VPLIV GOSPODARSKE KRIZE NA PRODUKTIVNOST …produktivnost dela v slovenskem gradbeništvu, in proučiti, ali je na produktivnost dela . 2 vplivala gospodarska kriza. V teoretičnem

UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA

Delo diplomskega projekta

VPLIV GOSPODARSKE KRIZE NA PRODUKTIVNOST GRADBENEGA SEKTORJA V SLOVENIJI:

EKONOMETRIČNA ANALIZA

September 2017 Aleksander Krajcer

UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA

Delo diplomskega projekta

VPLIV GOSPODARSKE KRIZE NA PRODUKTIVNOST GRADBENEGA SEKTORJA V SLOVENIJI:

EKONOMETRIČNA ANALIZA

The impact of the global economic crisis on the productivity of the construction sector in Slovenia: An

econometric analysis

Kandidat: Aleksander Krajcer

Študijski program: Ekonomske in poslovne vede

Študijska usmeritev: Ekonomija

Mentorica: izr. prof. dr. Darja Boršič

Jezikovno pregledala: Ana Žagar, mag. prof. slov. j. in knj.

Študijsko leto: 2016/2017

Maribor, september 2017

POVZETEK

V delu diplomskega projekta smo s pomočjo ekonometričnih modelov skušali prikazati vpliv, ki ga je gospodarska kriza 2008 imela na produktivnost slovenskega gradbenega sektorja. V letih pred krizo je ta rasel po zavidljivih, morda celo previsokih stopnjah, s podobno intenzivnostjo pa je nato ta rast tudi upadla. V prvem delu smo postavili teoretično izhodišče o krizah in o gradbeništvu ter o njuni prepletenosti, v drugem delu pa bomo s pomočjo regresijskih modelov na osnovi metode najmanjših kvadratov skušali kvantificirati vpliv gospodarske krize na produktivnost dela v gradbenem sektorju. Produktivnost dela smo izbrali, ker je s strani OECD priporočana kot dobra mera za uspešnost gospodarstva ali sektorja, hkrati pa zaradi pomanjkanja četrtletnih podatkov o obsegu kapitala v sektorju nismo mogli analizirati modela multifaktorske produktivnosti. Pri analizi smo kot odvisno spremenljivko uporabili dodano vrednost gradbenega sektorja, kot neodvisno spremenljivko pa število opravljenih delovnih ur v sektorju. Vse podatke smo pridobili s spletne baze Eurostat, ki deluje pod okriljem Evropske komisije. Ocenili smo ekonometrični model za celotno obdobje (2000–2015) in za dve podobdobji – pred in po nastopu krize. Ugotovili smo, da je njen vpliv nezanemarljiv, saj je padec produktivnosti dela velik – upadel je na približno 30 % vrednosti pred krizo.

Ključne besede: gradbeništvo, Slovenija, gospodarska kriza, ekonometrija

ABSTRACT

The aim of the diploma project is to use econometric models to help quantify the impact of the 2008 economic crisis on the productivity of the Slovenian construction sector. The sector grew rapidly in the years leading up to the crisis, perhaps too rapidly, because the downfall was just as severe. In the first part we present the theoretical aspects of the crisis and the construction sector as well as their connection. The second part aims to quantify the impact of the financial crisis on the construction sector by estimating a regression model based on the ordinary least squares method. We have decided to use labour productivity as recommended by OECD, because of the lack of quarterly capital data needed to design the more sophisticated multi-factor productivity model. Our dependent variable is gross value added in the construction sector and our independent variable is hours worked in the sector. All of the data was taken from European Commision's Eurostat. We have specified the model for the entire period (2000 – 2015), as well as two models for the sub-periods before and after the crisis. We have come to the conclusion that the impact of the crisis was significant as the drop in labour productivity was very big – it fell to about 30% of the pre-crisis value.

Key words: construction, Slovenia, economic crisis, econometrics

i

KAZALO

1 UVOD_________________________________________________________________________________ 1 1.1 Opis področja in opredelitev problema _______________________________________________ 1 1.2 Namen, cilji in hipoteze raziskave ____________________________________________________ 1 1.3 Predpostavke in omejitve __________________________________________________________ 2 1.4 Predvidene metode raziskovanja ____________________________________________________ 2

2 GOSPODARSKA KRIZA ____________________________________________________________ 3 2.1 O gospodarski krizi ________________________________________________________________ 3 2.2 Gospodarska kriza 2008____________________________________________________________ 6 2.3 Gospodarska kriza v Sloveniji ______________________________________________________ 10

3 GRADBENIŠTVO __________________________________________________________________ 13 3.1 Gradbeništvo v svetu _____________________________________________________________ 13 3.2 Gradbeništvo v Sloveniji __________________________________________________________ 14

4 PREDSTAVITEV MODELA _______________________________________________________ 19 4.1 Model multifaktorske produktivnosti _______________________________________________ 19 4.2 Model produktivnosti dela ________________________________________________________ 19 4.3 Predstavitev podatkov ____________________________________________________________ 20 4.4 Povezava med spremenljivkama____________________________________________________ 22

5 ANALIZA PRODUKTIVNOSTI DELA MED LETI 2000 IN 2015 ______________ 24 5.1 Linearni regresijski model _________________________________________________________ 24 5.2 Dvojno logaritemski regresijski model _______________________________________________ 25 5.3 Primerjava razlagalne moči modelov ________________________________________________ 26

5.3.1 Primerjava R2 ______________________________________________________________ 26 5.3.2 Box-Cox test _______________________________________________________________ 27 5.3.3 RESET test _________________________________________________________________ 28

5.4 Izbira najprimernejšega modela ____________________________________________________ 30 5.5 Preverjanje veljavnosti predpostavk izbranega modela _________________________________ 30

5.5.1 Normalna porazdelitev _______________________________________________________ 30 5.5.2 Heteroskedastičnost _________________________________________________________ 31 5.5.3 Avtokorelacija ______________________________________________________________ 33 5.5.4 Chowov test _______________________________________________________________ 35

6 ANALIZA VPLIVA GOSPODARSKE KRIZE NA PRODUKTIVNOST DELA____ 36 6.1 Obdobje 2000–2008 _____________________________________________________________ 36

6.1.1 Ocena modela ______________________________________________________________ 36 6.1.2 Preverjanje veljavnosti predpostavk izbranega modela _____________________________ 37

6.2 Obdobje 2008–2015 _____________________________________________________________ 39 6.2.1 Ocena modela ______________________________________________________________ 39 6.2.2 Preverjanje veljavnosti predpostavk izbranega modela _____________________________ 40

7 SKLEP ______________________________________________________________________________ 44

LITERATURA IN VIRI __________________________________________________________________ 46

ii

KAZALO SLIK SLIKA 1: ILUSTRACIJA POSLOVNEGA CIKLA ................................................................................................... 3 SLIKA 2: GIBANJE SLOVENSKEGA BDP, LETNA SPREMEMBA V ODSTOTKIH ................................................ 11 SLIKA 3: GIBANJE DODANE VREDNOSTI V GRADBENIŠTVU, INDEKS 2010 = 100 ....................................... 16 SLIKA 4: VREDNOST OPRAVLJENIH GRADBENIH DEL V SLOVENIJI, MILIJONI EVROV ................................. 17 SLIKA 5: GIBANJE DODANE VREDNOSTI V GRADBENIŠTVU, MILIJONI EVROV ........................................... 20 SLIKA 6: GIBANJE OBSEGA DELA V GRADBENIŠTVU, MILIJONI UR ............................................................. 21 SLIKA 7: POVEZAVA MED SPREMENLJIVKAMA ........................................................................................... 23 SLIKA 8: RAZSEVNI DIAGRAM MED OCENJENIMI VREDNOSTMI IN NAPAKAMI LINEARNEGA MODELA .... 28 SLIKA 9: RAZSEVNI DIAGRAM MED OCENJENIMI VREDNOSTMI IN NAPAKAMI DVOJNO LOGARITEMSKEGA

MODELA ........................................................................................................................................... 29 SLIKA 10: PORAZDELITEV SLUČAJNE SPREMENLJIVKE ............................................................................... 31 SLIKA 11: GRAFIČNI PREIZKUS HETEROSKEDASTIČNOSTI ........................................................................... 32 SLIKA 12: PORAZDELITEV SLUČAJNE SPREMENLJIVKE ............................................................................... 37 SLIKA 13: GRAFIČNI PREIZKUS HETEROSKEDASTIČNOSTI ........................................................................... 38 SLIKA 14: PORAZDELITEV SLUČAJNE SPREMENLJIVKE ............................................................................... 40 SLIKA 15: GRAFIČNI PREIZKUS HETEROSKEDASTIČNOSTI ........................................................................... 41

KAZALO TABEL TABELA 1: DODANA VREDNOST, 10 NAJBOLJŠIH IN 10 NAJSLABŠIH OBDOBIJ ........................................... 21 TABELA 2: OBSEG DELA, 10 NAJBOLJŠIH IN 10 NAJSLABŠIH OBDOBIJ ....................................................... 22 TABELA 3: LINEARNI REGRESIJSKI MODEL .................................................................................................. 24 TABELA 4: DVOJNO LOGARITEMSKI REGRESIJSKI MODEL .......................................................................... 25 TABELA 5: RESET TEST LINEARNEGA MODELA – T- IN F-STATISTIKA ........................................................... 29 TABELA 6: RESET TEST DVOJNO OGARITEMSKEGA MODELA – T- IN F-STATISTIKA .................................... 29 TABELA 7: TESTI NORMALNE PORAZDELITVE ............................................................................................. 31 TABELA 8: BREUSCH-PAGANOV TEST HETEROSKEDASTIČNOSTI ................................................................ 32 TABELA 9: WHITOV TEST HETEROSKEDASTIČNOSTI ................................................................................... 33 TABELA 10: BREUSH-GODFREYEV TEST AVTOKORELACIJE .......................................................................... 34 TABELA 11: METODA HAC .......................................................................................................................... 34 TABELA 12: RESPECIFICIRAN MODEL, POPRAVLJEN ZA AVTOKORELACIJO ................................................. 35 TABELA 13: CHOWOV TEST ......................................................................................................................... 35 TABELA 14: LINEARNI REGRESIJSKI MODEL – PREDKRIZNO OBDOBJE ....................................................... 36 TABELA 15: TESTI NORMALNE PORAZDELITVE ........................................................................................... 37 TABELA 16: BREUSCH-PAGANOV TEST HETEROSKEDASTIČNOSTI .............................................................. 38 TABELA 17: WHITOV TEST HETEROSKEDASTIČNOSTI ................................................................................. 38 TABELA 18: GLEJSERJEV TEST HETEROSKEDASTIČNOSTI ............................................................................ 39 TABELA 19: BREUSCH-GODFREY TEST AVTOKORELACIJE ............................................................................ 39 TABELA 20: LINEARNI REGRESIJSKI MODEL – OBDOBJE PO IZBRUHU KRIZE .............................................. 39 TABELA 21: TESTI NORMALNE PORAZDELITVE ........................................................................................... 40 TABELA 22: BREUSCH-PAGANOV TEST HETEROSKEDASTIČNOSTI .............................................................. 41 TABELA 23: WHITOV TEST HETEROSKEDASTIČNOSTI ................................................................................. 41 TABELA 24: BREUSCH-GODFREY TEST AVTOKORELACIJE ............................................................................ 42 TABELA 25: METODA HAC .......................................................................................................................... 42 TABELA 26: RESPECIFICIRAN MODEL, POPRAVLJEN ZA AVTOKORELACIJO ................................................. 42

1

1 UVOD

1.1 Opis področja in opredelitev problema

Gradbeništvo v Sloveniji prispeva okoli 7 % bruto domačega proizvoda države in zaposluje okoli 10 % prebivalstva. Ob tem gradbena podjetja predstavljajo kar 14 % vseh slovenskih podjetij, zato ni dvoma, da govorimo o enem najpomembnejših sektorjev.

Za gradbeništvo je značilno, da se giblje prociklično, se pravi v smeri splošne gospodarske klime, kar smo Slovenci lahko spoznali iz prve roke v luči nedavne gospodarske krize – rast gradbeništva pred njo je bila namreč zelo visoka, krepko višja od povprečja Evropske unije, je pa zato proti koncu leta 2008 kolapsirala, kar je predstavljalo velik šok za sektor.

Rast vrednosti opravljenih gradbenih del v Sloveniji je v obdobju zadnjih treh let pred krizo znašala v povprečju 15,3 % na letni ravni, kar je bilo krepko – celih 12 odstotnih točk – nad povprečjem Evropske unije. Takšna rast je sama po sebi seveda odlična, vendar pa je sporen njen izvor. Gradbena podjetja so namreč svojo rast spodbujala predvsem z intenzivnim zadolževanjem, ki je temeljilo na nerealnih pričakovanjih in pogosto tudi na golem pohlepu. Tako je bilo na kocki veliko in posledice so bile vidne takoj – že prvo leto po izbruhu krize (2009) je rast vrednosti opravljenih gradbenih znašala negativnih 12 %.

Sektor se danes sicer pobira, vendar zelo počasi. V letu 2015 je bilo tako skupno izdanih 1.888 gradbenih dovoljenj več kot leto poprej, vendar je to skupno še vedno 14 % manj kot leta 2007. Glavnino tega povečanja pa predstavljajo gradbena dovoljenja za nestanovanjske objekte – tistih za stanovanjske objekte je kar 73 % manj kot leta 2007. Tudi skupna vrednost opravljenih gradbenih del se povečuje, a precej počasneje kot v primerljivih gospodarstvih. V letu 2016 je tako znašala šele 50 % vrednosti iz že tako slabega leta 2010 (SURS, 2016).

Gospodarska kriza sama po sebi sicer ni edini razlog za trenutno stanje slovenskega gradbeništva, vendar jo bomo izpostavili kot najpomembnejši faktor in jo obravnavali najpodrobneje.

1.2 Namen, cilji in hipoteze raziskave

Namen raziskave je ugotoviti vpliv gospodarske krize na aktivnost v slovenskem gradbeništvu. Definirali bomo najprimernejši model za razlago produktivnosti dela in z njegovo pomočjo kvantificirali vpliv, ki ga je omenjena kriza imela na produktivnost gradbenega sektorja v Sloveniji. Dobljene rezultate bomo nato tudi vsebinsko preučili in komentirali.

Cilj raziskave je določiti ustrezen ekonometrični model, ki bo najbolje pojasnjeval produktivnost dela v slovenskem gradbeništvu, in proučiti, ali je na produktivnost dela

2

vplivala gospodarska kriza. V teoretičnem delu bomo spoznali tudi značilnosti gradbenega sektorja in gospodarske krize ter njuno prepletenost.

V delu bomo preverjali eno temeljno hipotezo:

H1: Gospodarska kriza je imela izrazit vpliv na produktivnost dela v gradbeništvu – z letom 2009 pride do opaznih sprememb v funkciji produktivnosti dela.

1.3 Predpostavke in omejitve

Izhajamo iz predpostavke, da je model produktivnosti dela, ki ga za merjenje zmogljivosti posameznega sektorja gospodarstva priporoča OECD (2008), praktično uporaben in ga je možno aplicirati tudi na slovensko gospodarstvo.

OECD pri analiziranju produktivnosti priporoča podatke iz lastne podatkovne baze STAN (Structural Analysis Database), kjer pa so potrebni podatki beleženi zgolj na letni ravni. Zato smo zaradi večje natančnosti poiskali ekvivalentne četrtletne podatke v bazi Eurostat. Med zabeleženimi podatki sicer občasno prihaja do rahlih, a sprejemljivih odstopanj v rangu nekaj odstotkov.

Pri raziskovanju se zanašamo na točnost in zanesljivost uporabljenih podatkov.

V resnici je spremenljivk, ki lahko vplivajo na output oz. produktivnost v sektorju več, vendar se bomo v tem delu zaradi pomanjkanja podatkov morali osredotočiti na eno – obseg dela v urah – kar tudi predstavlja največjo omejitev pri raziskovanju in razlog, zakaj smo se odločili za model produktivnosti dela in ne za natančnejši model multifaktorske produktivnosti. Vse neobravnavane spremenljivke, ki bi lahko vplivale na dodano vrednost, bodo v modelu izražene s slučajno spremenljivko u.

Kot mero outputa smo po priporočilih OECD izbrali bruto dodano vrednost v gradbeništvu v evrih.

1.4 Predvidene metode raziskovanja

Naloga sestoji iz teoretičnega in empiričnega dela. Teoretični del naloge bo deskriptiven, saj bomo predstavili značilnosti gradbenega sektorja in gospodarske krize ter njuno prepletenost. Predstavili bomo tudi model produktivnosti dela in uporabljene podatke.

V empiričnem delu bomo ekonometrične modele ocenjevali s pomočjo metode najmanjših kvadratov, kot jo razlaga Pfajfar (2014). Najprimernejši model bomo poiskali s primerjanjem determinacijskih koeficientov (R2) ter z izvedbo Box-Cox in RESET testov. Za izbran model bomo z ustreznimi testi preverili veljavnost predpostavk metode najmanjših kvadratov – normalno porazdelitev, heteroskedastičnost in avtokorelacijo. Podatke za obdelavo bomo pridobili iz podatkovne baze Eurostat.

V sklepnem delu bomo z metodo sklepanja poskušali poiskati primerne zaključke glede na dobljene rezultate.

