PRACE I MATERIAŁY - Kolegiakolegia.sgh.waw.pl/pl/KAE/struktura/IRG/publikacje/Documents/PIM... · bowiem już w IV kwartale 2013 roku, tendencja wzrostowa została zahamowana. Od

PRACE I MATERIAŁY Instytutu Rozwoju Gospodarczego SGH

101

Niepewność a aktywność gospodarcza

Praca zbiorowa pod redakcją Konrada Walczyka

Szkoła Główna Handlowa w Warszawie Warszawa 2017

Rada Programowa

Elżbieta Adamowicz (Przewodnicząca), Joanna Klimkowska (Sekretarz), Marco Malgarini,

Gernot Nerb, Ataman Ozyildirim, Janusz Stacewicz, István János Tóth

Komitet Redakcyjny i adres Redakcji:

Konrad Walczyk (Redaktor naczelny)

Ewa Ratuszny (Sekretarz)

ul. Madalińskiego 6/8, 02-513 Warszawa

http://www.sgh.waw.pl/irg/

Artykuły zawarte w publikacji zostały zrecenzowane zgodnie z wytycznymi MNiSW.

Wydanie I

Wersja papierowa czasopisma jest wersją pierwotną

http://www.sgh.waw.pl/instytuty/irg/publikacje/pimirg/

©Copyright by Szkoła Główna Handlowa w Warszawie, Warszawa 2017

Wszelkie prawa zastrzeżone. Kopiowanie, przedrukowanie i rozpowszechnianie całości

lub fragmentów niniejszej publikacji bez zgody wydawcy zabronione.

Wydawnictwo:

Szkoła Główna Handlowa w Warszawie – Oficyna Wydawnicza

02-554 Warszawa, al. Niepodległości 162

www.wydawnictwo.sgh.waw.pl

e-mail: [email protected]

ISSN 0866-9503

Nr rej. PR 18413

QUICK-DRUK s.c

e-mail: [email protected]

Nakład 200 egz.

Zamówienie 122/VII/17

http://www.sgh.waw.pl/irg/

http://www.sgh.waw.pl/instytuty/irg/publikacje/pimirg/

Spis treści

Zaburzenia cykliczności aktywności gospodarczej w Polsce w świetle

wyników badania koniunktury gospodarczej IRG SGH ................................5

Elżbieta Adamowicz, Konrad Walczyk

Mapping the respondents’ assessments in the RIED manufacturing tendency

survey using the Viterbi paths .......................................................................27

Michał Bernardelli, Monika Dędys

On the possibility of artificial uncertainty in the leader-follower game ......45

Maciej K. Dudek

Niepewność w opiniach polskich gospodarstw domowych .........................55

Sławomir Dudek

Elżbieta Adamowicz, Konrad Walczyk‡

Zaburzenia cykliczności aktywności gospodarczej w Polsce w świetle wyników badania koniunktury

gospodarczej IRG SGH

Streszczenie Lata 2013-2016 były w polskiej gospodarce okresem szczególnym, bowiem

doświadczyła ona wówczas zmiany utrwalonych wcześniej wzorców wahań

cyklicznych. Na podstawie analizy danych pochodzących z badań

koniunktury IRG SGH, obejmujących przemysł przetwórczy, budownictwo,

handel, sektor bankowy i gospodarstwa domowe, twierdzimy, że w istocie

zmiany te dotknęły podażowej strony gospodarki Polski, a ich przyczyny

upatrujemy we wzroście niepewności wywołanym przede wszystkim przez

napięcia w otoczeniu politycznym biznesu.

Słowa kluczowe: badania koniunktury, cykl koniunkturalny, koniunktura

gospodarcza, wskaźniki koniunktury.

JEL: E32.

‡ Szkoła Główna Handlowa w Warszawie, Kolegium Analiz Ekonomicznych.

1. Wzrost niepewności a działalność gospodarcza. Zagrożenia zewnętrzne i wewnętrzne

Od mniej więcej końca 2013 roku nasila się nieprzewidywalność zmian

koniunktury gospodarczej. Poszukując tego przyczyn, nie sposób pominąć

narastającej niepewności w bliższym i dalszym otoczeniu biznesu, wewnątrz

i na zewnątrz systemu gospodarczego. Działalność gospodarcza wprawdzie

nierozerwalnie wiąże się z niepewnością i ryzykiem, jednak w ostatnim

okresie obserwujemy wyjątkową kumulację czynników je potęgujących.

Do źródeł eskalacji niepewności należy zaliczyć przede wszystkim

konflikt na Ukrainie. Jako najbliższy sąsiad odczuwamy wszelkie skutki tego

konfliktu, zarówno w sferze politycznej jak i gospodarczej. Gospodarka

polska doświadcza i negatywnych skutków sankcji nałożonych na Rosję,

i wprowadzonych restrykcji odwetowych. Mimo upływu czasu sytuacja nie

poprawia się. Od pewnego czasu nie pojawiają się nawet nowe pomysły na

rozwiązanie konfliktu. Także konflikty i napięcia zbrojne, przebiegające

w większym oddaleniu od granic Polski, w globalnej rzeczywistości

odciskają piętno na naszym życiu gospodarczym. Konflikty zbrojne to

współcześnie najgroźniejsze zdarzenia, które oddziałują na gospodarkę

światową. Doświadcza ona również napięć społecznych, wynikających

zarówno z niezadowolenia ludzi z dotychczasowych osiągnięć mających

prowadzić do zażegnania konfliktów, jak i rosnących możliwości oraz

umiejętności wykorzystywania tych napięć do realizacji określonych celów

politycznych, czego konsekwencją są przybierające na sile fale populizmu,

który objawia się w polityce państwa i wpływa negatywnie na stabilność

warunków prowadzenia działalności gospodarczej.

Negatywnie na polską gospodarkę oddziałuje także kryzys migracyjny.

Jego skutki to przede wszystkim napięcia społeczne i drenaż mózgów, ale

także odpływ niżej wykwalifikowanej siły roboczej, poszukującej lepszych

warunków zatrudnienia za granicą. Problem braku siły roboczej w kraju

łagodzi w znacznym stopniu rosnąca liczba imigrantów ze Wschodu,

zwłaszcza Ukrainy, zatrudnionych w polskich przedsiębiorstwach

i gospodarstwach rolnych. Nie stanowią oni jednak trwałego rozwiązania

problemu braku siły roboczej w Polsce.

Gospodarka polska wciąż odczuwa negatywne skutki zewnętrznych

napięć gospodarczych ostatnich lat. W powszechnej opinii nie uporaliśmy się

dotąd ze skutkami światowego kryzysu finansowego i gospodarczego 2007+,

a nadto musimy stawiać czoła przewlekłym skutkom kryzysu fiskalnego

w strefie euro. Wprawdzie w Polsce przebieg obu kryzysów był stosunkowo

łagodny, ale trwale wpłynęły one na zmiany w polityce makroekonomicznej

w europejskim obszarze gospodarczym, którego jesteśmy częścią składową.

Zaburzenia cykliczności … 7

Nasiliły się protekcjonizm i izolacjonizm, które uzewnętrzniły się

odłączeniem się Wielkiej Brytanii od Unii Europejskiej i w propozycji „Unii

dwóch prędkości”.

Niezależnie od tych czynników pogłębiają się w kraju podziały

społeczne, których zaostrzenie przyniosły wybory parlamentarne roku 2015.

Mają one negatywny wpływ na kapitał społeczny, niszcząc delikatną tkankę

wzajemnego zaufania wszystkich uczestników działalności gospodarczej

i pogarszając ich nastroje. Zmiany w polityce gospodarczej nowego rządu nie

sprzyjają zmniejszeniu niepewności. Zapowiedzi władz dotyczące

zamierzonych regulacji w sferze gospodarczej znalazły odbicie

w pogorszeniu się nastrojów przedsiębiorców i gospodarstw domowych.

Rozbieżność między zapowiedziami polityków a oczekiwaniami podmiotów

gospodarczych oraz chwiejność planów gospodarczych rządu, wynikająca

z nie do końca dających się przewidzieć ich skutków i niejasności

stanowionego prawa, wzmagają niepokój.

Powyższe ani nie wyczerpuje katalogu czynników niepewności

i bieżących zagrożeń dla polskiej gospodarki, ani nie omawia ich dostatecznie

obszernie, wskazuje jednak na ich duży ciężar gatunkowy i wyjątkową

intensywność w ostatnim okresie. W odróżnieniu od ryzyka, niepewności nie

potrafimy oszacować. Zauważamy jednak, iż jej wzrost przekłada się na

nastroje uczestników i wyniki działalności gospodarczej, powodując

zaburzenia w obserwowanym dotąd – na poziomie makroekonomicznym –

wzorcu zachowań. Odzwierciedlają się one w procesach ekonomicznych,

które diagnozujemy w badaniach koniunktury. Celem niniejszego artykułu

jest analiza wpływu wzrostu niepewności na wzorzec zachowań cyklicznych

w gospodarce polskiej, który ustalił się w latach wcześniejszych. Analiza

obejmuje tendencje cykliczne w pięciu sektorach objętych badaniami

koniunktury IRG SGH: przemyśle przetwórczym, budownictwie, sektorze

bankowym, gospodarstwach domowych i handlu. Szczegółowa analiza

dotyczy przemysłu przetwórczego. Badanie podjęliśmy w celu sprawdzenia

prawdziwości hipotezy mówiącej, iż w latach 2013-2017 w gospodarce

polskiej miała miejsce zmiana utrwalonych wcześniej prawidłowości

cyklicznych.

2. Analiza graficzna

Zmiany koniunktury, jakie obserwujemy w gospodarce polskiej od

2013 roku, odbiegają od obserwowanego wcześniej wzorca cyklicznych

wahań aktywności gospodarczej. Zaburzenia te sprawiają, iż w przebiegu

wskaźników koniunktury, które Instytut Rozwoju Gospodarczego Szkoły

8 Elżbieta Adamowicz, Konrad Walczyk

Głównej Handlowej w Warszawie (IRG) rejestruje i opracowuje od początku

lat dziewięćdziesiątych ubiegłego wieku, w ostatnich trzech latach brak jest

wyraźnej tendencji czy to ku wzrostowi czy spadkowi. Widoczne jest to

zarówno w przebiegu barometru IRG (BARIRG), który opisuje koniunkturę

na poziomie całej gospodarki1, jak i w przebiegu wskaźników, opisujących

koniunkturę w poszczególnych sektorach. Analizę rozpoczynamy od

prezentacji zmian barometru IRG SGH (Rysunek 1).

Rysunek 1. Barometr IRG SGH w latach 1999-2016.

Szereg surowy (BARIRG, lewa skala) pokazuje zmiany wartości

barometru w czasie. Zmiany amplitudy wahań i czasu trwania

poszczególnych faz przedstawia składnik cykliczny (prawa skala)2. W całej

gospodarce rok 2013 i pierwsza połowa roku 2014 były okresem poprawy

koniunktury, chociaż w kolejnych miesiącach przyrosty wartości barometru

były coraz mniejsze. W tym okresie, a ściślej do czerwca 2014 r., mieliśmy

1 BARIRG jest syntetycznym miernikiem, w skład którego wchodzą wskaźniki koniunktury

w: rolnictwie, przemyśle przetwórczym, budownictwie, transporcie samochodowym, handlu

i sektorze bankowym oraz wskaźnik kondycji gospodarstw domowych (nazywany również

wskaźnikiem nastrojów konsumentów). Wskaźnik koniunktury w przemyśle i wskaźnik

kondycji gospodarstw domowych mają wagę 2/9, pozostałe 1/9 (szczegółowe informacje

o sposobie liczenia tych wskaźników w: http://kolegia.sgh.waw.pl/pl/KAE/struktura/IRG/

koniunktura/Documents/metoda_badawcza.pdf). 2 Estymacja czynnika cyklicznego była dwuetapowa. Wpierw z szeregu surowego usunięto

składową sezonową metodą TRAMO-SEATS (z korektą o efekty kalendarza). Z reszty

wyodrębniono składową cykliczną za pomocą asymetrycznego filtra Christiano-Fitzgeralda

(z korektą o średnią, długość cyklu 2-12 lat). Tę metodę dekompozycji zastosowano do

wszystkich analizowanych szeregów czasowych.

-20

-15

-10

-5

0

5

10

15

20

-35

-30

-25

-20

-15

-10

-5

0

5

10

15

20

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

BARIRG BARIRG (po VI 2014) składnik cykliczny (prawa skala)

http://kolegia.sgh.waw.pl/pl/KAE/struktura/IRG/


do czynienia z typową fazą wzrostową cyklu koniunkturalnego. Od połowy

2014 roku wartości barometru naprzemiennie rosły i malały, kolejne

przyrosty niwelowały wcześniejsze spadki, okresy poprawy i pogorszenia się

koniunktury były krótsze niż w poprzednich latach i nie wykazywały

trwalszej tendencji wzrostowej czy spadkowej. Oszacowana składowa

cykliczna przedstawia jednak inny obraz sytuacji w gospodarce, a mianowicie

od maja 2014 r. do maja 2015 r. trwała faza spadkowa w cyklu BARIRG, po

której nadeszła faza wzrostowa, zakończona najprawdopodobniej3 w czerwcu

2016 r. Oznaczałoby to, że pomiędzy połową 2014 r. a połową 2016 r.

wystąpił w Polsce cykl trwający 25 miesięcy. Obraz, jaki wyłania się

z porównania obu szeregów, jest zatem niespójny. Możliwe są dwa

wyjaśnienia – albo zastosowana metoda estymacji czynnika cyklicznego

zawodzi, generując cykl pozorny, albo jest on „głęboko ukryty” w szeregu

surowym. Do rozwiązania tej zagadki wrócimy później.

W poszczególnych obszarach działalności gospodarczej, objętych

badaniami koniunktury IRG SGH, zmiany przebiegały różnorako. Dla

przemysłu przetwórczego lata 2013-2016 były okresem słabej i zmiennej

koniunktury (Rysunek 2). Wcześniej niż w pozostałej części gospodarki,

bowiem już w IV kwartale 2013 roku, tendencja wzrostowa została

zahamowana. Od tego czasu wartości wskaźnika koniunktury (IRGIND)

naprzemiennie rosły i malały, a częstotliwość zmiany kierunku była większa

niż w przypadku barometru. Trudno dostrzec w przebiegu – po 2013 r. –

zarówno wskaźnika surowego jak i jego składowej cyklicznej tendencję

wzrostową czy spadkową. Może to wskazywać na pewne zagubienie

przedsiębiorców, często zmieniających oceny swojej sytuacji bieżącej

i przewidywań co do nieodległej przyszłości.

W badaniach koniunktury IRG SGH przedsiębiorcy odpowiadają także

na pytania o bariery rozwoju działalności gospodarczej. Ich odpowiedzi

wskazują, iż wspominane wyżej źródła niepewności silnie na nią oddziałują.

Brak siły roboczej, przede wszystkim wykwalifikowanej, wysunął się

w ciągu ostatnich czterech lat na piąte miejsce na liście czynników

ograniczających produkcję. W styczniu 2013 r. barierę tę wymieniało 12,1%

badanych przedsiębiorstw, zaś w styczniu 2017 r. odsetek ten wyniósł 27,2%,

zwiększając się ponad dwukrotnie (najwyższy odsetek, 30,9%, odnotowano

w październiku 2016 r.). Na trzecim miejscu na liście barier wymieniana jest

niestabilność przepisów prawnych. Na ten problem przedsiębiorcy zwracają

3 Brak jest formalnych podstaw, by twierdzić, że w czerwcu 2016 r. faktycznie wystąpił górny

punkt zwrotny w przebiegu składnika cyklicznego barometru.


uwagę od początku badania koniunktury w przemyśle przetwórczym przez

SGH, jednak odsetek przedsiębiorców narzekających na uciążliwość tej

bariery znacznie zwiększył się w omawianym okresie – w styczniu 2013 roku

wynosił 34,1% ankietowanych, a w styczniu 2017 roku 47,1%.

Rysunek 2. Wskaźnik koniunktury w przemyśle przetwórczym (IRGIND)

w latach 1997-2016.

Dość podobnie wyglądały zmiany koniunktury w budownictwie.

Tendencja wzrostowa wskaźnika koniunktury (IRGCON), widoczna jeszcze

w 2013 r., załamała się w drugim kwartale 2014 r. Od tego czasu mamy do

czynienia ze zmiennością koniunktury budowlanej, o której decydowały

w przeważającej mierze czynniki sezonowe. Składnik cykliczny poruszał się

trendem bocznym (Rysunek 3). Tak jak w przypadku przemysłu

przetwórczego, w okresie I kwartał 2013 r. – I kwartał 2017 r. znacznie nasilił

się negatywny wpływ niestabilności przepisów prawnych na działalność

przedsiębiorstw budowlanych – odsetek ankietowanych wskazujących na tę

barierę wzrósł z 21,8% do 34,1%.

Zmiany koniunktury w bankowości w latach 2013-2016 wyróżniały się

nie tylko na tle lat wcześniejszych, ale i całej gospodarki. Zarówno zmienność

jak i amplituda zmian surowych wartości wskaźnika koniunktury (IRGBAN)

była bardzo wysoka – amplituda wahań sięgała ponad 70 punktów. Z kwartału

na kwartał wartości wskaźnika naprzemiennie rosły i spadały, każdorazowo

przekraczając linię „0” i notując kolejne historyczne minima i maksima.

(Rysunek 4). Podobnego zjawiska nie odnotowano wcześniej w historii

badania. Trudno nie wiązać reakcji banków z polityką wobec tego sektora,

skutkującą zmniejszeniem jego zyskowności. O ile w roku 2014

-20

-15

-10

-5

0

5

10

15

-40

-30

-20

-10

0

10

20

30

1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

IRGIND IRGIND (po X 2013) składnik cykliczny (prawa skala)


w odpowiedziach respondentów z sektora bankowego widoczna była rosnąca

rola barier związanych z trudnościami z pozyskaniem klientów oraz

niedostatecznym popytem na usługi finansowe, to już w latach 2015 i 2016

za najważniejsze bariery banki uznawały restrykcje prawne i podatkowe.

Było to wynikiem nałożenia podatku bankowego i wyższych opłat na rzecz

BFG, związanych z upadkiem banków z sektora spółdzielczego i SKOK, oraz

zapowiedziami przewalutowania kredytów walutowych.

