Cílem této práce je statisticky dokázat, zdali mají faktory jako je například hustota zalidnění, míra motorizace či přepravní výkon skutečný vliv na emise CO2. Data, se kterými se v projektu pracuje, byla získána z webového portálu Eurostatu a Ministerstva Dopravy ČR.

V práci se využívá metody nejmenších čtverců (OLS).

JEL klasifikace

Q53, L90, C21

Úvodní představení problému

S růstem integrace v rámci Evropské Unie se obyvatelé EU mohou volně pohybovat po jejím území a zboží může být rychle a bez překážek dopraveno spotřebitelům sídlícím často v jiných státech. Evropská Unie od svého vzniku podněcuje tuto svobodu pohybu otevřením vnitrostátních trhů a odstraněním fyzických a technických překážek. Volnost pohybu přispívá k většímu ekonomickému růstu států v rámci EU a může pozitivně ovlivňovat jejich hospodářství. „Odvětví dopravy vytváří zhruba 10 % (HDP) EU a zajišťuje práci více než deseti milionům lidí.”[1]V současnosti ale volnost pohybu přináší i negativní důsledky spojené s přepravou lidí i zboží. Jedná se především o větší zátěž na životní prostředí spojenou s produkcí skleníkových plynů.

„Za období 1990 – 2004 dosáhla EU celkového snížení emisí skleníkových plynů o 5 %, ovšem za stejné období se emise z dopravy o 26 % zvýšily.“[2] V současnosti je situace kolem snižování emisí celkem nejasná, protože konference v Kodani nepřinesla nová závazná opatření.

Obrázek 1: Změna produkce emise CO2 z různých hospodářských odvětví EU v období 1990-2004 (%) [3]

Příčinou růstu emisí z dopravy je nárůst motorizace a lepší cenová dostupnost dopravních prostředků. V dnešní době se automobil stává nedílnou součástí domácností, protože poskytuje svým uživatelům lepší dopravní dostupnost. Sice vzrůstá účinnost automobilům, ale na druhé straně vzrůstá jejich celkový počet a prodlužují se ujeté cesty. Nejen proto dochází v EU k nárůstu emisí CO2 z dopravy.

Dosavadní stav zkoumání

Otázkou emisí a CO2 se zabývá řada nadnárodních a mezinárodních organizací a programů. Jako příklad lze uvést následující organizace:

• The European Environment Agency (http://www.eea.europa.eu)
• The Intergovernmental Panel of Climate Change (http://www.ipcc.ch)
• United Nations Environment Programme (http://www.unep.org)
• The World Meteorological Organization (http://www.wmo.int)
• The United Nations Statistics Division (http://unstats.un.org)

Mezi ekonometrické modely a zprávy zabývající se emisemi CO2 v automobilovém průmyslu patří následující práce:

• Results of the review of the Community Strategy to reduce CO2 emissions from passenger cars and light-commercial vehicles: http://ec.europa.eu/environment/air/transport/co2/pdf/sec_2007_60_ia.pdf
• Transport and environment: on the way to a new common transport policy: http://www.eea.europa.eu/publications/eea_report_2007_1/at_download/file

• Tax Policy and CO2 Emissions : An Econometric Analysis of the German Automobile Market: http://repec.rwi-essen.de/files/REP_09_089.pdf

• The effect of fuel price increases on road transport CO2 emissions: http://ideas.repec.org/a/eee/trapol/v1y1993i1p43-48.html

V souhrnu existuje celá řada prací zabývající se emisemi skleníkových plynů z nejrůznějších úhlů pohledů. V dnešní době je totiž otázka životního prostředí a udržitelného života velice aktuální. Diskuse na toto téma se vede jak v odborných kruzích, tak i v laické veřejnosti.

Data

Data jsem převážně získal z webového portálu Eurostatu sídlícího na internetové adrese http://epp.eurostat.ec.europa.eu/portal/page/portal/eurostat/home/ a Ministerstva dopravy ČR sídlícího na internetové adrese http://www.mdcr.cz/cs/. Jedná se o průřezová data z 23 evropských zemí vztažená k roku 2006. Bohužel novější data nebylo možné použít, protože většinou nebyla kompletní.

Obrázek 2: Výchozí data

Ekonometrický model

V ekonometrickém modelu se budu zabývat vlivem různých faktorů na množství CO2 vypuštěných do ovzduší z odvětví dopravy v rámci EU. V práci využiji metodu nejmenších čtverců (OLS metoda). Pokusil jsem si určit vybrané faktory, které by mohli mít vliv na množství emisí v závislosti na datové dostupnosti a odhadovaném přímém i nepřímém vztahu k vysvětlované proměnné. Vzhledem k časové náročnosti a neuceleným datovým zdrojům jsem byl nucen použít obecnější vysvětlující proměnné a snížit počet zemí z 27 na 23. V modelu se budou využívat průřezová data z těchto 23 států.

V modelu vycházím z toho, že množství CO2 (v tis. tun) v ovzduší pocházející z dopravy ovlivňují následující faktory:

• moto_rate =úroveň motorizace (počet aut na 1000 obyvatel dané země), v ekonometrickém modelu pod písmenem M

• rail_pass=přepravní výkon železnice – osoby (mil. osobo kilometrů přepravených v dané zemi ročně), v ekonometrickém modelu pod písmenem Z

• rail_goods=přepravní výkon železnice – zboží (mil. tuno kilometrů přepravených v dané zemi ročně), v ekonometrickém modelu pod písmenem X

• road_good=přepravní výkon silniční doprava-zboží (mil.tkm přepravených v dané zemi ročně), v ekonometrickém modelu pod písmenem S

• density=hustota zalidnění (počet obyvatel na km2 dané země), v ekonometrickém modelu pod písmenem T

• population=celková populace (absolutní číslo), v ekonometrickém modelu pod písmenem P

• real__GDP=míra růstu reálného HDP (procentní změna HDP k minulému roku), v ekonometrickém modelu pod písmenem H

• air_pass=počet přepravených osob vzdušnou dopravou (absolutní číslo), v ekonometrickém modelu pod písmenem V

• air_goods=množství přepraveného zboží vzdušnou dopravou (tuny), v ekonometrickém modelu pod písmenem W