3

2 GOSPODARSKA KRIZA

2.1 O gospodarski krizi

Zgodovina uči, da nobeno gospodarstvo ne raste nemoteno in da so v vsakem gospodarstvu prisotne fluktuacije. Tako je začetek 21. stoletja veljal za obdobje prosperitete in ekspanzije, kar je ob naraščajočih cenah nepremičnin vodilo v pretiran optimizem, ki je nato leta 2007 v ZDA pristal na trdnih tleh. Čez noč je nastopila finančna kriza, ki je privedla do upadanja gospodarske rasti oz. kontrakcije. Podobno se je že dogajalo v preteklosti, le da v osredju dogajanja običajno niso bile cene nepremičnin. Nesporno je tudi to, da se po doseženem dnu vedno začne konjuktura, ki nemalokrat vodi v nov gospodarski »bum«. Temu pojavu valovanja gospodarstva pravimo poslovni cikli (Slika 1). Samuelson in Nordhaus (2010) jih definirata kot »fluktuacije v narodnem outputu, prihodku in zaposlenosti, ki običajno trajajo med dvema in desetimi leti in so zaznamovane z znatno hkratno ekspanzijo ali s kontrakcijo večine sektorjev v gospodarstvu.«

Slika 1: Ilustracija poslovnega cikla

Vir: Chan (2016)

Poslovne cikle praviloma delimo na dva dela – na ekspanzijo in kontrakcijo. Obdobje prosperitete imenujemo ekspanzija. Ko se poslovni cikel obrne navzdol, pa govorimo o kontrakciji. Po definiciji je to obdobje upadanja bruto domačega proizvoda, dohodka in zaposlenosti v opazovanem gospodarstvu. O recesiji govorimo, ko beležimo dve zaporedni četrtletji kontrakcije gospodarstva. Če so te kontrakcije zelo intenzivne ali trajajo več kot eno leto, govorimo o depresiji. Recesije in depresije pa pogosto hodijo z

4

roko v roki z gospodarskimi krizami. V novejši zgodovini je bilo teh kar precej, denimo (Samuelson in Nordhaus, 2010):

prekomerno grajenje železnic in druge infrastrukture v 19. stoletju, kar je ob rastočih cenah vodilo v prezadolževanje in številne bankrote – tako so tudi banke ostale nepoplačane in nastala je bančna kriza;

leta 1923 je v Nemčiji prišlo do krize hiperinflacije zaradi tiskanja denarja, kar je privedlo celo do obstoja bankovca za 25 milijonov mark;

špekulativni mehurček ali »dot-com« kriza v 90. letih 20. stoletja, ki je temeljila predvsem na računalništvu, medmrežju in spletnih podjetjih brez prave vrednosti – ko so investitorji to dojeli, so začeli panično prodajati delnice in vrednosti podjetij so strmoglavile in vodile v množične bankrote in

nepremičninski mehurček, ki je počil leta 2006 oz. 2007 in je v marsičem spominjal na prejšnjo, »dot-com« krizo, je sprožil zadnjo finančno oz. gospodarsko krizo.

Strašek (2009) definira poslovne cikle kot nihaje v outputu in zaposlenosti, ki jih zaznamuje močna ekspanzija ali kontrakcija. Našteva tri razlike med poslovnimi cikli:

obseg cikla (zajeto celotno gospodarstvo ali zgolj del njega),

trajanje cikla (od 1 do 12 let) in

amplituda cikla, t.j. razlika med vrhom in dolom cikla.

Nadalje avtor ugotavlja, da je več znakov, ki opozarjajo na recesijo – med drugim porast brezposelnosti, padec delniških tečajev in inflacije, padec BDP, padec osebne potrošnje in investicij. Vseeno pa je prognoza ciklov otežena, saj kljub podobnostim ti nikoli niso enaki.

Obstaja več teorij o nastanku gospodarske krize – keynesianska razlaga, teorija čezmernih investicij, psihološka teorija, teorija premajhne potrošnje in monetarna teorija. Faktorji, ki jih lahko povzročijo, so različni, pogosto pa jih delimo na aktivne in pasivne ter endogene in eksogene (Štor, 2002).

Ker je finančni sektor najbolj izpostavljen, se gospodarske krize pogosto prično prav tam – iz finančne krize se nato v realno gospodarstvo prenesejo eksternalije in razvije se gospodarska kriza. Najlažje si to predstavljamo na primeru bančne finančne krize. Zanjo je značilna nelikvidnost udeležencev bančnega trga. Zaradi nezmožnosti pokrivanja tekočih obveznosti, do česar praviloma pride zaradi prevelike izpostavljenosti tveganju, bankam primanjkuje likvidnih sredstev. Zaradi tega se zaostrijo pogoji zadolževanja – obrestne mere – kar zniža obseg investicij in povpraševanja ter vodi v upad gospodarske rasti oz. BDP-ja (Jamer, 2010).

Različni avtorji različno definirajo finančno krizo. Mishkin (2004) trdi, da se kriza pojavi, ko v finančnem sistemu pride do nepravilnosti v smislu, da sredstva ne morejo biti učinkovito prenesena od ponudnikov do povpraševalcev. Ker trgi ne delujejo več učinkovito, gospodarska aktivnost začne upadati. Avtor našteje še pet kategorij dejavnikov, ki običajno sprožijo finančno krizo:

5

povečanje obrestnih mer,

povečanje negotovosti,

težave v bančnem sektorju,

neravnotežja v državnih proračunih in

vplivi trga na bilance podjetij.

Laeven in Valencia (2008) ugotavljata, da do finančne krize pride, ko podjetniški in finančni sektor doleti visoka raven neplačil. Slaba posojila se tako povečajo in počasi izčrpavajo kapital bank. Ob tem lahko pada vrednost sredstev, povečajo se obrestne mere in upočasnijo se kapitalski tokovi. Običajno se razglasi finančna kriza, ko je očitno, da so se pomembne finančne institucije znašle v težavah.

Hyman Minsky je razvil model za razlago finančnih kriz v zahodnih tržnih gospodarstvih. Izpostavlja prociklično povpraševanje po zunanjem financiranju – kreditih, ki v fazi gospodarske rasti močno raste, saj na trgu vlada pretirani optimizem, ki vodi v precenjevanje donosov nekaterih projektov. Tudi banke gledajo skozi ista očala – so pretirano optimistične glede prihodnosti, prav tako pa želijo izkoristiti povpraševanje po kreditih, ki predstavlja njihov vir zaslužka, in se pogosto spustijo v precej tvegane projekte. Nasprotno se v časih upočasnitve gospodarske rasti ali recesije zadeva obrne. Trdi, da se pot proti krizi začne z nekim velikim, praviloma pozitivnim, šokom za gospodarstvo, ki izboljša obete za prihodnost v vsaj enem sektorju. Podjetja in gospodinjstva si tako začnejo izposojati denar, da bi izkoristili projekcije o prihodnjih dobičkih. Ta dodatna gospodarska aktivnost še nadalje spodbudi gospodarsko rast in obete še izboljša, kar pa lahko privede v zelo nevaren, pretiran optimizem. Primer šoka je recimo nagla ekspanzija avtomobilske proizvodnje in avtocest ter širitev električnega omrežja in telefonov v ZDA v 20. letih prejšnjega stoletja ali pa liberalizacija finančnih trgov na Japonskem v 80. letih.

Predpostavimo, da se povpraševanje po dobrinah in storitvah poveča. To sčasoma vodi v povišanje cen in praviloma povišanje dobičkonosnosti podjetij, kar vodi v povečanje investicij. Te dvignejo raven narodnega dohodka, kar pa spet poveča investicije. V tem trenutku se lahko razvije evforija. Zanimanje za vrednostne papirje in druge oblike plemenitenja premoženja (nepremičnine, surovine) se znatno poveča, saj je pričakovan porast cen v prihodnosti. Adam Smith je ta proces poimenoval overtrading, kar bi lahko v grobem prevedli v prekomerno menjavo. Donosi naložb so zaradi pozitivnega vzdušja v gospodarstvu močno precenjeni in na trg se vključi ogromno špekulantov. To sproži domino efekt – ljudje vidijo druge, kako služijo na borzi in želijo svoj kos pogače. Ker želijo v tem času tudi banke na vsak način povečati tržni delež, so posojila zelo dostopna. Navzven vse deluje čudovito, v resnici pa gre za iracionalno vedenje, ki potisne cene instrumentov na nerealno visoke ravni, daleč od svoje prave, notranje vrednosti – pravimo, da nastaja špekulativni mehurček. In kot vsak mehurček, tudi ta enkrat poči. Običajno za to potrebuje od 15 do 40 mesecev, ni pa nujno. Tak mehurček je med drugim nastal tudi v obeh situacijah, omenjenih v prejšnjem odstavku – v 20. letih v ZDA in v 80. letih na Japonskem (Kindleberger in Aliber, 2005).

6

2.2 Gospodarska kriza 2008

Glavni razlog za zadnjo gospodarsko krizo je hipotekarna kriza oz. kolaps ameriškega bančnega sistema v letu 2007 in sledeča finančna kriza, ki se je nato preko različnih kanalov prenesla tudi na realni sektor. Do finančne krize je prišlo predvsem zaradi nepravilnega, izrazito tveganega vedenja menedžerjev največjih bank. Ker je bila finančna regulacija v tem času bolj ohlapna, so si banke lahko privoščile slaba posojila, predvsem hipotekarne kredite, s katerimi so želele povečati zaslužek. Te slabše hipotekarne kredite so nato skupaj z drugimi zapakirali v posebne finančne instrumente – Collateralized Debt Obligations – in tako prikrili njihovo pravo vrednost oz. tveganje. Ker se s temi instrumenti ni trgovalo na borzi, je njih vrednotenje v celoti padlo na velike bonitetne agencije. Govorimo predvsem o treh največjih – Standard & Poor's, Moody's Investor Services in Fitch Ratings. Ocene, ki jih te agencije podelijo, bi naj bile legitimno merilo vrednosti oz. kvalitete, vendar se pojavi konflikt interesov. Stranke namreč za bonitetno oceno plačajo in če z njo niso zadovoljne, lahko menjajo ponudnika. Iz tega razloga ocenjevalcem ni bilo težko pripisati najvišjih (AAA) ocen tudi na te nove, sicer slabo razumljene hipotekarne pakete. Skupaj z zamenjavami (»swaps«) so CDO instrumenti predstavljali zanimiv vir zaslužka za izdajatelje, saj so se izognili regulaciji in davkom. Leta 2004 je komisija za borzni nadzor (Security and Exchange Commission – SEC) največjim petim bankam (Goldman Sachs, Lehman Brothers, Bear Stearns, Merrill Lynch in Morgan Stanley) tudi posebej povišala sprejemljivo raven vzvoda in s tem dopustila večjo mero tveganja (Weaver, 2011).

Prav ta deregulacija, skupaj z ekspanzivno monetarno in fiskalno politiko, je bila razlog za visoko rast gospodarstva ZDA. Država je živela preko svojih zmožnosti – potrošnja, tako privatnega kot javnega sektorja, je bila veliko višja od domače proizvodnje, zato je bila država izrazita neto uvoznica, se pravi zelo odvisna od svojih trgovinskih partneric, one pa na nek način od nje. Poraba se je vztrajno večala, kljub stagnirajočim plačam. Zaradi ugodnih razmer je v tem času praktično ves svet investiral v ZDA – kupovale so se državne obveznice, delnice in drugi instrumenti. V posebej dobrem položaju, vsaj na videz, so bile države, ki so veliko izvažale v ZDA, denimo Kitajska, Japonska in Nemčija, ki so svoje trgovinske presežke nalagale prav na ameriške trge, ki so seveda vztrajno rastli (Busch, 2010).

Večina naložb v zamenjave in CDO-je, ki so v svojem bistvu dolgoročni instrumenti, je bila financiranih s kratkoročnim dolgom, kar je izjemno tvegano in v nasprotju z zlatim bilančnim pravilom. Zamenjave so v tem obdobju postale celo tako popularne, da je obseg trgovanja z njimi med letoma 1998 in 2008 narasel z enega milijona na 6 trilijonov dolarjev. Ugodna cena zadolževanja v tem času je spodbujala gospodarsko aktivnost, celo preveč, saj je bilo veliko odmevnih projektov slabo načrtovanih in izpeljanih, prav zaradi dostopnosti financiranja. Je pa povečana gospodarska aktivnost pomenila naraščanje cen nepremičnin, kar je ljudem dajalo občutek finančne suverenosti, kljub stagnaciji plač. Najemali so nove kredite in potrošnja je strmo naraščala. Vse do leta 2007.

V letu 2007 se je trg nepremičnin že začel ohlajati, v sledečem letu pa so investitorji začeli množično izstopati oz. prodajati instrumente, kar je vse skupaj še potenciralo.

7

Vrednost CDO-jev je zaradi padca vrednosti nepremičnin močno upadla, ker pa za te instrumente ni bilo trga, jih je bilo nemogoče prodati in monetizirati. Banka Bear Stearns je v istem letu kolapsirala. Septembra istega leta je ista usoda doletela še banko Lehman Brothers, ki je zaradi svojega poslovanja bila pred tem izjemno izpostavljena tveganju. Zlomila se je tudi banka Merrill Lynch, katero je prevzela Bank of America. Kolaps je prizadel tudi drugi finančne institucije – American International Group (AIG), ki je veljala za največjo zavarovalno skupino v državi, je držala za kar 440 milijard dolarjev zamenjav. Ker je vrednost CDO-jev, na katerih so zamenjave temeljile, upadala, so komitenti množično zahtevali izplačila zavarovalnih polic. To je AIG finančno izčrpalo, vendar je naposled na pomoč priskočila država oz. davkoplačevalci (Weaver, 2011).

Strašek (2009) izvor finančne krize povezuje s strmim naraščanjem cen nepremičnin in z dostopnostjo kredita ter s tem izrazito zadolženostjo pravnih in fizičnih oseb, med katerimi je bilo veliko slabih – NINJA (»no income, no job, no assets«) –posojilojemalcev. Banke so ta slaba posojila zapakirale v nove vrednostne papirje (CDO in MBS) in jim nadele dobro bonitetno oceno, kar je spodbudilo zanimanje za te papirje, privabljalo špekulante in dvigovalo cene. Cene nepremičnin samih so močno naraščale tudi zaradi omenjene dostopnosti posojil – povpraševanje je bilo ogromno, ob porastu cen pa je hitro reagirala država z ekspanzivno politiko in tako zavlačevala začetek krize. Ko pa se je mehurček napihnil do skrajnosti, je počil. Najprej je prizadel nepremičnine in drugorazredne hipoteke, v naslednji fazi še prvovrstne hipoteke in kreditne kartice in avtomobilska posojila, v tretji fazi pa je prišlo do kreditnega zmanjšanja na podjetniškem kreditnem trgu. Vse to je vodilo v recesijo oz. gospodarsko krizo.

Vrednost delnic na NYSE je med oktobrom 2007 in marcem 2009 padla za več kot 50 %. Za 17 % se je zmanjšal obseg zunanje trgovine in 8 milijonov ljudi je čez noč izgubilo službo. To pa je samo v ZDA. Zaradi prej omenjene globalizacije in prostotrgovinskih tokov je kriza hitro zajela večino sveta. To se je zgodilo preko treh osrednjih kanalov – tujih naložb v ZDA, upada ameriškega povpraševanja in tudi izpada dohodka imigriranih delavcev, ki so s plačami financirali svoje družine v revnejših državah. Države, ki so bile tesno finančno in gospodarsko povezane z ZDA, so prejele močan udarec. Za vse pa niso bile krive samo ZDA, čeprav so podrle prvo domino. Tudi evropske banke so sledile trendu hazarderstva in prekomernega tveganja, kar jim je uspevalo predvsem zaradi pomanjkljivega bančnega nadzora. Poleg tega so evropske banke imele veliko sredstev, vezanih v ZDA. Ena prvih držav, ki je zašla v resne težave, je bila Islandija, ki je leta 2001 privatizirala dve največji banki, kar je pomenilo, da sta bili v tem obdobju bolj ali manj neregulirani. Nepremičninski balon je počil tudi na Irskem, v Veliki Britaniji, Španiji in Vzhodni Evropi. Grčija, Španija in Portugalska so veljale za najbolj problematične države. Grška dolžniška kriza in reševanje le-te je še danes zelo živa tematika (Weaver, 2011).

Da zadnja gospodarska kriza oz. velika recesija izvira iz finančne krize, potrjuje tudi IMF (2009). Zaradi poostrenih pogojev zadolževanja se je v letu 2007 počasi začela upočasnjevati rast zahodnih gospodarstev, medtem ko so manj razvite ekonomije zaradi visokih stopenj rasti to prenesle precej dobro. Zaradi številnih vprašanj o stabilnosti bančnega sistema in zaradi izgube zaupanja vanj, pa se je škoda stopnjevala. Do

8

največjega poka je prišlo v septembru leta 2008, ko je defoltirala ena največjih ameriških bank, Lehman Brothers. To je kakopak še poglobilo prej omenjene dvome o bančnem sistemu in tokrat prizadelo tudi manj razvita gospodarstva in sčasoma večino sveta. Zaostritvi pogojev kreditiranja se niso mogli izogniti tudi tisti z najvišjo boniteto. Zaradi močne nepremičninske deflacije pa se je imetje močno zmanjšalo tudi gospodinjstvom. To pa seveda, ob močno zmanjšanem potrošniškem zaupanju, pomeni manj investicij oz. potrošnje v gospodarstvu, kar pa je ena izmed glavnih determinant gospodarske rasti.

Ob ohlajanju globalne gospodarske aktivnosti so začele hitro naraščati tudi cene, kar je ob bolj ali manj stagnirajočih plačah pomenilo dodatno upočasnitev. Vlade v ZDA in Evropi so sicer hitro reagirale s finančno podporo svojim bankam, načrti za dokapitalizacijo in z obljubami o poostrenem nadzoru bančnega sektorja, vendar ti ukrepi niso prepričali trga. To je privedlo, da najhujše recesije po letu 1930 (IMF, 2009).