Rysunek 3. Wskaźnik koniunktury w budownictwie (IRGCON)

w latach 1999-2016.

Rysunek 4. Wskaźnik koniunktury w bankowości (IRGBAN)

w latach 1999-2016.

-20

-15

-10

-5

0

5

10

15

20

25

-60

-40

-20

0

20

40

60

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

IRGCON IRGCON (po II kw. 2014) składnik cykliczny (prawa skala)

-30

-20

-10

0

10

20

30

-40

-30

-20

-10

0

10

20

30

40

50

60

70

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

IRGBAN IRGBAN (po IV kw. 2013) składnik cykliczny (prawa skala)


Jeszcze inaczej kształtowała się w omawianym okresie koniunktura

w gospodarstwach domowych. Od IV kwartału 2012 r. wartości wskaźnika

kondycji gospodarstw domowych (IRGKGD) niemal nieprzerwanie rosną

(Rysunek 5). Wprawdzie w latach 2014-2016 ten ruch zwyżkowy został

zakłócony – jego tempo wyraźnie osłabło w 2014 roku, a w I i III kwartałach

2015 r. oraz w I połowie 2016 r. zanotowano przejściowe spadki – jednak

zmiany te nie były dostatecznie silne, by powstrzymać cykliczny wzrost

wskaźnika. Nastroje polskich gospodarstw domowych są dobre, a wskaźnik

IRGKGD osiągnął już niemal wartość sprzed światowego kryzysu

finansowego i gospodarczego 2007+.

Rysunek 5. Wskaźnik kondycji gospodarstw domowych (IRGKGD)

w latach 1996-2016.

Te dobre nastroje przenoszą się na zachowania zakupowe

konsumentów. Co łączy koniunkturę w gospodarstwach domowych i handlu

w analizowanym okresie, to brak odmienności przebiegu odpowiednich

wskaźników względem lat wcześniejszych. Koniunktura w handlu ma swoją

specyfikę. Wyróżniają ją krótsze niż w pozostałych działach gospodarki fazy

wskaźnika koniunktury (IRGTRD) oraz bardzo krótkie – zwłaszcza w okresie

ostatnich trzech lat – trwające zaledwie jeden kwartał wzrosty jego wartości.

Jednak sam schemat zmian – słaba pierwsza fala, po której następują dwie

lub trzy znacznie bardziej natężone – powtórzył się w omawianym okresie

tak, jak wcześniej miało to miejsce w latach: 1999-2001, 2002-2004,

2005-2008 i 2009-2011.

Mamy więc dwoisty obraz zmian koniunktury w Polsce w ostatnich

latach. W tej części gospodarki, która zajmuje się produkcją dóbr i obsługą

-20

-15

-10

-5

0

5

10

15

20

25

-70

-60

-50

-40

-30

-20

-10

0

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

IRGKGD składnik cykliczny (prawa skala)


biznesu, lata 2014-2016 zaznaczyły się zaburzeniem dotychczasowego

wzorca wahań cyklicznych, ustawiając ją w trendzie bocznym. Z kolei

w pozostałej części gospodarki, tj. zajmującej się dystrybucją i spożyciem

dóbr, kontynuowany jest cykliczny wzrost bez oznak zakłóceń tego rodzaju,

jakie są obserwowane w produkcji. Przypuszczamy, że źródła tych zakłóceń

leżą w nadzwyczajnym wzroście niepewności w otoczeniu biznesu, która ma

niewielki wpływ na postawy konsumentów. Gospodarstwa domowe

konsumują owoce utrzymującego się od czterech lat niewysokiego, lecz

stabilnego wzrostu gospodarczego, wzrostu wynagrodzeń realnych i spadku

bezrobocia w warunkach bardzo niskich stóp procentowych, sprzyjających

wzrostowi bieżącej konsumpcji. Nie dostrzegają natomiast zagrożeń, jakie są

udziałem przedsiębiorstw, których perspektywa jest rozleglejsza i rozciąga

się na dłuższy okres. Zakłócenia te zostaną poddane bardziej szczegółowej

analizie. Zostanie ona przeprowadzona na przykładzie zachowań

przedsiębiorstw z przemysłu przetwórczego.

Rysunek 6. Wskaźnik koniunktury w handlu (IRGTRD) w latach

1994-2016.

3. Zakłócenia cyklicznych wahań koniunktury w przemyśle przetwórczym w latach 2013-2016

Z badań wynika, że cykliczne wahania koniunktury w polskim

przemyśle przetwórczym objaśniają zasadniczą część cyklu

koniunkturalnego w Polsce (Adamowicz i in., 2011; Adamowicz, Walczyk,

2013). Z tego powodu bardziej szczegółową analizę zaburzeń cyklicznego

-6

-4

-2

0

2

4

6

-20

-15

-10

-5

0

5

10

15

20

1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016

IRGTRD składnik cykliczny (prawa skala)


rytmu zmian w polskiej gospodarce w ostatnich trzech latach ograniczymy do

przemysłu przetwórczego. Obraz przebiegu zmian cyklicznych w tym

sektorze jest przedstawiony na rysunkach 2 i 7, obejmujących okres marzec

1997 r. – październik 2016 r. Na rysunkach tych pokazane są zmiany

złożonego wskaźnika koniunktury (IRGIND) i ośmiu wskaźników prostych

– podstawowych sald (stanów) odpowiedzi na pytania ankiety, dotyczące:

wielkości produkcji, wielkości zamówień ogółem, wielkości zamówień

eksportowych, wielkości zapasów wyrobów gotowych, poziomu cen,

wielkości zatrudnienia, sytuacji finansowej oraz ogólnej sytuacji

gospodarczej w kraju. Są to główne pytania w ankiecie comiesięcznego

badania koniunktury w przemyśle przetwórczym. Na wykresach wyróżniono

okres XI 2013 r. – X 2016 r. (linia przerywana). Na podstawie analizy

graficznej można sformułować trzy główne spostrzeżenia:

1. Zmienność wartości wskaźnika i sald, mierzona wielkością

kolejnych ich przyrostów (rozproszeniem wokół średniej), była

w wyróżnionym okresie mniejsza niż w latach wcześniejszych.

2. Okresy naprzemiennych wzrostów i spadków wartości wskaźnika

i sald były w tym okresie krótsze niż wcześniej (częstotliwość zmian

kierunku ruchu wskaźników była większa).

3. Wartości wskaźnika i sald nie wykazywały w omawianym okresie

trwałej tendencji ani do wzrostu, ani do spadku (w nomenklaturze

analizy cyklu koniunkturalnego nie znajdowały się ani w fazie

wzrostowej, ani w spadkowej, lecz poruszały się w trendzie

bocznym).

Słuszność tych spostrzeżeń została sprawdzona za pomocą prostych

miar statystycznych. W tym celu każdy z dziewięciu szeregów czasowych

(wskaźnik i 8 sald), złożonych z 236 obserwacji, 𝑥𝑖 = {𝑥1𝑖 , 𝑥2

𝑖 , … , 𝑥236𝑖 } (𝑖 =

1,2, … ,9), został podzielony na łącznie 2014 podszeregów o długości 36

miesięcy, z których każdy kolejny zaczyna się (kończy) w miesiącu

następującym po miesiącu, w jakim rozpoczął się (zakończył) podszereg

poprzedni, 𝑥𝑘𝑖 = {𝑥𝑘1

𝑖 , 𝑥𝑘2𝑖 , … , 𝑥𝑘36

𝑖 }, 𝑘 = 1,2, … ,201 (3-letnie tzw. okno

ruchome). Dla każdego z podszeregów 𝑥𝑘𝑖 zostały obliczone:

rozstęp,

odchylenie standardowe,

średni przyrost,

średni czas (w miesiącach) wzrostu/spadku, obliczony jako iloraz

liczby miesięcy, w których zaobserwowano wzrost (spadek)

4 W przypadku salda odpowiedzi na pytanie o ogólną sytuację gospodarczą w kraju liczba

okien wyniosła 200.

-55

-45

-35

-25

-15

-5

5

15

25

35

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wielkość produkcji

-60

-50

-40

-30

-20

-10

0

10

20

30

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wielkość zamówień ogółem

-60

-50

-40

-30

-20

-10

0

10

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wielkość zamówień eksportowych

-15

-10

-5

0

5

10

15

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wielkość zapasów

Rysunek 7. Salda testu koniunktury w przemyśle przetwórczym w okresie marzec 1997 r. – październik 2016 r.

-20

-15

-10

-5

0

5

10

15

20

25

30

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wysokość cen wyrobów gotowych

-60

-50

-40

-30

-20

-10

0

10

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wielkość zatrudnienia

-50

-40

-30

-20

-10

0

10

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o sytuację finansową przedsiębiorstwa

-90

-70

-50

-30

-10

10

30

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o ogólną sytuację gospodarczą w kraju


wartości zmiennej i, i liczby co najmniej jednomiesięcznych

okresów wzrostu (spadku) jej wartości,

średni odsetek odpowiedzi „brak zmiany”5,

a następnie przeprowadzono normalizację wartości tych miar wg wzoru:

𝑚𝑘𝑖�̂�

=𝑚𝑘𝑖

𝑗−𝑚𝑘𝑖_𝑚𝑖𝑛

𝑗

𝑚𝑘𝑖_𝑚𝑎𝑥𝑗

−𝑚𝑘𝑖_𝑚𝑖𝑛𝑗 ,

gdzie 𝑚𝑘𝑖𝑗

to wyrazy ciągu złożonego z wartości miary j, obliczonych dla

każdego k podszeregu zmiennej i, 𝑚𝑘𝑖_𝑚𝑖𝑛𝑗

wartość najmniejsza tego ciągu,

a 𝑚𝑘𝑖_𝑚𝑎𝑥𝑗

jego wartość największa. W wyniku normalizacji otrzymano ciąg

wartości 𝑚𝑘𝑖�̂�

, które mieszczą się w przedziale ⟨0,1⟩. Procedurę tę przedstawimy na przykładzie jednej z miar. Szereg

wartości wskaźnika IRGIND, złożony z 236 miesięcznych obserwacji,

z których pierwsza została zarejestrowana w marcu 1997 r., a ostatnia

w październiku 2016 r., został podzielony na 201 36-miesięcznych

podszeregów. Pierwszy rozpoczyna się w marcu 1997 r. i kończy w lutym

2000 r., drugi rozpoczyna się w kwietniu 1997 r. i kończy w marcu 2000 r.

itd. Ostatni rozpoczyna się w listopadzie 2013 r. i kończy w październiku

2016 r. Obliczono odchylenie standardowe (𝜎) wartości każdego

z podszeregów i otrzymano 201-elementowy ciąg odchyleń standardowych.

Okazało się, że najmniejszy element tego ciągu to odchylenie standardowe

okna XI’13-X’16 (3,66 pkt), a największy to odchylenie standardowe okna

VII’06-VI’09 (okres światowego kryzysu finansowego i gospodarczego, 14,8

pkt). Następnie, ten 201-elementowy ciąg odchyleń standardowych poddano

normalizacji do przedziału ⟨0,1⟩. Te same działania wykonano na szeregach

wartości ośmiu sald testu koniunktury. Na koniec dla każdego k podszeregu

obliczono średnią 1

9∑ 𝑚𝑘𝑖

�̂�9𝑖=1 , otrzymując w rezultacie ciąg średnich {𝑚𝑘

�̂�}.

Wszystkie trzy użyte miary zmienności (rozstęp, odchylenie

standardowe i średni przyrost) dają jednoznaczne wskazania – ponad wszelką

wątpliwość omawiany okres, tj. listopad 2013 r. – październik 2016 r.,

wyróżnia się najmniejszą amplitudą zmian wartości wskaźników aktywności

gospodarczej (złożonego i prostych) w przemyśle przetwórczym (Tabela 1).

Charakteryzuje się on również wysoką częstotliwością zmian ich kierunku

ruchu (wzrost/spadek). Średni czas wzrostu/spadku nie jest wprawdzie

5 Obliczając wartość salda, odpowiedzi „brak zmiany” są pomijane.


najkrótszy6 (0,2546 po normalizacji), ale jest mu bliski (mediana wynosi

0,4137).

Tabela 1. Średnie wartości statystyk zmienności aktywności gospodarczej

w przemyśle przetwórczym. min okno max okno

rozstęp 0,0143 XI’13-X’16 0,9318 IX’06-VIII’09

odchylenie standardowe 0,0145 XI’13-X’16 0,9264 IX’06-VIII’09

średni przyrost 0,1026 XI’13-X’16 0,8312 V’06-IV’09

średni czas wzrostu/spadku 0,1181 X’10-IX’13 0,7301 IV’02-III’05

średni odsetek odpowiedzi

„brak zmiany”7

0,1573 II’99-I’02 0,8768 III’05-II’08

Objaśnienia: min – najniższa wartość ciągu {𝑚𝑘�̂�

}, max – najwyższa (wartość) ciągu {𝑚𝑘�̂�

}.

Normalizacja do przedziału ⟨0,1⟩ stwarza możliwość nakreślenia

syntetycznego obrazu koniunktury w przemyśle przetwórczym w okresie

XI’13-X’16 na tle lat wcześniejszych przez uśrednienie wartości miar

zmienności i długości okresów wzrostu/spadku. Inaczej mówiąc, otrzymamy

w ten sposób informację o tym, jak analizowany okres ma się do pozostałych,

biorąc pod uwagę wielkość oraz czas trwania kolejnych przyrostów wartości

wskaźnika koniunktury i sald. Wartość tak skonstruowanej miary zmienności

wynosi dla omawianego okresu 0,0624 i jest najniższa spośród wszystkich,

co oznacza, że był on szczególny z uwagi na niewielkie, a zarazem częste

zmiany wartości wskaźnika IRGIND i podstawowych sald testu koniunktury.

Okazuje się również, że w okresie tym średni odsetek odpowiedzi „brak

zmiany” na pytania ankiety był trzeci najwyższy (0,8705) wśród wszystkich.

Wyjątkowo wiele ankietowanych przedsiębiorstw przemysłowych nie

zanotowało więc w ciągu ostatnich trzech lat zmiany podstawowych

wskaźników ich działalności gospodarczej (wielkości produkcji, zamówień,

zatrudnienia itd.). Można powiedzieć, że przemysł przetwórczy przeżywał

w owym czasie względny zastój, zwłaszcza że, jak wynika z analizy

przyrostów, różnice między odsetkami respondentów, którzy zanotowali

wzrost, a odsetkami, respondentów, którzy zanotowali spadek, były

rekordowo małe i zmieniały znak (z ujemnego na dodatni/z dodatniego na

ujemny) nader często.

6 Krótsze wzrosty/spadki występowały w oknach rozpoczynających się między grudniem

2009 r. a lutym 2013 r. Ogólnie rzecz biorąc, po roku 2009 czas wzrostu/spadku znacznie się

skrócił. 7 Dla wskaźnika koniunktury nie liczono średniego odsetka odpowiedzi „brak zmiany”.


Ów zastój objawia się brakiem wyraźnej tendencji wzrostowej lub

spadkowej. Gdyby połączyć linią środki przedziałów, których końce byłyby

wyznaczone przez kolejne wartości wskaźnika IRGIND (sald), to istnienie

tendencji ku wzrostowi (spadkowi) potwierdzałaby wznosząca się

(opadająca) linia prosta. Tymczasem linia ta łamie się wielokrotnie (Rysunek

8). Odpowiadająca jej linia trendu (linia przerywana) lekko opada (wznosi się

w przypadku sald odpowiedzi na pytania o wielkość zapasów i zatrudnienia),

sygnalizując niewyraźne cykliczne pogorszenie się koniunktury. Wyraźna

jest natomiast sezonowość, zwłaszcza zmian wielkości produkcji i zamówień.

Po jej usunięciu (metodą TRAMO-SEATS) uzyskujemy bardziej przejrzysty

obraz zmian koniunktury. Nie podważa on jednak wcześniejszych ustaleń –

w omawianym okresie przebieg wyrównanych sezonowo: wskaźnika

koniunktury i podstawowych sald testu koniunktury odbiega od wzorca

wahań cyklicznych, utrwalonego w latach wcześniejszych (Rysunki 9 i 10,

linia ciągła). Składają się na niego ostre, strome szczyty (górne punkty

zwrotne), z rzadka dwu- lub trzywierzchołkowe, i głęboko wcięte,

V-kształtne dna (dolne punkty zwrotne). Ostatni szczyt, odcinający

analizowany okres, ledwo się zaznacza, a w przypadku salda odpowiedzi na

pytanie o ceny jest raczej rodzajem mirażu. Dalszy rozwój przybiera

różnorakie formy, czy to postrzępionego szczytu, płaskiego (produkcja) bądź

z pojedynczym wyniesieniem (zatrudnienie), czy łagodnego grzbietu

z klinami (wskaźnik IRGIND, zamówienia ogółem i eksportowe, sytuacja

finansowa, ogólna sytuacja gospodarcza), czy też niecki zakończonej fałdem

(ceny). W niektórych przypadkach (zamówienia eksportowe, zapasy,

sytuacja finansowa, ogólna sytuacja gospodarcza) zdaje się, że formacje te

w nie w pełni wykształconej jeszcze postaci wystąpiły już wcześniej, po

recesji wywołanej światowym kryzysem finansowym i gospodarczym 2007+.

Co je wszystkie łączy, a zarazem odróżnia od cyklicznego wzorca, to

niewielkie nachylenie czy wręcz jego brak – oznaka stagnacji.

W konsekwencji rodzi się wątpliwość, czy oszacowanie składowej cyklicznej

(w omawianym okresie) za pomocą filtra Christiano-Fitzgeralda8 (linia

przerywana na Rysunkach 9 i 10) jest prawidłowe, tzn. czy faktycznie

wystąpił szczyt na przełomie lat 2013 i 2014, i czy faktycznie od tego czasu

przemysł przetwórczy przechodzi fazę spadkową cyklu koniunktury. Jest

również wątpliwe, czy zastosowanie innego filtra w celu detrendyzacji nie

wykazałoby istnienia cyklu pozornego, bowiem wszystkie popularne metody

8 Zob.: Christiano, Fitzgerald (2003). Uzasadnienie stosowania filtra Christiano-Fitzgeralda

do detrendyzacji danych jakościowych w: Adamowicz i in. (2009).

Rysunek 8. Środki przyrostów wartości wskaźnika IRGIND i sald w okresie listopad 2013 r. – październik 2016 r.