• establis=ubytovací kapacita země (počet ložnic a míst na spaní v dané zemi určených pro komerční účely, tj. pro potřeby turismu), hlavní indikátor pro oblast turismu, protože se předpokládá přímá závislost mezi touto proměnnou a velikostí odvětví turismu dané země, v ekonometrickém modelu pod písmenem K

Vysvětlovaná proměnná:

• co2_transport=množství CO2 v ovzduší pocházející z dopravy (tis. tun), v ekonometrickém modelu označení C

V projektu využiji lineární model vícenásobné regrese v obecném zápisu:

Y_i =α + ₁X_1i + ₂ X_2i +… + _k X_ki +_I,

kde: Y_i …vysvětlovaná proměnná, X_i …vysvětlující proměnná, α …úrovňová konstanta, k…parametr vysvětlující proměnné, i …pozorování, kdy i=1,…n, _I …náhodná veličina[4].

Lineární regresní model se používá pro vysvětlení závislosti vysvětlované proměnné na vysvětlujících proměnných. V našem prípadě je vysvětlovanou proměnnou množství emicí CO2 z dopravy, která je vysvětlována 11 proměnnými. Při aplikaci lineárního modelu vícenásobné regrese na náš případ bude model vypadat následně:

C_i = ₀ + ₁M_i + ₂Z_i + ₃X_i + ₄S_i + ₅T_i + ₆P_i + ₇H_i + ₈V_i + ₉W_i+ ₁₀K_i+_I,

kde: M, Z, X, S, T, P, H, V, W, K jsou vysvětlující proměnné uvedené výše a C je vysvětlovaná proměnná.

Testování předpokladů

K tomu abychom mohli metodu nejmenších čtverců aplikovat, musí náš model splňovat pět předpokladů:

„1. E (εi) = 0 Nulová střední hodnota náhodných složek.

2. var (εi) = E (εi2) = σ2 Konstantní rozptyl náhodných složek (homoskedasticita).

3. cov (εi; εj) = 0 pro i ≠ j. εi a εj jsou vzájemně nekorelované.

4. εi má normální rozdělení.

5. X1i, … , Xki jsou pevně daná, jedná se o nenáhodné veličina.“[5]

Nulová střední hodnota náhodných složek

Tuto podmínku považujeme za splněnou, protože je v modelu obsažena úrovňová konstanta.

Konstantní rozptyl náhodných složek (homoskedasticita)

K testování o přítomnosti homoskedasticity v modelu využijeme Whiteův a Breusch-Paganův test obsažený přímo v aplikaci gretl:

Whiteův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 19,8071 s p-hodnotou = P(Chi-Square(20) > 19,8071) = 0,470051

Nulová hypotéza je, že rozptyl náhodných složek je konstantní. P-hodnota je vyšší než námi zvolená hladina významnosti, proto tuto hypotézu na hladině významnosti 0,05 podle Whiteova testu heteroskedasticity nezamítám.

Breusch-Paganův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 11,8097 s p-hodnotou = P(Chi-Square(10) > 11,8097) = 0,297995

P-hodnota je vyšší než námi zvolená hladina významnosti, proto nulovou hypotézu na hladině významnosti 0,05 podle tohoto testu heteroskedasticity nezamítám. Z obou dvou testů vyplývá, že předpoklad konstantních rozptylů náhodných složek je splněn.

Nekorelovanost náhodných složek

Multikolinearitu modelu zkontrolujeme korelační maticí vytvořenou v gretlu:

Korelační koeficienty, za použití pozorování 1 – 24, 5% kritická hodnota (oboustranná) = 0,4044 pro n = 24

Hodnoty, které jsou vyšší, než 0,9 mohou naznačovat problém s multikolinearitou. Aby se jednalo o skutečný problém, musí se hodnoty korelačních koeficientů pohybovat v blízkosti extrémních hodnot 1 nebo -1.[6]Abychom se vyhnuli problémům, vyřadíme vysvětlující proměnné, které mají vysoké hodnoty korelačních koeficientů. V tomto případě jsem se rozhodnul vyřadit proměnnou population.

Pro upravený model provedu test kolinearity dostupný v gretlu:

Faktory zvyšující rozptyl (VIF)

Minimální možná hodnota = 1.0

Hodnoty > 10.0 mohou indikovat problém kolinearity

moto_rate 2,091

rail_pass 11,475

road_good 24,183

density 8,046

real__GDP 2,084

rail_goods 14,132

establis 6,717

air_pass 35,406

air_goods 35,585

Proměnné air_pass a air_goods nejvíce převyšují hodnotu 10, takže jsme indikovali problém s kolinearitou. Proto odebereme z modelu tyto dvě proměnné a provedeme znovu test kolinearity.

Faktory zvyšující rozptyl (VIF)

Minimální možná hodnota = 1.0

Hodnoty > 10.0 mohou indikovat problém kolinearity

moto_rate 1,395

rail_pass 7,110

road_good 4,814

density 1,267

real__GDP 1,912

rail_goods 3,826

establis 2,214

Žádná proměnná nemá vyšší hodnotu než 10, proto jsme již neindikovali problém s kolinearitou. Předpoklad nekorelovanosti náhodných složek je tedy splněn.

Normální rozdělení

Pro splnění předpokladu normálního rozložení využijeme testu normality, který je obsažen v gretlu. Nulová hypotéza předpokládá, že data modelu jsou normálně rozložena. Alternativní hypotéza předpokládá, že data modelu nepocházejí z normálního rozložení.

Obrázek 3: Graf normálního rozdělení modelu

Z grafu nelze přesně vypozorovat, jestli se jedná o normální rozložení. Proto využijeme p-hodnoty, která je 0,31040 a je tedy vyšší než hladina významnosti 5%. Proto nulovou hypotézu o normálnosti rozdělení nezamítám na hadině významnosti 5%. Předpoklad normality je tedy splněn.

Nenáhodné veličiny

Data modelu jsou nenáhodná, pevně stanovená čísla, které pocházejí ze statistických průzkumů. Proto je i tento předpoklad splněn. Všechny předpoklady model tedy splňuje a můžeme aplikovat model OLS.