Zadnja gospodarska kriza velja za najhujšo po veliki depresiji tridesetih let 20. stoletja. Izvira iz Združenih držav Amerike, od koder je hitro prodrla v svet in ohromila številna gospodarstva. Po ocenah Združenih narodov (2011) se je rast svetovnega outputa vsled izbruha krize zmanjšala s 4 % (2007) na 1,6 % (2008) na letni ravni, leto kasneje celo na -2 %. To je pomenilo kontrakcijo globalnega gospodarstva, ki je vodila v upad prihodka na prebivalca v kar 95 državah. Med letoma 2007 in 2009 se je prav tako močno povečala brezposelnost po svetu, in sicer za slabih 30 milijonov. Različni viri ocenjujejo, da se je dodatnih od 47 do 84 milijonov ljudi znašlo v revščini. Število lačnih po svetu je doseglo nove, rekordne višave – dobro milijardo.

Kriza s pričetkom v ZDA se je naglo prenesla na preostanek sveta s pomočjo mednarodne menjave in močno integriranih finančnih sistemov, kar lahko pripišemo prej omenjenemu trendu globalizacije. Ekonomska srenja se v veliki meri strinja, da obstajajo štirje fundamentalni razlogi za nastanek obravnavane krize (Audiguier, 2012):

nezadostna regulacija finančnega sistema,

prevelika naklonjenost tveganju (»hazardiranje«) ter številne prevare in goljufije,

slaba posojila oz. hipoteke, ki so polnile nepremičninski balon,

naraščajoča soodvisnost finančnih sistemov oz. globalizacija, ki je omogočila hiter prenos negativnih eksternalij.

Kriza je najbolj prizadela t. i. zahodna gospodarstva, dočim so države v razvoju, ki imajo praviloma tudi slabše razvite finančne sisteme, situacijo prenesle malo bolje in si povečini tudi relativno hitro opomogle. Eden od razlogov se skriva tudi v kanalu menjave – manj razvite države praviloma opravijo manj mednarodnih menjav, zatorej so manj podvržene prenosu zunanjih učinkov. Dober primer so afriška gospodarstva. Drug razlog je v relativno visokih stopnjah rasti BDP nekaterih od teh držav pred krizo, kar je pomenilo predvsem močnejše oz. stabilnejše izhodišče. Pomagala je tudi zunanja finančna pomoč, od katere so nekatere manj razvite države močno odvisne. Na prejemanje te pomoči oz. na njeno višino kriza ni opazno vplivala (Audiguier, 2012).

9

Ena redkih velikih držav, ki se je kljub svoji pomembnosti in vpletenosti v svetovno trgovino s krizo dobro spopadla, je Kitajska. Tudi Kitajska sicer po definiciji spada med države v razvoju, čeprav jo v praksi pogosto prištejemo k tistim razvitim. Rast njenega BDP je po nastanku krize sicer upadla, vendar se je vse do leta 2012 zadržala na dobrih devetih odstotkih letno, medtem ko je v zahodnih državah v istem času bila tudi negativna. Dobri rezultati Kitajske so jo nekako neformalno postavili v središče nove gospodarske arhitekture in jo predvideli kot eno izmed gonilnih sil v prihodnosti. Od leta 2010 naprej rast kitajskega BDP sicer počasi, a vztrajno upada, kar gre pripisati predvsem počasnemu okrevanju njenih največjih trgovinskih partneric – ZDA in Evropske unije (León-Manríquez in Moyo, 2015).

Finančna in gospodarska kriza se je v Evropo prenesla hitro. Leta 2009 je v Evropski uniji prišlo do 5 % padca outputa, kar predstavlja največjo kontrakcijo v njeni zgodovini. Evropska centralna banka je reagirala tako, da je znižala ključno obrestno mero, da bi s tem povečala likvidnost, kar pa se je hitro izkazalo kot nezadosten ukrep. Obstajal je namreč mnogo globlji problem, in sicer enormna količina slabih posojil, ki so bila ocenjena med 500 in 800 milijardami dolarjev v evroobmočju (Evropska komisija, 2009).

Evropo je še dodatno prizadela kriza evroobmočja. Priča močnemu pretresu smo bili oktobra 2009, ko je grški premier Papandreou priznal, da je Grčija več kot deset let lagala o svojem proračunskem primanjkljaju in dolgu ter da je njihov dejanski javni dolg velik več kot 12 % BDP, kar je bilo dvakrat toliko, kot so mesec dni prej uradno objavili. Obresti na grške obveznice so se močno povečale. Zadeva se je nato hitro razširila še na tri druge visoko zadolžene države – Italijo, Portugalsko in Španijo. Pravimo, da je prišlo do dolžniške krize (Djankov, 2014).

Duiella in Turrini (2014) trdita, da danes trg dela v Evropi sicer okreva, vendar je začetni šok, povzročen s strani gospodarske in nato še dolžniške krize, močno prizadel določena ozemlja. Predvsem so pretrese občutile v prejšnjem odstavku omenjene visoko zadolžene države – Grčija, Italija in Španija. Znatno je porasla brezposelnost in velik del prebivalstva prekvalificirala v »materialno prikrajšane«. Glede na podatke Eurostat je brezposelnost v Grčiji leta 2008 znašala 8 %, šest let kasneje pa slabih 28 %. Zelo podobno je bilo v Španiji, dočim jo je Italija bolje odnesla, kjer je brezposelnost v zadnjem obdobju narasla zgolj na, relativno gledano, nizkih 13 %. Danes se je sicer v vseh treh državah stanje na trgu dela stabiliziralo oz. je v procesu okrevanja.

Evropska unija je storila nekaj velikih korakov v smeri preprečevanja podobnih finančnih težav v prihodnje – med drugim je bila vzpostavljena bančna unija, ki skrbi za nadzor in zagotavlja zdravje bank. Tudi same banke so naredilo ogromno, saj so se povečini dobro odzvale in prilagodile na novo stanje v gospodarstvu, zato tudi počasi dohitevajo ZDA v smislu profitabilnosti. Klaus Regling (2016) je v enem svojih govorov pohvalil reakcijo Evropske unije na gospodarsko krizo in dodal, da okrevanje poteka celo bolje kot zamišljeno, za kar je zaslužnih več dejavnikov, najpomembnejši med njimi pa je potrošnja. Evroobmočje vzdržuje nivo fiskalnega deficita na priporočeni stopnji, t.j. 2 % BDP in ima presežek na trgovinski bilanci. Težava ostajajo slaba posojila, katerih

10

je v evroobmočju še vedno za okoli 900 milijard evrov. S težavo slabih posojil se še naprej ubada tudi Slovenija.

2.3 Gospodarska kriza v Sloveniji

Strašek (2009) navaja številne kanale, preko katerih se finančna kriza lahko razširi na majhna odprta gospodarstva kot je Slovenija:

pritiski na porast obrestnih mer,

zaostritev pogojev pridobivanja posojil,

otežen dostop do tujih posojil,

reševanje matičnih bank na račun tujih podružnic,

oblikovanje rezervacij,

poslabšanje strukturne likvidnosti,

padec strukturiranih papirjev zaradi posojilne krize,

borzni padec in njegov vpliv na prevzeme,

spremenjen odnos do tveganja,

padec borznih tečajev in

prehod v recesijo.

Slovenija se gospodarski krizi seveda ni mogla izogniti. Začela se je, tako kot v preostanku Evrope, leta 2009 oz. ob koncu leta 2008, ko je gospodarska rast že upadala. Do tega je prišlo po štiriletnem obdobju zavidljivo visoke gospodarske rasti, ki je vrh dosegla v letu 2007 (6,9 %). To je bil več kot dvakratnik povprečne gospodarske rasti v Evropski uniji (3,1 %). V letu 2009 je nato BDP upadel za 7,8 %, tudi ta padec pa je bil eden največjih v Evropski uniji, kar nakazuje na to, da visoka gospodarska rast ne pomeni nujno stabilnega gospodarstva. Izvoz se je v tem letu znižal za 16,6 %, kar je za tako izvozno usmerjeno gospodarstvo, kot je Slovenija, veliko. Zaradi oteženega dostopa do virov financiranja je za 21,6 % upadla tudi investicijska dejavnost. Posledice zmanjšanega povpraševanja, tako domačega kot tujega, ter pomanjkanja investicij so najbolj čutila predelovalna in gradbena podjetja, ki se še danes pobirajo. Stopnja brezposelnosti je v letu 2009 narasla na 5,9 %, kar je bilo 1,5 odstotne točke več kot leto poprej, leta 2010 pa je znašala že 7,3 %, čeprav se je takrat že začenjalo okrevanje gospodarstva (SURS, 2015).

11

Slika 2: Gibanje slovenskega BDP, letna sprememba v odstotkih

Vir: SURS (2017)

Zaradi upada povpraševanja, zlasti tujega, se je aktivnost predvsem v gradbeništvu in predelovalni industriji močno skrčila. Gradbeništvo je še dodatno prizadel zaključen investicijski cikel in številne nepravilnosti v delovanju velikih gradbenih podjetij. Na trgu dela se je zato najbolj poslabšal položaj nižje in srednje izobraženih moških, ki so reprezentativni vzorec zaposlenih v teh industrijah. Glede na starostno skupino je najbolj narasla brezposelnost mladih, kar je predvsem posledica zaposlitev za določen čas, ki zaradi zmanjšane gospodarske aktivnosti niso bile podaljšane. Država se je na pretrese na trgu dela in zmanjšano povpraševanje sicer hitro odzvala z znatnim povišanjem sredstev, namenjenih izvajanju programov aktivne politike zaposlovanja. Odločila se je tudi olajšati dostop do nadomestila za brezposelnost, predvsem za mlade, in povišati višino denarnega izplačila. Sprejet je bil tudi Zakon o subvencioniranju polnega delovnega časa, iz fonda katerega je bilo v letu 2009 izplačanih 25 milijonov evrov. Največ prejemnikov, slaba polovica vseh, je prihajalo iz predelovalnih dejavnosti (Kajzer, 2011).

Država je na krizo reagirala hitro in s številnimi ukrepi, ki so se poleg trga dela osredotočali še na varčevalne ukrepe (racionalizacija izdatkov za blago in storitve, omejitev plač v javnem sektorju, omejitev rasti pokojnin), povečanje trošarin za energente, subvencije za razvojne projekte in nakup tehnološke opreme ter nekatere davčne olajšave. Pomoč je ponudila tudi finančnim ustanovam (dokapitalizacija SID banke, posojila finančnim institucijam, jamstvena shema bankam) (Jamer, 2010).

Izvoz blaga in storitev se je okrepil že v letu 2010 (rast 10,2 %) in je predstavljal gonilo gospodarskega okrevanja. Slovenija ima od leta 2009 naprej tudi pozitivno trgovinsko bilanco, se pravi, da več izvozi kot uvozi. Leta 2014 je slovenski izvoz v deležu BDP znašal 76,5 %. Rast izvoza je temeljila predvsem na predelovalnih dejavnostih – prednjači avtomobilska industrija. Investicije so si opomogle šele tri leta kasneje, ko je njihova rast na letni ravni znašala 2,7 %.

-8

-6

-4

-2

0

2

4

6

8

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

12

Zadolženost slovenskih gospodinjstev je bila relativno nizka glede na preostalo Evropo, kar je pomemben podatek, če vemo, da varčevanje gospodinjstev velja za najpomembnejši domači vir financiranja investicij. Stopnja zadolženosti se ni bistveno spreminjala niti ob vse večji dostopnosti kreditov. Gospodinjstva so krizo bolj občutila v njenem drugem delu, leta 2012, ko je opazno upadla osebna potrošnja, kar pa lahko pripišemo znižanju ravni razpoložljivega dohodka (SURS, 2015).

Pod pritiskom krize so se, podobno kot drugod, začele lomiti tudi slovenske banke. Na površje so priplavale vse nepravilnosti, do katerih je prihajalo v obdobju konjukture ali še prej. Glavna težava je bila v prekomernem in neupravičenem podeljevanju posojil, s čimer so banke nase prevzemale izjemno kreditno tveganje, ob čemer so slovenska podjetja, ki so ta posojila jemala, postajala nadpovprečno zadolžena. Nekatera tudi do točke, ko bi vsak padec v aktivnosti pomenil nezmožnost servisiranja dolga in posledičen stečaj. Delež slabih posojil v bankah je postal prevelik; v NLB denimo 21,3 % in v NKBM 13,9 %, kar v bistvu predstavlja zmanjšan dohodek bank oz. manjko likvidnih sredstev, katere potrebujejo za odplačevanje svojih dolgov. Sanacija teh bank poteka še danes preko leta 2012 ustanovljene Družbe za upravljanje terjatev bank (DUTB, tudi »slaba banka«), katere primarni namen je prevzeti slabe oz. neunovčljive terjatve poslovnih bank in jih s tem ponovno vrniti na začrtano pot (Železnik, 2012).

13

3 GRADBENIŠTVO

3.1 Gradbeništvo v svetu

Gradbeni dejavnosti težko poiščemo neko začetno točko obstoja v zgodovini, saj je človek, čeprav sprva precej primitivne objekte, gradil že v pamtiveku. Pravi razmah pa je gradbeništvo doživelo v luči industrializacije in urbanizacije, zlasti po industrijski revoluciji v drugi polovici 18. stoletja. V velikem obsegu se je pričela gradnja transportnih poti, sprva so to bile predvsem železnice, ki so povezovale oddaljene kraje in tako olajšale trgovsko dejavnost ter povezale svet. Čeprav ne gre zanikati močne povezave med gospodarsko rastjo in aktivnostjo v gradbeništvu, pa je bilo ugotovljeno, da ta povezava poteka v obliki na glavo postavljene črke U – se pravi, da se najprej pomembnost gradbenega sektorja v BDP povečuje, na določeni točki pa začne upadati. To je predvsem posledica dejstva, da je čez čas infrastruktura zadostna in ni več tolikšnega potenciala za gradnjo, bolj razvita država pa se tudi začne terciarizirati (Lopes, Oliveira in Abreu, 2011).

Glavne determinante oz. posebnosti gradbenega sektorja so njegova velikost, pogostost sodelovanja z vlado, relativno visoka cena proizvodov, raznolikost tehnologije, narava dela in kompleksen potek gradbenih procesov, časovna zahtevnost projektov in s tem povezane številne zamude ter pestra struktura sektorja.

Kot že omenjeno, igra zaradi svoje velikosti gradbeni sektor pomembno vlogo v narodnih gospodarstvih. Pogosto se prav preko načrtnih investicij v gradbeni sektor s pomočjo investicijskega multiplikatorja oz. akceleratorja povečuje gospodarska rast. Močno je prepleten tudi z ostalimi industrijami. Praktično ni sektorja, ki ne bi potreboval gradbenih proizvodov za svoje delovanje (proizvodni obrati, ceste, železnice, skladišča, garaže ipd.). Prav tako pa gradbeništvo prejema svoje inpute od velikega števila teh sektorjev (vozila, stroji, materiali, razne storitvene dejavnosti ipd.). Zaradi te močne soodvisnosti lahko spremembe v drugih sektorjih močno pretresejo gradbeništvo in obratno. To je tudi sektor, ki je običajno močno reguliran s strani države, kar ponovno predstavlja eksterno determinanto aktivnosti oz. uspešnosti. Ni redkost, da država situacijo narobe oceni in s svojimi ukrepi zavira sektor. Gradbeništvo se, tako kot gospodarstvo kot celota, giblje v ciklih, ki pa so običajno nekoliko daljši. Različni avtorji si glede dolžine teh niso povsem složni, pogosto pa je ocenjena na 15–20 let (Ofori, 1990).

Uredba o standardni klasifikaciji dejavnosti (2007) gradbeništvo deli na splošna in specializirana dela za stavbe in inženirske objekte, inštalacije in zaključna dela. Upošteva novogradnje, obnovitvena dela, popravila, vzdrževanje ter tudi postavljanje začasnih in montažnih objektov. Splošno gradbeništvo zajema gradnjo stanovanjskih in nestanovanjskih stavb ter inženirskih objektov, med katere med drugim spadajo ceste, mostovi, predori, cevovodi, športni objekti ipd. Specializirano gradbeništvo pomeni gradnjo delov stavb ali inženirskih objektov oz. pripravljalna dela. Specializirana dela običajno zahtevajo določeno mero strokovnosti, pa tudi opreme. Konkretno gre za dela

14

temeljenja, vrtanja vodnjakov, zidanja, tlakovanja, pokrivanja strah ipd. Izdelava oz. predelava gradbenih materialov denimo ne spada v kategorijo gradbeništva.

Ob nastopu finančne krize je stopnja rasti produktivnosti v svetu začela upadati. To bi lahko pripisali negotovemu okolju, v katerem podjetja denimo niso pripravljena preveč investirati v novo opremo. Gradbeništvo jo je odneslo nadpovprečno slabo. Že pred tem je imelo težave s produktivnostjo, saj je dodana vrednost na uro opravljenega dela od leta 1995 naprej v povprečju naraščala po četrtini stopnje rasti v proizvodnji. Nobena industrija v tem segmentu ni bila slabša. Največje težave s stopnjo rasti imajo bogatejše države – Francija, Italija, Nemčija, Japonska in predvsem ZDA.

Ena od težav je fragmentacija – veliko je manjših in ne dovolj velikih podjetij, ki bi bila gonilo napredka. Obstaja nek manjši delež podjetij, ki neprestano inoviranjo, na primer z implementacijo 3D tiskanja, v celoti pa se v nove tehnologije in razvoj obstoječih vlaga občutno premalo. Tudi zaradi tega je profitna marža zelo nizka, nižja je le še v sektorju trgovine. Vlade v Evropi in ZDA predstavljajo 20–30 % posla za gradbena podjetja, s čimer lahko močno diktirajo dogajanje. Omenili smo že investicijski multiplikator, ki ima lahko velik pomen in vpliv na gospodarstvo. Država pa te prednosti pogosto ne izkorišča dovolj dobro – v obdobjih kontrakcije bi prav načrtno investiranje v gradbeništvo lahko pomembno prispevalo k pozitivnemu obratu v gospodarski rasti oz. vsaj ublažitvi padcev, vlade pa v teh časih praviloma storijo ravno obratno in investicije zmanjšajo.