-10

-8

-6

-4

-2

0

2

4

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016

wskaźnik koniunktury

-15

-10

-5

0

5

10

15

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016


-25

-20

-15

-10

-5

0

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016

saldo odpowiedzi na pytanie o wielkość zamówień ogółem

-25

-20

-15

-10

-5

0

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016


-6

-4

-2

0

2

4

6

8

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016


-10

-8

-6

-4

-2

0

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016


-15

-10

-5

0

5

10

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016


-25

-20

-15

-10

-5

0

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016


-20

-15

-10

-5

0

XI 2013 V 2014 XI 2014 V 2015 XI 2015 V 2016



dekompozycji szeregów czasowych mają podobne właściwości statystyczne

(zob. np.: Kranendonk i in., 2004; Zarnowitz, Ozyildirim, 2006; Adamowicz

i in., 2009) i są krytykowane za generowanie cykli pozornych. Proponuje się

alternatywnie dokonanie dekompozycji za pomocą strukturalnego modelu

szeregów czasowych albo, jak w opublikowanym w niniejszym numerze

„Prac i Materiałów Instytutu Rozwoju Gospodarczego SGH” artykule

Bernardelliego i Dędys, przełącznikowego modelu Markowa z trzema

stanami. W istocie kwalifikują oni lata 2014-2016 w polskim przemyśle

przetwórczym jako trzeci stan, który może być interpretowany jako faza

przejściowa (między fazami wzrostową a spadkową), bądź faza o osobliwej

genezie, niekoniecznie występująca w każdym cyklu.

Rysunek 9. Wyrównany sezonowo wskaźnik koniunktury IRGIND (linia

ciągła, lewa skala) i jego składowa cykliczna (linia przerywana, prawa

skala) w okresie III’97-X’16 (okres XI’13-X’16 zacieniowano).

4. Wnioski

Lata 2013-2016 to szczególny okres w polskiej gospodarce,

a zwłaszcza w przemyśle przetwórczym, przynajmniej w świetle wyników

badań koniunktury IRG SGH. Cechowało go obniżenie dynamiki produkcji

przy jednoczesnym wzroście popytu konsumpcyjnego i niestabilność

rozwoju aktywności gospodarczej. Zaburzyło to cykliczny rytm wahań

koniunktury, ustawiając ją w trendzie bocznym.

Zjawisko to rodzi problem dla tych metod detrendyzacji, które

rozpoznają cykl jako odchylenie od trendu. Do wyników estymacji składnika

cyklicznego z ich użyciem należy zatem podchodzić z ostrożnością, nie jest

bowiem wykluczone, że ukazują fałszywy obraz koniunktury.

-20

-15

-10

-5

0

5

10

15

-25

-20

-15

-10

-5

0

5

10

15

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

-25

-20

-15

-10

-5

0

5

10

15

-30

-25

-20

-15

-10

-5

0

5

10

15

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015


-40

-30

-20

-10

0

10

20

30

-50

-40

-30

-20

-10

0

10

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

saldo odpowiedzi na pytanie o wielkość zamówień

-40

-30

-20

-10

0

10

20

-50

-40

-30

-20

-10

0

10

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015


-6

-4

-2

0

2

4

6

8

10

-10

-5

0

5

10

15

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015


Rysunek 10. Wyrównane sezonowo salda (linie ciągłe, lewa skala) i składowe cykliczne sald (linie przerywane, prawa

skala) testu koniunktury w przemyśle przetwórczym w okresie marzec 1997 r. – październik 2016 r. (okres XI’13-X’16

zacieniowano).

-20

-15

-10

-5

0

5

10

15

20

-20

-15

-10

-5

0

5

10

15

20

25

30

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015


-30

-25

-20

-15

-10

-5

0

5

10

15

20

-45

-40

-35

-30

-25

-20

-15

-10

-5

0

5

10

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015


-25

-20

-15

-10

-5

0

5

10

15

20

-40

-30

-20

-10

0

10

20

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015


-50

-40

-30

-20

-10

0

10

20

30

40

50

-80

-60

-40

-20

0

20

40

1997 1999 2001 2003 2005 2007 2009 2011 2013 2015



Wydaje się, że to nietypowe zachowanie się producentów jest skutkiem

nadzwyczajnej niepewności w ich otoczeniu, natężonej napięciami

o różnorakim podłożu. Pod jej wpływem prawdopodobnie powstrzymują się

oni od podejmowania decyzji o dalekosiężnych skutkach, miarkują swoje

zamierzenia, a zarazem mają kłopot z właściwą ocenę bieżącej sytuacji na

rynku, jakby znajdowali się w stanie ciągłego rozedrgania, oczekiwania

„niespodziewanego” i obawy przed popełnieniem poważnego błędu. Jeśli

nasza hipoteza jest prawdziwa, jest nie mniej prawdopodobne, że ten sam

czynnik, który spowodował zaburzenie cyklicznego rytmu zmian

koniunktury, rytm ten wytwarza.

Odnotowana w badanym okresie sytuacja nie jest zjawiskiem obcym

historii koniunktury, chociaż w przypadku gospodarki polskiej obserwujemy

ją po raz pierwszy. Wybitny badacz koniunktury gospodarczej, Victor

Zarnowitz, w jednej ze swych prac pisze: „w ciągu ostatnich 200 lat cykle

koniunkturalne bardzo zmieniły się pod względem długości, rozległości i siły.

Zarazem wyróżnia się je z uwagi na ich powtarzalność, trwałość

i powszechność. To zróżnicowane, złożone i ewoluujące zjawisko

o historycznej i ekonomicznej dynamice” (1992). Zazwyczaj dotąd

w odpowiedzi na trwałe zmiany w przebiegu cykli koniunkturalnych

pojawiały się nowe metody i narzędzia ich analizy. Należy mieć nadzieję, iż

stanie się tak i teraz.

Literatura

Adamowicz, E., Dudek, S., Pachucki, D., Walczyk, K. (2009).

Synchronizacja cyklu koniunkturalnego polskiej gospodarki z krajami

strefy euro w kontekście struktury tych gospodarek. w: Raport na temat

pełnego uczestnictwa Rzeczypospolitej Polskiej w trzecim etapie Unii

Gospodarczej i Walutowej. Projekty badawcze. t. I. Warszawa: Narodowy

Bank Polski, 8-224.

Adamowicz, E., Klimkowska, J., Walczyk, K. (2011). Wahania

koniunkturalne w Polsce. Prace i Materiały Instytutu Rozwoju

Gospodarczego, 87: 9-32.

Adamowicz, E., Walczyk, K. (2013). Jakościowy cykl koniunkturalny

w Polsce. Sektorowe zmiany aktywności gospodarczej. Przegląd

Zachodniopomorski, 28(3-1): 17-2.

Christiano, L., Fitzgerald, T. J. (2003). The band-pass filter. International

Economic Review, 44(2): 435-65. Kranendonk, H. C., Bonenkamp, J., Verbruggen, J. P. (2004). A leading

indicator for the Dutch economy – methodological and empirical revision

of the CPB system. CESIfo Working Paper, 1200.


Zarnowitz, V., Ozyildirim, A. (2006). Time series decomposition and

measurement of business cycles, trends, and growth cycles. Journal of

Monetary Economics, 53(7): 1717-1739.

Zarnowitz, V. (1992). What is a business cycle. w: The business cycle:

Theories and evidence. M. T. Belongia, M. R. Garfinkel (red.). Boston,

MA: Kluwer Academic Publishers, 3-72.

Michał Bernardelli, Monika Dędys‡

Mapping the respondents’ assessments in business tendency survey using the Viterbi paths

Abstract In the paper we propose to use the so-called Viterbi paths for mapping

relationships between survey data. The Viterbi path is the most probable

sequence of states of a hidden Markov chain in a Markov Switching model

(MS). The approach is widely taken to recognize speech or to analyze DNA,

but is almost absent in econometrics, despite the great role MS models play

in non-linear modeling. The main advantages of the Viterbi paths are: (1)

intuitive interpretation of results they give and (2) their wide applicability.

They have, however, some disadvantages too. It turns out that the models we

have built do not necessarily fit to business tendency survey data, and the

interpretation of the hidden states might be unclear.

Keywords: business tendency surveys, wording of survey questions.

JEL: C81, E32.


1. Introduction

The Viterbi paths are strongly connected with Markov Switching models and

problems of pattern recognition. They can be regarded as a powerful tool for

comparison of univariate and multivariate macroeconomic time series. Their

usefulness has been shown in detecting turning points, or identifying periods

of a certain level or a change rate of economic phenomena under

consideration (Bernardelli, Dędys, 2014).

The goal of this paper is to show a variety of applications of the Viterbi

paths. We study the data that comes from the business tendency survey the

Research Institute for Economic Development, Warsaw School of Economics

(RIED) conducts in the Polish manufacturing industry every month.

Specifically, we analyze time series of the state balances of: production, total

orders, finished goods inventories, selling prices, employment and financial

standing of manufacturers. Any detailed description of business situation in

the industry, reported by respondents of the survey, is beyond the scope of

the paper. We mainly focus on presenting how the Viterbi paths work.

The Viterbi paths, obtained from the univariate time series of the

balances, answer the following questions: (1) Is it possible to separate sets of

time series which are strongly synchronized? (2) Is there any leading one out

of the balances? (3) Are there any ‘local leaders’, that is, the time series which

lead downturns or upturns only? and, finally, (4) Is there any recommendation

to apply the two-, three- or four-states Viterbi paths?

The Viterbi paths can be a valuable tool to analyze bivariate time series

as well. As Bernardelli and Dędys (2015) show, they could be applied to

evaluate business cycle synchronization, especially when ‘weaker’ vs

‘stronger’ economies are considered. With this in mind, we focus on the two

following problems: (1) Are the changes, that take place in an economy,

noticed by manufacturers earlier than the corresponding changes in their

firms, or vice versa? (2) What is the order of signaling when the balances

related to leading and coincident indicators are taken into account?

Unfortunately, in the two-dimensional analysis some difficulties may appear,

i.e., unlike the one-dimensional analysis, a universal interpretation of the

states in the Viterbi path is not plausible. Furthermore, it is not always

possible to estimate a model for selected pairs of the balances. We briefly

discuss these problems.

The paper is organized as follows. Section 2 is devoted to brief

discussion of the basic terminology and methodology. The results of the

empirical analysis are presented in Section 3. The paper conclude with

a summary of the key findings in Section 4.

Mapping the respondents’ … 29

2. Markov Switching models and the Viterbi path

In this paper, we focus on the simplest type of a Markov Switching model

(MS). Namely, we analyze conditionally independent observable variables

with parameters of distribution driven by a homogeneous Markov chain

(MC). More precisely, we consider a partially observable process

{(𝑋𝑡, 𝑌𝑡)}𝑡=1∞ , satisfying the following conditions:

1. Unobservable component {𝑋𝑡}𝑡=1∞ is a homogenous Markov chain

with a finite state space 𝑆𝑋.

2. Observable random variables 𝑌1, 𝑌2, …, 𝑌𝑡, given (𝑋1, 𝑋2, … , 𝑋𝑡), are

conditionally independent, and the distribution of 𝑌𝑡, given this

condition, depends only on a random variable 𝑋𝑡.

The Markov chain of that type of MS models is called the hidden

Markov chain. The models of the type are known as hidden Markov models,

and appeared in the literature in the 1960s, i.e., much earlier than the first

work of Hamilton (Cappé et al., 2005).

One of the major issues involved in the application of MS is as follows.

Having information about the realization of observable variables 𝑌𝑡 in some

period of time (say from 1 to 𝑇), one could try to estimate a state of

unobservable MC at a fixed time 𝑡, 𝑡 ≤ 𝑇. The most common approach is to

use the smoothed probability

𝑤𝑡(𝑖) = 𝑃(𝑋𝑡 = 𝑖|𝑌1 = 𝑦1, 𝑌2 = 𝑦2, … , 𝑌𝑇 = 𝑦𝑇), (1)

or the filtered probability

𝑓𝑡(𝑖) = 𝑃(𝑋𝑡 = 𝑖|𝑌1 = 𝑦1, 𝑌2 = 𝑦2, … , 𝑌𝑡 = 𝑦𝑡), (2)

to deal with this problem.

There are several procedures for obtaining the assessment of states of

the hidden Markov chain in time t, which use estimates of the filtered or

smoothed probabilities (Chauvet, Hamilton, 2005; Harding, Pagan, 2002). In

the simplest case argmax𝑖

𝑤𝑡(𝑖) or argmax𝑖

𝑓𝑡(𝑖) give this assessment.

Unfortunately, such ‘local decoding’ or ‘step-by-step decoding’ of the path

of states of the hidden Markov chain may be ineffective, especially in the case

of a larger state space.

In this paper, we use an alternative method to solve that problem.

Namely, we are looking for the most likely path of MC in the whole period

under the study. Formally speaking, we determine the path (𝑥1∗, 𝑥2

∗, … , 𝑥𝑇∗ ) ∈

𝑆𝑋𝑇 such that

30 Michał Bernardelli, Monika Dędys

𝑃(𝑋1 = 𝑥1∗, 𝑋2 = 𝑥2

∗, … , 𝑋𝑇 = 𝑥𝑇∗ |𝑌1 = 𝑦1, 𝑌2 = 𝑦2, . . , 𝑌𝑇 = 𝑦𝑇)

= max(𝑥1,𝑥2,…,𝑥𝑇)∈𝑆𝑋

𝑇{𝑃(𝑋1 = 𝑥1, 𝑋2 = 𝑥2, … , 𝑋𝑇 = 𝑥𝑇|

𝑌1 = 𝑦1, 𝑌2 = 𝑦2, … , 𝑌𝑇 = 𝑦𝑇}.

(3)

This sequence, which is more likely, is called the Viterbi path9. The

Viterbi paths concept seems to be rarely applied in an analysis of economic

data, and appears to be limited to the two-state models only (Boldin, 1994).

In this paper, we consider MS with an observable variable 𝑌𝑡 having

univariate or bivariate Gaussian conditional distribution and two, three or four

hidden states. To be clear, referring to a particular type of such a model, we

use the symbol MS(k, n), where k is the dimension of observable time series

(k = 1, 2) and n is a number of states of underlying MC (n = 2, 3, 4).

In the case of MS(1,2) we consider 𝑆𝑋 = {0, 1} and

𝑌𝑡|𝑋𝑡=0~𝑁(𝜇0, 𝜎0), 𝑌𝑡|𝑋𝑡=1~𝑁(𝜇1, 𝜎1), (4)

where 𝜇0 < 𝜇1. Obviously, the state 0 corresponds to periods of the lower

level, and the state 1 relates to the higher level (of the variable under the

study).

The analysis can be enhanced by introducing one more state, which

corresponds to unclear situation, a transition from the poor to the good state

of the economy, or vice versa, a kind of the announcement of changes. For

this purpose, we introduce a Markov chain with an extended state space

𝑆 = {0,1

2, 1}. The state

1

2 shall correspond to such an uncertain, transient

period. The meaning of the states 0 and 1 is the same as in the standard two

state model. An extended three state model is defined as follow

𝑌𝑡|𝑋𝑡=𝑖~𝑁(𝜇𝑖, 𝜎𝑖), (5)

for 𝑖 = 0,1

2, 1, where 𝜇0 < 𝜇1

2

< 𝜇1. Additionally, we assume that 𝑝(0,1) =

𝑝(1,0) = 0 to reflect smoothing of changes. As said, this model is denoted

by MS(1, 3).

In order to carry out a more precise classification, another model is

taken into account. To distinguish definitely good periods, worse but still

positive, definitely bad and moderately bad ones, we introduce the four-level

9 After Andrew Viterbi who was the author of the algorithm used to determine this path.


scale. The assessments are associated, respectively, with the states 1, 2

3, 0 and

1

3 of MC. Therefore, the MS model is introduced as follows

𝑌𝑡|𝑋𝑡=𝑖~𝑁(𝜇𝑖, 𝜎𝑖), (6)

for 𝑖 = 0,1

3,

2

3, 1, where 𝜇0 < 𝜇1

3

< 𝜇2

3

< 𝜇1. As previously, we assume that

only transitions between adjacent states are possible, so

𝑝(0,1) = 𝑝(1,0) = 𝑝 (0,2

3) = 𝑝 (

2

3, 0) = 𝑝 (

1

3, 1) = 𝑝 (1,

1

3) = 0.

In the two-dimensional case, it is assumed that the hidden Markov chain

reflects some common factor, which ‘governs’ the pairs of observable time

series. In this case, the model MS(2,2), MS(2,3) and MS(2,4) are considered.

For the model MS(2,k), we set the same state space 𝑆𝑋 of the hidden Markov

chain as for the model MS(1,k), k =2,3,4. Obviously, we also have

(𝑌𝑡1, 𝑌𝑡

2)|𝑋𝑡=𝑖~𝑁 ([µ𝑖

1

µ𝑖2] , 𝛴𝑖), (7)

for 𝑖 ∈ 𝑆𝑋.

Usually, without any insight into estimates of µ𝑖1 and µ𝑖

2, it is not

possible to give a proper interpretation of the states of hidden Markov chains.

Let’s consider for example MS(2,2). If each of the two observable component

states 0 and 1 corresponds to the lower and higher levels, respectively, there

is no basis for concluding that the hidden states of MS(2,2) correspond to

(1,1) and (0,0). Furthermore, it turns out that even in the case of MS(2,4) the

intuitive interpretation: (0,0), (1,1), (0,1) and (1,0) can be far from reality.

To estimate parameters of hidden Markov models we use the

Baum-Welch algorithm (Cappé et al., 2005). However, results of this

deterministic algorithm depend on initial values of probabilities. They,

therefore, may be far from optimal. In order to increase the chances of finding

the optimal solution, the calculation can be repeated many times for the same

set of data and different initial values. This is equivalent to performing

a Monte Carlo simulation. For each of a k-state HMM model preselecting of

the following values is required:

initial distribution of an unobserved Markov chain (k parameters),

transition probabilities of unobserved Markov chain parameters

(𝑘2 parameters),


means and covariances of the conditional distribution of an observed

variable in the given state (2k parameters).

In our research the initial values were randomly chosen using

independent and identically distributed draws from the univariate

distribution. The number of draws used for parameters estimation of the time

series being under the study varied between 1.000 and 5.000. The number of

trial’s repetitions depends on the number of the MS’s states and the numerical

stability of computations.