Model OLS

Model 1

Model 1: OLS, za použití pozorování 1-24

Závisle proměnná: co2_transport

V modelu OLS máme dvě vysvětlující proměnné, které na hladině 5% vykazují statistickou nevýznamnost. Proto nejdříve z modelu odstraníme proměnné real__GDP.

Model 2 (bez real_gdp)

Model 2: OLS, za použití pozorování 1-24

Závisle proměnná: co2_transport

.

Úpravou modelu jsme odstranili statisticky nevýznamné vysvětlující proměnné, které nedosahovali ani 90% statistické významnosti. I nadále ale proměnná density nesplňuje požadavek statistické významnosti na hladině 5%. Proto model opět upravíme a odstraníme z něj proměnnou density.

Model 3 (bez real_gdp a density)

Model 3: OLS, za použití pozorování 1-24

Závisle proměnná: co2_transport

.

Úpravou modelu jsme odstranili statisticky nevýznamné vysvětlující proměnné, které nedosahovali ani 95% statistické významnosti. Koeficient determinace je 0,995659. To znamená, že vysvětlující proměnné vysvětlují 99,57% variability vysvětlované proměnné. Protože se koeficient determinace blíží 100%, jsem s tímto modelem z tohoto pohledu velice spokojen. Mnou provedené úpravy měli pouze minimální dopad na koeficient determinace.

Z výše uvedeného modelu OLS lze sestrojit tuto rovnici lineárního modelu vícenásobné regrese:

co2_transport = -6767,47 + 22,5262 moto_rate + 0,943727 rail_pass + 0,306722 road_good - 0,448401 rail_goods + 0,43864 establis

TEST PŘEDPOKLADŮ

K tomu abychom mohli metodu nejmenších čtverců aplikovat u modelu 3, musí náš model opět splňovat pět klasických předpokladů uvedených výše.

Nulová střední hodnota náhodných složek

Tuto podmínku považujeme za splněnou, protože je v modelu obsažena úrovňová konstanta.

Konstantní rozptyl náhodných složek (homoskedasticita)

K testování o přítomnosti homoskedasticity v modelu využijeme Whiteův a Breusch-Paganův test obsažený v aplikaci gretl:

Whiteův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 23,4423 s p-hodnotou = P(Chi-Square(20) > 23,4423) = 0,267604

P-hodnota je vyšší než námi zvolená hladina významnosti, proto tuto hypotézu na hladině významnosti 0,05 podle Whiteova testu heteroskedasticity nezamítám.

Breusch-Paganův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 2,16805 s p-hodnotou = P(Chi-Square(5) > 2,16805) = 0,825437

P-hodnota je vyšší než námi zvolená hladina významnosti, proto nulovou hypotézu na hladině významnosti 0,05 podle tohoto testu heteroskedasticity nezamítám.Z obou dvou testů vyplývá, že předpoklad konstantních rozptylů náhodných složek je splněn.

Nekorelovanost náhodných složek

Multikolinearitu modelu opět zkontrolujeme korelační maticí vytvořenou v gretlu:

Korelační koeficienty, za použití pozorování 1 – 24, 5% kritická hodnota (oboustranná) = 0,4044 pro n = 24

Žádná hodnota není vyšší, než 0,9, proto by model neměl vykazovat problém s multikolinearitou. Pro jistotu provedeme ještě test kolinearity dostupný v gretlu:

Faktory zvyšující rozptyl (VIF)

Minimální možná hodnota = 1.0

Hodnoty > 10.0 mohou indikovat problém kolinearity

moto_rate 1,257

rail_pass 6,365

road_good 4,639

rail_goods 3,154

establis 2,209

Žádná proměnná nemá vyšší hodnotu než 10, proto jsme již neindikovali problém s kolinearitou. Předpoklad nekorelovanosti náhodných složek je tedy opět splněn.

Normální rozdělení

Pro splnění předpokladu normálního rozložení využijeme testu normality, který je obsažen v gretlu. Nulová hypotéza předpokládá, že data modelu jsou normálně rozložena. Alternativní hypotéza předpokládá, že data modelu nepocházejí z normálního rozložení.

Z grafu lze přímo vypozorovat, že by se mohlo zhruba jednat o normální rozložení. Přesto využijeme p-hodnoty, která je 0,82977 a tedy vyšší než hladina významnosti 5%. Proto nulovou hypotézu o normálnosti rozdělení nezamítám na hadině významnosti 5%. Předpoklad normality je tedy splněn.

Nenáhodné veličiny

Data modelu pocházejí ze statistických průzkumů. Můžeme tedy i tento předpoklad považovat za splněný.Všechny předpoklady model tedy splňuje a proto lze aplikovat model OLS.

RESET TEST

Na závěr otestujeme celkový model ještě pomocí RESET testu.

Test RESET pro specifikaci (druhé a třetí mocniny)

Testovací statistika: F = 2,179941,

s p-hodnotou = P(F(2,16) > 2,17994) = 0,145

Test RESET pro specifikaci (pouze třetí mocniny)

Testovací statistika: F = 2,038215,

s p-hodnotou = P(F(1,17) > 2,03821) = 0,172

Test RESET pro specifikaci (pouze druhé mocniny)

Testovací statistika: F = 1,019870,

s p-hodnotou = P(F(1,17) > 1,01987) = 0,327

Všechny p-hodnoty jsou vyšší než hladina významnosti 5%, proto považujeme model za korektní.

Empirická zjištění a závěry

Na začátek porovnáme námi očekávanou závislost mezi vysvětlovanou proměnnou a vysvětlujícími proměnnými s výsledky ekonometrického modelu 3. U proměnné moto_rate jsem předpokládal pozitivní závislost s emisemi CO2. Tato domněnka se potvrdila a míra motorizace má značnou kladnou závislost s množstvím CO2 v ovzduší z dopravy. Z ekonometrického modelu vyplývá, že pokud vzroste míra motorizace o jednotku (počet aut na 1000 obyvatel), zvýší se emise CO2 o 22,5262 tis. tun v dané zemi.

