ft 218,1 1781,9 2000

Kis gazdálkodó 9 473 937 746 Ft 163,42 455,58 619

Mikro gazdálkodó 7 668 673 402 Ft 100,25 174,75 275

Összesen 62 657 641 008 Ft -683,53 18662,53 17979

17. táblázat: ÁTK III. jogcím tervezett létszámbővítése

Bár a kisebb gazdálkodói kategóriákban láthatóan a kezdeti foglalkoztatási szint is egy nagyságrenddel kisebb, mint a nagyméretű gazdálkodók esetében, látható, hogy a mikro és kisméretű gazdaságok a méretnövekedési célok mellett valós munkahelyteremtő potenciállal bírnak (hangsúlyoznunk kell, hogy terv szinten!). Amennyiben megvizsgáljuk, hogy milyen statisztikai összefüggés lehet az igényelt (megítélt) támogatási összeg, az SFH összeg (értsd: gazdaság mérete), valamint a tervezett létszámbővítés között, megállapítható, hogy az igényelt támogatás és az SFH összeg között gyenge pozitív összefüggés, míg az SFH összeg és a tervezett létszámbővítés között negatív összefüggés található (lásd következő táblázat).

Korrelációs együttható (ÁTK III.)

Igényelt támogatási összeg

SFH ÖSSZEG

Tervezett létszámbővítés

Igényelt támogatási összeg 1

SFH ÖSSZEG 0,26 1

Tervezett létszámbővítés - 0,03 - 0,37 1

18. táblázat: Igényelt összegek, SFH összegek és tervezett létszámbővítés korrelációja




Ami a Gépbeszerzés jogcím hasonló irányú vizsgálatát illeti, megállapítható, hogy rendkívül eltérően alakul az alkalmazotti létszám várható alakulása a támogatottak méretei alapján. Bár nyilvánvaló, hogy az egyes méretkategóriákon belül egyaránt előfordul a létszámcsökkenés és a létszámbővítés is, azonban az összesített értékek azt mutatják, hogy míg a mikro-, kis- és középméretű vállalkozások esetében a munkahelyteremtő hatást tulajdoníthatunk a támogatásoknak, addig a „nagyok” a támogatások révén elért fejlesztések ellenére is jelentős létszámleépítést terveznek. A források oldaláról vizsgálva az látható, hogy a rendelkezésre álló 76 milliárd forint hozzávetőlegesen fele olyan nagyüzemek beruházására fordítódik, ahol összesen nagyjából 5000 munkahely megszűnésével kell számolnunk. Megítélésünk szerint ennek az lehet a fő oka, hogy a kis- és közepes vállalkozások esetében a fejlesztés célja alapvetően kapacitás és a termelési volumen növelése volt, míg a nagyüzemek esetében elsősorban olyan modernizációs korszerűsítések történtek, melyek az elért költségcsökkentések révén igyekeztek a jövedelem növelését biztosítani. Előbbiek az inputok növelésével, utóbbiak az inputok csökkentésével kívánják ugyanazt (a magasabb jövedelmet) elérni, markánsan eltérő foglalkoztatási stratégia mentén.

Méretkategóriák SFH 2007 alapján (Gépbeszerzés)

Átlagos támogatási összegek

Tervezett létszámbővít

és

Átlaglétszám

(fejelsztés előőti tény)


utánra vállalt)

Mikro vállalkozás 3 005 524 Ft 369 3 528 3 897

Kisvállalkozás 4 263 879 Ft 461 4 321 4 782

Közepes vállalkozás 8 365 816 Ft 771 7 009 7 780

Nagyvállalkozás 18 393 874 Ft - 5 412 88 179 82 767

Nincs benn a vizsgálatban30 6 883 962 Ft 600 6 812 7 412

Összesen 76 784 719 852 Ft -3 211 109 849 106 638

19. táblázat: Gépbeszerzés jogcím foglalkoztatási potenciálja

Ami a megítélt támogatási összegek, az SFH összeg és a tervezett létszámbővítés közötti statisztikai kapcsolatot mutatja, megállapítható, hogy helyes a megérzésünk a támogatás és a méret pozitív korrelációjáról, azonban újfent negatív a mutatónk értéke a létszámbővítés és a másik két kategória között, ami azt jelenti, hogy a nagyobb gazdálkodók (magasabb támogatással és SFH összeggel) hajlamosabbnak mutatkoztak a létszámleépítésre.