The best estimates of parameters of the models were chosen with

selection criteria taking into account the following indicators (Bernardelli,

2014; Bernardelli, Dędys, 2014):

Akaike's information criterion (AIC),

Bayesian information criterion (BIC),

the log likelihood value,

the frequency of obtaining a certain solution of the Baum-Welch

algorithm (with an accuracy of one decimal place).

The MS model, considered as the best for the particular input data set,

was used to compute the most likely path, consists of the sequence of the

states of MC (throughout the whole period under consideration). These paths

are outputs of the Viterbi algorithm (Cappé et al., 2005). It is worth noting

that, despite the deterministic nature of both used algorithms, the method of

‘decoding’ the states of unobserved MC as a whole has a non-deterministic

character. The stability of the results of the empirical analysis was verified

with the procedure presented by Bernardelli (2015), and all the Viterbi paths

were found to be stable.

3. Results of empirical analysis

This paper applies models and techniques described in the previous section to

the results of the business tendency survey conducted monthly by the

Research Institute for Economic Development, Warsaw School of Economics

in the Polish manufacturing industry. In this survey respondents evaluate

current and future (expected) changes in certain areas of economic activity.

The survey basically consists of eight questions. For every question there are

three possible reply options: increase, decrease or no change. For each

question the balance is calculated as a difference between percentages of

positive and negative answers. In the study we analyze the following

balances:

volume of production (prod),

volumen of total orders (order),

finished good inventories (stock),


selling prices of products (price),

level of employment (employ),

financial standing (fin).

The data sample covers the period from May 2004 to February 2016.

All the time series were seasonally adjusted using Seasonal package in R, i.e.,

the R-interface to X-13 ARIMA-SEATS, seasonal adjustment software

developed by the United Census Bureau.

3.1. Results of decomposition of univariate time series

The parameters of MS(1,2), MS(1,3) and MS(1,4) were estimated for the six

balances, and the Viterbi paths for all models were obtained. To give an

example, in Figure 1 the time series prod and its decomposition into

two-, three- and four-states Viterbi path are shown, and the results of the

decomposition of univariate time series of all balances are shown in Figure 2.

Figure 1. Original time series of the prod balance vs the Viterbi paths of the

corresponding two-, three- and four-states MS.

We start with an analysis of the Viterbi paths obtained for MS(1,2). At

first glance, one can see three very similar Viterbi paths for prod, order and

fin. The two last ones are almost identical (see Figure 3). As a matter of fact,

except for the first additional series of ‘zeros’, the Viterbi path for employ

may be attached to that group. By analyzing Figure 4 one can see the

analogous relationship in the observable time series. The Viterbi paths of

price and stock differ from the rest of the paths and from each other. In

addition, the Viterbi path obtained for stock has the greatest variability.

0

1

-40

-30

-20

-10

0

10

20

30

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

prod MS2 MS3 MS4

Figure 2. Results of the decomposition of univariate time series.


Figure 3. Original time series of the prod, fin and order balances.

Figure 4. Original time series of the prod and employ balances.

Obviously, as shown by Figure 5, this is a reflection of the actual

relationship between the balances under consideration. It does not seem

possible to clearly distinguish a leader time series, even in the group of prod,

order and fin.

The Viterbi paths with two states are a convenient way of pooling the

balances, and they also give an opportunity to identify a leading time series,

if such exists. The three-states Viterbi paths provide with even more valuable

information. By comparing Figures 6 and 7 one can clearly note a difference

in the pictures the two- and three-states Viterbi paths of fin show. However,

-50

-40

-30

-20

-10

0

10

20

30

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

prod fin order

-40

-30

-20

-10

0

10

20

30

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

prod employ


introducing the fourth state in MS does not informationally enrich the picture

a lot (see Figure 8). A similar observation can be made for the Viterbi paths

of employ and price MS(1,2) (see Figures 9-11).

Figure 5. Original time series of the price and stock balances.

Figure 6. Original time series of fin vs the corresponding two-states MS.

There is no surprise that due to the higher level of decomposition,

observation on the concordance of time series may change. For example, in

absence of state 1 in the path of MS(1,3) for fin in the period April 2010 –

August 2011 prod and order seem to be closer to the original time series.

The three-states Viterbi paths give an opportunity to assess the rate of

change of the states associated with the high and low levels. For example, by

-15

-10

-5

0

5

10

15

20

25

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

price stock

0

1

-40

-30

-20

-10

0

10

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1


analyzing the prod and order balances and the period February 2008 – July

2010, one can infer that the descent from state 1 to state 0, due to longer series

of state ½, is slightly gentler for prod. On the contrary, transition from state

0 to 1 seems to be a little bit sharp (see Figure 12). Furthermore, there are

periods in which the Viterbi paths seem to indicate the same range of changes

(up to November 2013; see Figures 13 and 14).

Figure 7. Original time series of fin vs the corresponding three-states MS.

Figure 8. Original time series of fin vs the corresponding four-states MS.

Although the difference between the paths obtained for MS(1,4) and

MS(1, 3) is not so striking as the one between the paths for MS(1,3) and

0

1

-40

-30

-20

-10

0

10

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

0

1

-40

-30

-20

-10

0

10

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1


MS(1,2), the four-states paths provide crucial information as well. For

example, comparing the paths for MS(1,3) and MS(1,2) for employ in the

period up to January 2006 may be in a way a little bit misleading. A deeper

insight into the path for MS(1, 4) gives a clear explanation.

Figure 9. Original time series of employ vs the corresponding

two-states MS.


three-states MS.

0

1

-40

-35

-30

-25

-20

-15

-10

-5

0

5

10

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

0

1

-40

-35

-30

-25

-20

-15

-10

-5

0

5

10

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1



four-states MS.

Figure 12. Part of the prod and order Viterbi paths.

3.2. Results of decomposition of bivariate time series

In this section, an example of the use of the Viterbi paths for models M(2,k)

is given. We focus on the following pairs of the balances: (prod, employ),

(stock, order) and (order, price). It turns out that not all of models M(2,k) fit

the data. Specifically, this problem refers to M(2,2) for the pair (order, price),

and M(2,4) for the pairs: (order, price) and (stock, order).

0

1

-40

-35

-30

-25

-20

-15

-10

-5

0

5

10

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

10

1

20

07-1

2

20

08-0

2

20

08-0

4

20

08-0

6

20

08-0

8

20

08-1

0

20

08-1

2

20

09-0

2

20

09-0

4

20

09-0

6

20

09-0

8

20

09-1

0

20

09-1

2

20

10-0

2

20

10-0

4

20

10-0

6

20

10-0

8

prod MS3 order MS3




In the two-dimensional case it is assumed that the hidden Markov chain

reflects some common factor, which ‘governs’ the pairs of the observable

time series. On the contrary to the one-dimensional case, interpretation of

states is not obvious and should be inferred after thorough examination of

Gaussian distribution mean estimates. For clarity, we decide to omit exact

values and use the following symbols: ++ to denote the high level, + moderate

high level, - moderate low level, -- low level, and 0 meant to be a value very

close to zero. Interpretation of states of the hidden Markov chain for all

models under the study is given in Table 1 (with X reserved for models that

do not fit to data). The Viterbi paths obtained for the pair (prod, employ) are

0

0,5

1

prod MS3 order MS3

0,00

0,33

0,67

1,00

prod MS4 order MS4


shown in Figure 15, for (price, order) in Figure 16, and for (order, stock) in

Figure 17.

Table 1. Summary of the averages of normal distribution for the states of

hidden Markov chain.

state (prod, employ) (order, price) (stock, order)

0 (-,-) X (+,--)

1 (+,+) X (0,-)

0 (--,--) (--,-) (+,--)

1/2 (+,-) (-,-) (+,-)

1 (0,+) (0,+) (-,+)

0 (--,--) X X

1/3 (+,-) X X

2/3 (+,0) X X

1 (++,+) X X

Figure 15. The prod and employ Viterbi paths.

The question arises: what could Viterbi paths of bivariate time series be

applied to? For example, comparing the Viterbi paths for (prod, employ) and

(order, price) makes one assume that the changes which happen within a firm

are perceived almost simultaneously or with a slight delay (except for the

period of the Great Recession) to the corresponding changes outside that firm.

Illustration is given by Figure 16. Furthermore, the Viterbi paths shown in

Figure 17, suggest there is not a clear relationship between the balances

0,00

0,33

0,67

1,00

0

0,5

1

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

prod + employ MS2 prod + employ MS3

prod + employ MS4


related to leading economic variables and the balances connected with

coincident ones.

Figure 16. The prod and employ Viterbi paths vs the order and price ones.

Figure 17. The stock and order Viterbi paths vs the prod and employ ones.

4. Conclusions

In this paper the application of the Viterbi paths to analyze qualitative data is

examined. We focus on modeling univariate and bivariate time series. Using

MS models with the conditional Gaussian distribution with two, three and

four hidden states, it is possible to find decompositions of the survey balances

0

0,5

1

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

order + price MS3 prod + employ MS3

0

0,5

1

0

1

20

04-0

5

20

04-1

1

20

05-0

5

20

05-1

1

20

06-0

5

20

06-1

1

20

07-0

5

20

07-1

1

20

08-0

5

20

08-1

1

20

09-0

5

20

09-1

1

20

10-0

5

20

10-1

1

20

11-0

5

20

11-1

1

20

12-0

5

20

12-1

1

20

13-0

5

20

13-1

1

20

14-0

5

20

14-1

1

20

15-0

5

20

15-1

1

stock + order MS2 stock + order MS3 prod + employ MS3


of manufacturing production, orders, finished goods inventories, selling

prices of products, employment and financial standing of manufacturers. On

the whole, the Viterbi paths with two states provide a convenient way to pool

time series, and to identify leading ones. We did not, however, find any

leading time series in the dataset, even in the group of the balances of

production, orders and financial standing, i.e., the time series with very

similar Viterbi paths. The three- and four-states Viterbi paths allow assessing

the change rate of the states related to high and low levels of economic

phenomena under a study. Ones of the many advantages of the Viterbi paths

obtained for the one-dimensional case are intuitive interpretation of results

and a wide range of types of analyses that can be carried out. The Viterbi

paths obtained for the two-dimensional case seem to be a promising tool too.

However, they have some disadvantages. It turned out that the proposed

models did not always fit to business tendency survey data. Moreover,

interpretation of the hidden states might be found unclear a bit.

References Bell, W. (1984). Signal extraction for nonstationary time series. Annals of

Statistics, 12(2): 646-664.

Bernardelli, M. (2013). Non-classical Markov models in the analysis of

business cycles in Poland. Roczniki Kolegium Analiz Ekonomicznych

SGH, 30: 59-74.

Bernardelli, M. (2015). The procedure of business cycle turning points

identification based on hidden Markov models. Prace i Materiały Instytutu

Rozwoju Gospodarczego SGH, 96: 5-23.

Bernardelli, M., Dędys, M. (2015). Przełącznikowe modele Markowa

w analizie synchronizacji cykli koniunkturalnych. Roczniki Kolegium

Analiz Ekonomicznych SGH, 39: 213-227.

Bernardelli, M., Dędys, M. (2014). The Viterbi path of hidden Markov

models in an analysis of business tendency surveys. Prace i Materiały

Instytutu Rozwoju Gospodarczego SGH, 96: 25-47.

Boldin, M. (1994). Dating turning points in the business cycle. Journal of

Business, 67(1): 97-131.

Cappé, O., Moulines, E., Rydén, T. (2005). Inference in hidden Markov

models. Nowy Jork: Springer.

Chauvet, M., Hamilton, J. D. (2005). Dating business cycle turning points.

NBER Working Paper Series, 11422.

Harding, D., Pagan, A. (2002). A comparison of two business cycle dating

methods. Journal of Economics & Control, 27(9): 1681-1690.

Maciej K. Dudek‡

On the possibility of artificial uncertainty in the leader-follower game

Abstract In this paper we study equilibrium dynamics in a simple duopoly game. We

show that the beliefs about the structure of the game influence the actual

dynamics. Furthermore, we argue that beliefs induced dynamics can be

complex and can in equilibrium be consistent with the underlying beliefs. We

illustrate that the beliefs can be consistent even if the underlying beliefs do

not correspond to the objective truth.

Keywords: duopoly, uncertainty, consistent equilibria.

JEL: D83, D84, D91, E32.

‡ Akademia Finansów i Biznesu – VISTULA, Instytut Badań Rynku, Konsumpcji

i Koniunktur

1. Introduction

In this paper we examine the role of perceptions about an economy and their

impact on the actual dynamics of the economy. In modern economic

modeling we allow for a time dimension, and at the same time we expect the

decision makers to be sophisticated in their optimal intertemporal choices.

Naturally, this implies that agents’ beliefs must be modeled accordingly. In

particular, the beliefs must be a part of equilibrium and must be model

consistent.

Traditionally, the consistency between the model and the beliefs has

been achieved by demanding economic agents be rational, i.e., that their

private beliefs correspond to the objective truth. In this paper we provide an

example of a situation where the consistency is achieved even when the

beliefs at the individual level do not correspond to the objective truth.

Nevertheless, at the same time the observed dynamics is consistent with the

underlying beliefs.

Our result fundamentally follows from a very basic observation that

multiple models can give rise to a given observed dynamics. Furthermore,

contrary to the most positions in the literature we rely on an obvious

observation that the underlying model is endogenous and its shape is in fact

determined by the beliefs held by economic agents. We constructively show

that it is possible that a belief-shaped model generates dynamics consistent

with the beliefs even though, objectively speaking, the model itself differs

from the one deemed correct by economic agents.

In the paper we present a very simple case based on a duopoly game. In

the game one of the players behaves always in the same manner. Specifically,

the player assumes that she is a follower and always acts accordingly. At the

same time we assume that the other player is not sure about the nature of the

game played. In fact the player believes that there are two possibilities: the

game could be of the Stackelberg form, or it could be of the Cournot form. In

other words, the player does not know whether the other player perceives her

as a leader or an equal. In her assessment at some periods the outcome

corresponds to the outcome in a Stackelberg game, and in some to the

outcome in a Cournot game. The leader assigns subjectively probabilities to

the two perceived possibilities, and then updates her beliefs about the nature

of the game and the state of the demand. Updated beliefs change the behavior

and, in turn, impact the actual dynamics of the game. We show that the

observed dynamics can correspond to the beliefs, and confirm that the

equilibrium indeed exists and is in fact belief-driven.

The basic idea utilized in the paper stems from the prior contributions

of Sorger (1998), Hommes (1998), and Dudek (2012), who show that the

On the possibility of artificial uncertainty in the leader-follower game 47

observed dynamics not only is endogenous, but shaped by the beliefs that

need not correspond to the objective truth. In this paper, we show that similar

type of equilibria can arise in a very basic and otherwise familiar setup.

Furthermore, we show that the resulting dynamics can be very rich and, in

fact, it can be indistinguishable from purely stochastic dynamics.

The paper is organized in five sections. In the following section we

outline the basic setup of the game. Then we introduced perceived uncertainty

into the system. In Section 4 we discuss the possibility of the consistency of

beliefs and analyze the ensuing dynamics. Section 5 concludes.

2. Basic setup

In this section we outline the traditional leader-follower game of quantity

competition. There are two producers who compete in a given market by

setting quantities produced. For simplicity, and without any loss of generality,

let us assume that the marginal cost is constant and equal to 0, i.e., in our

setup effectively producers are revenue maximizing firms. Furthermore, let

us assume that the demand is given by

𝑃 = 24 − 𝑄. (1)

In the traditional setup we have two firms, one being in a privileged

position, the leader, and the other, the follower, that reacts to the choices of

the leader. It is straightforward to establish that the best response of the

follower to the choice of the leader is simply given by

𝑄𝐹 = 12 −1

2𝑄𝐿. (2)

Now, given the best response of the follower, one can quickly find the best

response of the leader. Specifically, the profit of the leader is given by

𝜋𝐿 = 𝑃𝑄𝐿 = (24 − 𝑄)𝑄𝐿, (3)

which of course, given that 𝑄 = 𝑄𝐹 + 𝑄𝐿, translates to

𝜋𝐿 = 𝑃𝑄𝐿 = (24 − 𝑄𝐿 − 𝑄𝐹)𝑄𝐿.

A sophisticated leader, taking into account the reaction function of the

follower, can establish that her profit is

48 Maciej K. Dudek

𝜋𝐿 = 𝑃𝑄𝐿 = (24 − 𝑄𝐿 − (12 −1

2𝑄𝐿)) 𝑄𝐿,

which naturally reduces to

𝜋𝐿 = (12 −1

2𝑄𝐿) 𝑄𝐿,

and implies that profit maximizing quantity is given by 𝑄𝐿 = 12, and in turn,

given the reaction of the follower, equation (2), that 𝑄𝐹 = 6. Naturally, in this

case the total supply is equal to 𝑄 = 𝑄𝐹 + 𝑄𝐿 = 12 + 6 = 18, and implies

that the equilibrium price is equal to 𝑃 = 24 − 𝑄 = 24 − 18 = 6.

The equilibrium is static. The price is always equal to 6 and the quantity

produced is equal to 18. A simple repetition of the game does not lead to any

interesting dynamics. The equilibrium point (18, 6) will continue to appear

indefinitely along the equilibrium path.

3. Perceived uncertainty

In the traditional setup the roles of the two producers are given and known to

all parties. In this section we introduce a modification. Specifically, we

assume that there is a possibility that one of the players is uncertain about his

status. In fact, we assume that the follower simply takes her role as given and

always behaves in the standard manner, simply reacting to the choice of the

leader. On the other hand, we assume that the leader is uncertain about his

role. Specifically, we assume that the leader believes that there is only

a chance 𝑞 that the follower treats her as a leader, and the chance 1 − 𝑞 that

the follower does not consider the leader as such, and simply chooses her

quantity simultaneously without any particular considerations to the choice

of the leader. We want to know that the assumed probabilities 𝑞 and 1 − 𝑞

reflect only the perceptions of the leader and do not conform to the objective

truth as in reality the follower is always a follower, i.e., in reality we have

𝑞 = 1.

Furthermore, let us assume that the leader, but not the follower, believes

that the demand itself is stochastic. Specifically, the leader believes that the

demand is of the form

𝑃 = 24 + 𝜀 − 𝑄, (4)

where 𝜀 denotes a shock with mean 𝜇.