U proměnných rail_pass a rail_goods jsem očekával negativní závislost, protože většina vlaků je v rámci EU již elektrifikována a počet lokomotiv jezdících na naftu je nízký. Vlak je jedním ze substitutů automobilů, proto jsem předpokládal, že čím více cestujících nebo zboží přepraví železniční doprava, tím méně se budou používat automobily k dopravě a přepravě a dojde k poklesu množství emisí CO2 z dopravy. Bohužel ale ekonometrický model můj předpoklad u proměnné rail_pass nepotvrdil a vyplývá z něj, že pokud vzrostou mil.osobokilometrů o jednotku („osobokilometr představuje přepravu jedné osoby v osobní dopravě na vzdálenost jednoho kilometru”[7]), zvýší se emise CO2 o 0,943727 tis. tun v dané zemi. Na druhou stranu u proměnné rail_goods model potvrdil moji domněnku a vyplývá z něj, že pokud vzrostou mil.tunokilometrů o jednotku („tunový kilometr představuje přepravu jedné tuny nákladu v nákladní dopravě na vzdálenost jednoho kilometru” [8]), sníží se emise CO2 o 0,448401 tis. tun v dané zemi.

U proměnné road_good jsem očekával pozitivní závislost s emisemi CO2, protože čím větší množství zboží je přepraveno po silnicích, tím větší nároky to klade na silniční dopravu, která je hlavním producentem CO2. Z ekonometrického modelu vyplývá, že pokud vzrostou mil.tunokilometrů o jednotku, zvýší se emise CO2 o 0,306722 tis. tun v dané zemi.

U proměnné establis jsem očekával pozitivní závislost s emisemi CO2, protože jsem vycházel z předpokladu pozitivní vazby turismu na dopravu. Jelikož se ubytovací kapacita země považuje za významný ukazatel velikosti turismu v dané zemi, měl by mít i vliv na emise CO2 z dopravy, protože čím větší turismus v dané zemi je, tím větší jsou nároky na dopravu a tím větší by toto odvětví mělo být. Proto by to mělo v konečném důsledku vést ke zvyšování emisí CO2. Z ekonometrického modelu vyplývá, že pokud vzroste počet ložnic a míst určených ke spaní o jednotku, zvýší se emise CO2 o 0,438640 tis. tun v dané zemi.

Z ekonometrického modelu nám buďto pro problémy s korelací anebo se statistickou významností vypadly proměnné population, density, air_goods, air_pass a real_gdp. U většiny z nich je to celkem překvapivé.

Možná rozšíření

Tento model by bylo možné rozšířit o další oblasti jako je například průmysl, energetika nebo zemědělství. Dále by bylo vhodné do modelu vložit více proměnných, které by mohli mít přímou i nepřímou vazbu s emisemi CO2 a třeba i využít výzkumu pro získání konkrétnější a podrobnějších dat. Jako příklad lze uvést zavedení proměnných, které by zohledňovali geografické podmínky země, vzdálenost velkých center od sebe, cenu pohonných hmot, průměrné stáří vozového parku apod.

Reference

[1] [Online] http://europa.eu/pol/trans/index_cs.htm

[2] [Online] http://www.cenia.cz/web/www/cenia-akt-tema.nsf/$pid/MZPMSFKUJWBD/$FILE/EU_doprava_CO2.pdf

[3] [Online] http://www.cenia.cz/web/www/cenia-akt-tema.nsf/$pid/MZPMSFKUJWBD/$FILE/EU_doprava_CO2.pdf

[4] [Online] NĚMEC, Daniel. Základy ekonometrie, 2009.WWW: https://is.muni.cz/auth/el/1456/podzim2009/BPE_ZAEK/um/8972174/ZakladyEkonometrie.pdf?fakula=1456;obdobi=4644;studium=241594;kod=BPE_ZAEK

[5] [Online] NĚMEC, Daniel. Základy ekonometrie, 2009.WWW: https://is.muni.cz/auth/el/1456/podzim2009/BPE_ZAEK/um/8972174/ZakladyEkonometrie.pdf?fakula=1456;obdobi=4644;studium=241594;kod=BPE_ZAEK

[6] [Online] NĚMEC, Daniel. Základy ekonometrie, 2009.WWW: https://is.muni.cz/auth/el/1456/podzim2009/BPE_ZAEK/um/8972174/ZakladyEkonometrie.pdf?fakula=1456;obdobi=4644;studium=241594;kod=BPE_ZAEK

[7] [Online] http://www.czso.cz/cz/cisla/0/00/000902/data/0009t014.htm

[8] [Online] http://www.czso.cz/cz/cisla/0/00/000902/data/0009t014.htm

Zdroje dat:

1. [Online] http://www.sydos.cz/cs/prehledy_eurostat/01_zeleznice_osobni_06.xls
2. [Online] http://www.sydos.cz/cs/prehledy_eurostat/02_zeleznice_nakladni_06.xls
3. [Online] http://www.sydos.cz/cs/prehledy_eurostat/03_silnice_nakladni_06.xls
4. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tsdpc340
5. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tps00003
6. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tps00001
7. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tsieb020
8. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=ttr00012
9. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=ttr00011
10. [Online] http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tsdtr410
11. [Online] http://nui.epp.eurostat.ec.europa.eu/nui/show.do?dataset=tour_cap_nat&lang=en

Datum: 16.1.2010

Obrázek 1: Příjmy obcí

Municipální jednotky potřebují ke své činnosti nemalé finanční prostředky, které získávají prostřednictvím daňových příjmů, nedaňových příjmů, kapitálových příjmů a dotací. Nejdůležitější skupinou jsou daňové příjmy, které obecně tvoří 55- 60% veškerých příjmů obcí. Daňové příjmy jsou rozdělovány mezi obce na základě rozpočtového určení daní, podle zákona č. 243/2000 Sb., o rozpočtovém určení výnosů některých daní územnímsamosprávným celkům a některým státním fondům.

I přes postupný vývoj a snahu alokovat finanční prostředky mezi municipální rozpočty podle reálných potřeb těchto jednotek, nacházíme v současnosti některé problémy, které vyžadují nová řešení. V práci se pokusíme tyto problémy identifikovat a navrhnout další možná opatření.