Potencial za izboljšanje leži tudi v regulativi. Standardi in predpisi gradnje so med državami namreč zelo različni, zato se morajo gradbena podjetja, ki delujejo tudi izven meja, pogosto prilagajati, s čimer nastanejo novi stroški oz. se zmanjša stopnja dobička. V svetu je po nekaterih ocenah letno kar 1 trilijon dolarjev premalo investiranja v infrastrukturo, projekti, ki stečejo, pa pogosto presežejo predvideno ceno in zamujajo. Gradbena industrija bi morala narediti več za manj, t.j. povečati produktivnost, pri čemer lahko ključno vlogo igrajo državne vlade (The Economist, 2017).

3.2 Gradbeništvo v Sloveniji

Gradbeništvo je v Sloveniji vedno veljalo za eno najpomembnejših industrij. Panoga je bila že sama po sebi zelo velika – v letu 2008 je denimo zaposlovala okoli 90 tisoč ljudi in veljala za tretjo največjo panogo – posredno pa je bil njen obseg še mnogo večji, saj je zelo prepletena z drugimi dejavnostmi. Število zaposlenih in obseg dejavnosti pa sta v letih pred krizo naraščala tudi po 10-odstotni letni stopnji in več. Obseg gradbenih del je leta 2008, torej na vrhuncu, znašal 3,55 milijarde evrov (Ferfolja, 2013).

Med letoma 2005 in 2008 je slovenski gradbeni sektor zaradi velikega povpraševanja po gradbenih delih rasel po zavidljivih stopnjah in predstavljal gonilno silo gospodarske rasti. V tem obdobju se je njegov prispevek k BDP povečal s 5,3 % na 7,3 %. Rast sektorja in obseg opravljenih gradbenih del je bil v tem obdobju krepko nad povprečjem Evropske unije, kar pa, kot bomo videli v nadaljevanju tega dela, nikakor ni zagotovilo stabilnosti (SURS, 2015).

15

Gospodarska kriza je prej hitro rastoče gradbeništvo močno pretresla. Že sama finančna kriza je privedla v znatno zmanjšanje povpraševanja, veliko vlogo pa so imela tudi gradbena podjetja sama – Vegrad, SCT, CPM in Gradis so nekateri izmed velikanov in nekoč kronskih draguljev slovenskega gradbeništva, ki so neslavno propadli. Težav v teh podjetjih je bilo več in niso bile omejene zgolj na ekonomsko področje, v našem kontekstu pa velja izpostaviti predvsem pretirano zadolženost in izpostavljenost tveganju, ki je bila v tem času med podjetji tako priljubljena.

Ker so bila gradbena podjetja v Sloveniji močno zadolžena – v višini približno tretjine sredstev – so bila zelo izpostavljena gospodarskim nihanjem. Kontrakcija gospodarstva, do katere je prišlo ob koncu 2008 oz. v začetku 2009, je tako močno znižala povpraševanje po gradbenih izdelkih in storitvah in močno škodovala likvidnosti gradbenih podjetij. Nezmožnost servisiranja dolgov pa ni bila težava samo za njih, temveč tudi za banke, pri katerih so bila posojila najeta. V obdobju krize se je ta dolg še povečal in v letu 2011 znašal 2,6 milijardi evrov oz. dobrih 12 % vseh najetih posojil v gospodarstvu (Ferfolja, 2013).

Ker velika gradbena podjetja niso bila več sposobna servisirati svojih dolgov in ker so jih pestile tudi druge težave v obliki izčrpavanja, izkoriščanja davčnih oaz in vprašljivih poslovnih praks, so v težave zašli tudi manjši podizvajalci, ki so z njimi sodelovali in pogosto od tega tudi živeli (Krivec, 2016). Težave so se nato zaradi močne soodvisnosti preko gradbeništva razširile še v druge sektorje gospodarstva (Ferfolja, 2013).

Za dogodke v slovenskem gradbenem sektorju je odgovorna tudi država, ki ni imela oz. še vedno nima pravega načrta za vzdržen razvoj gradbenih podjetij. Država je delovala tudi v nasprotju s priporočili – ker je okoli 70 % gradbenih del financiranih iz državnega proračuna, ima država načeloma velik vpliv na dogajanje. Prav zato bi morala v obdobju visoke rasti (predkrizno obdobje) zmanjšati svoje investiranje, s čimer bi bila rast v gradbeništvu nižja, vendar vzdržna. Nasprotno bi morala v slabših obdobjih (po izbruhu krize) investirati več. S tako preprostim načrtom bi ublažila razlike med obdobjema prosperitete in kontrakcije in gradbeništvo, ter posledično celotno gospodarstvo, ne bi doživelo takšnega šoka (Krivec, 2016).

V predkriznem obdobju so bile močno precenjene tudi nepremičnine – razmerje med povprečno ceno za kvadratni meter stanovanja in neto plačo je bilo skoraj dvakratnik sedanjega (Banka Slovenije, 2016). Ko je nato udarila kriza, je bil tudi upad gradbene aktivnosti nadpovprečen – v Sloveniji je denimo leta 2013 bila za 60 % manjša od tiste leta 2008, medtem ko je v Evropski uniji padec znašal 19,3 %, kar je razvidno tudi s Slike 3. Težave v gradbenem sektorju so se odrazile tudi na zaposlenosti – število zaposlenih se je v prvih petih letih po krizi zmanjšalo za več kot 30 % (SURS, 2015).

16

Slika 3: Gibanje dodane vrednosti v gradbeništvu, indeks 2010 = 100

Vir: Evropska komisija, 2017

V letu 2013 se je v Sloveniji začel nov cikel gospodarske rasti, ki je temeljil na investicijah države v infrastrukturo in s tem spodbujanjem gradbenega sektorja. Prispevek gradbeništva k BDP je bil v letu 2014 5 %, kar je bilo ponovno nad povprečjem evroobmočja, vendar vseeno ni trajalo dolgo. Leta 2015 se je gradbeništvo ponovno nekoliko ohladilo, na 4,5 %, gledano na prispevek k BDP. Upadlo je povpraševanje po vseh vrstah gradenj. Še najmanj je upadla gradnja nestanovanjskih objektov, katere so gradili predvsem trgovci. Gradnja inženirskih objektov, v katere je sicer največ investirala država, je upadla za 10 %. Ker je državno investiranje v veliki meri odvisno od evropskih sredstev, črpanje katerih bi se naj nekoliko omejilo, ne gre pričakovati kakšnih pretresov v smislu povečevanja infrastrukturnega zapravljanja. Bolj pozitivne so novice o postopnem naraščanju cen nepremičnin, kar je ugodno za ponudnike in bi lahko predstavljalo motivacijo za gradnjo v prihodnje. Cene nepremičnin so sicer v največji meri odvisne od povpraševanja po njih, to pa je močno korelirano z nivojem obrestnih mer oz. s ceno zadolževanja (Banka Slovenije, 2016).

V bližnji prihodnosti je sicer predvideno določeno infrastrukturno vlaganje. Za leto 2017 je bilo izdanih več gradbenih dovoljenj kot leto prej in načrtovanih več stanovanjskih projektov. Višja pa je tudi vrednost infrastrukturnih projektov, ki v realnosti najbolj definirajo aktivnost v gradbeništvu – veliko vlaganj je načrtovanih v obnovo in dogradnjo železniških prog, med katerimi najbolj odmeva milijardni projekt izgradnje drugega tira Divača–Koper, ki pa še vedno ni garantiran. Po 200 milijonov evrov letno bi se naj v prihodnosti investiralo v prenovo cest – blejska obvoznica, tretja etapa obvoznice Krško, zahodna mariborska obvoznica idr. Do leta 2018 bi se naj zaključila tudi gradnja avtocestnega odseka Draženci–Gruškovje, v ocenjeni vrednosti 250 milijonov evrov. Krepi se tudi zaposlovanje v gradbenem sektorju (Revija Manager, 2016). Omenjeni drugi tir Divača–Koper je sicer dolgo časa visel v zraku in še zdaj so okoli njega določene nejasnosti, pa vendar je julija 2017 Slovenija oddala vlogo za razpis gradnje tunelov na tej liniji, za kar so predvideni tudi evropski viri v višini 163,5

70,0

80,0

90,0

100,0

110,0

120,0

130,0

140,0

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Evropska unija Evroobmočje Slovenija

17

milijona evrov. Projekt je tudi že pridobil potrebna okoljska in gradbena dovoljenja (2TDK, 2017).

Rast povpraševanja po gradbenih objektih oz. delih kaže tudi anketa, opravljena med slovenskimi gospodinjstvi. Kar 20 % anketirancev razmišlja o prenovi stanovanja v naslednjem letu, 3 % pa o nakupu stanovanja. Vsled tega raste tudi obseg posojil za nakup oz. prenovo stanovanj, letos so ta ocenjena na skupno vrednost 958 milijonov evrov, leta 2016 so bila še 827 milijonov evrov. Zanimivo je to, da iz leta v leto vedno več sredstev za opravljanje gradbenih del namenijo fizične osebe, medtem ko je prispevek pravnih oseb upadel in je opazno pod tistim iz leta 2010, in sicer je skoraj polovico nižji. Skupna površina novogradenj je bila leta 2016 (455 tisoč m2) sicer še vedno precej nižja kot leta 2008 (820 tisoč m2), čeprav se tudi ta številka izboljšuje (Ugovšek, 2017).

Dobre preformanse in trajnostni poslovni model med slovenskimi gradbenimi podjetji, vsaj kar se tiče gradnje stanovanjskih objektov, kažejo podjetja, ki so se usmerila v bolj moderno, eko gradnjo. Govorimo predvsem o podjetjih Lumar in Marles hiše, ki sta gotovo najbolj znana, blizu pa sta še Jelovica in Rihter. Prihodki teh podjetij so v največji meri odvisni od prodaje montažnih, nizkoenergijskih hiš, po katerih na trgu trenutno vlada močno povpraševanje. Nizkoenergijske hiše so pod določenimi pogoji lahko tudi upravičene do subvencije Eko sklada, kar jih naredi le še bolj privlačne. Lumar se v zadnjih letih čedalje bolj usmerja tudi na prodajo na tujih trgih, kar je v prvi polovici letošnjega leta predstavljalo 40 % vseh prihodkov. Direktor podjetja opaža tudi, da se pojavlja trend gradnje hiš večjih kvadratur, s čimer se pa ne strinja Bogdan Božar, direktor podjetja Marles hiše. Slednjemu je v prvi polovici leta povečati prodajo objektov za tretjino, prihodke pa za dobro polovico, za kar je v veliki meri zaslužna dobra prodaja v tujini. Podjetje Jelovica med drugim gradi tudi dve šoli v Nemčiji in pet večstanovanjskih objektov v Švici (Žnidaršič, 2017).

Slika 4: Vrednost opravljenih gradbenih del v Sloveniji, milijoni evrov

Vir: SURS, 2017

0

500

1000

1500

2000

2500

3000

3500

4000

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

18

V prihodnosti se za slovenski gradbeni sektor pričakuje rast, vendar po skromnih stopnjah. Gonilo rasti bodo, za razliko od predkriznega obdobja, gospodinjstva. Obseg najetih posojil za nakup ali obnovo stanovanjskih objektov narašča, s tem pa tudi vrednost opravljenih gradbenih del, induciranih s strani fizičnih oseb. Vrednost izdanih posojil za gradbena dela je med letoma 2016 in 2017 narasla za približno 15 %, leto pred tem pa celo za 17 %. Pravne osebe so se po drugi strani malo ohladile, tudi zato je rast v sektorju nekoliko počasnejša kot bi pričakovali (Ugovšek, 2017). Tudi s Slike 4 vidimo, da se trend vrednosti opravljenih gradbenih del počasi že obrača, vendar je še vedno daleč od tiste predkrizne vrednosti.

19

4 PREDSTAVITEV MODELA

4.1 Model multifaktorske produktivnosti

Produktivnost je v svoji osnovi razmerje med outputom in izbranimi inputi. Običajno merimo oz. računamo produktivnost, da bi (OECD, 2001):

zaznali spremembe v tehnologiji,

izmerili raven učinkovitosti,

določili privarčevane stroške v proizvodnji,

primerjali proizvodne procese in

ocenili življenjski standard.

OECD (2017) kot eno izmed najboljših mer produktivnosti izpostavlja multifaktorsko produktivnost (MFP). Ta meri bruto dodano vrednost kot output, v odvisnosti od dveh inputov – običajno dela in kapitala. Po potrebi oz. ob pomanjkanju ustreznih podatkov se sicer lahko uporabijo tudi druge, sorodne mere za output in input. MFP nam pove, kako učinkovito so v proizvodnem procesu porabljeni dani resursi – višja vrednost MFP pomeni večjo učinkovitost.

𝑀𝐹𝑃 = 𝑏𝑟𝑢𝑡𝑜 𝑑𝑜𝑑𝑎𝑛𝑎 𝑣𝑟𝑒𝑑𝑛𝑜𝑠𝑡

š𝑡𝑒𝑣𝑖𝑙𝑜 𝑑𝑒𝑙𝑜𝑣𝑛𝑖ℎ 𝑢𝑟 𝑖𝑛 𝑜𝑏𝑠𝑒𝑔 𝑘𝑎𝑝𝑖𝑡𝑎𝑙𝑎

(1)

OECD (2017) meri MFP na letni ravni in opaža velike razlike med državami. Rast MFP se je po krizi upočasnila v skoraj vseh državah, posebej pa na Finskem, Švedskem in v Veliki Britaniji.

4.2 Model produktivnosti dela

Zaradi pomanjkanja podatkov o drugih determinantah produktivnosti sektorja, kot so recimo obseg kapitala, angažiranih sredstev ali pa porabe materiala, smo se morali pri analizi produktivnosti osredotočiti na produktivnost dela. To pomeni, da bomo opazovali bruto dodano vrednost v gradbenem sektorju, v evrih, v odvisnosti od obsega opravljenega dela v sektorju v urah (OECD, 2017). Vse nezajete spremenljivke, ki bi lahko vplivale na dodano vrednost, bodo izražene s slučajno spremenljivko.

Produktivnost dela je sicer zgovoren indikator o stanju oz. trendih v gospodarstvu, saj predstavlja mero gospodarske rasti, konkurenčnosti in tudi življenjskega standarda. Povečano produktivnost dela sicer običajno povezujemo z dobrimi obeti za gospodarstvo. Produktivnost dela v osnovi izrazimo kot (OECD, 2008):

𝑃𝑟𝑜𝑑𝑢𝑘𝑡𝑖𝑣𝑛𝑜𝑠𝑡 𝑑𝑒𝑙𝑎 = 𝑏𝑟𝑢𝑡𝑜 𝑑𝑜𝑑𝑎𝑛𝑎 𝑣𝑟𝑒𝑑𝑛𝑜𝑠𝑡

š𝑡𝑒𝑣𝑖𝑙𝑜 𝑑𝑒𝑙𝑜𝑣𝑛𝑖ℎ 𝑢𝑟

(2)

ONS (2007) definira bruto dodano vrednost kot skupno vrednost outputa, zmanjšano za intermediarne proizvode, torej tiste, ki se porabijo med samim procesom. Seveda velja, da višja kot je dodana vrednost, bolje je to za gospodarstvo.

20

4.3 Predstavitev podatkov

Po priporočilih OECD (2017) smo za analizo produktivnosti dela uporabili podatke o četrtletni dodani vrednosti v gradbeništvu, kar bo naša odvisna spremenljivka, in četrtletnemu obsegu opravljenih delovnih ur v gradbeništvu, kar bo neodvisna spremenljivka. Podatki so prikazani v Prilogi 1. Skušali bomo ugotoviti, kako oz. s kakšnim faktorjem sta obe spremenljivki povezani, se pravi v kolikšni meri je dodana vrednost v gradbeništvu odvisna od obsega opravljenega dela.

Zajeli smo podatke med prvim četrtletjem leta 2000 in zadnjim četrtletjem leta 2015, kar skupaj pomeni 64 opazovanj. Pri podatkih že na prvi pogled opazimo prelom v zadnjem četrtletju leta 2008, ko so vrednosti po večletnem trendu rasti upadle. To je opazno tako po številu delovnih ur kot tudi po dodani vrednosti v dejavnosti. To je tudi pričakovano, saj je ravno to obdobje, ko je Slovenijo prizadela gospodarska kriza. Tudi zato bomo najprej ocenili model za celotno zajeto obdobje, v nadaljevanju pa bomo obe obdobji, pred in po krizi, analizirali posebej in skušali pojasniti razlike, ki so nastale.

Slika 5 prikazuje gibanje dodane vrednosti v gradbeništvu skozi obdobja. Vidimo, da je od leta 2000 naprej, zlasti pa od 2006 do konca 2008, strmo naraščala, nakar je prišlo do prav tako strmega padca, katerega lahko brez dvoma povežemo z gospodarsko krizo.

Slika 5: Gibanje dodane vrednosti v gradbeništvu, milijoni evrov


Hiter pregled podatkov v Tabeli 1 pokaže še, da je bila najvišja dodana vrednost v gradbeništvu zabeležena prav v tretjem četrtletju leta 2008, torej tik preden je Slovenija občutila krizo. V tem trimesečju je znašala dodana vrednost 771 milijonov evrov. Najnižja dodana vrednost je znažala 281 milijonov, kar pa se je zgodilo prav na prelomu tisočletja. Dodana vrednost je nato, z vmesnimi fluktuacijami, konstantno naraščala, vse do prej omenjenega padca.