Note that given our assumptions we can always state that the reaction

function of the follower is always the same and simply given by equation (2).

Moreover, the profit of the leader is given with equation (3). However, given

our assumptions the leader does not know whether the follower actually is

going to act as a follower, i.e., the leader does not know whether the game

played has the Cournot or Stackelberg form. Therefore, the leader does not

know whether she should take the quantity produced by the other producer as

given, or should use the correct reaction function, equation (2), of the

follower. Given the perceived uncertainty of the leader her rational

assessment of the quantity produced by the follower is given by

𝐸𝑄𝐹 = 𝑞𝑄𝐹𝑆 + (1 − 𝑞)𝑄𝐹

𝐶, (5)

where 𝑄𝐹𝐶 denotes the quantity that corresponds to the Cournot game, and 𝑄𝐹

𝑆

reflects the quantity in the Stackelberg game. Naturally, the leader will take

𝑄𝐹𝐶 as given in her decision making, but at the same time will correctly assess

the value of 𝑄𝐹𝑆 in line with the relevant reaction function. Note that in this

case in line with the perceptions of the leader the reaction function is not quite

given with condition (2) as the leader believes that the demand is stochastic.

In fact, according to the leader the reaction function now takes the form

𝑄𝐹 = 12 +1

2𝜇 −

1

2𝑄𝐿. (6)

Now, we can express the expected profit of the leader as

𝐸𝜋𝐿 = 𝐸[(24 + 𝜀 − 𝑄𝐿 − 𝑄𝐹)𝑄𝐿], (7)

which simplifies, given (5), to

𝐸𝜋𝐿 = (24 + 𝜇 − 𝑄𝐿 − 𝑄𝐹 − 𝑞𝑄𝐹𝑆 − (1 − 𝑞)𝑄𝐹

𝐶)𝑄𝐿,

Which, noting (6), reduces to

𝐸𝜋𝐿 = ((1 −𝑞

2) (24 + 𝜇 − 𝑄𝐿) − (1 − 𝑞)𝑄𝐹

𝐶) 𝑄𝐿.

Now, we can differentiate the above condition to get the optimal

quantity produced by the leader, which is given by

50 Maciej K. Dudek

𝑄𝐿 =1

2(24 + 𝜇) −

1−𝑞

2(1−𝑞

2)

𝑄𝐹𝐶.

Note that the above reaction function of the leader has been derived

under the assumption that the leader is not sure about the true status of the

follower and simply takes 𝑄𝐹𝐶 as given, i.e. we have

𝜕𝑄𝐹𝐶

𝜕𝑄𝐿= 0. Nevertheless,

the objective truth is different. The follower always acts as a follower, and

her true choice is always the same, i.e., we have

𝑄𝐹𝐶 = 𝑄𝐹

𝑆 = 12 −1

2𝑄𝐿.

Observe that in the above condition there is no 𝜇, as we assume that the

follower always objectively assesses the demand, which is always given with

(1). By combining the above conditions we can establish that the actual

quantity produced by each of the producers is given by

𝑄𝐿 =24

3−𝑞+ 𝜇

2−𝑞

3−𝑞, (8)

and

𝑄𝐹 =2−𝑞

3−𝑞(12 −

𝜇

2), (9)

which implies that the total output is given by

𝑄 =4−𝑞

3−𝑞12 +

2−𝑞

3−𝑞

𝜇

2. (10)

The equilibrium price in this case is given by (note that objectively there

is no shock)

𝑃 = 24 − 𝑄 =2−𝑞

3−𝑞12 −

2−𝑞

3−𝑞

𝜇

2. (11)

Conditions (10) and (11) reflect the true values of the equilibrium price

and quantity, and as such will be observed along the equilibrium path.

However, according to the perceptions of the leader the equilibrium values

are given by different equations. Specifically, the leader believes that in

periods when the follower acts as a follower then the actual quantity is given

by

𝑄𝑆 = 𝑄𝐿 + 𝑄𝐹𝑆 =

3

4(24 + 𝜇), (12)


i.e., it is equal to the quantity that would be supplied in a Stackelberg game

when the demand is given with condition (4). Naturally, in this case, given

the beliefs of the leader the equilibrium price is given by

𝑃𝑆 = 24 + 𝜀 − 𝑄𝑆 = 6 + 𝜀 −3

4𝜇. (13)

Furthermore, recall that the leader believes that with probability 1 − 𝑞

the follower does not recognize her as the leader. Consequently, the leader

believes that with chance 1 − 𝑞 essentially a Cournot game is played and in

that case the overall quantity is given by

𝑄𝐶 = 𝑄1𝐶 + 𝑄2

𝐶 =2

3(24 + 𝜇). (14)

In this case the market price, again according to the leader, is simply

given with

𝑃𝐶 = 24 + 𝜀 − 𝑄𝐶 = 8 + 𝜀 −2

3𝜇. (15)

In summary, in reality there is always a single outcome given with

conditions (10) and 11). However, the leader believes otherwise. In her mind

there are two possibilities. The outcome could be given with conditions (12)

and (13), which happens with probability 𝑞, and with conditions (14) and

(15), which occurs with probability 1 − 𝑞. Could it be the case that despite

holding incorrect beliefs the leader finds the actual equilibrium dynamics to

be supportive of her beliefs. In other words, could it be the case that the

perceptions of the leader are in fact consistent with the actual equilibrium

dynamics. We examine the issue next.

4. Consistency

Note that from the formal perspective the leader is permanently wrong as her

description of reality involves two distinct states of nature (the Cournot

outcome and the Stackelberg outcome) whereas the actual dynamics is given

with two simple conditions (10) and 11). Can we expect that nevertheless the

beliefs of the leader can be sustained in equilibrium, i.e., can we expect that

the leader never realizes that her perceptions of reality are incorrect?

Let us now assume that producer can observe only the price level, P,

and not the aggregate quantity produced, Q. Such a case would naturally arise

52 Maciej K. Dudek

when marginal costs are stochastic and only individually known1. Therefore,

the leader can only learn about the reality by observing P. Could the path of

P generated with condition (11) correspond to the path consistent with the

beliefs of the leader – conditions (13) and (15)?

Note that the leader makes in fact two mistakes. First, she is not sure

about the nature of the game, and secondly, she believes that the demand is

stochastic and affected by disturbance 𝜀 even though the actual demand is

always fixed and given with condition (1). In other words, the leader believes

that the demand is affected by a disturbance, which itself could follow

a complicated process. Accordingly, let 𝑓𝑡(𝜀) denote the prior pdf of 𝜀 on time

t. Naturally, now we have 𝜇𝑡 = ∫ 𝜀𝑓𝑡(𝜀)𝑑𝜀 and the equilibrium true price is

given by

𝑃𝑡 =2−𝑞

3−𝑞12 −

2−𝑞

3−𝑞

𝜇𝑡

2. (16)

Note that, as expected, the beliefs of the leader feed into the actual

dynamics as 𝑃𝑡 is a function of 𝜇𝑡.

Imagine that at time t the leader actually observes price 𝑃𝑡. In his

judgment a given value of 𝑃𝑡 is consistent with two scenarios. First, it could

be an outcome in a Cournot game when the demand disturbance is given by

𝜀𝑡𝐶 = 𝑃𝑡 − 8 +

2

3𝜇𝑡, (17)

which in her judgement happens with probability 1 − 𝑞.

Alternatively, a given value 𝑃𝑡 could be consistent with an outcome of

a Stackelberg game where the demand disturbance is given by

𝜀𝑡𝑆 = 𝑃𝑡 − 6 +

3

4𝜇𝑡, (18)

which according to the beliefs of the leader occurs with probability 𝑞.

Naturally, having observed the actual price and knowing about the two

scenarios, the leader can update her beliefs about the distribution of 𝜀𝑡. In

particular, the leader can assess the value of the posterior mean of 𝜀𝑡, i.e., the

prior mean for period 𝑡 + 1 in line with

1 Recall that we have already assumed for pure analytic convenience that marginal costs are

zero. Naturally, we could relax this assumption by allowing for stochastic marginal costs and,

thus, unobservable Q. We choose not to do it to simplify algebra.


𝜇𝑡+1 = 𝜀𝑡𝐶(1 − 𝑞) + 𝜀𝑡

𝑆𝑞 = 𝑃𝑡 − 8 + 2𝑞 +8+𝑞

12𝜇𝑡. (19)

Observe now that we have a recursive system. The price level 𝑃𝑡

depends on 𝜇𝑡, condition (16), and at the same time 𝜇𝑡+1 depends both on 𝑃𝑡

and 𝜇𝑡, condition (19). The evolution of such a recursive system can be very

rich and in fact depends on 𝑞. Recall, that 𝑞 reflects beliefs of the leader with

regard to the nature of the game being played. In that sense 𝑞 is not real but

purely imaginary. In fact, from a purely modeling perspective 𝑞 is a free

parameter, which can assume any value. Moreover, we can even assume that

𝑞 is stochastic and revealed to the leader every period. Specifically, assuming

that 𝑔(𝑞) is the pdf of 𝑞, and assuming that in each period 𝑞 is drawn from

the corresponding distribution and revealed to the leader, we can easily notice

that now from the perspective of the leader equations (16) and (19) that

describe the actual dynamics are random as well, which further enriches the

dynamics. The dynamics now can be very rich and can in fact be stochastic.

Furthermore, now equations (17) and (18) determine the implied values of the

perceived disturbance 𝜀, which, combined with the perceived uncertainty of

the nature of the game and now randomness of 𝑞, allow us to construct the

distribution of 𝜀 and the corresponding pdf, 𝑓(𝜀). However, the underlying

pdf was also perceived and not real as the shocks to demand in fact do not

exist. Thus, we can identify the reconstructed pdf based on the observables

with the one originally assumed ensuring that we attain a consistent

equilibrium.

5. Conclusions

In this paper we illustrate that dynamics observed along the equilibrium path

can be belief-based. Furthermore, we show that the observed equilibrium path

can be consistent with the underlying beliefs even if the underlying beliefs

are objectively unfounded. The findings of this paper stem from two

observations. First, we note that beliefs feed into the system and shape the

actual dynamics. Secondly, we note that a given system can generate actual

dynamics consistent with that generated by a totally different and independent

system.

Our findings suggest that in reality economic agents need not be able to

fully eliminate uncertainty as their beliefs and ensuing actions can be a source

of the observed uncertainty. Uncertainty can be thus endogenous and can

come from the system, and need not reflect the physical reality.

54 Maciej K. Dudek

References

Dudek, M. K. (2012). Living in an imaginary world that looks real. Journal

of Economic Dynamics and Control, 41: 209-223.

Hommes, C. H. (1998). On the consistency of backward-looking

expectations: The case of the cobweb. Journal of Behavior and

Organization, 33(3-4): 333-362.

Sorger, G. (1998). Imperfect foresight and chaos: An example of

a self-fulfilling mistake. Journal of Economic Behavior and Organization,

33(3-4): 363-383.

Sławomir Dudek‡

Niepewność w opiniach polskich gospodarstw domowych

Streszczenie Przedmiotem artykułu jest analiza kształtowania się – w ujęciu przekrojowym

i czasowym – odsetka odpowiedzi „nie wiem” na pytania ankiety kwartalnego

badania nastrojów gospodarstw domowych, prowadzonego przez Instytut

Rozwoju Gospodarczego Szkoły Głównej Handlowej w Warszawie. Zgodnie

ze zharmonizowaną ankietą UE, wariant odpowiedzi „nie wiem” występuje

w każdym pytaniu. Ankietowany może wybrać ten wariant czy to z powodu

braku wiedzy, czy dlatego, że pytanie może go nie dotyczyć, bądź też by

wyrazić niepewność co do kształtowania się badanego zjawiska. W artykule

badane jest zróżnicowanie częstości udzielania przez respondentów

odpowiedzi „nie wiem” w zależności od ich cech społeczno-demograficznych

oraz przeprowadzona zostaje analiza zmienności tego odsetka w cyklu

koniunkturalnym. Jest to pierwsza tak kompleksowa analiza statystyczna

niepewności na podstawie danych IRG SGH.

Słowa kluczowe: badania ankietowe, wskaźnik odczuć konsumenckich,

niepewność w formułowaniu ocen i prognoz, interpretacja wariantu

odpowiedzi „nie wiem”, skala Likerta.

JEL: E32.


1. Wstęp

Kwartalne, ankietowe badanie kondycji gospodarstw domowych

prowadzone jest przez Instytut Rozwoju Gospodarczego Szkoły Głównej

Handlowej (IRG SGH) metodą testu koniunktury począwszy od 1990 r. IRG

SGH bada opinie polskich gospodarstw domowych o głównych procesach

zachodzących w polskiej gospodarce (wzroście gospodarczym, inflacji,

bezrobociu, klimacie do oszczędzania) oraz o ich własnej sytuacji finansowej,

planowanych wydatkach i skłonności do oszczędzania. Opinie te dotyczą

sytuacji bieżącej i przyszłej (przewidywanej w kolejnych 12 miesiącach).

Badania tego typu nazywane są badaniami nastrojów czy też odczuć

konsumenckich (consumer sentiment survey). Wśród odpowiedzi na

poszczególne pytania ankiety znajduje się wariant „nie wiem”.

Przedmiotem artykułu jest analiza kształtowania się – w ujęciu

przekrojowym i czasowym – odsetka odpowiedzi niezdecydowanych („nie

wiem”). Artykuł podejmuje problem rozważany już przez Białowolskiego

i Dudka (2008), jednak w odróżnieniu od ich badania przedmiotem analizy

są odpowiedzi na wszystkie pytania ankiety i ma ona charakter dynamiczny

(tzn. badane są szeregi czasowe). Należy dodać, że analizę odpowiedzi

„trudno powiedzieć” na podstawie wyników badania IPSOS przeprowadził

Jankiewicz (2013). Curtin (2000) analizował odpowiedzi „nie wiem”

udzielane w badaniu nastrojów konsumenckich w Rosji i USA. Wymienia on

następujące powody wyboru przez ankietowanych wariantu odpowiedzi „nie

wiem”:

• ogólny brak podstawowej wiedzy ekonomicznej,

• duże (względem korzyści) koszty pozyskania informacji w celu

udzielenia konkretnej odpowiedzi,

• brak zdolności zrozumienia i skutecznego przetworzenia informacji

w celu udzielenia odpowiedzi,

• niepewność co do badanych procesów gospodarczych.

Stawiamy tezę, iż o ile ogólny brak podstawowej wiedzy ekonomicznej

może być stały w czasie, to niepewność co do zachodzących procesów

ekonomicznych czy planowanych wydatków i oszczędności gospodarstwa

domowego powinna się zmieniać w cyklu koniunkturalnym. Już pobieżna

analiza ukazuje dużą zmienność w czasie częstości udzielania odpowiedzi

„nie wiem”, co może wskazywać, że do pewnego stopnia może być ona

wskaźnikiem niepewności ujawniającej się w opiniach gospodarstw

domowych. Celem artykułu nie jest opracowanie miernika niepewności,

bowiem na podstawie danych IRG SGH nie jest możliwe określenie, jaką

część wśród respondentów, którzy zaznaczyli wariant „nie wiem”, stanowią

osoby wyrażające w ten sposób swoją niepewność. Zbadamy natomiast

Niepewność w opiniach polskich gospodarstw domowych 57

zróżnicowanie częstości wyboru tego wariantu odpowiedzi na pytania ankiety

w zależności od cech społeczno-demograficznych respondenta oraz

zmienność odsetka odpowiedzi „nie wiem” w cyklu koniunkturalnym. Okres

analizy obejmuje lata 1996-2017.

2. Metodyka badania kondycji gospodarstw domowych w kontekście analizy odpowiedzi „nie wiem”

Z punktu widzenia analizy rozkładu odpowiedzi respondentów,

a w szczególności częstości wybierania wariantu „nie wiem”, istotne

znaczenie ma konstrukcja treści poszczególnych pytań, w tym konstrukcja

stosowanych skal odpowiedzi. Obecna ankieta zawiera 15 pytań stałych.

Dodatkowo w ankiecie zamieszczane są pytania specjalne, które odnoszą się

do bieżących zjawisk ekonomicznych, istotnych z punktu widzenia zachowań

gospodarstw domowych (nie są one przedmiotem analizy w niniejszym

artykule).

Ankieta zawiera pytania dotyczące: sytuacji finansowej gospodarstwa

domowego, ogólnej sytuacji gospodarczej, rynku pracy, skłonności do

ponoszenia wydatków przez gospodarstwa domowe, ich skłonności do

oszczędzania oraz procesów inflacyjnych:

• KGD.FS.S (Q01) – sytuacja finansowa – diagnoza;

• KGD.FS.F (Q02) – sytuacja finansowa – prognoza;

• KGD.GES.S (Q03) – ogólna sytuacja gospodarcza – diagnoza;

• KGD.GES.F (Q04) – ogólna sytuacja gospodarcza – prognoza;

• KGD.PRA.S (Q05) – koszty utrzymania – diagnoza;

• KGD.PRA.F (Q06) – inflacja – prognoza;

• KGD.UNEMP.F (Q07) – bezrobocie – prognoza;

• KGD.MP.S (Q08) – klimat do zakupu dóbr trwałych – diagnoza;

• KGD.MP.F (Q09) – wydatki na dobra trwałe – prognoza;

• KGD.SAV.S (Q10) – klimat do oszczędzania – diagnoza;

• KGD.SAV.F (Q11) – prawdopodobieństwo oszczędzania –

prognoza;

• KGD.FIN.S (Q12) – kondycja finansowa – diagnoza;

• KGD.CAR.F (Q13) – prawdopodobieństwo zakupu samochodu –

prognoza;

• KGD.HOUSEBUY.F (Q14) – zakup domu/mieszkania – prognoza;

• KGD.HOUSEEXP.F (Q15) – prawdopodobieństwo wydatków

remontowych – prognoza.

Dokładną treść pytań przedstawiono w Załączniku 1.

58 Sławomir Dudek

Pytania dotyczą bieżącej sytuacji gospodarstwa domowego

(w większości przypadków w porównaniu do sytuacji sprzed 12 miesięcy)

lub jej zmiany w 12 następnych miesiącach.