Cíl práce a metodika

Prvním cílem práce je popsat vývoj rozpočtového určení daní a jeho význam pro obecní rozpočty v České republice. Druhým cílem práce je zjistit a popsat problémy, které se v souvislosti s RUD v posledních dvou letech vyskytly a navrhnout možná řešení. V první části budeme v práci vycházet převážně ze znění zákonů a literatury. V druhé části budeme pro hledání problémů využívat především informací získaných z internetu a dalších veřejných médií.

Pojem RUD, sdílené a svěřené daně

Nyní považujeme za důležité definovat pojem RUD, svěřené a sdílené daně. Pod pojmem RUD se obecně rozumí zákonem stanovené druhy daní, které plynou přímo do rozpočtů obcí nebo zákonem stanovený podíl obecních rozpočtů na celostátním výnosu daní. S tím úzce souvisí i pojmy svěřené a sdílené daně.

Svěřené daně tvoří výnos příslušné daně, který výlučně plyne do rozpočtu obcí. Mezi tyto daně v současné době patří například daň z nemovitosti nebo daň z příjmu právnických osob placená obcemi.

Sdílené daně jsou takové daně, jejichž výnos je procentuelně rozdělen do více druhů veřejných rozpočtů. To znamená, že do rozpočtu obce plyne pouze podíl na celostátním výnosu daně. Jako příklad lze uvést daň z přidané hodnoty, kdy z celostátního výnosu daně plyne do rozpočtu obce pouze 21,4%.

Obrázek 3: Sdílené daně

Význam RUD

Největší význam rozpočtového určení daní shledáváme v následujících bodech:

1. Daňové příjmy tvoří rozhodující část rozpočtových příjmů obcí (zhruba 55-60%).

2. Daňové příjmy obcí nejsou účelově vázány.

3. Orgány obcí samy rozhodují o užití daňových příjmů.

4. Daňové příjmy obcí jsou základem jak hospodářské tak i na finanční nezávislosti obcí na státu.[1]

Obce jsou nejmenšími organizačními jednotkami veřejné správy, které mají nejblíže k občanům, a tudíž můžeme konstatovat, že nejlépe mohou reagovat na požadavky občanů, protože zde existuje nekratší “instanční” cesta (informační tok) mezi jednotlivými obyvateli a organizační strukturou veřejné správy. Proto je důležité, aby obce disponovali dostatečnými finančními zdroji, které by mohli využít dle svého uvážení a kterými by se částečně distancovali od rigidní státní správy, která na nejvyšších organizačních stupních nemá a ani nemůže mít možnost jak reflektovat rozmanité potřeby obyvatelstva.

Vývoj RUD z pohledu obce

Vývoj RUD byl nastartován na počátku 90. let vznikem České republiky a obnovením územní samosprávy a dá se rozdělit do následujících etap, které odpovídají novelizacím zákonů, které RUD upravovaly.

Období 1993-1995

1.ledna 1993 vznikla daňová soustava a rozpočtová pravidla, která upravovala nově vzniklý systém RUD. Do obecních rozpočtů dle tohoto rozdělení plynulo[2]:

• 100% výnos daně z nemovitosti na území obce (až do současnosti)
• 100% výnos daně z příjmu právnických osob placené obcí (od 1994 až do současnosti)
• 40% (50% – 1994, 60% – 1995) z celookresního výnosu daně z příjmu fyzických osob ze závislé činnosti
• 100% výnosu daně z příjmu fyzických osob samostatně výdělečně činných podle místa bydliště podnikatele

Období 1996-2000

V letech 1996-2000 došlo v systému RUD k následujícím změnám a do obecních rozpočtů plynulo[3]:

• 30% z celookresního výnosu daně z příjmu fyzických osob ze závislé činnosti a z toho:

• 10% daně z příjmu fyzických osob ze závislé činnosti do rozpočtu té obce, kde má sídlo či bydliště plátce (kde byla pokladna plátce)
• 20% daně z příjmu fyzických osob ze závislé činnosti podle podílu počtu obyvatel obce na počtu obyvatel okresu
• 20% z celostátního výnosu daně z příjmu právnických osob podle podílu počtu obyvatel obce k celkovému počtu obyvatelstva státu

Období 2001-2007

V roce 2001 došlo k vytvoření zákona č. 243/2000 Sb., o rozpočtovém určení výnosů některých daní územním samosprávným celkům a některým státním fondům. V tomto roce došlo k výrazné změně v systému RUD, kterou se pokoušíme naznačit v níže uvedeném grafu.

Figure 1: Změny v období 2001-2007[4]

Obce se na celostátních výnosech výše uvedených daní začali podílet procentuálně 20,59 %, přičemž každé jednotlivé obci z uvedené procentní části připadla částka stanovená podle koeficientu velikostní kategorie obce a počtu obyvatel.

Období 2008-2009

V roce 2008 došlo k nepatrné změně procentního koeficientu na výnosu níže uvedených daní z 20,59% na 21,4%. Další změna proběhla v oblasti kritérií pro rozdělování daňových příjmů, kdy každé obci z 21,4% výnosu určité daně připadla částka na základě kritéria výměry katastrálních území obce, prostého počtu obyvatel v obci a násobků postupných přechodů. Tyto změny jsme se pokusili vystihnout v níže uvedeném grafickém schématu.

Figure 2: Změny v období 2008-2009[5]

Shrnutí

Jelikož každý druh daně prošel od roku 1993 svým vývojem, považujeme za užitečné shrnout veškeré podstatné změny, které se týkají RUD, do jedné tabulky, aby bylo patrné, jak se systém RUD postupně vyvíjel.

Tabulka 1: Vývoj RUD

Problémy RUD od roku 2007

Problémy RUD před novelou 2008

Před novelou, která se uskutečnila k 1.1.2008, byly určité daňové příjmy rozdělovány na základě koeficientu velikostní kategorie obce a prostého počtu obyvatel v obci. Právě koeficient velikostní kategorie obce byl velice často kritizován hned z několika důvodů. Toto kritérium zahrnovalo 14 velikostních kategorií, kdy ke každé kategorii byl přidělen určitý přepočítávací koeficient. První problém byl spojen právě s těmito koeficienty, které neměli reálné opodstatnění a byli vytvořeny zcela uměle bez nějaké užší vazby na skutečné podmínky.