200

300

400

500

600

700

800

20

00

Q1

20

00

Q3

20

01

Q1

20

01

Q3

20

02

Q1

20

02

Q3

20

03

Q1

20

03

Q3

20

04

Q1

20

04

Q3

20

05

Q1

20

05

Q3

20

06

Q1

20

06

Q3

20

07

Q1

20

07

Q3

20

08

Q1

20

08

Q3

20

09

Q1

20

09

Q3

20

10

Q1

20

10

Q3

20

11

Q1

20

11

Q3

20

12

Q1

20

12

Q3

20

13

Q1

20

13

Q3

20

14

Q1

20

14

Q3

20

15

Q1

20

15

Q3

21

Tabela 1: Dodana vrednost, 10 najboljših in 10 najslabših obdobij

Obdobje Dodana vrednost (milijoni evrov)

Obdobje Dodana vrednost (milijoni evrov)

2008Q3 771,6 2004Q1 323,6

2008Q2 699,5 2001Q4 321,5

2007Q3 690,7 2000Q4 317,8

2008Q4 651,2 2002Q2 313,3

2009Q3 650,7 2000Q2 310,4

2009Q2 650,5 2003Q1 307,1

2008Q1 641,9 2001Q2 306,0

2007Q4 629,9 2002Q1 287,4

2007Q2 623,0 2001Q1 285,6

2009Q1 616,9 2000Q1 281,8


S Slike 6 vidimo, da je gibanje obsega dela v opazovanem obdobju v svojem bistvu precej podobno gibanju dodane vrednosti. Tudi ta graf počasi narašča, še posebej strmo pa v zadnjih dveh oz. treh letih pred krizo. Po nastopu gospodarske krize je nato sledil močan trend upadanja obsega dela. Čeprav obstajajo določene razlike, pa po ogledu obeh grafov hitro ugotovimo, da obstaja močna korelacija med delom in dodano vrednostjo.

Slika 6: Gibanje obsega dela v gradbeništvu, milijoni ur


Tabela 2, ki prikazuje 10 obdobij z največjim in 10 obdobij z najmanjšim obsegom opravljenega dela, dokazuje, da je največ dela v gradbeništvu res bilo opravljenega v obdobju tik pred nastopom krize, pa tudi še kmalu po njenem nastanku. Razlog za to je med drugim tudi v tem, da je zelo težko čez noč drastično zmanjšati obseg dela oz. odpuščati delavce. Kasneje se je obseg delovnih ur zmanjšal celo pod raven tistega iz

20

25

30

35

40

45

20

00

Q1

20

00

Q3

20

01

Q1

20

01

Q3

20

02

Q1

20

02

Q3

20

03

Q1

20

03

Q3

20

04

Q1

20

04

Q3

20

05

Q1

20

05

Q3

20

06

Q1

20

06

Q3

20

07

Q1

20

07

Q3

20

08

Q1

20

08

Q3

20

09

Q1

20

09

Q3

20

10

Q1

20

10

Q3

20

11

Q1

20

11

Q3

20

12

Q1

20

12

Q3

20

13

Q1

20

13

Q3

20

14

Q1

20

14

Q3

20

15

Q1

20

15

Q3

22

obdobja prosperitete, kar se pri dodani vrednosti ni zgodilo. To bi na nek način lahko pripisali položaju, v katerem so se gradbena podjetja znašla, saj so morala v tem obdobju zoptimizirati svoje procese in tako dvigniti produktivnost – proizvesti več outputa na enoto inputa. Tudi zato so prav zadnja leta tista, ki beležijo najmanjši obseg dela, kljub postopnemu okrevanju sektorja.

Tabela 2: Obseg dela, 10 najboljših in 10 najslabših obdobij

Obdobje Delo (milijoni ur) Obdobje Delo (milijoni ur)

2008Q4 41,084 2002Q3 27,377

2009Q4 40,220 2000Q3 27,181

2009Q3 39,622 2001Q3 27,052

2008Q3 39,463 2001Q1 27,045

2008Q2 38,402 2013Q2 26,978

2009Q2 38,263 2014Q2 26,911

2007Q4 37,288 2002Q1 26,637

2010Q4 36,958 2015Q1 25,224

2009Q1 36,502 2013Q1 24,592

2010Q2 36,182 2014Q1 24,559


4.4 Povezava med spremenljivkama

Preden se lotimo podrobnejše obravnave podatkov, poglejmo, ali sta opazovani spremenljivki, torej obseg dela in dodana vrednost, sploh korelirani. Na abscisi opazujemo milijone oddelanih ur (oznaka L), na ordinati pa dodano vrednost v milijonih evrov (oznaka VA). Zapisano z enačbo:

𝑉𝐴 = 𝑥 ∗ 𝐿 (3)

Pri čemer faktor x predstavlja naklon regresijske premice.

Vidimo, da nedvomno obstaja povezava med spremenljivkama, saj se skladno z večanjem dela poveča tudi dodana vrednost. S tem smo potrdili, da je odnos med spremenljivkama smiselno preučiti.

23

Slika 7: Povezava med spremenljivkama

200,000,000

300,000,000

400,000,000

500,000,000

600,000,000

700,000,000

800,000,000

24,000,000 32,000,000 40,000,000

L

VA

24

5 ANALIZA PRODUKTIVNOSTI DELA MED LETI 2000 IN 2015

5.1 Linearni regresijski model

Linearni regresijski model smo definirali z naslednjo enačbo:

𝑉𝐴𝑡 = 𝐶 + 𝛽𝐿𝑡 + 𝑢𝑡 (4)

Pri čemer oznake pomenijo: VAt = dodana vrednost, C = konstanta, β = vrednost koeficienta, Lt = število delovnih ur, ut = slučajna spremenljivka/napaka regresije.

Tabela 3: Linearni regresijski model

Variable Coefficient Std. Error t-Statistic Prob. C -2.37E+08 66943893 -3.538348 0.0008

L 22.51753 2.164564 10.40280 0.0000 R-squared 0.635762 Mean dependent var 4.53E+08

Adjusted R-squared 0.629887 S.D. dependent var 1.16E+08

S.E. of regression 70749073 Akaike info criterion 39.01793

Sum squared resid 3.10E+17 Schwarz criterion 39.08539

Log likelihood -1246.574 Hannan-Quinn criter. 39.04451

F-statistic 108.2183 Durbin-Watson stat 0.726194

Prob(F-statistic) 0.000000

S pomočjo programa Eviews smo definirali linearni regresijski model, kar nam je vrnilo sledeče rezultate. Konstanta (C) znaša –236.870.813 evrov in bi jo lahko grobo prevedli v neko izhodiščno dodano vrednost, ko znaša spremenljivka delo (L) nič. Koeficient dela v ocenjenem modelu znaša zaokroženih 22,52, kar pomeni, da z dodatno uro dela povečamo dodano vrednost za 22,52 evra. Omenjeno soodvisnost bomo prikazali še z enačbo.

𝑉𝐴𝑡 = −236870813.395 + 22,51753𝐿𝑡 + 𝑒𝑡 (5)

Poglejmo, kakšno težo ima naš model. Prvo merilo je vrednost t-statistike, ki ocenjuje, ali je uporabljena neodvisna spremenljivka dovolj dobra za pojasnjevanje odvisne. Zavrniti želimo ničelno hipotezo, kar lahko storimo, če je dobljena vrednost višja od kritične.

H0: β = 0 oz. koeficient β je statistično značilno enak nič.

Če hipoteze H0 ne bi mogli zavrniti, bi to pomenilo, da izbrana neodvisna spremenljivka ne vpliva na odvisno. V našem primeru vrednost t-statistike za koeficient delo znaša

25

10,40280, kar je precej več od kritične vrednosti (1,66), se pravi lahko zavrnemo H0 in sklenemo, da je spremenljivka delo dobra za pojasnjevanje dodane vrednosti.

Nekoliko slabši je model kot celota, kar je predvsem posledica tega, da smo izpustili vsaj eno pomembno neodvisno spremenljivko, ki bi pojasnila dodano vrednost, t.j. kapital. To razberemo iz vrednosti R2, ki znaša 0,635762 oz. 0,629887 (prilagojeni R2), kar pomeni, da je okoli 63 % odvisne spremenljivke pojasnjene z izbrano neodvisno spremenljivko, torej delom. Pri tej postavki se želimo čim bolj približati vrednosti 1.

Relativno velika je tudi nepojasnjena vsota kvadratov v našem modelu, ki znaša 3,1*1017. Pri analizi težimo k temu, da je ta vrednost čim manjša, saj to pomeni, da je nepojasnjenega v modelu čim manj.

F-statistika preverja, ali je model kot celota primeren za pojasnjevanje odvisne spremenljivke. Zavreči želimo hipotezo H0, ki pravi, da so vsi koeficienti enaki 0.

H0: β1 = β2 = … = βk = 0.

Hipotezo zavrnemo, če izračunana F-statistika znaša več kot je njena kritična vrednost oz., če je verjetnost napake manjša od stopnje značilnosti, ki je v našem primeru 0,05. Ničelno hipotezo v našem primeru zavrnemo, model je torej primeren za pojasnjevanje dodane vrednosti v gradbeništvu.

Zaradi vrednosti Durbin-Watson statistike, ki je manjša od spodnje meje kritične vrednosti, ne moremo zavrniti ničelne hipoteze o neobstoju pozitivne avtokorelacije (H0: ni pozitivne avtokorelacije) (Pfajfar. 2014).

5.2 Dvojno logaritemski regresijski model

Naslednji model, ki ga bomo preverjali, je dvojno logaritemski model. Tako se imenuje, ker sta obe strani enačbe logaritmirani. Odvisnost med spremenljivkama pa tako postane relativna – se pravi iščemo odstotno spremembo odvisne spremenljivke ob odstotni spremembi neodvisne. Naš model je sledeč:

ln(𝑉𝐴𝑡) = 𝐶 + 𝛽 ln(𝐿𝑡) + 𝑢𝑡 (6)

Tabela 4: Dvojno logaritemski regresijski model

Variable Coefficient Std. Error t-Statistic Prob. C -5.727026 2.791725 -2.051429 0.0445

LOG(L) 1.487412 0.162022 9.180291 0.0000 R-squared 0.576149 Mean dependent var 19.90113

Adjusted R-squared 0.569312 S.D. dependent var 0.250601

S.E. of regression 0.164461 Akaike info criterion -0.741534

Sum squared resid 1.676942 Schwarz criterion -0.674069

Log likelihood 25.72910 Hannan-Quinn criter. -0.714956



26

Če v zgornjo enačbo (6) vstavimo dobljene koeficiente, dobimo naslednjo enačbo:

ln(𝑉𝐴𝑡) = −5,727026 + 1,487412 ln(𝐿𝑡) + 𝑒𝑡 (7)

Konstanta tokrat znaša –5,727026 in predstavlja začetno vrednost. Težko bi jo aplicirali na realen primer, prisotna je predvsem zaradi izračunov. Vrednost koeficienta dela znaša 1,487412, kar pomeni, da ob povečanju obsega dela za 1 % dodana vrednost naraste za približno 1,48 %.

Če se najprej lotimo t-statistike, vidimo, da je ta ponovno nad kritično vrednostjo (9,180291 > 1,66), kar pomeni, da lahko zavrnemo ničelno hipotezo (H0: β = 0) in da spremenljivka delo statistično značilno pojasnjuje odvisno spremenljivko.

Determinacijski koeficient (R2) pri dvojnologaritemskem modelu znaša 0,576149 oz. 0,56931, kar pomeni, da je okoli 57 % variance odvisne spremenljivke pojasnjene z neodvisno spremenljivko. Ponovno lahko nižjo vrednost pripišemo odsotnosti vsaj še enega pomembnega faktorja dodane vrednosti.

Nepojasnjena vsota kvadratov oz. seštevek kvadratov rezidualov tokrat znaša 1,676942.

F-statistika (84,27774) je večja od kritične, kar pomeni, da lahko zavrnemo ničelno hipotezo (H0: β = 0) in sklenemo, da je model statistično značilen in primeren za pojasnjevanje dodane vrednosti v odvisnosti od obsega dela.

Durbin-Watson statistika je ponovno nižja od kritične, kar pomeni, da ne moremo zavrniti hipoteze o neobstoju pozitivne avtokorelacije (Pfajfar, 2014).

5.3 Primerjava razlagalne moči modelov

Prej ocenjena modela – linearni in dvojno logaritemski – bomo med seboj primerjali po različnih kriterijih, da bomo lahko izbrali boljšega za nadaljnjo obravnavo.

5.3.1 Primerjava R2

Ena od prvih stvari, na katero pomislimo ob primerjavi modelov, je običajno determinacijski koeficient (R2). Kot smo že omenili, je to število, ki v svojem bistvu pove, kako dober je obravnavani model. Determinacijski koeficient nam namreč pove, kolikšen del variance odvisne spremenljivke je pojasnjene z neodvisno spremenljivko. Vemo, da mora biti vrednost koeficienta čim bližje 1, čemur pa se v našem primeru ne približamo, saj smo opustili eno neodvisno spremenljivko, vpliv katere je zdaj zajet v slučajni spremenljivki e.

Pri primerjanju R2 je potrebna previdnost, saj gledamo dva različna modela in neposredna primerjava ni smiselna. Odločili smo se, da bomo kot osnovo vzeli determinacijski koeficient linearnega modela in priredili koeficient dvojno logaritemskega modela. Da dobimo primerljivo vrednost determinacijskega koeficienta logaritemskega modela, moramo najprej antilogaritmirati njegove ocene. Nato

27

ocenimo odvisnost med temi ocenami in odvisno spremenljivko – dodano vrednostjo (Pfajfar, 2014).

Vrednosti determinacijskih koeficientov zdaj znašata:

R2lin = 0,635762 R2log = 0,636804 R2lin < R2log Vemo, da je boljši model tisti z višjo vrednostjo determinacijskega koeficienta, to pa je v našem primeru dvojno logaritemski model, pri katerem je 63,68 % variance odvisne spremenljivke pojasnjene z neodvisno spremenljivko (pri linearnem 63,58 %). Razlika med modeloma je sicer neznatna.

5.3.2 Box-Cox test

Box-Cox test nam bo ponudil odgovor na vprašanje, katera oblika modela bolje ponazarja gibanje odvisne spremenljivke. Da lahko izpeljemo test, moramo najprej oblikovati primerljive nepojasnjene vsote kvadratov napak (NVK) za oba opazovana regresijska modela (Pfajfar, 2014).

Hipoteza, ki jo preverjamo, je:

H0 : modela sta enakovredna.

Box-Cox test opravimo v več korakih. Najprej oba modela ocenimo in izračunamo nepojasnjeni vsoti kvadratov. Označimo ju z NVKL za linearni model in NVKLL za dvojno logaritemskega. Izračunamo tudi geometrično sredino odvisne spremenljivke (Ȳ). Potrebujemo še velikost vzorca (n). Nato izračunamo testno statistiko po naslednji enačbi:

𝑙(𝐿) = 𝑛

2|ln (

𝑁𝑉𝐾𝐿 Ȳ2⁄

𝑁𝑉𝐾𝐿𝐿 )| ~ 𝜒2 (8)

Dobljeno vrednost l-statistike nato primerjamo z njeno kritično vrednostjo. Če se izkaže, da je 𝑙(𝐿) > 𝜒2, potem zavrnemo ničelno hipotezo in sklenemo, da modela nista enakovredna. Nadalje se odločamo na podlagi primerjave – če je (𝑁𝑉𝐾𝐿 Ȳ)⁄ < 𝑁𝑉𝐾𝐿𝐿, potem je primernejši linearni model. Če pa velja obratno, pa je primernejši dvojni logaritemski model. V primeru, da 𝑙(𝐿) < 𝜒2, ničelne hipoteze ne gre zavrniti in sklenemo, da sta modela enakovredna (Pfajfar, 2014).

V enačbo smo vstavili pripadajoče vrednosti:

𝑙(𝐿) = 64

2|ln (

3,103367446548323 ∗ 1017 2,055984815 ∗ 1017⁄

1,676941578150509 )| ~ 𝜒2 (9)

28

Izračunana vrednost l-statistike znaša –3,3677 in je manjša od kritične vrednosti 𝜒2, pri stopnji značilnosti α = 0,05 (79,08), kar pomeni, da ničelne hipoteze ne moremo zavrniti in zaključimo, da sta modela enakovredna.

5.3.3 RESET test

Ramseyev RESET test uporabimo, ko želimo ugotoviti, ali je funkcijska oblika modela pravilno specificirana. Ne ponudi nam pa odgovora, kaj je v modelu narobe oz. kakšna bi bila pravilna specifikacija.

Pfajfar (2014) pravi, da če v razsevnem grafikonu prikažemo odnos med napakami linearnega modela in ocenjenimi vrednostmi ter opazimo neko smiselno povezavo med prikazanima spremenljivkama, model najverjetneje ni dober oz. bi ga bilo potrebno respecificirati. V našem primeru pri linearnem modelu (Slika 8) takšna povezanost ni vidna, saj so vrednosti precej razpršene in ne sledijo nobenemu vzorcu.

Slika 8: Razsevni diagram med ocenjenimi vrednostmi in napakami linearnega modela

-150,000,000

-100,000,000

-50,000,000

0

50,000,000

100,000,000

150,000,000

200,000,000

300,000,000 500,000,000 700,000,000

LINEARFIT

RE

SID

01

LIN

EA

R

To trditev bomo preverili še kvantitativno. S pomočjo programa Eviews smo izviren linearni model razširili s kvadrati ocenjenih vrednosti. Ocenjevali smo torej naslednji model:

𝑉𝐴𝑡 = 𝐶 + 𝛽1𝐿𝑡 + 𝛽2ŷ𝑡2 + 𝑢𝑡 (10)

Preverjamo ničelno hipotezo:

H0 : β2 = 0.

Zanima nas vrednost izračunane F-statistike. Če je ta večja od kritične, bi bilo model potrebno respecificirati, v nasprotnem primeru je dober.

29

Tabela 5: RESET test linearnega modela – t- in F-statistika

Value df Probability

t-statistic 0.584548 61 0.5610

F-statistic 0.341696 (1, 61) 0.5610

Likelihood ratio 0.357501 1 0.5499

V našem primeru znaša F-statistika 0,341696, kar je manj od kritične vrednosti, ki pri stopnji značilnosti α = 0,05 znaša 3,99849422. To pomeni, da ničelne hipoteze ne moremo zavrniti oz. da je model dobro specificiran oz. primeren za nadaljnjo uporabo.