Z punktu widzenia częstości wybierania odpowiedzi „nie wiem” istotne

jest sklasyfikowanie pytań wg następującego układu:

• pytania diagnostyczne vs prognostyczne, trudniej jest bowiem

przewidywać sytuację przyszłą niż oceniać sytuację bieżącą czy,

tym bardziej, zdarzenia zaszłe;

• pytania dotyczące własnej sytuacji vs pytania dotyczące sytuacji

ogólnogospodarczej (łatwiej jest oceniać własne np. decyzje

podatkowe niż stan całej gospodarki);

• pytania dotyczące decyzji podejmowanych często vs pytania

dotyczące decyzji podejmowanych rzadko (np. decyzje o wydatkach

bieżących dotyczą bardzo krótkiego okresu i są podejmowane na

podstawie w miarę kompletnych informacji, podczas gdy decyzje

o wydatkach mieszkaniowych są podejmowane co najwyżej kilka

razy w życiu i z uwagi na to, że dotyczą przyszłego i długiego

okresu, informacje warunkujące ich podjęcie są niepewne

i niekompletne).

Rozróżnienie to ma znaczenie dla interpretacji i porównania

odpowiedzi udzielanych na poszczególne pytania.

Istotną cechą zharmonizowanego kwestionariusza jest również sposób

konstruowania wariantów odpowiedzi. W większości pytań (9 z 15)

stosowana jest skala Likerta z pięcioma wariantami odpowiedzi

z dodatkowym wariantem „nie wiem” (w sumie 6 wariantów). Skala ta jest

dwubiegunowa. Z jednej strony mamy dwa warianty pozytywne, gdzie

pozytywne nastawienie jest stopniowane do dwóch wariantów. Z drugiej

strony mamy dwa symetryczne, stopniowane warianty negatywne. Występuje

ponadto wariant neutralny. Skala Likerta w pierwotnej pracy (Likert, 1932)

miała formę: „zdecydowanie się zgadzam”, „zgadzam się”, „ani się zgadzam,

ani się nie zgadzam (nie mam zdania)”, „nie zgadzam się”, „zdecydowanie

się nie zgadzam”. Treść wariantów odpowiedzi w zharmonizownym

kwestionariuszu jest odpowiednio dostosowana do treści pytania, jednak

zachowana jest idea symetrycznej dwubiegunowości. W przypadku pięciu

pytań zastosowano 4-stopniową skalę Likerta, tj. bez wariantu neutralnego,

ale z wariantem „nie wiem”. Skala 4-stopniowa wymusza od respondenta

zajęcie konkretnego stanowiska co do ocenianego zjawiska i z tego powodu

określana jest mianem skali „wymuszonego wyboru”, choć w przypadku

ankiety zharmonizowanej „buforem” jest wariant „nie wiem”. W przypadku


jednego pytania skala odpowiedzi jest 3-wariantowa, z dodatkowym

wariantem „nie wiem”.

Wśród specjalistów w zakresie badań sondażowych nie ma zgody co do

podejścia do stosowania skali „wymuszonego wyboru” vs skali

„niewymuszonego wyboru”, tj. z wariantem naturalnym. Oba podejścia mają

swoje wady i zalety. Niektórzy są zdania, że umożliwienie respondentowi

wyboru wariantu neutralnego może powodować występowanie tzw. błędu

tendencji centralnej. Jest to jedno z często występujących obciążeń wyników

badań ankietowych opinii, polegające na niechęci do wskazywania

krańcowych odpowiedzi na skali Likerta. Ogólnie bowiem rzecz biorąc,

ankietowani wolą przyznawać oceny umiarkowane niż skrajne.

Konsekwencją tego obciążenia jest ryzyko uzyskania wielu odpowiedzi

neutralnych, gdy zastosuje się skalę pięciostopniową. Z drugiej strony, przy

skali wymuszonej (4-stopniowej) może dochodzić do przekłamania

wyników, gdyż respondenci mimo braku wiedzy czy braku zdania będą

wybierali biegunowe warianty odpowiedzi.

Konstrukcja skali odpowiedzi na poszczególne pytania może mieć

znaczenie dla interpretacji częstości wybierania przez respondentów wariantu

„nie wiem”, gdyż w przypadku skali 5-stopniowej ankietowani mogą swoje

niezdecydowanie lokować w wyborze wariantu neutralnego, a nie wariantu

„nie wiem”. Szczegółowe zestawienie typu zastosowanej skali dla

poszczególnych pytań przedstawiono w Tabeli 1.

Specyficzną cechą zharmonizowanego badania nastrojów gospodarstw

domowych jest agregacja wyników. Dla każdego stałego pytania, oprócz

wskaźników struktury, obliczane są, po usunięciu odpowiedzi „nie wiem”,

syntetyczne wskaźniki bilansowe tzw. salda1. Ogólna zasada polega na

obliczeniu różnicy odsetków odpowiedzi pozytywnych i negatywnych.

Obliczenia sald dokonuje się poprzez przyjęcie przy zliczaniu wyników

odpowiednich wag dla różnych wariantów odpowiedzi w poszczególnych

pytaniach. Polega to na przyjęciu dla poszczególnych pytań wagi 1,0 dla

wariantu „bardzo pozytywnego” (PP), wagi 0,5 dla „pozytywnego” (P), -0,5

dla „negatywnego” (N), -1,0 dla wariantu „bardzo negatywnego” (NN).

Pozostałe warianty mają wagę 0,0, np. wariant „bez zmian” (E), wariant „nie

wiem” (DN)2.

1 W badaniu IRG SGH odsetki brane do obliczania salda spełniają warunek PP+P+E+

N+NN=100. W metodyce Komisji Europejskiej wariant „nie wiem” nie jest redukowany,

stąd PP+P+E+N+NN+DN=100. 2 W przypadku tradycyjnej skali Likerta przy agregacji stosuje się wagi liniowe, od 1 do 5.

60 Sławomir Dudek

Tabela 1. Zestawienie konstrukcji i typów pytań.

Kod pytania Nr

Typ wariantu: waga / numer wariantu

odpowiedzi Wariant

neutralny Status

PP:

1,0

P:

0,5

E:

0,0

N:

-0,5

NN:

-1

DN:

0,0

FS.S 1 1 2 3 4 5 6 x własna

sytuacja

FS.F 2 1 2 3 4 5 6 x własna

sytuacja

GES.S 3 1 2 3 4 5 6 x sytuacja

ogólnogosp.

GES.F 4 1 2 3 4 5 6 x sytuacja

ogólnogosp.

PRA.S 5 1 2 3*) 4**) 5 6 x sytuacja

ogólnogosp.

PRA.F 6 1 2 3*) 4**) 5 6 x sytuacja

ogólnogosp.

UNEMP.F 7 1 2 3 4 5 6 x sytuacja

ogólnogosp.

MP.S 8 1 2 3 4 x sytuacja

ogólnogosp.

MP.F 9 1 2 3 4 5 6 x sytuacja

ogólnogosp.

SAV.S 10 1 2 3 4 5 sytuacja

ogólnogosp.

SAV.F 11 1 2 3 4 5 własna

sytuacja

FIN.S 12 5 4 3 2 1 6 x własna

sytuacja

CAR.F 13 1 2 3 4 5 własna

sytuacja

HOUSEBUY.F 14 1 2 3 4 5 własna

sytuacja

HOUSEEXP.F 15 1 2 3 4 5 własna

sytuacja

*) w pytaniu dotyczącym bieżących kosztów utrzymania i oczekiwanej przyszłej inflacji,

zgodnie z metodyką KE, jako wariant neutralny/normalny przyjmuje się odpowiednio:

koszty utrzymania „nieco wyższe” (w pytaniu prognostycznym: „ceny wzrastać będą

wolniej”), a wariant „zbliżone”/„ceny będą mniej więcej takie same” uznano za

umiarkowanie negatywny z wagą -0,5; S – diagnoza; F – prognoza;

Wszystkie statystyki bilansowe przyjmują wartości w przedziale

od -100,0 do +100,0. Wartość ujemna wskaźnika oznacza, że przeważają

opinie negatywne odnośnie badanego zjawiska, a wartość dodatnia że

przeważają opinie pozytywne. Zwracamy uwagę, że polskie społeczeństwo


charakteryzuje się w swych opiniach stosunkowo stabilnym, nadmiernym

pesymizmem (średnie wartości sald są ujemne), wobec czego interpretacja

wyników badania kondycji gospodarstw powinna odnosić się w dużym

stopniu również do zmian wskaźników bilansowych na przestrzeni czasu,

a nie jedynie ich znaku i poziomu. Przykładowo, wzrost wartości salda,

choćby była ujemna, należy interpretować jako poprawę nastrojów, i na

odwrót.

Na podstawie czterech sald prognostycznych obliczany jest

syntetyczny wskaźnik sytuacji gospodarstw domowych – Wskaźnik Kondycji

Gospodarstw Domowych IRG SGH, który jest średnią arytmetyczną z sald:

oceny przyszłej sytuacji finansowej (Q02), oceny przyszłej ogólnej sytuacji

ekonomicznej (Q04), oczekiwanej zmiany poziomu bezrobocia (Q07), ze

znakiem ujemnym, oraz oceny przyszłej skłonności do oszczędzania (Q011).

Wskaźnik syntetyczny również przyjmuje wartości w przedziale od -100,0 do

+100,0 i ma podobną interpretację jak wskaźniki bilansowe.

3. Analiza i interpretacja wyników

3.1. Zróżnicowanie odsetków odpowiedzi „nie wiem” dla poszczególnych

pytań

W okresie objętym analizą, tj. I kwartał 1996 – I kwartał 2017

(w przypadku pytań dotyczących zakupu samochodu, mieszkania i wydatków

remontowych od I kwartału 2005) średni odsetek respondentów

wybierających wariant „nie wiem” dla poszczególnych pytań jest bardzo

zróżnicowany (Rysunek 1). Zróżnicowany jest również rozstęp oraz

zmienność mierzona odchyleniem standardowym (Tabela 2).

Najniższy średni odsetek odpowiedzi „nie wiem” zanotowano dla FS.S

– jedynie 0,4%, z odchyleniem standardowym 0,7 pkt proc. i rozstępem

0-5,6% (przy czym wartość 5,6% to obserwacja odstająca, zanotowana

w chwili wstąpienia Polski do UE, poza nią maksimum wynosiło 1,9%).

Również niski średni odsetek odpowiedzi „nie wiem” zanotowano dla pytania

o bieżącą kondycję finansową gospodarstwa domowego, tj. stopień

zbilansowania dochodów i wydatków; wyniósł on 1,4% w przedziale 0-5,4%,

z odchyleniem standardowym 1,2 pkt proc. Wyniki te nie zaskakują,

ponieważ oba pytania dotyczą bezpośrednio sytuacji własnej gospodarstwa

domowego i zdarzeń zaszłych. W tym zakresie gospodarstwa są pewne

swoich opinii.

62 Sławomir Dudek

Rysunek 1. Zróżnicowanie odsetków odpowiedzi „nie wiem” dla

poszczególnych pytań.

Największą punktową częstość wskazywania odpowiedzi „nie wiem”

odnotowano dla pytania o zamierzenia gospodarstw domowych co do

przyszłych wydatków na dobra trwałego użytku – 35%. Była to obserwacja

odstająca, zanotowana w okolicach daty przystąpienia Polski do UE. Oprócz

MP.F i FS.S, takie jednorazowe, skokowe zmiany odsetka odpowiedzi „nie

wiem” w II kwartale 2004 r. dotyczyły również ocen kosztów utrzymania

i oczekiwań inflacyjnych (PRA.S i PRA.F) oraz prognoz zdolności do

oszczędzania (SAV.F). W okresie wchodzenia do UE sceptycy integracji

ostrzegali przed m.in. wzrostem cen, co znalazło odbicie w wynikach

badania.

Najwyższy średni odsetek odpowiedzi „nie wiem” zanotowano dla

pytania o bieżący klimat do oszczędzania; wyniósł on 22% (w przedziale

9,4-30,7%, odchylenie standardowe 4,9 pkt proc.). Jest to pytanie

diagnostyczne, ale dotyczy sytuacji ogólnogospodarczej, poza

gospodarstwem domowym, więc stopień niewiedzy czy niepewności jest

naturalnie większy. Wśród odpowiedzi na to pytanie nie występuje wariant

neutralny (tj. „bez zmian”, zob. Tabela 1), w związku z czym niepewność czy

niezdecydowanie respondentów najprawdopodobniej lokują się

w odpowiedzi „nie wiem”. Należy mieć również na uwadze, że w pierwszej

połowie analizowanego okresu względnie nieduży odsetek gospodarstw

0,0%

6,2%

1,3%

8,8%

0,4%1,4% 1,1%

8,9%

4,1%

9,4%

0,9% 0,0%1,1% 0,3%

2,7%

0,4%

11,2%

4,9%

13,7%

2,3%4,1%

5,9%

17,1%

12,3%

22,0%

3,5%

1,4%4,6% 2,3%

6,2%5,6%

19,9%

9,0%

25,4%

7,6%

15,9%15,0%

26,0%

35,0%

30,7%

15,4%

5,4%6,8% 6,6%

9,4%

-5%

0%

5%

10%

15%

20%

25%

30%

35%

40%

min średnia max


domowych miał zdolność do oszczędzania. Gospodarstwa, które z tego

powodu nie musiały podejmować decyzji o podziale dochodu, wyrażają

zarazem mniejsze zainteresowanie pozyskiwaniem informacji

warunkujących te decyzje.

Tabela 2. Statystyki opisowe odsetków odpowiedzi „nie wiem” dla

poszczególnych pytań.

Kod KGD nr średnia min max rozstęp odchylenie

standardowe

współczynnik

zmienności

.FS.S Q01 0,4% 0,0% 5,6% 5,6% 0,7% 191,6%

.FS.F Q02 11,2% 6,2% 19,9% 13,8% 2,5% 22,5%

.GES.S Q03 4,9% 1,3% 9,0% 7,7% 1,7% 34,8%

.GES.F Q04 13,7% 8,8% 25,4% 16,6% 3,4% 25,2%

.PRA.S Q05 2,3% 0,4% 7,6% 7,3% 1,2% 51,8%

.PRA.F Q06 4,1% 1,4% 15,9% 14,5% 2,3% 55,8%

.UNEMP.F Q07 5,9% 1,1% 15,0% 13,9% 2,6% 44,8%

.MP.S Q08 17,1% 8,9% 26,0% 17,1% 3,8% 21,9%

.MP.F Q09 12,3% 4,1% 35,0% 30,9% 5,1% 41,4%

.SAV.S Q10 22,0% 9,4% 30,7% 21,3% 4,9% 22,1%

.SAV.F Q11 3,5% 0,9% 15,4% 14,5% 2,2% 62,1%

.FIN.S Q12 1,4% 0,0% 5,4% 5,4% 1,2% 89,9%

.CAR.F Q13 4,6% 1,1% 6,8% 5,7% 1,3% 28,3%

.HOUSEBUY.F Q14 2,3% 0,3% 6,6% 6,3% 1,2% 52,8%

.HOUSEEXP.F Q15 6,2% 2,7% 9,4% 6,7% 1,7% 27,2%

Poza SAV.S wysokie, średnie częstości wyboru wariantu „nie wiem”

zanotowano dla pytań o: bieżący klimat do zakupu dóbr trwałych (17,1%),

przewidywaną ogólną sytuację gospodarczą (13,7%), prognozowaną sytuację

finansową gospodarstwa domowego (11,2%) oraz przewidywane wydatki na

dobra trwałe (12,3%). Cechą wspólną tych pytań jest to, że dotyczą one

ogólnej sytuacji gospodarczej lub przyszłości. Udzielenie na nie odpowiedzi

wymaga pewnej wiedzy ekonomicznej, umiejętności interpretowania zjawisk

gospodarczych oraz zdolności prognozowania. W odpowiedziach

ankietowanych osób ujawnia się czy to brak umiejętności oceny tych zjawisk

gospodarczych, czy względnie duża niepewność co do dalszego rozwoju

gospodarki i jej wpływu na gospodarstwo domowe. Analizując parami

(diagnostyczne vs prognostyczne) odpowiedzi na pytania dotyczące sytuacji

finansowej gospodarstwa, ogólnej sytuacji gospodarczej oraz procesów

64 Sławomir Dudek

inflacyjnych można zauważyć, że na ogół odsetek odpowiedzi „nie wiem”

jest większy w przypadku pytania prognostycznego niż diagnostycznego,

odpowiednio: 11,2% vs 0,4% (FS), 13,7% vs 4,9% (GES) i 4,1% vs 2,3%

(PRA).

Dość zaskakujący jest dość niski odsetek odpowiedzi „nie wiem” na

pytanie o prognozowaną inflację (4,1%) i pytanie o przewidywane bezrobocie

(5,9%) w stosunku do pytania o przewidywaną ogólną sytuację ekonomiczną

w kraju (13,7%). Pytania te bowiem dotyczą sytuacji ogólnogospodarczej

i przyszłości. Można przypuszczać, że procesy inflacyjne i bezrobocie są

bliższe codziennym decyzjom gospodarstw domowych niż ogólny stan

gospodarki.

Należy zauważyć, że udział respondentów wybierających wariant „nie

wiem” w odpowiedzi na pytania dotyczące procesów ogólnogospodarczych

jest istotnie mniejszy od odsetka respondentów deklarujących w badaniu

NBP (2015) raczej małą lub bardzo małą wiedzę ekonomiczną (wahał się on

od 31% do nawet 70%). Oznacza to, że spora część gospodarstw domowych,

która w badaniu zleconym przez NBP deklarowała niewielką wiedzę

ekonomiczną, w przypadku badań nastrojów udziela biegunowych

odpowiedzi lub wybiera wariant neutralny.

W przypadku odpowiedzi na pytania o planowane większe wydatki,

takie jak zakup samochodu, mieszkania czy wydatki remontowe, średni

odsetek „nie wiem” wyniósł odpowiednio: 4,6%, 2,3% i 6,2%. Jest to niski

poziom, jeśli wziąć pod uwagę, że pytania mają charakter prognostyczny,

a wśród odpowiedzi nie ma wariantu neutralnego. Należy jednak zaznaczyć,

że takie wydatki dokonujemy bardzo rzadko, raczej nie więcej niż kilka razy

w życiu, co oznacza, że udział w tych transakcjach dotyczy kilku procent

gospodarstw domowych w danym okresie. Naturalnym zatem wyborem

większości respondentów jest stwierdzenie, iż nie zamierzają oni dokonać

tego rodzaju wydatków, a ewentualna niepewność może dotyczyć bardzo

niewielkiej grupy ankietowanych.