30 Az IIER nem tartalmazott ezen kedvezményezettekhez SFH értéket.




Korrelációs együttható

Megítélt támogatási összeg SFH összeg Tervezett

létszámbővítés

Megítélt támogatási összeg 1

SFH 2007 0,41 1

Tervezett létszámbővítés -0,11 -0,28 1

20. táblázat: SFH kategóriák és támogatási összegek összefüggése 2.

4.2.3. TERMELÉKENYSÉGI VIZSGÁLAT

Hatásvizsgálat

A munkatermelékenység változásának vizsgálatát csak az ÁTK és ÉLIP jogcímek esetében végeztük el, összehasonlítva a fejlesztést megelőző év tényleges 1 alkalmazotti létszámra vetített nettó árbevételét, és a fejlesztést követő év tényleges mutatóját.A vizsgálat során megállapítottuk, hogy az ÁTK jogcím esetében mind a vizsgált csoportnál, mind a kontrollcsoportnál csökkent a fent leírt mutató: az előbbinél 2 719 180 Ft-al, az utóbbinál 1 654 050 Ft-al. Ennek alapvetően az az oka, hogy a vizsgált csoport kiemelkedő árbevétel növekményét létszámbővítés mellett érte el, míg a kontrollcsoport a szerényebb mértékű bevétel növekedés mellett drasztikusabb létszám leépítést mutathat fel.Az ÉLIP jogcím vizsgálata – legalábbis munkatermelékenységi szempontból – kedvezőbb képet adott: a vizsgált csoportban 254 776 Ft-os, a kontrollcsoportban 1 567 968 Ft-os növekedés volt tapasztalható. Megjegyzendő, hogy mindezt jelentős létszámleépítés kísérte, az árbevétel – az ÁTK jogcímnél szolidabb - változása mellett.

4.2.4. NEMZETGAZDASÁGRA GYAKOROLT HATÁSOK

Potenciálvizsgálat

A vizsgálat eredményét a következő táblázat szemlélteti:

Jogcím „Dolgi” kiadások ÁFA tartalom Export arány31

ÉLIP 71 658 607 976 Ft 14 331 721 595 Ft -31 Csak azon jogcímeknél tudtuk ezt megadni, ahol a költségszerkezeti táblák tartalmazták a gépek származási helyét is.