Dalším problémem byli skokové přechody mezi velikostními kategoriemi. Kritizovaná rozhraní, ve kterých docházelo k největším nerovnostem rozdělování, byly hranice 100, 10 000 a 100 000 obyvatel. V tomto případě docházelo často k „nakupování občanů“ některých měst při snaze překročit velikostní kategorii a získat tak do obecního rozpočtu nemalé finanční prostředky. S velikostními kategoriemi souvisely i velké rozdíly v koeficientech velikostních kategorií mezi největšími a nejmenšími obcemi, kdy docházelo k diskriminace obcí s nízkým počtem obyvatel. V tomto případě mohlo jít ale o záměr ze strany státu, aby došlo ke slučování menších obcí.

Další problematickou oblastí byla vysoká váha koeficientů velikostních kategorií při přerozdělování celkových daňových příjmů obcí. Tento koeficient byl vlastně jediným kritériem, které ve své podstatě ani nemůže odrážet skutečné náklady obce spojené se samostatnou působností. Nejen v důsledku těchto problémů byla potřeba změna systému RUD.

Figure 3: Velikostní kategorie obcí

Figure 4: Případy na hranicích velikostních kategorií 2007[6]

Novela RUD 2008

K 1.1.2008 vešla v platnost novela zákona č. 243/2000 Sb., o rozpočtovém určení výnosů některých daní územním samosprávným celkům a některým státním fondům. Tato novela zavedla namísto 14 velikostních kategorií pouze 4 kategorie velikosti obcí. Dále byl zrušen skokový přechod a nově byl zaveden klouzavý (progresivní) přechod mezi velikostními kategoriemi. To mělo zamezit velkým rozdílům při přerozdělování podílu na sdílených daních mezi obcemi s počtem obyvatel, který byl těsně pod hranicí velikostní kategorie. Ve svém důsledku došlo k výraznému zvýšení příjmů malých obcí a k odstranění ne zcela spravedlivých rozdílů v daňových příjmech velikostně srovnatelných měst a obcí.

Figure 5: Koeficient postupných přechodů[7]

Dále byla zavedena nová kritéria pro přerozdělení podílu obcí na sdílených daních:

• Celková výměra obce – váha 3 %
• Prostý počet obyvatel – váha 3 %
• Koeficiente velikostní kategorie obce – váha 94 %

Dále došlo k vynětí čtyř největších měst ze systému (Praha, Brno, Ostrava, Plzeň), pro které byly určeny samostatné přepočítávací koeficienty.

Figure 6: Koeficient postupných přechodů[8]

Současné problémy

Se zavedením již zmiňované novely byla odstraněna velká část dřívějších problémů. Vznikem čtyř velikostních kategorií a klouzavého systému došlo sice z velké části k odstranění ne zcela spravedlivých rozdílů v daňových příjmech obcí. Na druhé straně nové kritérium celkové výměry obce pro přerozdělení podílu obcí na sdílených daních přineslo nové problémy. Na první pohled se může zdát, že 3% váha tohoto kritéria je zanedbatelná, ale ve skutečnosti došlo k několikanásobnému nárůstu daňových příjmů některých obcí s nízkým počtem obyvatel, ale velkou výměrou katastrálního území. To znamenalo neopodstatněné mimořádné přínosy pro některé malé obce.

Figure 7: Daňové příjmy na obyvatele[9]

Table 1: Největší očekávané nárůsty daňových příjmů pro obce 2008[10]

Jako další problém lze uvést snižování daňových sazeb. Pokud se sníží daňová sazba, automaticky se sníží i výnos daně. Z toho vyplývá, že se zmenší objem finančních prostředků, které se dále přerozdělují a v důsledku toho obcím do rozpočtů plynou nižší daňové příjmy.

I současná finanční krize má za následek komplikace pro obecní rozpočty. V důsledku krize stát přerozdělí méně, protože dochází ke zpomalení hospodářského růstu, ke snižování zisků firem, ke zvyšování nezaměstnanosti a pod. To vše způsobilo, že celostátní výnosy daní jsou nižší a proto poklesnou daňové příjmy obcím.

Problémem novely RUD byl i dopad na město Olomouc, které bylo jediným městem v kategorii nad 100.001 a více obyvatel před novelou. V roce 2007 byli daňové příjmy Olomouce 193,2 mil. Kč, ale v roce 2008 už pouze 149,6 mil. Kč. Tento propad je docela značný a proto musel stát městu zvýšit příjmy, aby snížil nerovnost, formou dotace.

Další problémy shledáváme v tzv. „Boji o podnikatele“, či „Nakupování občanů“. V současnosti, kdy obce získávají 30% výnos z DPFO ze SVČ podle místa bydliště podnikatele, můžeme stále pozorovat snahy obcí získat trvalé bydliště živnostníků v dané obci. Boj o podnikatele však nebyl před novelou RUD k 1.1.2008 tak závažným problémem, protože tato problematika byla vyřešena již zákonem o RUD v roce 2000, kdy výnos obcí byl stanoven na 30% místo 100% z výnosu DPFO ze SVČ podle místa bydliště podnikatele. Před novelou k 1.1.2008 byly větším problémem snahy obcí k nakupování občanů při snaze překročit hranici velikostní kategorie obce a dosáhnout tak na vyšší přepočítací koeficient pro přerozdělování celostátního výnosu daní. Příkladem byla třeba obec Jihlava[11].

Základní problémem současného RUD vzniká převážně v důsledku toho, že kritéria pro přerozdělení podílu obcí na sdílených daních zcela neodrážejí reálný stav. Možné návrhy, jak upravit současný systém RUD uvedeme v následující části práce.