3.2. Analiza odpowiedzi „nie wiem” w zależności od cech

społeczno-demograficznych gospodarstwa domowego/respondenta.

Średnie odsetki odpowiedzi „nie wiem” są zróżnicowane względem

cech społeczno-demograficznych. Poziom wykształcenia odgrywa istotną

rolę w umiejętnościach formułowania ocen w zakresie zjawisk

gospodarczych (por. Rysunek 2a i Załącznik 5).


2a - wykształcenie

2b – miejsce zamieszkania

2c – dochód*

0%

5%

10%

15%

20%

25%

30%wyższe

zawodowe/średnie

podstawowe/gimnazjalne

0%

5%

10%

15%

20%

25%miasto > 100miasto 10-100miasto < 10wieś

0%

5%

10%

15%

20%

25%

1 2 3 4 5

66 Sławomir Dudek

2d – wiek

*) w obecnej ankiecie 1. < 550 zł; 2. 551-750 zł; 3. 751-1000 zł; 4. 1001-1400 zł; 5. > 1400

zł, w latach poprzednich przedziały były dostosowane do rozkładu dochodów gospodarstw

domowych. Rysunek 2. Zróżnicowanie odsetków odpowiedzi „nie wiem” w zależności

od cech społeczno-demograficznych gospodarstwa domowego.

Wyraźnie widać, że w przypadku większości pytań respondenci

z wykształceniem podstawowym/gimnazjalnym znacznie częściej w swoich

odpowiedziach wskazują wariant „nie wiem” niż respondenci

z wykształceniem wyższym. W przypadku prognozy sytuacji finansowej

odsetki te wynoszą, odpowiednio: 7,4% i 14,2% (różnica istotna statystycznie

przy empirycznym p= 0,000), a w przypadku pytania o przyszłą sytuację

ogólnogospodarczą ta rozpiętość jest jeszcze większa (8,3% vs 20,1%,

p=0,000). Dla pytania o bieżący klimat do wydatków na dobra trwałe

rozpiętość wynosi 15,9-19,5% (p=0,000), a dla pytania o klimat do

oszczędzania 18,6-23,9% (p=0,000). W przypadku pozostałych pytań

zróżnicowanie jest niewielkie (wyniki przedstawiono szczegółowo

w Załączniku 5).

Widoczna jest również zależność względem miejsca zamieszkania.

Choć zróżnicowanie nie jest tak wyraźne jak w przypadku wykształcenia,

częstość wskazywania wariantu niekonkluzywnego jest mniejsza w dużych

miastach niż na wsi czy w małych miasteczkach (Rysunek 2b). W przypadku

prognozy sytuacji finansowej odsetki te wynoszą, odpowiednio: 10% i 14,1%

(p=0,000). W przypadku pytania o przyszłą sytuację ogólnogospodarczą ta

rozpiętość wynosi 12-17,1% (p=0,000). Dla pytania o bieżący klimat do

wydatków na dobra trwałe rozpiętość sięga od 16,9% (15,9 małe miasta) do

18,3% (p=0,000), a dla opinii odnośnie do klimatu do oszczędzania od 21,5%

0%

5%

10%

15%

20%

25%

30%

16-2930-4950-64> 64


do 23,8% (p=0,000). W przypadku pozostałych pytań zróżnicowanie jest

niewielkie.

Znaczne zróżnicowanie niezdecydowania w formułowaniu ocen

zanotowano względem dochodu gospodarstwa domowego na osobę

(Rysunek 2c). W przypadku prognozy sytuacji finansowej odsetki te

wynoszą, odpowiednio: 7,9% vs 15,4% (p=0,000), a pytania o przyszłą

sytuację ogólnogospodarczą: 9,8% vs 17,1% (p=0,000). W przypadku

pytania o bieżący klimat do wydatków na dobra trwałe zróżnicowanie jest

dużo mniejsze i brak jest korelacji względem dochodu (p=0,548). Dla opinii

odnośnie do klimatu do oszczędzania zróżnicowanie wynosi 20,1% vs 23,8%

(p=0,000). Jest dosyć zaskakujące, że w przypadku pytań o: prognozę

oszczędności, wydatki na zakup samochodu i wydatki na dobra trwałe

wystąpiła zależność odwrotna, co można po części tłumaczyć faktem, że

częstotliwość tych wydatków jest większa u osób zamożniejszych (stąd

również większy odsetek niezdecydowanych).

Wiek respondenta wypełniającego ankietę również ma znaczenie dla

częstości wyboru wariantu „nie wiem” (Rysunek 2d), choć zróżnicowanie nie

jest tak duże jak w przypadku wykształcenia czy miejsca zamieszkania.

Również zależność nie jest jednoznaczna. Na przykład, w przypadku

prognozy sytuacji finansowej odsetki te wahają się od 13,3% dla wieku

produkcyjnego (30-49 lat) do 9,8% (p=0,000) dla wieku emerytalnego. Dla

osób młodych (16-29 lat) odsetek wynosi 11,7% (p=0,004 względem wieku

emerytalnego, p=0,000 względem wieku produkcyjnego). Jak widać,

zależność od wieku jest raczej ujemna, co wynika prawdopodobnie z faktu,

że emerytura jest pewniejszym dochodem niż dochody, jakie daje aktywność

zawodowa. W przypadku ocen ogólnej sytuacji gospodarczej zależność jest

dodania, tzn. im starszy jest respondent, tym większe jego niezdecydowanie,

choć rozpiętość nie jest tak duża jak w przypadku pozostałych cech (4,4% vs

5,9% dla diagnozy, p=0,002, i 10,7% vs 13,2% dla prognozy, p=0,000).

3.3. Wariant „nie wiem” – zmienność w cyklu koniunkturalnym

W ramach analizy szeregów czasowych dokonano wygładzenia

wyników z wahań krótkookresowych, stosując filtr Hodrick-Prescotta

z parametrem wygładzania lambda równym 5. W Załączniku 2

przedstawiono odsetki „nie wiem” (szeregi surowy i wygładzony),

a w Załącznikach 3-5 (w Załączniku 3 odsetki „nie wiem” przedstawiono na

tle rocznej dynamiki konsumpcji gospodarstw domowych, w Załączniku 4 na

tle wskaźnika kondycji gospodarstw domowych IRG SGH, a w Załączniku 5

na tle odpowiedniego salda dla danego pytania) wygładzone odsetki „nie

wiem” na tle zmiennych referencyjnych. Odsetki „nie wiem” zostały

68 Sławomir Dudek

przedstawione z odwróconą skalą (tj. z odwrotnym znakiem), ponieważ

niezdecydowanie i niepewność, zgodnie z teorią (Curtin, 2000), powinny być

antycykliczne względem wahań konsumpcji i nastrojów gospodarstw

domowych.

Wahania odsetka „nie wiem” poszczególnych pytań są wyraźne. Gdyby

odsetki „nie wiem” wynikały wyłącznie z braku wiedzy ekonomicznej, to nie

podlegałyby aż tak silnym wahaniom. Okresy silnych wahnięć można

przypisać do konkretnych zdarzeń ekonomicznych (np. przystąpienia Polski

do UE, światowego kryzysu finansowy i gospodarczego 2007+, kryzysu

finansów publicznych w strefie euro).

W przebiegu szeregów na Rysunku 3 można dostrzec pewne

podobieństwa i wzrost niepewności w okresie wchodzenia Polski do UE

w 2004 r. Po tej dacie, szczególnie w przypadku prognoz własnej sytuacji

finansowej i prognoz dla całej gospodarki, nastąpiło stopniowe obniżanie się

odsetka „nie wiem”. Osiągnął on minimum w 2008 r., tuż po wybuchu

światowego kryzysu finansowego i gospodarczego. Od 2008 r. obserwujemy

wzrost niepewności, co było skutkiem obaw związanych z kryzysem

finansowym. Wzrost obaw był jednak krótkotrwały i w 2010 r. nastąpiła

pewna poprawa. Jednak od 2013 r. na skutek zawirowań w strefie euro

niepewność ponownie zaczęła narastać. Tendencja ta trwała aż do połowy

2015 r., kiedy niepewność co do zjawisk makroekonomicznych i sytuacji

finansowej gospodarstw domowych zaczęła się zmniejszać.

W przypadku niektórych pytań można, oprócz wahań, zaobserwować

pewne tendencje wzrostowe odsetka „nie wiem”. W przypadku pytania

o klimat do wydatków na dobra trwałe (MP.S) odsetek ten oscylował w latach

1996-2004 na poziomie ok. 11-15% (por. Załącznik 2), a obecnie waha się

wokół ok. 20%. W przypadku pytania o planowane wydatki na dobra

trwałego użytku (MP.F) na początku okresu badania wynosił ok. 6%,

a obecnie osiąga poziom 16-18%. Również w przypadku pytań dotyczących

oszczędności (SVA.S i SAV.F) można zaobserwować wahania wokół trendu

wzrostowego. W przypadku pytania o klimat do oszczędzania na początku

próby odsetek oscylował w przedziale 15-19%, a obecnie 22-28%, zaś

w przypadku prognoz oszczędności na początku próby wynosił średnio 2-3%,

a obecnie 5-7%. Być może na początku analizowanego okresu udział

gospodarstw domowych w rynku dóbr trwałego użytku i rynku finansowym

(w zakresie oszczędzania) był niewielki i naturalnym wyborem respondentów

było wskazanie braku tego typu wydatków i brak nawet hipotetycznego

rozważania oszczędności. Obecnie zdolność do oszczędzania i ponoszenia

poważniejszych wydatków jest większa, stąd i większy odsetek odpowiedzi

„nie wiem”.


3a

3b

3c

3d

Rysunek 3. Odsetek „nie wiem” odpowiedzi na pytania o: prognozowaną

ogólną sytuację gospodarczą i sytuację gospodarstwa domowego.

Analiza kształtowania się niepewności w zakresie ocen przyszłej

sytuacji finansowej wzbogaca interpretację wskaźnika kondycji gospodarstw

domowych. W 2015 r. obserwowaliśmy stagnację tempa wzrostu konsumpcji

mimo bardzo szybko poprawiających się nastrojów konsumenckich,

malejącej stopy bezrobocia i dobrej sytuacji na rynku pracy (Rysunek 4a).

Wytłumaczeniem tej sytuacji może być wysoka niepewność gospodarstw

domowych w zakresie przyszłych dochodów, która odzwierciedliła się we

wzroście odsetka „nie wiem” odpowiedzi na to pytanie. Wartość salda

również dynamicznie rosła i nie wykazywała stagnacji (por. Załącznik 5).

Podobnej interpretacji dostarcza nam analiza niepewności ujawniającej się

w odpowiedziach na pytania o ogólną sytuację gospodarczą i przyszłe

bezrobocie (Rysunki 4c i 4d).

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%19

960

119

970

119

980

119

990

120

000

120

010

120

020

120

030

120

040

120

050

120

060

120

070

120

080

120

090

120

100

120

110

120

120

120

130

120

140

120

150

120

160

120

170

1

FS.F.NSP

FS.F.NSP.HP

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

GES.F.NSP

GES.F.NSP.HP

0,0%

2,0%

4,0%

6,0%

8,0%

10,0%

12,0%

14,0%

16,0%

18,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

PRA.F.NSP

PRA.F.NSP.HP

0,0%

2,0%

4,0%

6,0%

8,0%

10,0%

12,0%

14,0%

16,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

UNEMP.F.NSP

UNEMP.F.NSP.HP

70 Sławomir Dudek

4a

4b

4c

4d

Rysunek 4. Odsetek „nie wiem” odpowiedzi na pytania o: przewidywaną

własną sytuację finansową gospodarstwa domowego, ogólną sytuację

gospodarczą w kraju i bezrobocie na tle dynamiki konsumpcji i wskaźnika

kondycji gospodarstw domowych.

4. Podsumowanie

Analiza odsetka odpowiedzi „nie wiem” w kontekście mierzenia

niepewności ekonomicznej powinna być pogłębiona z wykorzystaniem

bardziej formalnych analiz statystycznych, które umożliwią głębsze

zrozumienie wzorców formułowania ocen i opinii przez gospodarstwa

domowe. Należy mieć jednak na uwadze, że związki odsetków „nie wiem”

z konsumpcją, wskaźnikiem kondycji gospodarstw domowych, czy

poszczególnymi saldami są zmienne w czasie i wychwycenie statystycznych

zależności – biorąc pod uwagę, że szeregi czasowe są dość krótkie – może

być trudne.

Niniejszy artykuł stanowi punkt wyjścia i pokazuje, iż w zakresie

interpretacji wyników badania kondycji gospodarstw domowych,


ograniczających się zazwyczaj jedynie do badania salda, otwiera się szeroki

pole badawcze. Kolejne badania powinny też objąć pełny wzorzec

odpowiedzi na pytania, a więc też rozkład na inne warianty w ramach skali

Likerta. Potencjalnym obszarem rozwojowym jest analiza danych

jednostkowych oraz analiza wzorców odpowiedzi respondentów w panelu.

Niemniej jednak, przeprowadzona w artykule analiza prowadzi do

kilku istotnych wniosków. Pom pierwsze, ankietowani częściej wskazują

wariant „nie wiem”, gdy oceniają przyszłe zjawiska i ogólną sytuację

gospodarczą. Bardziej pewni w formułowaniu ocen są wówczas, gdy oceniają

zjawiska bieżące, historyczne i dotyczące ich gospodarstwa domowego. Po

drugie, częściej wybierają odpowiedź „nie wiem”, jeśli nie mają możliwości

wyboru wariantu neutralnego („brak zmiany”). Po trzecie, respondenci

rzadziej wskazują wariant „nie wiem” w odpowiedzi na pytania odnoszące

się do większych wydatków, które są rzadko dokonywane, co wynika

zapewne stąd, że w danej chwili tylko niewielka część społeczeństwa ponosi

takie wydatki. Po czwarte, znaczny wzrost odsetka „nie wiem” może być

spowodowany czynnikami pozaekonomicznymi, np. w wyniku kampanii

medialnej, czy zdarzeniami politycznymi (jak przystąpienie do UE).

Po piąte, ogólnie rzecz biorąc, częstość odsetka „nie wiem” jest ujemnie

skorelowana z poziomem wykształcenia. Im wyższe wykształcenie, tym

bardziej pewnie gospodarstwa domowe formułują opinie. Częstość

wskazywania wariantu „nie wiem” jest mniejsza w dużych miastach niż na

wsi czy w małych miasteczkach. Znaczne zróżnicowanie niezdecydowania

w opiniach gospodarstw domowych zanotowano w zależności od ich

dochodów per capita. W przypadku pytań o sytuacje finansową gospodarstwa

domowego i sytuację ogólnogospodarczą większy dochód oznacza mniejszą

niepewność.

Po szóste, wahania w czasie odsetka „nie wiem” są bardzo wyraźne.

Zdaniem Curtina (2000), wysoki odsetek odpowiedzi „nie wiem”

odzwierciedla raczej niepewność niż brak wiedzy czy niezrozumienie

procesów gospodarczych. Analiza wahań odsetka „nie wiem” odpowiedzi na

pytania o przyszłą sytuację finansową gospodarstwa domowego oraz

przyszłej ogólną sytuację gospodarczą w kraju i bezrobocia ułatwia

interpretację wskaźnika kondycji gospodarstw domowych, umożliwiając

wyjaśnienie, dlaczego mimo poprawy nastrojów konsumenckich w 2015 r.

konsumpcja prywatna nie wykazywała dynamiki.

Niniejsze badanie ma charakter wstępny. Jego wyniki i postawione

hipotezy wymagają przeprowadzenia dalszych, bardziej szczegółowych

analiz.

72 Sławomir Dudek

Literatura

Białowolski, P., Dudek, S. (2008). Wzorce formułowania ocen i prognoz

przez polskie gospodarstwa domowe – fakty i mity. Prace i Materiały

Instytutu Rozwoju Gospodarczego SGH, 80: 43-57.

Bovi, M. (2006). Long-run biases in consumer sentiment. Micro evidence

from European surveys. Referat przedstawiony podczas konferencji

OECD. Rzym (wrzesień).

Curtin, R. T. (2000). The structure of consumer confidence: Comparisons

between the United States and Russia. Referat przedstawiony podczas 25

konferencji CIRET. Paryż (październik).

Jankiewicz, J. (2013). Niepewność w diagnozach i prognozach

formułowanych w badaniach koniunktury konsumenckiej w Polsce.

Przegląd Zachodniopomorski, 3(2): 143-150.

Komisja Europejska (2017). A user guide to the joint harmonised EU

programme of business and consumer surveys. Bruksela.

Likert, R. (1932). A technique for the measurement of attitudes. Archives of

Psychology, 140: 5-55.

NBP (2015). Stan wiedzy i świadomości ekonomicznej Polaków. Warszawa.


Załącznik 1. Treść pytań w ankiecie i oznaczenia zmiennych.

Kod pytania Treść pytania i wariantów odpowiedzi

KGD.FS.S

(Q1) Jak oceniają Państwo obecną sytuację finansową

swego gospodarstwa domowego w porównaniu

z sytuacją sprzed 12 miesięcy?

1. poprawiła się bardzo (PP)

2. poprawiła się trochę (P)

3. bez zmian (E)

4. pogorszyła się trochę (N)

5. pogorszyła się bardzo (NN)

6. nie wiem (DN)

KGD.FS.F

(Q2) Jak - przypuszczalnie - zmieni się sytuacja

finansowa Państwa gospodarstwa domowego

w następnych 12 miesiącach?

1. poprawi się bardzo (PP)

2. poprawi się trochę (P)

3. bez zmian (E)

4. pogorszy się trochę (N)

5. pogorszy się bardzo (NN)

6. nie wiem (DN)

KGD.GES.S

(Q3) Jak zmieniła się, Państwa zdaniem, ogólna

sytuacja ekonomiczna Polski w ostatnich 12

miesiącach?

1. poprawiła się bardzo (PP)

2. poprawiła się trochę (P)

3. bez zmian (E)

4. pogorszyła się trochę (N)

5. pogorszyła się bardzo (NN)

6. nie wiem (DN)

KGD.GES.F

(Q4) Jak, Państwa zdaniem, zmieni się ogólna sytuacja

ekonomiczna Polski w następnych 12 miesiącach?

1. poprawi się bardzo (PP)

2. poprawi się trochę (P)

3. bez zmian (E)

4. pogorszy się trochę (N)

5. pogorszy się bardzo (NN)

6. nie wiem (DN).