ÁTK 182 394 432 567 Ft 36 478 886 513 Ft -

Gépbeszerzés 76 712 965 552 Ft 15 342 593 110 Ft 8,26% magyar származású

Tanyabusz 12 041 209 112 Ft 2 408 241 822 Ft -

Kertészeti gépek 9 964 104 716 Ft 1 992 820 943 Ft 2,95% magyar származású

Kertészeti üzemek

14 316 639 433 Ft 2 863 327 887 Ft -

Öntözés 8 256 911 322 Ft 1 651 382 264 Ft -

Szárítók 30 235 113 606 Ft 6 047 022 721 Ft -

Erdészeti gépbeszerzés

4 586 432 127 Ft 917 286 425 Ft -

Mikro vállalkozások

13 971 042 839 Ft 2 794 208 568 Ft -

Turizmus 14 049 389 278 Ft 2 809 877 856 Ft -

Összesen 438 186 848 528 Ft

87 637 369 706 Ft -

21. táblázat: Államháztartási hatás vizsgálata

A megítélt támogatások költségszerkezetét megvizsgálva arra a megállapításra jutottunk, hogy néhány elenyésző számú kivételtől eltekintve a kötelezettségvállalások teljes egészében ÁFA-köteles kiadás. Mivel a kifizetések folyamatosan zajlottak 2008-tól kezdve (amikor az ÁFA kulcs 20% volt még), konzervatív becslésünkben ezt a 20%-os kulcsot alkalmaztuk az ÁFA vonzat kiszámítására. Ezt az is indokolja, hogy néhány esetben a kedvezményezettek élhettek ÁFA visszatérítési igénnyel, amiből így az államnak nem származott bevétele. Így azt mondhatjuk, hogy a vizsgált jogcímekben megítélt támogatások hozzávetőleg 87,6 Mrd Ft ÁFA bevételt jelenthetnek optimista forgatókönyv szerint a magyar állam számára.A gépbeszerzéseknél a származási hely beazonosítása alapján32, megállapítható, hogy azok töredéke származik belföldről. Az import rontja a magyar külkereskedelmi mérleg egyenlegét, így vélhetően a gépbeszerzésekre juttatott támogatási összegek döntő többsége (90-95%-a) egyszerűen kiáramlott az országból.

32 Forrás: Gépkatalógus.




4.2.5. TOVÁBBI STATISZTIKAI VIZSGÁLATOK

4.2.5.1. GAZDASÁGOK SFH MÉRET SZERINTI MEGOSZLÁSA

22. táblázat: Gazdaságok SFH méret szerinti megoszlása

A 22. táblázat részletesen szemlélteti a vizsgálatba bevont jogcímekben támogatást nyert gazdaságok SFH-összeg szerinti megoszlását. Megállapítható, hogy:

az ÁTK jogcímben támogatott gazdaságok mérete kimagaslóan nagyobb, mint a többi jogcímben szereplő gazdaságoké;

a Fiatal gazda jogcím kivételével erőteljes támogatási koncentráció figyelhető meg; az ÁTK és a Gépbeszerzés jogcímekben a nagygazdaságok átlagosan több, mint a

dupláját „kapták” a közepes méretű gazdaságok támogatási összegénél; az Öntözés és az ÁTK jogcím nagygazdaságainak kimagasló EUME értéke alapján

megfontolandónak tartjuk átgondolni a támogatni kívánt célcsoportot ( a „holtteher-veszteség” minimalizálása érdekében).




4.2.5.2. KÖLTSÉG FŐCSOPORTOK

Az MVH-tól kapott ún. „tételes lista”, valamint az egyes jogcímek támogatási kérelem költségszerkezete alapján megvizsgáltuk a beruházások jellemző költségszerkezetét. A vizsgálat eredményét a következő táblázat tartalmazza.

TK KÖLTSÉG FŐCSOPORTOK

ÉLIPKERTÉSZETI

ÜZEMEKÖNTÖZÉS SZÁRÍTÓK

MIKROVÁLL

ALKOZÁSTURIZMUS

GÉPKATALÓGUSB

ÓL VÉGZETT BESZERZÉS

41 434 516 774 Ft

1 415 716 115 Ft

1 790 717 386 Ft

21 329 928 034 Ft

1 452 189 813 Ft

51 504 189 Ft

ÉNGY-BÓL VÉGZETT ÉPÍTÉSI BERUHÁZÁS

30 224 091 202 Ft

10 461 080 651 Ft

5 860 925 702 Ft

5 801 907 330 Ft

6 266 850 271 Ft

12 215 633 803 Ft

ÁRAJÁNLATOS TÉTELEK

10 500 000 Ft

5 999 616 Ft12 453 237

Ft

INFRASTRUKTÚR

ALÉTESÍTÉS

1 183 530 759 Ft

LÉTESÍTMÉNY ÉPÍTÉSE

8 675 000 Ft

SPECIÁLIS ESZKÖZÖK BESZERZÉSE

52 939 294 Ft

491 260 640 Ft

EGYÉB BESZERZÉSEK

520 338 834 Ft

693 974 729 Ft

605 268 234 Ft

1 910 037 345 Ft

648 185 736 Ft

1 243 255 435 Ft

N/A667 500 Ft 1 035 138 Ft

20 479 560 Ft

47 735 211 Ft

ÖSSZESEN 76 526 536 681 Ft

12 576 771 111 Ft

8 156 911 322 Ft

30 235 113 606 Ft

8 453 097 911 Ft

12 806 133 843 Ft

23. táblázat: Kiadási tétel főcsoportok

Megjegyzendő, hogy a fenti táblázatban szereplő összegek nem a támogatási kérelemben szereplő elszámolható kiadásokat mutatják, hanem a megítélt támogatási összegek költségszerkezeti arányokkal súlyozott értékét33.