Slika 9 prikazuje grafično povezavo med vrednostmi napak in ocen dvojnologaritemskega modela. Ponovno ne vidimo povezave med vrednostmi, torej predpostavljamo, da je tudi dvojno logaritemski model dober za pojasnjevanje odnosa med odvisno in neodvisno spremenljivko.

Slika 9: Razsevni diagram med ocenjenimi vrednostmi in napakami dvojno logaritemskega modela

-.3

-.2

-.1

.0

.1

.2

.3

19.5 19.6 19.7 19.8 19.9 20.0 20.1 20.2 20.3 20.4

LOGARITEMSKIFIT

RE

SID

02L

OG

AR

ITE

MS

KI

Ponovno bomo zadevo preverili še računsko, na enak način kot pri linearnem modelu, se pravi z vpeljavo kvadriranih ocenjenih vrednosti v osnovni regresijski model. Dobimo sledeče vrednosti (Tabela 6):

Tabela 6: RESET test dvojno ogaritemskega modela – t- in F-statistika

Value df Probability

t-statistic 1.014602 61 0.3143

F-statistic 1.029418 (1, 61) 0.3143

Likelihood ratio 1.071033 1 0.3007

Zanima nas vrednost F-statistike, ki znaša 1,029418. To je manj od kritične vrednosti F-

30

statistike (3,99849422), se pravi sklenemo, da je model primeren za nadaljnjo obravnavo.

5.4 Izbira najprimernejšega modela

Vsi testi so nas privedli do zaključka, da med linearnim in dvojno logaritemskim modelom ni bistvenih razlik oz. sta enakovredna. Model, ki ga bomo uporabili v nadaljnjem delu, lahko zato izberemo po lastni presoji. Odločili smo se, da bomo uporabili linearni regresijski model.

5.5 Preverjanje veljavnosti predpostavk izbranega modela

Linearni regresijski model, ki smo ga v prejšnjem delu izbrali kot primernejšega, bomo preučili še podrobneje. Preverili bomo, ali je porazdelitev slučajne spremenljivke normalna in ali obstajajo v modelu motnje v obliki avtokorelacije in heteroskedastičnosti. Preverjanja se bomo lotili z dvema preizkusoma vsake predpostavke, katerima pa bomo, v primeru različnih rezultatov, dodali še tretjega. Dodajmo, da ne bomo preizkušali multikolinearnosti oz. medsebojne odvisnosti pojasnjevalnih spremenljivk, saj uporabljamo samo eno.

5.5.1 Normalna porazdelitev

F-, t- in χ2-statistike, ki so nam v pomoč pri ocenjevanju modelov, vse bazirajo na predpostavki, da so ocene regresijskih koeficientov normalno porazdeljene. To pa pomeni, da mora biti normalno porazdeljena tudi slučajna spremenljivka u. Praviloma je tako, da se z večanjem števila opazovanih enot, vsak vzorec začne približevati normalni porazdelitvi. Optimalno število opazovanih enot je sicer odvisno od primera, vendar pa Pfajfar (2014) vseeno govori o neki meji pri številu 100 (do 100 opazovanj je vzorec majhen).

Predpostavko o normalni porazdelitvi slučajne spremenljivke zapišemo tako:

𝑢𝑖 ~ 𝑁(0, 𝜎𝑢2) (11)

Normalna porazdelitev bi naj imela aritmetično sredino enako nič in konstantno varianco, kar bi naj narisalo krivuljo v obliki zvona. Pomembno je vedeti, da je normalna porazdelitev slučajne spremenljivke ključna za preverjanje vrednosti regresijskih koeficientov. F-, t- in χ2-statistike, na podlagi katerih sprejemamo odločitve o modelu, bazirajo na tej domnevi (Pfajfar, 2014).

Normalno porazdelitev lahko preverjamo grafično ali računsko. Pri tem je računski postopek seveda tudi primerno natančnejši, grafični nam služi bolj za orientacijo. Preverjamo ničelno hipotezo:

H0: u je normalno porazdeljena.

Za hitro predstavo o prisotnosti normalne porazdelitve lahko uporabimo Sliko 10. Ta prikazuje porazdelitev slučajne spremenljivke u linearnega modela. Stremimo k temu,

31

da je viden obris zvona. Če bi potegnili krivuljo skozi točke, bi res dobili obliko, podobno malce bolj abstraktnemu zvonu, vendar zgolj s slike vseeno vlečemo zaključke o porazdelitvi, zato bomo zadevo preverili tudi s številskimi testi.

Slika 10: Porazdelitev slučajne spremenljivke

0

2

4

6

8

10

12

-1.5e+08 -1.0e+08 -5.0e+07 250.000 5.0e+07 1.0e+08 1.5e+08

Series: RESID01LINEARSample 2000Q1 2015Q4Observations 64

Mean 5.69e-08Median -6815963.Maximum 1.64e+08Minimum -1.27e+08Std. Dev. 70185327Skewness 0.036489Kurtosis 2.062341

Jarque-Bera 2.358749Probability 0.307471

Prvi test normalne porazdelitve nam je naredil že program sam – gre za Jarque-Bera test. Jarque-Bera test preverja ničelno domnevo:

H0: u je normalno porazdeljena.

Dobljeno vrednost (2,358749) primerjamo s kritično vrednostjo χ2, ki v tem primeru znaša 3,84. Ker je dobljena vrednost manjša od kritične, hipoteze H0 ne moremo zavrniti in sklenemo, da je porazdelitev slučajne spremenljivke normalna.

To smo nato preverili še z dodatnimi testi, ki so razvidni iz Tabele 7. Dovolj je, da preverimo postavko verjetnosti pri vsakem izračunu. Ta mora biti enostavno večja od naše stopnje značilnosti α = 0,05. Vidimo, da pri prav vsakem od testov to drži, torej lahko sklenemo, da predpostavka o normalni porazdelitvi v modelu velja.

Tabela 7: Testi normalne porazdelitve

Method Value Adj. Value Probability Lilliefors (D) 0.089044 NA > 0.1

Cramer-von Mises (W2) 0.097172 0.097931 0.1201

Watson (U2) 0.097159 0.097918 0.0975

Anderson-Darling (A2) 0.640805 0.648666 0.0906

5.5.2 Heteroskedastičnost

Homoskedastičnost slučajne spremenljivke je eden od potrebnih pogojev, da je naša izbrana cenilka NeNaLiCe (nepristranska najboljša linearna cenilka). Homoskedastičnost pomeni, da so vrednosti slučajne spremenljivke enako razpršene, ne glede na to, kakšne so vrednosti pojasnjevalnih spremenljivk. Kadar pa se varianca slučajne

32

spremenljivke spreminja s spreminjanjem vrednosti pojasnjevalnih spremenljivk, pa govorimo o heteroskedastičnosti.

Težimo k temu, da je v modelu prisotna homoskedastičnost. Sama heteroskedastičnost sicer ne vpliva na nepristranskost in konsistentnost ocen regresijskih koeficientov ali na razlagalno moč determinacijskega koeficienta. Povzroči pa to, da naša cenilka postane samo še NeLiCe, torej ni več najboljša (obstajajo druge, s katerimi imajo regresijski koeficienti manjšo variabilnost) (Pfajfar, 2014).

Ponovno lahko prisotnost heteroskedastičnosti preverjamo grafično (Slika 11) in računsko. Grafični preizkus izvedemo tako, da kvadriramo slučajno spremenljivko u in primerjamo njeno odvisnost od pojasnjevalne spremenljivke L. Če je opazna korelacija pri razpršitvi, potem lahko sklepamo, da je prisotna heteroskedastičnost.

Slika 11: Grafični preizkus heteroskedastičnosti

0.0E+00

4.0E+15

8.0E+15

1.2E+16

1.6E+16

2.0E+16

2.4E+16

2.8E+16

24,000,000 32,000,000 40,000,000

L

RE

SID

01

LIN

EA

R2

S slike heteroskedastičnost sicer ni razvidna, vendar bomo to preverili še z dvema kvantitativnima metodama – gre za Breusch-Paganov in Whitov test.

Breusch-Paganov test predpostavlja, da je varianca slučajne spremenljivke odvisna od vseh ali le od nekaterih pojasnjevalnih spremenljivk.

Tabela 8: Breusch-Paganov test heteroskedastičnosti

Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic 0.319967 Prob. F(1,62) 0.5737

Obs*R-squared 0.328593 Prob. Chi-Square(1) 0.5665

Scaled explained SS 0.163800 Prob. Chi-Square(1) 0.6857

Dobljena F-statistika (0,319967) je nižja od kritične vrednosti (3,99), kar pomeni, da po

33

kriterijih Breusch-Paganovega testa v modelu ni heteroskedastičnosti oz. imamo opravka z zaželjeno homoskedastičnostjo.

To bomo preverili še z Whitovim testom.

Tabela 9: Whitov test heteroskedastičnosti

Heteroskedasticity Test: White F-statistic 0.645836 Prob. F(2,61) 0.5278



Tudi ta test potrdi homoskedastičnost modela, saj so izračunane vrednosti ponovno nižje od kritične. Sklenemo, da v našem modelu ni heteroskedastičnosti oz., da velja predpostavka o homoskedastičnosti.

5.5.3 Avtokorelacija

Avtokorelacijo preverjamo z namenom prepoznati, ali so vrednosti slučajne spremenljivke medsebojno odvisne. Zanima nas, ali je slučajna spremenljivka pri dani enoti odvisna od vrednosti pri predhodni enoti (recimo v prejšnjem letu). Iz tega razloga je test avtokorelacije smiseln predvsem pri časovnih vrstah za ugotavljanje povezave med vrednostmi v različnih obdobjih. Spodnji obrazec prikazuje stanje, ko ni avtokorelacije:

𝐶𝑜𝑣(𝑢𝑖𝑢𝑗) = 0

Ko je avtokorelacija prisotna, enačaj nadomestimo z neenačajem:

𝐶𝑜𝑣(𝑢𝑖𝑢𝑗) ≠ 0

Razlikujemo tudi pravo in nepravo avtokorelacijo. Do slednje pride zaradi napačne specifikacije modela. To se lahko zgodi, če recimo izpustimo kako pomembno spremenljivko ali pa zaradi izbire napačne funkcije. Poznamo več redov avtokorelacije (prvi, drugi, …) ter pozitivno in negativno avtokorelacijo. O prvi govorimo, kadar je vrednost koeficienta avtokorelacije pozitivna, o slednji pa, kadar je ta negativna. Avtokorelacija na pristranskost ocen regresijskih koeficientov ne vpliva, vpliva pa na zanesljivost testnih statistik za preverjanje regresijskih koeficientov (recimo t-statistika). Kot posledica metoda najmanjših kvadratov ni več najučinkovitejša in postane NeLiCe (Pfajfar, 2014).

Prvi test avtokorelacije, ki ga bomo opravili, je Durbin-Watsonov test, ki je tudi najpogosteje uporabljen. Domneve o prisotnosti avtokorelacije prvega reda preverjamo na podlagi izračunane d-statistike.

Hipoteza, ki jo preverjamo, je:

H0 : ρ1 ≤ 0 ; H1 : ρ1 > 0 za pozitivno avtokorelacijo.

34

Oziroma:

H0 : ρ1 ≥ 0 ; H1 : ρ1 < 0 za negativno avtokorelacijo.

Program Eviews nam je vrednost Durbin-Watsonove statistike izračunal in ponudil že sam (Tabela 3). Izračunana vrednost znaša 0,726194, kar je manj od spodnje vrednosti in pomeni, da zavrnemo H0, ki pravi, da v modelu ni pozitivne avtokorelacije.

Opravili bomo še en test avtokorelacije, in sicer Breusch-Godfreyev test avtokorelacije.

Tabela 10: Breush-Godfreyev test avtokorelacije

Breusch-Godfrey Serial Correlation LM Test: F-statistic 42.33684 Prob. F(1,61) 0.0000


F-statistika (42,33684) je v tem primeru večja od kritične vrednosti (3,990), kar pomeni, da je v modelu prisotna pozitivna avtokorelacija prvega reda.

Nadalje smo preverili še morebitno prisotnost avtokorelacije drugega reda. Durbin-Watson preizkus nam je vrnil številko 1,960824, kar je več od zgornje meje in zelo blizu 2, kar pomeni, da avtokorelacije drugega reda ni.

Konsistentnost dobljenih ocen ob prisotnosti avtokorelacije sicer ni ogrožena, vendar pa te postanejo NeLiCe, torej niso več najboljše – obstajajo druge cenilke in koeficienti z manjšo variabilnostjo. Standardne napake so ob prisotnosti avtokorelacije napačno ocenjene, kar lahko vodi v precenjevanje t-statistik koeficientov v primeru negativne in podcenjevanje v primeru pozitivne avtokorelacije.

V ta namen smo uporabili metodo konsistentnih ocen variančno-kovariančne matrike ocenjenih regresijskih koeficientov oz. metodo HAC. Ta metoda nam popravi napake ocenjenih regresijskih koeficientov in s tem tudi t-statistiko koeficientov (Pfajfar, 2014). V našem primeru, ko imamo pozitivno avtokorelacijo, se napake povečajo, t-statistike pa zmanjšajo (Tabela 11). Tudi ob tem popravku je spremenljivka delo dobra (t-statistika je večja od kritične). Vrednosti koeficientov se ne spreminjajo.

Tabela 11: Metoda HAC

Variable Coefficient Std. Error t-Statistic Prob. C -2.37E+08 1.07E+08 -2.203702 0.0313

L 22.51753 3.400371 6.622080 0.0000

Ugotovili smo že, da je v našem osnovnem linearnem regresijskem modelu prisotna avtokorelacija prvega reda, zato smo našo enačbo enostavno respecificirali z vključevanjem avtoregresijskega člena prvega reda AR(1). Rezultati so prikazani v Tabeli 12.

35

Tabela 12: Respecificiran model, popravljen za avtokorelacijo

Variable Coefficient Std. Error t-Statistic Prob. C 2.61E+08 93199946 2.797237 0.0069

L 6.896760 2.605387 2.647115 0.0104

AR(1) 0.865575 0.061949 13.97230 0.0000 R-squared 0.853442 Mean dependent var 4.56E+08







Inverted AR Roots .87

Z vključevanjem novega člena, smo odpravili avtokorelacijo (Durbin-Watson statistika znaša 2,083245), smo pa dobili tudi drugačen koeficient pri spremenljivki delo. Naš nov ocenjen model z odpravljeno avtokorelacijo je zdaj sledeč:

𝑉𝐴𝑡 = 260702361,3139796 + 6,896760𝐿𝑡 + 0,865575𝐴𝑅(1) + 𝑒𝑡 (12)

Poleg koeficienta dela se je spremenil tudi determinacijski koeficient, ki se je povečal na 0,848556 oz. 84,9 %. To je povečanje za več kot 20 odstotnih točk v primerjavi z osnovnim modelom in pomeni, da je popravljen model kot celota boljši za pojasnjevanje variance odvisne spremenljivke.

5.5.4 Chowov test

Ko imamo opravka s časovnimi vrstami, nas pogosto zanima, ali obstaja prelomnica v času, po kateri se obravnavana zakonitost oz. obravnavano razmerje bistveno spremeni in bi bilo smiselno model razdeliti na dve ali več obdobij. Odgovor na to vprašanje nam ponuja Chowov test. Prelomnico izberemo po lastni presoji, v našem primeru je to zadnji kvartal leta 2008, Chowov test pa s primerjavo nepojasnjene vsote kvadratov (NVK) pred in po tej točki ponudi ustrezne zaključke. Če razlik med obdobji ni, bi bila vsota NVK obeh podobdobij enaka NVK celotnega obdobja (Pfajfar, 2014).

Tabela 13: Chowov test

Chow Breakpoint Test: 2008Q4

Null Hypothesis: No breaks at specified breakpoints

Varying regressors: All equation variables

Equation Sample: 2000Q1 2015Q4 F-statistic 43.57970 Prob. F(2,60) 0.0000

Log likelihood ratio 57.41899 Prob. Chi-Square(2) 0.0000

Wald Statistic 87.15939 Prob. Chi-Square(2) 0.0000

V našem primeru znaša dobljena F-statistika 43,5797, kar je več od kritične vrednosti (3,15) in pomeni, da se je produktivnost dela z nastopom krize res spremenila.

36

6 ANALIZA VPLIVA GOSPODARSKE KRIZE NA PRODUKTIVNOST DELA

Ker je med leti 2000 in 2015 prišlo do velikega gospodarskega šoka, bi bilo smiselno opazovano obdobje razdeliti na dva dela in ju preučiti posebej. Ugotovili smo že, da je do preloma prišlo v zadnjem četrtletju leta 2008 (2008Q4), zato bomo prvi model bazirali na obdobju 2000Q1–2008Q3. Opazovali smo skupno 35 četrtletnih obdobij.

Naslednji model bo izdelan za obdobje 2008Q4–2015Q4 in bo tako zajemal 29 opazovanih obdobij. Obstoj te razmejitve smo dokazali tudi s Chowovim testom v Poglavju 5.5.4.

Pri samem ocenjevanju in preverjanju predpostavk modela se bomo tokrat osredotočili bolj na rezultate, pomen katerih je podrobneje že predstavljen v Poglavju 5 in ustreznih podpoglavjih.

6.1 Obdobje 2000–2008

6.1.1 Ocena modela

Kot prvo ocenjujemo obdobje prosperitete, torej obdobje od prvega četrtletja 2000 do tretjega četrtletja 2008. V Tabeli 14 vidimo rezultate ocenjevanja regresije za to obdobje s pomočjo linearnega modela.

Tabela 14: Linearni regresijski model – predkrizno obdobje

Variable Coefficient Std. Error t-Statistic Prob. C -7.14E+08 77011389 -9.272104 0.0000








Najprej opazimo precej višjo vrednost determinacijskega koeficienta v primerjavi z osnovnim modelom, ki je zajemal obe obdobji. Tokrat je kar 86,63 % variance odvisne spremenljivke pojasnjene z neodvisno spremenljivko. Sklepamo lahko, da je v obdobju pred izbruhom gospodarske krize povezava med spremenljivkama bolj predvidljiva oz. bolj izrazita.