74 Sławomir Dudek

KGD.PRA.S

(Q5) Czy w porównaniu z sytuacją sprzed 12 miesięcy

koszty utrzymania w skali kraju są, Państwa zdaniem,

teraz:

1. wyraźnie dużo wyższe (PP)

2. znacznie wyższe (P)

3. nieco wyższe (E)

4. zbliżone (N)

5. niższe (NN)

6. nie wiem (DN)

KGD.PRA.F

(Q6) Porównując z tym, co dzieje się teraz, czy Państwo

sądzą, że w najbliższych 12 miesiącach w skali kraju

1. wzrost cen będzie szybszy (PP)

2. ceny wzrastać będą tak samo (P)

3. ceny wzrastać będą wolniej (E)

4. ceny będą mniej więcej takie same (N)

5. ceny nieco zmaleją (NN)

6. nie wiem (DN)

KGD.UNEMP.F

(Q7) Jak zmieni się, zdaniem Państwa, bezrobocie w

kraju w następnych 12 miesiącach?

1. gwałtownie wzrośnie (PP)

2. nieznacznie wzrośnie (P)

3. pozostanie takie samo (E)

4. nieznacznie zmaleje (N)

5. gwałtownie zmaleje (NN)

6. nie wiem (DN).

KGD.MP.S

(Q8) Czy sadzą Państwo, że obecnie korzystnie jest

kupować dobra trwałego użytku (meble, sprzęt TV,

pralkę, kuchenkę, lodówkę)?

1. tak, teraz właśnie jest odpowiedni czas (PP)

2. obecny czas nie jest na to ani dobry, ani zły (E)

3. nie, nie jest to czas odpowiedni (NN)

4. nie wiem (DN)

KGD.MP.F

(Q9) Czy sądzą Państwo, że Wasze wydatki na zakupy

dóbr trwałego użytku w następnych 12 miesiącach będą

w porównaniu z tego typu wydatkami w poprzednich 12

miesiącach:

1. dużo większe (PP)

2. nieco większe (P)

3. podobne (E)

4. nieco mniejsze (N)


5. dużo mniejsze (NN)

6. nie wiem (DN)

KGD.SAV.S

(Q10) Czy uwzględniając ogólną sytuację ekonomiczną

Polski, Państwa zdaniem obecnie jest:

1. bardzo dobry czas, aby oszczędzać (PP)

2. dobry czas, aby oszczędzać (P)

3. raczej niekorzystny czas, aby oszczędzać (N)

4. bardzo niekorzystny czas, aby oszczędzać (NN)

5. nie wiem (DN)

KGD.SAV.F

(Q11) Jakie jest prawdopodobieństwo, że w następnych

12 miesiącach zdołacie Państwo zaoszczędzić

jakiekolwiek pieniądze?

1. bardzo duże (PP)

2. dość duże (P)

3. znikome (N)

4. zdecydowanie żadne (NN)

5. nie wiem (DN)

KGD.FIN.S

(Q12) Która z poniżej wymienionych sytuacji najlepiej

opisuje obecną sytuację finansową Państwa

gospodarstwa domowego?

1. wpadamy w długi (NN)

2. przejadamy nasze oszczędności (N)

3. nasz dochód z trudem starcza (E)

4. nieco oszczędzamy (P)

5. dużo oszczędzamy (PP)

6. nie wiem (DN)

KGD.CAR.F


12 miesiącach kupicie Państwo samochód?


2. dość duże (P)

3. niewielkie (N)


5. nie wiem (DN)

KGD.

HOUSEBUY.F

(Q14) Czy planujecie Państwo w następnych 12

miesiącach kupić lub budować dom, mieszkanie (dla

siebie, dla członka rodziny, jako dom letniskowy, do

wynajęcia itp.)?

1. zdecydowanie tak (PP)

2. możliwe (P)

3. raczej nie (N)

76 Sławomir Dudek

4. zdecydowanie nie (NN)

5. nie wiem (DN)

KGD.

HOUSEEXP.F


12 miesiącach poniesiecie Państwo duże wydatki na

podniesienie standardu lub remont zajmowanego domu,

mieszkania?


2. dość duże (P

3. niewielkie (N)


5. nie wiem (DN)

IRGKGD

Wskaźnik kondycji gospodarstw domowych IRG SGH:

średnia arytmetyczna z sald: oceny przyszłej sytuacji

finansowej (Q2), oceny przyszłej ogólnej sytuacji

ekonomicznej (Q4), oczekiwanej zmiany poziomu

bezrobocia (Q7) ze znakiem ujemnym, oceny przyszłej

skłonności do oszczędzania (Q11).

Oznaczenia:

.F pytanie prognostyczne

.S pytanie diagnostyczne

.NSP odsetek odpowiedzi „nie wiem”

.HP szereg czasowy wygładzony filtrem Hodrick-Prescotta

CONS.SA konsumpcja gospodarstw domowych, szereg

wyrównany sezonowo, r/r

GDP.SA produkt krajowy brutto, szereg wyrównany sezonowo,

r/r


Załącznik 2. Odsetek odpowiedzi „nie wiem” na poszczególne pytania.

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

FS.S.NSP

FS.S.NSP.HP

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

FS.F.NSP

FS.F.NSP.HP

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

10,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

GES.S.NSP

GES.S.NSP.HP

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

GES.F.NSP

GES.F.NSP.HP

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

PRA.S.NSP

PRA.S.NSP.HP

0,0%

2,0%

4,0%

6,0%

8,0%

10,0%

12,0%

14,0%

16,0%

18,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

PRA.F.NSP

PRA.F.NSP.HP

78 Sławomir Dudek

Rysunek Z2.1.

0,0%

2,0%

4,0%

6,0%

8,0%

10,0%

12,0%

14,0%

16,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

UNEMP.F.NSP

UNEMP.F.NSP.HP

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

FIN.S.NSP

FIN.S.NSP.HP

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

MP.S.NSP

MP.S.NSP.HP

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

35,0%

40,0%19

960

119

970

119

980

119

990

120

000

120

010

120

020

120

030

120

040

120

050

120

060

120

070

120

080

120

090

120

100

120

110

120

120

120

130

120

140

120

150

120

160

120

170

1

MP.F.NSP

MP.F.NSP.HP

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

35,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

SAV.S.NSP

SAV.S.NSP.HP

0,0%

2,0%

4,0%

6,0%

8,0%

10,0%

12,0%

14,0%

16,0%

18,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

SAV.F.NSP

SAV.F.NSP.HP


Rysunek Z2.2.

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CAR.F.NSP

CAR.F.NSP.HP

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

HOUSEBUY.F.NSP

HOUSEBUY.F.NSP.HP

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

10,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

HOUSEEXP.F.NSP

HOUSEEXP.F.NSP.HP

80 Sławomir Dudek

Załącznik 3. Odsetek odpowiedzi „nie wiem” na poszczególne pytania na tle

dynamiki konsumpcji prywatnej.

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

FS.S.NSP.HP-18,0%

-17,0%

-16,0%

-15,0%

-14,0%

-13,0%

-12,0%

-11,0%

-10,0%

-9,0%

-8,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

FS.F.NSP.HP

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

GES.S.NSP.HP

-22,0%

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

GES.F.NSP.HP

-4,5%

-4,0%

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

PRA.S.NSP.HP

-10,0%

-9,0%

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

PRA.F.NSP.HP


Objaśnienie: dla .NSP odwrócona skala.

Rysunek Z3.1.

-12,0%

-10,0%

-8,0%

-6,0%

-4,0%

-2,0%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

UNEMP.F.NSP.HP

-5,0%

-4,5%

-4,0%

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

FIN.S.NSP.HP

-22,0%

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

MP.S.NSP.HP

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-6,0%

-4,0%

-2,0%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

MP.F.NSP.HP

-33,0%

-28,0%

-23,0%

-18,0%

-13,0%

-8,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

SAV.S.NSP.HP

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

SAV.F.NSP.HP

82 Sławomir Dudek


Rysunek Z3.2.

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

CAR.F.NSP.HP

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

HOUSEBUY.F.NSP.HP

-9,0%

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

8,0%

9,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CONS.SA

HOUSEEXP.F.NSP.HP



wskaźnika kondycji gospodarstw domowych IRG SGH.

-1,2%

-1,0%

-0,8%

-0,6%

-0,4%

-0,2%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

FS.S.NSP.HP-18,0%

-17,0%

-16,0%

-15,0%

-14,0%

-13,0%

-12,0%

-11,0%

-10,0%

-9,0%

-8,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

FS.F.NSP.HP

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

GES.S.NSP.HP-22,0%

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

GES.F.NSP.HP

-4,5%

-4,0%

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

PRA.S.NSP.HP

-10,0%

-9,0%

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

PRA.F.NSP.HP

84 Sławomir Dudek


Rysunek Z4.1.

-12,0%

-10,0%

-8,0%

-6,0%

-4,0%

-2,0%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

UNEMP.F.NSP.HP

-5,0%

-4,5%

-4,0%

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

FIN.S.NSP.HP

-22,0%

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

MP.S.NSP.HP

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-6,0%

-4,0%

-2,0%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

MP.F.NSP.HP

-33,0%

-28,0%

-23,0%

-18,0%

-13,0%

-8,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

SAV.S.NSP.HP

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

SAV.F.NSP.HP



Rysunek Z4.2.

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

CAR.F.NSP.HP

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

HOUSEBUY.F.NSP.HP

-9,0%

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

IRGKGD.HP

HOUSEEXP.F.NSP.HP

86 Sławomir Dudek


sald.

-1,2%

-1,0%

-0,8%

-0,6%

-0,4%

-0,2%

0,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

10,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

FS.S.HP

FS.S.NSP.HP-18,0%

-17,0%

-16,0%

-15,0%

-14,0%

-13,0%

-12,0%

-11,0%

-10,0%

-9,0%

-8,0%

-40,0%

-35,0%

-30,0%

-25,0%

-20,0%

-15,0%

-10,0%

-5,0%

0,0%

5,0%

10,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

FS.F.HP

FS.F.NSP.HP

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-70,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

10,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

GES.S.HP

GES.S.NSP.HP-22,0%

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

10,0%

20,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

GES.F.HP

GES.F.NSP.HP

-4,5%

-4,0%

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-20,0%

-10,0%

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

PRA.S.HP

PRA.S.NSP.HP

-10,0%

-9,0%

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

80,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

PRA.F.HP

PRA.F.NSP.HP



Rysunek Z5.1.

-12,0%

-10,0%

-8,0%

-6,0%

-4,0%

-2,0%

0,0%

-30,0%

-20,0%

-10,0%

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

UNEMP.F.HP

UNEMP.F.NSP.HP-5,0%

-4,5%

-4,0%

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-30,0%

-25,0%

-20,0%

-15,0%

-10,0%

-5,0%

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

FIN.S.HP

FIN.S.NSP.HP

-22,0%

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-25,0%

-20,0%

-15,0%

-10,0%

-5,0%

0,0%

5,0%

10,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

MP.S.HP

MP.S.NSP.HP

-20,0%

-18,0%

-16,0%

-14,0%

-12,0%

-10,0%

-8,0%

-6,0%

-4,0%

-2,0%

0,0%

-30,0%

-20,0%

-10,0%

0,0%

10,0%

20,0%

30,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

MP.F.HP

MP.F.NSP.HP

-33,0%

-28,0%

-23,0%

-18,0%

-13,0%

-8,0%

-70,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

SAV.S.HP

SAV.S.NSP.HP

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-90,0%

-80,0%

-70,0%

-60,0%

-50,0%

-40,0%

-30,0%

-20,0%

-10,0%

0,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

SAV.F.HP

SAV.F.NSP.HP

88 Sławomir Dudek


Rysunek Z5.2.

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-95,0%

-90,0%

-85,0%

-80,0%

-75,0%

-70,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

CAR.F.HP

CAR.F.NSP.HP

-3,5%

-3,0%

-2,5%

-2,0%

-1,5%

-1,0%

-0,5%

0,0%

-95,0%

-90,0%

-85,0%

-80,0%

-75,0%

-70,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

HOUSEBUY.F.HP

HOUSEBUY.F.NSP.HP

-9,0%

-8,0%

-7,0%

-6,0%

-5,0%

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

-65,0%

-60,0%

-55,0%

-50,0%

-45,0%

-40,0%

-35,0%

-30,0%

1996

01

1997

01

1998

01

1999

01

2000

01

2001

01

2002

01

2003

01

2004

01

2005

01

2006

01

2007

01

2008

01

2009

01

2010

01

2011

01

2012

01

2013

01

2014

01

2015

01

2016

01

2017

01

HOUSEEXP.F.HP

HOUSEEXP.F.NSP.HP


Załącznik 6. Odsetek odpowiedzi „nie wiem” na poszczególne pytania wg

cech społeczno-demograficznych gospodarstw domowego/respondenta.

Tabela Z6.1.

Wyszczególnienie KGD

.FS.S .FS.F .GES.S .GES.F .PRA.S

Ogółem 0,4% 11,2% 4,9% 13,7% 2,3%

Wykształcenie

wyższe 0,3% 7,4% 2,8% 8,3% 1,1%

zawodowe/średnie 0,3% 12,5% 5,3% 15,0% 2,4%

podstawowe/

gimnazjalne 0,7% 14,2% 7,6% 20,1% 4,9%

Wiek

16-29 0,5% 11,7% 4,4% 10,7% 2,1%

30-49 0,2% 13,3% 3,7% 14,0% 2,3%

50-64 0,4% 10,5% 4,3% 13,1% 1,8%

> 64 0,4% 9,8% 5,9% 13,2% 2,6%

Dochód per

capita

1 0,5% 15,4% 6,1% 17,1% 4,1%

2 0,5% 13,9% 6,0% 16,8% 3,0%

3 0,3% 11,8% 5,3% 14,3% 2,3%

4 0,2% 9,8% 4,2% 12,9% 1,8%

5 0,2% 7,9% 3,6% 9,8% 1,2%

Miejsce

zamieszkania

miasto > 100 0,3% 10,1% 4,3% 12,0% 1,7%

miasto 10-100 0,3% 9,8% 4,4% 12,2% 2,0%

miasto < 10 0,3% 11,2% 5,4% 13,7% 2,7%

wieś 0,5% 14,1% 5,7% 17,1% 3,1%

Liczba dzieci

0 0,3% 12,0% 4,3% 13,5% 2,2%

1 0,4% 12,6% 4,8% 14,7% 2,6%

2 0,3% 11,8% 5,3% 15,0% 3,0%

3 0,7% 13,8% 6,6% 17,4% 4,7%

4 1,2% 17,2% 8,5% 21,2% 7,1%

90 Sławomir Dudek

Tabela Z6.2.

Wyszczególnienie KGD

.PRA.F .UNEMP.F .MP.S .MP.F .SAV.S

Ogółem 4,1% 5,9% 17,1% 12,3% 22,0%

Wykształcenie

wyższe 3,1% 4,2% 15,9% 12,0% 18,6%

zawodowe/średnie 4,2% 6,1% 17,2% 12,2% 23,1%

podstawowe/

gimnazjalne 5,9% 8,7% 19,5% 13,1% 23,9%

Wiek

16-29 3,2% 4,5% 13,2% 8,8% 16,9%

30-49 4,6% 6,2% 17,0% 13,1% 27,2%

50-64 4,0% 5,6% 18,5% 15,1% 25,3%

> 64 5,5% 8,3% 23,6% 21,3% 25,6%

Dochód per

capita

1 4,7% 5,4% 16,7% 10,9% 21,9%

2 4,1% 6,6% 17,6% 11,3% 23,8%

3 4,1% 6,1% 16,5% 11,1% 22,9%

4 3,6% 6,0% 17,6% 13,1% 22,1%

5 3,9% 5,4% 17,0% 13,7% 20,1%

Miejsce

zamieszkania

miasto > 100 3,9% 5,7% 16,9% 13,0% 21,5%

miasto 10-100 3,4% 5,3% 15,9% 11,8% 21,0%

miasto < 10 3,8% 5,4% 17,9% 11,3% 21,2%

wieś 5,2% 6,9% 18,3% 12,4% 23,8%

Liczba dzieci

0 3,5% 5,0% 14,9% 8,9% 20,2%

1 3,5% 5,4% 14,9% 9,1% 21,4%

2 3,8% 4,9% 14,0% 7,7% 20,2%

3 4,6% 6,0% 16,5% 8,9% 21,0%

4 7,9% 9,5% 22,0% 11,5% 29,9%


Tabela Z6.3.

Wyszczególnienie

KGD

.SAV.F .FIN.S .CAR.F .HOUSE

BUY.F

.HOUSE

EXP.F

Ogółem 3,5% 1,4% 4,6% 2,3% 6,2%

Wykształcenie

wyższe 3,8% 1,8% 5,1% 2,6% 5,1%

zawodowe/

średnie 3,4% 1,1% 4,3% 2,0% 6,3%

podstawowe/

gimnazjalne 3,3% 1,3% 3,8% 2,1% 8,6%

Wiek

16-29 4,0% 2,2% 3,8% 3,3% 5,5%

30-49 5,2% 2,2% 5,4% 3,2% 6,4%

50-64 4,3% 1,6% 5,1% 2,4% 5,5%

> 64 4,0% 2,1% 3,8% 1,3% 6,7%

Dochód per

capita

1 2,4% 0,9% 3,3% 2,6% 7,1%

2 3,2% 1,0% 3,8% 2,2% 6,5%

3 3,3% 1,1% 3,8% 2,2% 5,7%

4 3,6% 1,3% 3,7% 1,8% 5,9%

5 4,3% 1,9% 6,1% 2,4% 5,8%

Miejsce

zamieszkania

miasto > 100 3,5% 1,6% 4,6% 2,2% 5,7%

miasto 10-100 3,2% 1,1% 4,3% 1,9% 5,4%

miasto < 10 3,1% 1,0% 5,5% 2,5% 6,7%

wieś 4,1% 1,4% 4,5% 2,5% 7,0%

Liczba dzieci

0 3,4% 1,2% 4,9% 3,0% 5,5%

1 3,4% 1,1% 5,4% 2,9% 5,4%

2 2,4% 0,6% 3,2% 2,2% 4,6%

3 3,4% 1,2% 2,4% 4,5% 6,8%

4 2,6% 2,4% 7,4% 3,7% 5,1%