33 Ennek használatát – a megadott költségtételek, vagyis az elszámolható kiadások bemutatása helyett - azért tartottuk célravezetőnek, mert megítélésünk szerint ez ad pontosabb képet arról: a megítélt támogatási összegből milyen rész irányul az egyes kiadási tételekre.




A Gépbeszerzés jogcím esetében megvizsgáltuk, a megítélt támogatási összegekből hogyan részesültek az egyes gépcsoportok: a Gépkatalógus 2. szintje34 alapján kiválasztottuk a 7 legnagyobb kiadási tételt, melyek az összkiadás 81%-t tették ki. A kapott eredményeket a következő táblázat tartalmazza, a gazdaságok SFH-összeg alapján számított méretbeli bontása szerint. Megjegyzendő, hogy ebben az esetben is – hasonlóan az ÁTK előbb bemutatott elemzéséhez – a költségszerkezeti arányokkal súlyozott megítélt támogatási összegeket vettük alapul.

Gépcsoport Mikro gazdálkodó

Kis gazdálkodó

Középgazdálkodó

Nagy gazdálkodó Összesen

Traktorok 3 672 264 868 5 437 559 559 3 021 325 761 11 290 033 302

23 421 183 490

Magajáró betakarítók 1 452 305 143 4 252 815 924 658 503 938 8 818 762 440 15 182 387

444

Talajművelők 927 828 780 1 845 461 755 555 688 663 3 459 837 675 6 788 816 874

Vető-ültető 564 801 322 1 155 270 894 300 821 962 2 203 398 629 4 224 292 806

Egyéb magajárók 542 041 087 975 479 478 306 182 969 2 093 925 796 3 917 629 329

Betakarítók 184 439 974 783 529 907 200 770 846 2 733 459 083 3 902 199 811

Növényvédő 470 770 637 701 903 883 269 168 475 1 267 920 611 2 709 763 606

Összesen 7 814 451 812

15 152 021 400

5 312 462 613

31 867 337 535

60 146 273 360

24. táblázat: Támogatások gépcsoportok és SFH méret szerinti megoszlása (Ft)

Megállapítható, hogy kimagaslóan a legtöbb támogatás traktorbeszerzésre és betakarítógépekre irányult, amely elsősorban a szántóföldi növénytermesztési ágazat dominanciájáról árulkodik.

A Kertészeti gépbeszerzés jogcímben megítélt támogatások a következő géptípusok beszerzésére irányultak35:

Gépcsoportok Megítélt támogatási összegek

Traktorok 6 589 043 022 Ft

Magajáró betakarítók 979 920 130 Ft34 A gépazonosító kód első két számjegye.35 A megítélt támogatási összegek költségszerkezeti arányokkal súlyozott értéke alapján.




Betakarítógépek, adapterek 473 884 599 Ft

Álló- és vegyes munkák gépei 385 849 485 Ft

Növényvédőgépek, műtrágya és szervestrágya… 340 840 136 Ft

Talajművelő- és földművelőgépek 210 090 798 Ft

Tisztító- manipuláló- és feldolgozógépek 209 346 728 Ft

Öntözés gépei, berendezései 163 974 142 Ft

Egyéb magajáró gépek 160 680 714 Ft

Növénytermelés és -feldolgozás egyéb gépei 137 603 938 Ft

Anyagmozgató gépek 120 399 650 Ft

Vető- és ültetőgépek 108 900 789 Ft

Egyéb majori gépek, műszerek 83 570 585 Ft

Összesen 9 964 104 716 Ft

25. táblázat: Kertészeti gépcsoportok támogatási megoszlása

Látható, hogy a legtöbb támogatást traktorokra vették fel a kertészeti gép jogcímben is, ahogyan a gépbeszerzés jogcímben is. A traktorok származási ország szerinti megoszlásának vizsgálata alapján megállapítható, hogy azok többsége Európából érkezett – lásd: . táblázat.