Možné úpravy současného systému

Podle našeho názoru by se dal současný systém upravit následujícím způsobem, aby více odpovídal reálným potřebám v obcích. Nyní uvedeme souhrn možných úprav systému RUD, které by mohli upravit příjmy obcí z RUD tak, aby více odpovídali reálným nákladům obcí spojených s přenesenou i samostatnou působností veřejné správy:

• Zavedení kritéria rozlohy zastavěného území obce (více odpovídá realitě než kritérium výměry obce, protože zahrnuje celkovou plochu, kterou se musí daná obec fakticky spravovat)
• Snížení váhy kritéria výměry obce (popřípadě zcela zrušit) a nutnost úpravy vah ostatních kritérií (vytvořit vyrovnaný systém vah kritérií, který by korespondoval s výší nákladu spojených s danými kritérii)
• Zahrnout do kritérií nadmořskou výšku obce (na Slovensku), délku komunikací nebo například její vzdálenost od přirozeného centra tak, aby příjmy z RUD více odpovídali reálným nákladům obcí
• Zahrnutí kritéria počtu žáků v obecních školkách a školách (SMS ČR navrhuje váhu ve svém systému 9,32 %[12])
• Snížení váhy kritéria počtu obyvatel na úkor ostatních kritérií
• Zahrnutí podílu na výnosu spotřebních a ekologických daní do RUD (tento návrh má značná negativa, především se jedná o zvýšenou administrativu, kdy spotřební a ekologické daně spravují celní úřady a dalším problémem by byla příjmová stránka Státního fondu infrastruktury, protože sem putuje podstatná část daně z minerálních[13])
• Navýšení podílu obcí na sdílených daních (kompenzace za snížení daňových sazeb především přímých daní)
• Snížení koeficientů pro Prahu, Ostravu, Brno, Plzeň
• Navýšení podílu obcí na sdílených daních o 7 mld. Kč (kompenzace za daňové propady v letech 2005 a 2006, kdy došlo ke snížení sazby DPFO)
• Zavedení obecních daní, které by obcím umožnily aktivně ovlivňovat své daňové příjmy[14]  (současně něco podobného zavedeno u daně z nemovitosti)
• Navýšení podílu na DPFO ze závislé činnosti (podle podílu počtu zaměstnanců v obci k počtu zaměstnanců v ČR) z 1,5 % na 3 %[15]
• Posílení motivace při financování obcí
• Zvýšení podílu obcí na DPFO podnikatelů na území obce ze současných 30 % na například 50 % (mělo by tak dojít k větší motivaci ze strany obcí k podpoře podnikání[16])

Závěr

Daňové příjmy patří mezi nejdůležitější a největší zdroj finančních prostředků pro obce. Bez daňových příjmů by obce mohli jen ztěžka financovat svůj chod a další činnosti spojené s veřejnou správou. Proto je důležité nastavit systém RUD tak, aby odpovídal skutečným potřebám obcí, aby byl stabilní a aby značně nezvýhodňoval určitou skupinu obcí před ostatními.

I přes velkou kritiku současného systému RUD zavedeného v roce 2008 musíme uznat, že tento systém přinesl do financování obecních zřízení tolik potřebnou stabilitu a že odstranil do té doby ne zcela spravedlivé rozdíly v příjmech relativně stejně velikých měst a obcí. Financování obcí bylo navázáno na rozhodující daňové příjmy, které zajistily jejich nepřetržitý růst. I přesto ale obecní rozpočty, zejména malých obcí, nestačí pokrývat veškeré náklady spojené s veřejnou správou. Proto je potřeba, aby se současný systém ještě dále vyvíjel a aby byli zavedeni taková kritéria, která by byla schopna odrazit skutečné náklady, které obce s působením ve veřejné správě mají.

Současný systém RUD způsobil, že se dají rozpočtované příjmy celkem dobře pro každou obec odhadnout. Tato vlastnost současného RUD je velmi důležitou, protože obce tak mají možnost odhadovat příjmy a tomu přizpůsobit i náklady tak, aby nedošlo k velkému zadlužení obce.

Bibliografie

[1] [Online] JUDr. Martin Netolický, ROZPOČTOVÉ URČENÍ DANÍ ÚZEMNÍM
SAMOSPRÁVNÝM CELKŮM, http://www.upol.cz/fileadmin/user_upload/PF-katedry/spravni-pravo/Ostatni/FinUSC/RozpoctoveUrceni.pdf

[2] Provazníková R., Financování měst, obcí a regionů, GRADA Publishing, a.s., 2007, str. 115. ISBN 80-247-2097-3.

[3] Provazníková R., Financování měst, obcí a regionů, GRADA Publishing, a.s., 2007, str. 121. ISBN 80-247-2097-3.

[4] Provazníková R., Financování měst, obcí a regionů, GRADA Publishing, a.s., 2007, str. 124. ISBN 80-247-2097-3.

[5] Zákon č. 243/2000 Sb. o rozpočtovém určení daní

[6] [Online] JUDr. Martin Netolický, ROZPOČTOVÉ URČENÍ DANÍ ÚZEMNÍM
SAMOSPRÁVNÝM CELKŮM, http://www.upol.cz/fileadmin/user_upload/PF-katedry/spravni-pravo/Ostatni/FinUSC/RozpoctoveUrceni.pdf

[7] Zákon č. 243/2000 Sb. o rozpočtovém určení daní

[8] Zákon č. 243/2000 Sb. o rozpočtovém určení daní

[9] [Online] http://www.penize.cz/29419-male-obce-by-mohly-ziskat-vice-penez

[10] [Online] http://denik.obce.cz/go/clanek.asp?id=6340929

[11] [Online] http://zpravy.ods.cz/prispevek.php?ID=2570

[12] [Online] http://www.smscr.cz/rozpoctove_urceni_dani.php

[13] [Online] Změna rozpočtového určení daní. Deník veřejné správy. 10 10, 2007. http://www.dvs.cz/go/clanek.asp?id=6288067

[14] Šindelářová, Monika. 2008. PROBLEMATIKA FINANCOVÁNÍ OBCÍ – DAŇOVÉ PŘÍJMY OBCÍ. Bakalářská práce. Brno, 2008, str. 48

[15] [Online] Možnosti změn rozpočtového určení výnosů daní obcím. 2006. Deník veřejné správy. 6 13, 2006. http://www.dvs.cz/go/clanek.asp?id=6226242.

[16] [Online] Možnosti změn rozpočtového určení výnosů daní obcím. 2006. Deník veřejné správy. 6 13, 2006. http://www.dvs.cz/go/clanek.asp?id=6226242.