V funkcijski obliki povezava izgleda tako:

𝑉𝐴𝑡 = −714057637,401908 + 37,59452𝐿𝑡 + 𝑒𝑡 (13)

37

Povedano z besedami – povečanje obsega dela za 1 uro, bi povečalo dodano vrednost za 37,59 evra. Ta koeficient je znatno višji od tistega v modelu za celotno obdobje (6,89).

Koeficienta v modelu sta dobro ocenjena, saj sta obe t-statistiki večji od kritične vrednosti.

6.1.2 Preverjanje veljavnosti predpostavk izbranega modela

S Sliko 12 grafično preverjamo, ali velja predpostavka o normalni porazdelitvi slučajne spremenljivke. Na prvi pogled lahko to potrdimo.


0

2

4

6

8

10

-1.0e+08 -5.0e+07 250.000 5.0e+07 1.0e+08 1.5e+08

Series: RESID01LINEARSample 2000Q1 2008Q3Observations 35

Mean -1.46e-07Median 4936202.Maximum 1.30e+08Minimum -78230578Std. Dev. 49219170Skewness 0.346365Kurtosis 2.720371

Jarque-Bera 0.813847Probability 0.665695

Nadalje smo to preverili s pomočjo vrednosti Jarque-Bera statistike, ki je manjša od kritične, kar potrjuje normalno porazdelitev. To smo potrdili še z dodatnimi testi v Tabeli 15.




Watson (U2) 0.032809 0.033277 0.7611


Ker verjetnost pri vseh postavkah presega vrednost 0,05, sklenemo, da je porazdelitev slučajne spremenljivke res normalna.

Slika 13 ne kaže na to, da bi bila v modelu prisotna heteroskedastičnost.

38


0.0E+00

4.0E+15

8.0E+15

1.2E+16

1.6E+16

2.0E+16

26,000,000 30,000,000 34,000,000 38,000,000

L

RE

SID

01

LIN

EA

R2

Odsotnost heteroskedastičnosti oz. homoskedastičnost smo potrdi z Breusch-Paganovim (Tabela 16) in Whitovim (Tabela 17) testom.





Ker je F-statistika (0,610287) nižja od kritične vrednosti (4,17), sklenemo, da v modelu ni heteroskedastičnosti oz. da velja predpostavka o homoskedastičnosti.

Whitov test (Tabela 17) nam te trditve ni potrdil oz. jo je zavrnil, saj je vrnil vrednost F-statistike (3,490913), ki je višja od kritične (3,32). Po kriterijih Whitovega testa imamo torej opravka s heteroskedastičnostjo.





Ker smo dobili dva različna rezultata, smo opravili še tretji test – Glejserjev test (Tabela 18). Nizka vrednost testne statistike potrjuje prvotno domnevo, da heteroskedastičnost v modelu ni prisotna.

39

Tabela 18: Glejserjev test heteroskedastičnosti

Heteroskedasticity Test: Glejser F-statistic 0.077918 Prob. F(1,33) 0.7819



Prisotnost avtokorelacije v modelu smo najprej preverili z Durbin-Watson statistiko, ki jo vidimo v Tabeli 13. Ta znaša 2,433771, kar je nad zgornjo mejo dU in pomeni, da ni avtokorelacije.

To smo potrdili tudi z Breusch-Godfreyevim testom (Tabela 19). F-statistika je nižja od kritične, zato sklenemo, da v modelu ni avtokorelacije.

Tabela 19: Breusch-Godfrey test avtokorelacije



6.2 Obdobje 2008–2015

6.2.1 Ocena modela

Naslednji model smo specificirali za obdobje od zadnjega četrtletja 2008 do zadnjega četrtletja 2015.

Tabela 20: Linearni regresijski model – obdobje po izbruhu krize

Variable Coefficient Std. Error t-Statistic Prob. C 89103637 49258591 1.808895 0.0816


Adjusted R-squared 0.702511 S.D. dependent var 74151725






Tabela 19 vsebuje rezultate ocenjevanja linearnega regresijskega modela za drugo opazovano obdobje – od prvega četrtletja 2009 do zadnjega četrtletja 2015. R2 (0,702511) je v tem primeru manjši kot v prvem obdobju. V tem odbobju je torej 70,3 % variance odvisne spremenljivke pojasnjene z neodvisno. Razlogov za to je lahko več, izpostavimo pa lahko že rigidne plače, ki so ob padajočih cenah gradbenih produktov in storitev zmanjševale.

40

Model prikazuje naslednja enačba:

𝑉𝐴𝑡 = 89103637 + 12,82736𝐿𝑡 + 𝑒𝑡 (14)

Če torej za 1 uro povečamo obseg dela, se dodana vrednost poveča za relativno nizkih 12,83 evrov. Gre za skoraj 65 % zmanjšanje glede na obdobje pred krizo. Razlogov za takšen padec je lahko več, izpostavimo pa lahko rigidne plače, ki so ob padajočih cenah gradbenih produktov in storitev zmanjševale profit na enoto oz. so zmanjševale dodano vrednost. Pomemben vpliv je imel tudi padec cen nepremičnin. Ker smo že ugotovili, da je vsled krize obseg dela relativno upadel bolj kot dodana vrednost, je smiselno sklepati, da je večji vpliv na gibanje dodane vrednosti dobila katera druga spremenljivka – denimo kapital, ki ga v model nismo vključili.

6.2.2 Preverjanje veljavnosti predpostavk izbranega modela

Najprej bomo preverili predpostavko o normalni porazdelitvi slučajne spremenljivke.


0

1

2

3

4

5

6

7

8

9

-1.0e+08 -5.0e+07 250.000 5.0e+07

Series: RESID01LINEAR

Sample 2008Q4 2015Q4

Observations 29

Mean 4.74e-08

Median -6209048.

Maximum 70583093

Minimum -95077203

Std. Dev. 39715485

Skewness -0.185334

Kurtosis 2.479542

Jarque-Bera 0.493328

Probability 0.781403

Slika 14 nam ne zagotavlja normalne porazdelitve, zato si bomo ogledali še številske vrednosti. Vrednost Jarque-Bera testa znaša 0,493328, kar je manj od kritične vrednosti, in pomeni, da je slučajna spremenljivka normalno porazdeljena.

Zgornjo trditev smo potrdili z nadaljnimi testi (Tabela 21) in prišli do zaključka, da predpostavka o normalni porazdelitvi velja.




Watson (U2) 0.051409 0.052295 0.4351


41

Tudi heteroskedastičnost smo najprej preverjali grafično (Slika 15). Na prvi pogled je vidna določena povezava med spremenljivkama, kar bomo raziskali dalje.


0E+00

2E+15

4E+15

6E+15

8E+15

1E+16

24,000,000 32,000,000 40,000,000

L

RE

SID

01

LIN

EA

R2

Za kvantitativno preverjanje heteroskedastičnosti bomo uporabili dva testa – Breusch-Paganovega (Tabela 22) in Whitovega (Tabela 23).





Vrednost F-statistike pri Breusch-Paganovem testu znaša 11,41302, kar je več od kritične vrednosti (4,21), in pomeni, da imamo opravka s heteroskedastičnostjo.

Enak zaključek nam ponudi tudi Whitov test, pri katerem je F-statistika (5,554968) ponovno višja od kritične (3,37).





Oba testa kažeta na prisotnost heteroskedastičnosti v modelu, kar pomeni, da cenilka ni več najboljša možna (NeNaLiCe) in da obstajajo tudi boljše (Pfajfar, 2014). Heteroskedastičnost smo skušali odpraviti z logaritmiranjem faktorjev, vendar je v tem

42

primeru model kot celota zaradi nizkega determinacijskega koeficienta preslab za nadaljno analizo. Heteroskedastičnost v modelu smo zato pustili, kar pa moramo upoštevati ob interpretaciji rezultatov.

Z Durbin-Watsonovim testom bomo preverili prisotnost avtokorelacije v modelu. Dobljena vrednost t-statistike znaša 1,210518, kar je pod spodnjo mejo dL in kaže na pozitivno avtokorelacijo.

Trditev smo preverili še z Breusch-Godfreyevim testom (Tabela 24). Tudi ta je potrdil prisotnost avtokorelacije v ocenjevanem modelu.

Tabela 24: Breusch-Godfrey test avtokorelacije



Z uporabo metode HAC (Tabela 25) smo popravili napake ocenjenih regresijskih koeficientov. Zaradi pozitivne avtokorelacije je metoda HAC vrnila višje standardne napake in nižje vrednosti t-statistik.

Tabela 25: Metoda HAC

Variable Coefficient Std. Error t-Statistic Prob. C 89103637 68020751 1.309948 0.2012

L 12.82736 2.368668 5.415432 0.0000

Ugotovili smo, da je v modelu prisotna pozitivna avtokorelacija prvega reda, zato smo model respecificirali z avtoregresijskim členom prvega reda. Popravljen model prikazujemo v Tabeli 26.

Tabela 26: Respecificiran model, popravljen za avtokorelacijo

Variable Coefficient Std. Error t-Statistic Prob. C 2.33E+08 99959687 2.329323 0.0282

L 7.952957 3.348786 2.374877 0.0255

AR(1) 0.568719 0.190617 2.983565 0.0063 R-squared 0.735246 Mean dependent var 4.82E+08






Prob(F-statistic) 0.000000 Inverted AR Roots .57

Z izbrano metodo nam je uspelo popraviti avtokorelacijo, to pa pomeni, da so se

43

spremenile tudi nekatere druge vrednosti. Malenkost se je povečal R2, ki priča o kvaliteti samega modela, zmanjšala se je pa nepojasnjena vsota kvadratov. Poleg tega so se spremenili tudi koeficienti ocenjenega modela. Vrednost koeficienta dela se je zelo približala popravljeni vrednosti za celotno obdobje (6,896760).

𝑉𝐴𝑡 = 232838393,2835982 + 7,952957𝐿𝑡 + 0,568719𝐴𝑅(1) + 𝑒𝑡 (16)

44

7 SKLEP

Gradbeništvo je eden največjih sektorjev v gospodarstvu, tako po svetu kot tudi v Sloveniji. Močno pa je prepleten tudi z drugimi dejavnostmi. Tudi zato je izrednega pomena za gospodarsko klimo. Zaradi svoje velikosti lahko gradbeni sektor, ki se sicer giblje prociklično, odločilno vpliva na gospodarsko rast, česar pa Slovenija ni znala obrniti sebi v prid. Država namreč predstavlja velik delež strank gradbenih podjetij, zato lahko s svojim povpraševanjem oz. z investiranjem naredi veliko razliko. Tako bi se morala v času konjukture malo umakniti in narediti rezerve, s katerimi bi potem v času kontrakcije posegala na trg in preko investicijskega multiplikatorja ter akceleratorja ponovno zagnala gospodarstvo. V Sloveniji se je dogajalo nasprotno – v času rasti je investirala tudi država, kar je pregrelo sektor in ga potisnilo na neke nerealne stopnje rasti, ki so se sicer takrat zdele dobrodošle, vendar so vodile v pravo strmoglavljenje.

Gospodarska kriza je močno zavrla gospodarsko aktivnost, na kar visoko zadolžena in optimistična gradbena podjetja niso bila pripravljena. Čez noč so upadli prihodki, mnogi pa zaradi tega niso bili več sposobni servisirati dolga in so bili primorani zapirati podjetja. Pomagale niso niti številne mahinacije znotraj največjih gradbenih podjetij, od katerih je bil odvisen velik del gospodarstva.

Danes so ta velika, rigidna podjetja zamenjali manjši, a veliko bolj inovativni in trgu prilagodljivi igralci – Marles, Lumar, Jelovica – ki imajo sicer precej manj kapitala od denimo SCT-ja ali Vegrada, vendar so izjemno sposobni in se znajo z modernimi produkti tržiti tudi izven naših meja. Ker je Slovenija majhen trg, je to zelo smiseln poslovni model, ki nakazuje na neko novo ero v sektorju, na kateri je smiselno graditi, tudi zato, ker povpraševanje fizičnih oseb po stanovanjskih objektih opazno narašča.

Ocenili smo linearne regresijske modele za celotno obdobje in za dve podobdobji – pred in po nastopu krize. V celotnem obdobju je izračunana vrednost koeficienta dela znašala 22,51753, kar pomeni, da bi s povečanjem obsega dela za 1 uro dodana vrednost narasla za 22,52 evra. V predkriznem obdobju bi za vsako dodano uro povečali dodano vrednost za 37,59 evra, v obdobju po krizi pa 12,83 evra. Te številke kažejo, da je produktivnost dela po izbruhu gospodarske krize močno upadla, kar je lahko posledica večih dejavnikov, denimo padca cen proizvodov ali pa zmanjšanega vlaganja v druge dejavnike proizvodnje, ki bi lahko povišali produktivnost.

Ker smo v dveh modelih – tistem za celotno obdobje in tistem za obdobje po krizi – zaznali avtokorelacijo, smo morali oba modela popraviti in koeficienti so se spremenili. To pomeni, da smo v celotnem obdobju za vsako dodano uro dela povišali dodano vrednost zgolj za 6,90 evra. V obdobju po krizi pa ta številka znaša 7,95. V predkriznem obdobju popravek ni bil potreben. To nam seveda da popačeno in morda nekoliko nerealno sliko. Zanesljivejše rezultate bi dobili, če bi v analizo produktivnosti lahko vključili še manjkajoče četrtletne podatke o kapitalu v sektorju. To je predstavljalo tudi največjo omejitev tega dela.

45

Kljub temu pa lahko nedvomno potrdimo precejšen padec produktivnosti dela po nastopu gospodarske krize, za kar lahko poiščemo več razlogov. Eden teh je gotovo visoko povpraševanje po gradbenih storitvah oz. proizvodih pred krizo. Sektor je zaradi tega rasel po nadpovprečnih stopnjah in obeti za prihodnost so bili zelo dobri, zato so podjetja tudi več vlagala – denimo v opremo, stroje in podobno, kar je pripomoglo k povečani produktivnosti. Tudi cene končnih proizvodov so zaradi povečane gradbene aktivnosti naraščale in to hitreje kot plače. Po nastopu krize je bil padec aktivnosti in cen končnih proizvodov precejšen in to se je odrazilo na dodani vrednosti posamezne ure dela. Če upoštevamo podatke izvirnega modela, ki sicer vključuje avtokorelacijo, je produktivnost po krizi znašala zgolj tretjino tiste prej. Če upoštevamo popravljen model, pa še precej manj.

S tem smo potrdili hipotezo H1 iz uvodnega poglavja, ki trdi, da je imela kriza v gradbenem sektorju velik vpliv na produktivnost. Razlika je še primerno večja zaradi nadpovprečne rasti slovenskega gradbeništva pred krizo.

46

LITERATURA IN VIRI

2TDK. (2017). Slovenija oddala vlogo na IPE Blending razpis za gradnjo 7 tunelov na drugem tiru železniške proge Divača – Koper. Dostopno na spletnem naslovu: http://www.drugitir.si/novice/2017-07-14-slovenija-oddala-vlogo-na-ipe-blending-razpis-za-gradnjo-7-tunelov-na-drugem-tiru-zelezniske-proge-divacakoper (20.8.2017)

Audiguier, C. (2012). The Impact of the Global Financial Crisis on the Least Developed Countries. Dostopno na spletnem naslovu: http://www.ferdi.fr/sites/www.ferdi.fr/files/publication/fichiers/Ferdi-DT50-C.Audigier_WEB.pdf (29.7.2017)

Banka Slovenije. (2016). Gospodarska in finančna gibanja. Ljubljana: Banka Slovenije.

Buch, K. (2010). World Economic Crisis and the Welfare State. Berlin: Friedrich-Ebert-Stiftung

Chan, K. (2016). Deleveraging crisis ahead? Dostopno na spletnem naslovu: https://keanchan.com/2016/08/29/deleveraging-crisis-ahead/ (23.8.2017)

Djankov, S. (2014). Inside the Euro Crisis: an Eyewitness Account. Washington, D.C.: Peterson Institute for International Economics.

Evropska komisija. (2009). Economic Crisis in Europe: Causes, Consequences and Responses. Luksemburg: Office for Official Publications of the European Communities.

Evropska komisija. (2017). Eurostat. Dostopno na spletnem naslovu: http://ec.europa.eu/eurostat/data/database (19.8.2017)

Ferfolja, M. (2013). Vpliv recesije na gradbeništvo v Sloveniji (diplomsko delo). Ekonomska fakulteta, Univerza v Ljubljani.

IMF. (2009). World Economic Outlook – Crisis and Recovery. Washington, D.C.: International Monetary Fund.

Jamer, N. (2010). Štiri velike gospodarske krize na Slovenskem (diplomsko delo). Ekonomska fakulteta, Univerza v Ljubljani.

Kajzer, A. (2011). Vpliv gospodarske krize na trg dela v Sloveniji in izzivi za politiko trga dela. IB revija, št.4, 13-21.

Kindleberger, C.P. in Aliber, R.Z. (2005). Manias, Panics and Crashes: A history of Financial Crises. Hoboken, New Jersey: John Wiley & Sons, Inc.