Traktorok származási országa

Megítélt támogatási összegek

Olasz 2 001 667 325 Ft

Német 1 784 581 328 Ft

Fehérorosz 1 077 202 193 Ft

Francia 785 603 074 Ft

Cseh 243 834 121 Ft

26. táblázat: Kertészeti gép – traktorok származási helye szerinti bontás




A Szárítók jogcím36 esetében megállapítható volt, hogy 7 géptípus beszerzése „vitte el” a megítélt támogatási összegek 80%-át – ezt szemlélteti a következő táblázat.

Kiadási tétel megnevezése Megítélt támogatási összegek

Megítélt támogatási összeg a jogcímben megítélt összes támogatáshoz viszonyítva

Terményszárító 13 875 616 285 Ft 45,89%

Terménytisztító 4 797 698 521 Ft 15,87%

Egyéb költség 1 657 171 247 Ft 5,48%

Fogadógarat 1 536 953 907 Ft 5,08%

Szárító 871 988 743 Ft 2,88%

Hídmérleg 808 111 767 Ft 2,67%

Tranzit-tároló 726 615 291 Ft 2,40%

27. táblázat: Szárítók – főbb kiadási tételek

Az Erdészeti gépbeszerzés jogcím kiadási tételeinek vizsgálata során megállapítható, hogy a beszerzett gépek közül több nem kizárólag erdészeti célra használható.

Kiadási tétel megnevezése Megítélt támogatási összeg Felhasználási terület

JOHN DEERE 1410D ERD.KÖZELÍTŐ 112 500 000 Ft Kizárólag erdészet

FENDT 936 VARIO FORST 105 769 500 Ft Erdészet és mezőgazdaság

VALTRA N101 ERDÉSZETI KIVITEL 96 000 000 Ft Jellemzően erdészet

VALTRA T171 80 560 000 Ft Erdészet és mezőgazdaság

VALMET840.4 ERDÉSZETI KIHORDÓ 8X8

72 808 256 FtKizárólag erdészet

JENZ 581R MAN CHIPPERTRUCK 67 500 000 Ft Kizárólag erdészet

JOHN DEERE 8430 61 459 633 Ft Jellemzően mezőgazdaság

FENDT 936 VARIO 61 316 000 Ft Kizárólag mezőgazdaság

VALTRA N101 61 084 980 Ft Jellemzően mezőgazdaság

FENDT 936 VARIO IKERKERÉK 59 875 000 Ft Kizárólag mezőgazdaság

36 A növénytermesztés létesítésének korszerűsítése jogcím.




Kiadási tétel megnevezése Megítélt támogatási összeg Felhasználási terület

VALTRA T191 56 501 748 Ft Erdészet és mezőgazdaság

HYUNDAI HL757-7 ALAPKANÁLLAL 53 040 000 Ft Útépítés

28. táblázat: Erdészeti gépbeszerzés – főbb tételek megnevezése

4.2.5.3. ÁTK TOVÁBBI ELEMZÉSE

Az Állattartó telepek korszerűsítése jogcím vizsgálata során megnéztük, hogyan alakult a támogatottak száma, a megítélt támogatási összeg, valamint a kifizetések. A 29. táblázat tartalmazza ezen adatokat az ÁTK I és ÁTK II jogcím esetében37: a regionális bontás a fejlesztés megvalósítási helye alapján készült.

Régió Támogatottak száma Jóváhagyott támogatási összeg Kifizetett összegÁTK I. 760 85 121 286 092 Ft 36 103 810 228 Ft Dél-Alföld 110 10 921 462 050 Ft 5 588 452 613 Ft Dél-Dunántúl 79 10 198 058 298 Ft 4 595 565 733 Ft Észak-Alföld 187 24 068 492 499 Ft 9 638 541 990 Ft Észak-Magyarország 57 4 673 255 079 Ft 2 159 092 438 Ft Közép-Dunántúl 92 11 389 378 354 Ft 4 068 223 975 Ft Közép-Magyarország 113 12 005 104 075 Ft 4 619 605 210 Ft Nyugat-Dunántúl 122 11 865 535 737 Ft 5 434 328 269 Ft ÁTK II. 1001 126 920 741 711 Ft 39 300 980 198 Ft Dél-Alföld 172 20 091 941 715 Ft 7 095 833 732 Ft Dél-Dunántúl 111 17 668 710 056 Ft 5 863 357 168 Ft Észak-Alföld 230 35 324 846 851 Ft 11 605 425 189 Ft Észak-Magyarország 95 12 229 687 513 Ft 2 543 260 464 Ft Közép-Dunántúl 116 13 366 381 550 Ft 3 867 089 106 Ft Közép-Magyarország 139 16 480 337 728 Ft 4 549 801 587 Ft Nyugat-Dunántúl 138 11 758 836 298 Ft 3 776 212 952 Ft

Összesen 1761 212 042 027 803 Ft 75 404 790 426 Ft

29. táblázat: ÁTK jogcím alapvető jellemzői

Amint azt a fenti táblázat jól szemlélteti, a legmagasabb jóváhagyott támogatási összeggel az Észak-Alföldi régió rendelkezik. Ami a támogatások megítélésnek időbeli alakulását illeti, jól látható, hogy a jogcím indulásának évében kiemelkedően sok támogatást hagyott jóvá az Irányító Hatóság (lásd: 30. táblázat). Ez azért is fontos számunkra, mert a FADN-re épülő ökonometriai elemzésben az ÚMVP beruházási jogcímeit kódoló FEJTAM változónk legkésőbbi elemzett értékei 2008-ból származnak.

37 Forrás: MVH Szervezési és Koordinációs Főosztálytól 2010.08.06-án kapott tételes lista alapján.




Határozat éve Támogatottak száma Jóváhagyott támogatási összegÁTK I. 760 85 121 286 092 Ft 2008 730 78 112 489 940 Ft 2009 26 5 350 247 512 Ft 2010 4 1 658 548 640 Ft ÁTK II. 1001 126 920 741 711 Ft 2008 946 115 320 197 387 Ft 2009 51 9 991 791 004 Ft 2010 4 1 608 753 320 Ft

Összesen 1761 212 042 027 803 Ft

30. táblázat: Határozat éve szerinti megoszlás

A rendelkezésre álló IIER adatok alapján megvizsgáltuk a támogatott beruházások költségszerkezetét is: a támogatási kérelemben szereplő kiadási tétel azonosító alapján a következő költségcsoportokat alkalmaztuk: technológiai beruházás (a következő alkategóriákkal: új férőhelyek kialakítása, takarmány előállítás, környezetkímélő gépek, trágya-biogáz, minőségfejlesztés, szélkerék beruházás, IT beruházás), gépbeszerzés, építési beruházás, egyéb beruházás. A projektek költséganalitikájában minden egyes költségsorhoz hozzárendeltük a megfelelő költségcsoportot, valamint – szakmai tapasztatok alapján – megjelöltük, hogy az adott költségsor jövedelemtermelő vagy nem jövedelemtermelő kiadás. Mindezek alapján meghatároztuk, hogy az egyes támogatott projektek megítélt támogatási összegéből milyen részesedéssel bírnak az egyes költségcsoportok. Ezek jogcímszintű összegzését szemlélteti a . ábra és a 31. táblázat. Megállapítható, hogy a technológiai kiadások adták a jogcím kiadási összegeinek 80%-át.

Nem technológiai kiadás.