Krivec, V. (2016). Kolikšen je vzdržen obseg gradbenih del. Dostopno na spletnem naslovu: https://gradbenistvo.finance.si/8849916 (23.8.2017)

http://www.drugitir.si/novice/2017-07-14-slovenija-oddala-vlogo-na-ipe-blending-razpis-za-gradnjo-7-tunelov-na-drugem-tiru-zelezniske-proge-divacakoper

http://www.drugitir.si/novice/2017-07-14-slovenija-oddala-vlogo-na-ipe-blending-razpis-za-gradnjo-7-tunelov-na-drugem-tiru-zelezniske-proge-divacakoper

http://www.ferdi.fr/sites/www.ferdi.fr/files/publication/fichiers/Ferdi-DT50-C.Audigier_WEB.pdf

http://www.ferdi.fr/sites/www.ferdi.fr/files/publication/fichiers/Ferdi-DT50-C.Audigier_WEB.pdf

https://keanchan.com/2016/08/29/deleveraging-crisis-ahead/

http://ec.europa.eu/eurostat/data/database

https://gradbenistvo.finance.si/8849916

47

Laeven, L. in Valencia, F. Systemic Banking Crisis: A New Database. IMF Working Paper WP/08/224.

León-Manríquez J.L. in Moyo, T. (2015). The Global Financial and Economic Crisis in the South – Impact and Responses. Dakar: Council for the Development of Social Science Research in Africa.

Lopes, J.P., Oliveira, R.A. in Abreu, M.I. (2011). The Construction Industry and the Challenges of the Millenium Development Goals. Prispevek predstavljen na Management and Innovation for a Sustainable Built Environment, MISBE 2011. Dostopno na spletnem naslovu: http://misbe2011.fyper.com/proceedings/documents/183.pdf (17.8.2017)

Mishkin, F.S. (2004). The Economics of Money, Banking and Financial Markets – Seventh Edition. Boston, MA: Addison-Wesley.

OECD. (2001). Measuring productivity – OECD Manual. Dostopno na spletnem naslovu: http://www.oecd.org/std/productivity-stats/2352458.pdf (19.8.2017)

OECD. (2008). Labour Productivity Indicators. Dostopno na spletnem naslovu: https://www.oecd.org/std/labour-stats/41354425.pdf (22.8.2017)

OECD. (2017). Compendium of Productivity Indicators 2017. Dostopno na spletnem naslovu: http://www.oecd-ilibrary.org/economics/oecd-compendium-of-productivity-indicators-2017_pdtvy-2017-en (23.8.2017)

Ofori, G. (1990). The Construction Industry: Aspects of its Economics and Management. Singapur: Singapore University Press.

ONS. (2007). The ONS Productivity Handbook. New York, NY: Palgrave Macmillan.

Pfajfar, L. (2014). Osnovna ekonometrija. Ljubljana: Ekonomska fakulteta.

Regling, K. (2016). Europe after the crisis. Council on foreign relations – New York. Dostopno na spletnem naslovu: https://www.esm.europa.eu/speeches-and-presentations/europe-after-crisis (8.8.2017)

Revija Manager. (2016). Kaj čaka gradbeništvo v 2017. Dostopno na spletnem naslovu: https://gradbenistvo.finance.si/8852631 (11.8.2017)

Samuelson, P.A. in Nordhaus, W.D. (2010). Economics – Nineteenth Edition. New York, NY: Mcgraw-Hill/Irwin.

Strašek, S. (2009). Ekonomska politika. Maribor: Samozaložba.

SURS. (2015). Nacionalni računi o gospodarski krizi v Sloveniji. Ljubljana: SURS.

SURS. (2017). Podatkovni portal SI-STAT. Dostopno na spletnem naslovu: http://pxweb.stat.si/pxweb/dialog/statfile2.asp (19.8.2017)

http://misbe2011.fyper.com/proceedings/documents/183.pdf

http://www.oecd.org/std/productivity-stats/2352458.pdf

https://www.oecd.org/std/labour-stats/41354425.pdf

http://www.oecd-ilibrary.org/economics/oecd-compendium-of-productivity-indicators-2017_pdtvy-2017-en

http://www.oecd-ilibrary.org/economics/oecd-compendium-of-productivity-indicators-2017_pdtvy-2017-en

https://www.esm.europa.eu/speeches-and-presentations/europe-after-crisis

https://www.esm.europa.eu/speeches-and-presentations/europe-after-crisis

https://gradbenistvo.finance.si/8852631

http://pxweb.stat.si/pxweb/dialog/statfile2.asp

48

Štor, M. (2002). Največje ekonomske krize in njihov vpliv na kapitalske trge (diplomsko delo). Ekonomska fakulteta, Univerza v Ljubljani.

The Economist. (17.8.2017). The construction industry’s productivity problem. The Economist, August 19th – 25th 2017. Dostopno na spletnem naslovu: https://www.economist.com/news/leaders/21726693-and-how-governments-can-catalyse-change-construction-industrys-productivity-problem (11.8.2017)

Ugovšek, J. (2017). Gradbena statistika: gospodinjstva s široko odprtimi denarnicami. Dostopno na spletnem naslovu: https://gradbenistvo.finance.si/8859630/Gradbena-statistika-gospodinjstva-s-siroko-odprtimi-denarnicami (22.8.2017)

Uredba o standardni klasifikaciji dejavnosti – Priloga II: Pojasnila k standardni klasifikaciji dejavnosti (2007). Uradni list RS, št. 69/07 in 17/08 (31.7.2007). Dostopno na spletnem naslovu: http://pisrs.si/Pis.web/npb/2008-01-0559-2007-01-3820-npb1-p2.pdf (18.8.2017)

Weaver, F.S. (2011). The United States and the Global Economy: From Bretton Woods to the Current Crisis. Lanham: Rowman & Littlefield Publishers.

Združeni narodi. (2011). The Global Social Crisis – Report on the World Social Situation 2011. New York: United Nations.

Železnik, D. (2012). Vpliv svetovne finančne krize na narodno gospodarstvo in posamezno podjetje (magistrska naloga). Mednarodna fakulteta za družbene in poslovne študije, Celje.

Žnidaršič, B. (2017). Letos naval na montažne hiše. Dostopno na spletnem naslovu: https://gradbenistvo.finance.si/8859072/Letos-naval-na-montazne-hise (18.8.2017)

https://www.economist.com/news/leaders/21726693-and-how-governments-can-catalyse-change-construction-industrys-productivity-problem

https://www.economist.com/news/leaders/21726693-and-how-governments-can-catalyse-change-construction-industrys-productivity-problem

https://gradbenistvo.finance.si/8859630/Gradbena-statistika-gospodinjstva-s-siroko-odprtimi-denarnicami

https://gradbenistvo.finance.si/8859630/Gradbena-statistika-gospodinjstva-s-siroko-odprtimi-denarnicami

http://pisrs.si/Pis.web/npb/2008-01-0559-2007-01-3820-npb1-p2.pdf

http://pisrs.si/Pis.web/npb/2008-01-0559-2007-01-3820-npb1-p2.pdf

https://gradbenistvo.finance.si/8859072/Letos-naval-na-montazne-hise

1

PRILOGE

Priloga 1: Podatki o dodani vrednosti (VA) in številu delovnih ur (L)

Period VA L

2000Q1 281.800.000 27.488.000

2000Q2 310.400.000 27.922.000

2000Q3 335.900.000 27.181.000

2000Q4 317.800.000 29.132.000

2001Q1 285.600.000 27.045.000

2001Q2 306.000.000 27.666.000

2001Q3 340.700.000 27.052.000

2001Q4 321.500.000 29.151.000

2002Q1 287.400.000 26.637.000

2002Q2 313.300.000 28.901.000

2002Q3 351.800.000 27.377.000

2002Q4 336.600.000 30.028.000

2003Q1 307.100.000 27.766.000

2003Q2 361.700.000 29.876.000

2003Q3 382.400.000 27.902.000

2003Q4 353.500.000 30.177.000

2004Q1 323.600.000 27.470.000

2004Q2 363.100.000 29.622.000

2004Q3 416.000.000 28.086.000

2004Q4 380.600.000 31.083.000

2005Q1 350.800.000 27.425.000

2005Q2 436.200.000 30.385.000

2005Q3 459.400.000 29.328.000

2005Q4 423.000.000 30.044.000

2006Q1 380.100.000 28.654.000

2006Q2 472.100.000 31.199.000

2006Q3 552.800.000 31.968.000

2006Q4 550.700.000 32.344.000

2007Q1 510.500.000 31.336.000

2007Q2 623.000.000 35.049.000

2007Q3 690.700.000 33.920.000

2007Q4 629.900.000 37.288.000

2008Q1 641.900.000 35.921.000

2008Q2 699.500.000 38.402.000

2008Q3 771.600.000 39.463.000

2008Q4 651.200.000 41.084.000

2009Q1 616.900.000 36.502.000

2009Q2 650.500.000 38.263.000

2

2009Q3 650.700.000 39.622.000

2009Q4 546.100.000 40.220.000

2010Q1 500.000.000 34.116.000

2010Q2 517.800.000 36.182.000

2010Q3 529.100.000 34.822.000

2010Q4 468.100.000 36.958.000

2011Q1 438.300.000 30.536.000

2011Q2 463.000.000 31.741.000

2011Q3 513.900.000 30.340.000

2011Q4 469.700.000 32.083.000

2012Q1 443.700.000 27.824.000

2012Q2 456.600.000 29.642.000

2012Q3 494.500.000 28.419.000

2012Q4 421.900.000 28.246.000

2013Q1 366.400.000 24.592.000

2013Q2 396.500.000 26.978.000

2013Q3 449.400.000 27.426.000

2013Q4 442.400.000 28.365.000

2014Q1 419.600.000 24.559.000

2014Q2 478.000.000 26.911.000

2014Q3 501.600.000 28.732.000

2014Q4 438.300.000 27.993.000

2015Q1 427.400.000 25.224.000

2015Q2 466.400.000 27.585.000

2015Q3 484.000.000 28.238.000

2015Q4 448.500.000 28.502.000

Priloga 2: Korelacijski koeficient med VA in antilogfit

VA ANTILOGARITEMSKIFIT

VA 1 0.7985000871479571

ANTILOGARITEMSKIFIT

0.7985000871479571 1

3

Priloga 3: RESET test linearnega modela

Ramsey RESET Test

Equation: LINEAR

Specification: VA C L

Omitted Variables: Squares of fitted values Value df Probability

t-statistic 0.584548 61 0.5610

F-statistic 0.341696 (1, 61) 0.5610

Likelihood ratio 0.357501 1 0.5499 F-test summary:

Sum of Sq. df Mean

Squares

Test SSR 1.73E+15 1 1.73E+15

Restricted SSR 3.10E+17 62 5.01E+15

Unrestricted SSR 3.09E+17 61 5.06E+15

Unrestricted SSR 3.09E+17 61 5.06E+15 LR test summary:

Value df

Restricted LogL -1246.574 62

Unrestricted LogL -1246.395 61

Unrestricted Test Equation:

Dependent Variable: VA

Method: Least Squares

Date: 09/07/17 Time: 01:49

Sample: 2000Q1 2015Q4

Included observations: 64 Variable Coefficient Std. Error t-Statistic Prob. C 52335953 4.99E+08 0.104817 0.9169

L 8.823164 23.52812 0.375005 0.7090

FITTED^2 6.10E-10 1.04E-09 0.584548 0.5610 R-squared 0.637791 Mean dependent var 4.53E+08







4

Priloga 4: RESET test dvojno logaritemskega modela

Ramsey RESET Test

Equation: LOGARITEMSKI

Specification: LOG(VA) C LOG(L)

Omitted Variables: Squares of fitted values Value df Probability

t-statistic 1.014602 61 0.3143

F-statistic 1.029418 (1, 61) 0.3143

Likelihood ratio 1.071033 1 0.3007 F-test summary:

Sum of Sq. df Mean

Squares

Test SSR 0.027830 1 0.027830

Restricted SSR 1.676942 62 0.027047

Unrestricted SSR 1.649112 61 0.027035

Unrestricted SSR 1.649112 61 0.027035 LR test summary:

Value df

Restricted LogL 25.72910 62

Unrestricted LogL 26.26462 61

Unrestricted Test Equation:

Dependent Variable: LOG(VA)


Date: 09/07/17 Time: 01:53

Sample: 2000Q1 2015Q4

Included observations: 64 Variable Coefficient Std. Error t-Statistic Prob. C 347.7231 348.3744 0.998130 0.3222

LOG(L) -31.97004 32.97632 -0.969485 0.3361

FITTED^2 0.563060 0.554957 1.014602 0.3143 R-squared 0.583183 Mean dependent var 19.90113

Adjusted R-squared 0.569517 S.D. dependent var 0.250601

S.E. of regression 0.164422 Akaike info criterion -0.727019

Sum squared resid 1.649112 Schwarz criterion -0.625822

Log likelihood 26.26462 Hannan-Quinn criter. -0.687152



5

Priloga 5: Breusch-Paganov test heteroskedastičnosti




Test Equation:

Dependent Variable: RESID^2


Date: 09/07/17 Time: 01:55

Sample: 2000Q1 2015Q4

Included observations: 64 Variable Coefficient Std. Error t-Statistic Prob. C 2.16E+15 4.79E+15 0.451117 0.6535

L 87652383 1.55E+08 0.565656 0.5737 R-squared 0.005134 Mean dependent var 4.85E+15

Adjusted R-squared -0.010912 S.D. dependent var 5.04E+15

S.E. of regression 5.06E+15 Akaike info criterion 75.19081





Priloga 6: Whitov test heteroskedastičnosti




Test Equation:



Date: 09/07/17 Time: 01:56

Sample: 2000Q1 2015Q4

Included observations: 64 Variable Coefficient Std. Error t-Statistic Prob. C 4.10E+16 3.97E+16 1.033070 0.3056

L^2 37.16015 37.69447 0.985825 0.3281

L -2.34E+09 2.47E+09 -0.948339 0.3467 R-squared 0.020736 Mean dependent var 4.85E+15







6

Priloga 6: Breusch-Godfreyev test avtokorelacije



Test Equation:

Dependent Variable: RESID


Date: 09/07/17 Time: 01:58

Sample: 2000Q1 2015Q4

Included observations: 64

Presample missing value lagged residuals set to zero. Variable Coefficient Std. Error t-Statistic Prob. C 87213860 53558006 1.628400 0.1086

L -2.830174 1.732138 -1.633920 0.1074

RESID(-1) 0.663329 0.101946 6.506677 0.0000 R-squared 0.409697 Mean dependent var 5.69E-08







Priloga 7: HAC metoda

Dependent Variable: VA


Date: 09/07/17 Time: 01:59

Sample: 2000Q1 2015Q4


HAC standard errors & covariance (Bartlett kernel, Newey-West fixed

bandwidth = 4.0000) Variable Coefficient Std. Error t-Statistic Prob. C -2.37E+08 1.07E+08 -2.203702 0.0313







Prob(F-statistic) 0.000000 Wald F-statistic 43.85195

Prob(Wald F-statistic) 0.000000

7

Priloga 8: Breusch-Paganov test heteroskedastičnosti (2000 – 2008)




Test Equation:



Date: 09/07/17 Time: 02:00

Sample: 2000Q1 2008Q3

Included observations: 35 Variable Coefficient Std. Error t-Statistic Prob. C -1.42E+15 4.86E+15 -0.291820 0.7723

L 1.24E+08 1.59E+08 0.781209 0.4402 R-squared 0.018158 Mean dependent var 2.35E+15







Priloga 9: Whitov test heteroskedastičnosti (2000 – 2008)




Test Equation:



Date: 09/07/17 Time: 02:01

Sample: 2000Q1 2008Q3


L^2 -104.2213 41.60868 -2.504796 0.0175

L 6.88E+09 2.70E+09 2.547087 0.0159 R-squared 0.179105 Mean dependent var 2.35E+15







8

Priloga 10: Glejserjev test heteroskedastičnosti (2000 – 2008)

Heteroskedasticity Test: Glejser F-statistic 0.077918 Prob. F(1,33) 0.7819



Test Equation:

Dependent Variable: ARESID


Date: 09/07/17 Time: 02:02

Sample: 2000Q1 2008Q3

Included observations: 35 Variable Coefficient Std. Error t-Statistic Prob. C 27591164 43988161 0.627241 0.5348

L 0.402876 1.443289 0.279138 0.7819 R-squared 0.002356 Mean dependent var 39795868

Adjusted R-squared -0.027876 S.D. dependent var 28146685






Priloga 11: Breusch-Godfrey test avtokorelacije (2000 – 2008)



Test Equation:



Date: 09/07/17 Time: 02:03

Sample: 2000Q1 2008Q3


Presample missing value lagged residuals set to zero. Variable Coefficient Std. Error t-Statistic Prob. C -53268766 84008865 -0.634085 0.5305

L 1.757855 2.759388 0.637045 0.5286

RESID(-1) -0.278199 0.190106 -1.463390 0.1531 R-squared 0.062725 Mean dependent var -1.46E-07







9

Priloga 12: Breusch-Paganov test heteroskedastičnosti (2008 – 2015)




Test Equation:



Date: 09/07/17 Time: 02:06

Sample: 2008Q4 2015Q4


L 2.11E+08 62309493 3.378316 0.0022 R-squared 0.297113 Mean dependent var 1.52E+15







Priloga 13: Whitov test heteroskedastičnosti (2008 – 2015)




Test Equation:



Date: 09/07/17 Time: 02:07

Sample: 2008Q4 2015Q4


L^2 4.364588 15.05209 0.289966 0.7741

L -74933150 9.86E+08 -0.075965 0.9400 R-squared 0.299379 Mean dependent var 1.52E+15







10

Priloga 14: Breusch-Godfrey test avtokorelacije (2008 – 2015)



Test Equation:



Date: 09/07/17 Time: 02:08

Sample: 2008Q4 2015Q4


Presample missing value lagged residuals set to zero. Variable Coefficient Std. Error t-Statistic Prob. C 26858573 47739310 0.562609 0.5785

L -0.866619 1.518937 -0.570543 0.5732

RESID(-1) 0.408505 0.186787 2.187011 0.0379 R-squared 0.155378 Mean dependent var 4.74E-08







Documents

VPLIV GOSPODARSKE KRIZE NA PRODUKTIVNOST …produktivnost dela v slovenskem gradbeništvu, in proučiti, ali je na produktivnost dela . 2 vplivala gospodarska kriza. V teoretičnem