Trágya-biogáz

Új férőhelyek

Minőség

Takarmány előállítás

IT

Környezetkímélő gépek

21,310,994,958

Ft 37,906,371,825

Ft 15,301,654,954

Ft 13,543,216,144

Ft 2,717,467,174

Ft

363,551,196 Ft

232,704,817 Ft

Költségkategóriák arányaival súlyozott megítélt támogatási összegek

Jövedelemszerző beruházás Nem jövedelemszerző beruházás

32. ábra: Költségkategóriák arányaival súlyozott megítélt támogatási összegek




Kiadási kategória Jövedelemszerző beruházásNem jövedelemszerző beruházás Összes támogatásNem technológiai kiadás. 20 204 665 031 Ft 21 310 994 958 Ft 41 515 659 988 Ft Trágya-biogáz 34 241 196 217 Ft 37 906 371 825 Ft 72 147 568 043 Ft Új férőhelyek 35 042 761 329 Ft 15 301 654 954 Ft 50 344 416 283 Ft Minőség 13 699 403 712 Ft 13 543 216 144 Ft 27 242 619 856 Ft Takarmány előállítás 14 649 933 125 Ft 2 717 467 174 Ft 17 367 400 299 Ft IT 948 943 732 Ft 363 551 196 Ft 1 312 494 928 Ft Környezetkímélő gépek 28 294 767 Ft 232 704 817 Ft 260 999 585 Ft Összesen 118 815 197 913 Ft 91 375 961 069 Ft 210 191 158 982 Ft

31. táblázat: Támogatások kiadási kategóriák szerinti megoszlása

A 4.1.2 fejezetben szereplő elemzés kimagasló jövedelemnövekményt állapított meg a lezárt ÁTK projektek esetében. A kimagasló eredmény okainak megértéséhez megvizsgáltuk, hogy jellemzően milyen jellegű fejlesztés valósult meg (a költségszerkezet alapján). Amint azt a 32. táblázat szemlélteti, a lezárt és az összes támogatott projekt esetében nem igazolható azon feltevésünk, hogy a kimagasló árbevétel-növekményt az új férőhely bővítések nagy aránya okozhatta.

Nem technoló

giai kiadás

Trágya-

biogáz

Új férőhely

ek

Minőség

Takarmány

előállítás

ITKörnyezetkímélő gépek

Lezárt projektek 26,2% 44,2% 15,9% 8,2% 5,0% 0,3% 0,2%

Támogatott projektek 19,8% 34,3% 24,0% 13,0% 8,3% 0,6% 0,1%

32. táblázat: Technológiai arányok összehasonlítása a lezárt projektek és az összes jóváhagyott támogatott esetében




5. SZAKIRODALMI HIVATKOZÁSOK JEFFREY M. WOOLDRIDGE: INTRODUCTORY ECONOMETRICS: A MODERN APPROACH, INTERNATIONAL

EDITION, THOMSON 2006, 13. FEJEZET

JEFFREY M. WOOLDRIDGE: ECONOMETRIC ANALYSIS OF CROSS-SECTION AND PANEL DATA, CAMBRIDGE MA, MIT PRESS, 2002, 10. FEJEZET

QUANTITATIVE MICRO SOFTWARE: EVIEWS 5 USER’S GUIDE, 2004, 28. ÉS 29. FEJEZET

AGRÁRGAZDASÁGI KUTATÓ INTÉZET: TESZTÜZEMI INFORMÁCIÓS RENDSZER 2009. ÉVI EREDMÉNYEI, WWW.AKI.GOV.HU , P.49

APPROACHES FOR ASSESSING THE IMPACTS OF THE RURAL DEVELOPMENT PROGRAMMES IN THE CONTEXT OF MULTIPLE INTERVENING FACTORS, CMEF GUIDANCE, MARCH 2010


http://www.aki.gov.hu/

Documents

umvp.kormany.huumvp.kormany.hu/download/3/40/10000/UMVPMTE_4.8... · Web viewAz agrárgazdasági kutatásokból látszó általános tapasztalat, hogy a beruházási támogatások