Autoři: Eva Gildainová, Ondřej Havlena

Datum: 18.12.2009

1 Historie peněz

Společnost prošla v historii několika etapami, ve kterých se peníze zrodily a vyvíjely. Vše začalo od rozvoje dělby práce, kvůli které vznikla směna. Sama směna pak zpět
podporovala rozvoj dělby práce a dala impuls ke vzniku komoditních peněz, které se postupem času přetvořili na papírové a bankovní peníze. ⁽¹⁾

1.1 Dělba práce a naturální směna

V časech, kdy si domácnost vyrobila vše, co potřebovala, nebylo peněz potřeba. Lidé měli široký záběr činností a objem a pestrost jejich produkce závisela pouze na jejich potřebách a dovednostech. Výhodou byla sice nezávislost na ostatních domácnostech, ale takto zavedený systém byl ekonomicky neefektivní a nedovoloval spotřebovávat příliš pestrý sortiment zboží a služeb. Co si domácnosti samy nevyrobily, to neměly.

S postupem času se začala rozvíjet dělba práce. Domácnosti se začali specializovat na činnosti, ve kterých byly výkonější. S prohlubující se dělbou práce úzce souvisela
roustoucí výměna zboží a služeb, která měla za následek další prohlubování dělby práce. Člověk se stával specializovanějším výrobcem a tentýž člověk byl také spotřebitelem, u kterého rostla škála potřeb. Na jedné straně se rozmanitost výroby zužovala a na druhé se požadavky na spotřebu rozšířovali. A takovýto rozpor mohla vyřešit pouze směna.

Počáteční formou směny byl barter, tedy přímá výměna výrobku za výrobek ⁽²⁾. Tato naturální směna však měla obrovské nedostatky a tím brzdila další rozvoj dělby práce. Jejím hlavním problémem bylo, že směna předpokládala oboustranný zájem. Tedy zemědělec chce nakoupit maso a prodat brambory. V tomto případě musí najít někoho (například chovatele dobytka), který by chtěl nakoupit brambory a prodat maso. Ještě výraznější problém nastane v případě, že chovatel dobytka chce prodat maso a přitom nakoupit třeba pivo. V takovém případě by se musela uskutečnit zprostředkovaná směna, tedy zemědělec by nejdříve musel najít někoho, kdo by s ním směnil oves za pivo a následně pak vyměnil pivo za maso.

1.2 Komoditní peníze

Se složitostí a nedostatky barteru se postupně ve směně vydělilo zboží, které bylo všeobecně žádáno a mohlo tedy platit jako univerzální směnný prostředek. Takovému
zboží se říká komoditní peníze (někdy také nazývané zbožové peníze). Příkladem komoditních peněz může být železo, zlato, stříbro, prsteny, diamanty, hovězí dobytek, pivo, víno, olivový olej, čaj a koření (což bylo hodně závislé na oblasti). Každá tato komodita si sebou nesla určité výhody a nevýhody. Pivo je narozdíl od dobytka dobře dělitelné, ale kvalita piva se na rozdíl od kvality vína časem nezlepšuje. Proto se formovaly základní požadavky na vlastnosti univerzálního směnného prostředku: ⁽²⁾

• Dělitelnost – požadavek na to, aby bylo zboží jednoduše dělitelné. Příkladem dobře dělitelné komodity může být například čaj a koření. Špatně dělitelný je například dobytek.
• Trvanlivost – požadavek na stálost proti přírodním vlivům. Příkladem trvanlivé komodity může být například zlato a stříbro. Netrvanlivý pak může být dobytek.
• Stejnorodost – požadavek úzce související s dělitelností, který vynucuje, aby část celku reprezentovala odpovídající část původní hodnoty. Stejnorodou komoditou může být například pivo, opakem pak může být pár botou (jedna bota nemá hodnotu odpovídající polovině původní hodnoty páru).
• Vysoká kupní síla – požadavek na to, aby ve směně mohlo vystupovat poměrně malé množství. Vysokou kupní sílu má zlato, nízkou například mouka.

Časem se ukázalo, že těmto čtyřem požadavkům na komodity nejvíce vyhovují drahé kovy, a to především zlato, které bylo poměrně vzácné, dobře zpracovatelné, trvanlivé a společností přijímané. Ze začátku bylo zlato jako platidlo použitelné v jakémkoliv stavu, avšak brzy nastalo období monetizace zlata (procesu převodu zlata do zákonných platebních hodnot) a začali se razit zlaté mince (nazývané zlaté peníze). Důvodem pro začátek ražby bylo vyhnout se nepraktickému používání zlata v podobě prachu, prutů nebo cihel, kdy kupující i prodávající museli složitě ověřovat množství a kvalit kovu. V mincovnách tak byla ověřována kvalita i množství drahého kovu a samotná mince pak nesla ochranné známky, které zamezovaly padělání. ⁽²⁾

1.3 Papírové peníze

Používání zlatých mincí však nebylo zcela efektivní pro manipulaci s většími částkami při uschovávání a přepravě. Proto ve 20. století proběhl proces demonetizace, kterým se nahrazovali zlaté peníze v oběhu papírovými bankovkami. A jak píše Samuelson a Nordhaus⁽¹⁾ : „Věk komoditních peněz ustoupil věku papírových peněz. Podstata peněz nyní vykrystalizovala. Peníze, spíše jako peníze něž komoditu, chtějí lidé ne pro ně samotné, ale proto, že si za ně mohou koupit určité věci. Nechceme peníze proto, abychom je přímo spotřebovali – spíše je používáme tak, že se jich zbavujeme.“

Užívání papírových bankovek se rychle rozšířilo. Jedním důvodem je jejich pohodlné používání a přenášení. Dále jedna bankovka může představovat velmi vysokou,
nebo velmi nízkou hodnotu (záleží pouze na jejím potisku). Je pak možné přenášet velké částky peněz v malém a lehkém přenosném médiu. Bankovky jsou i velmi dobře dělitelné a splňují tak všechny čtyři požadavky pro univerzální směnný prostředek (dělitelnost, trvanlivost, stejnorodost a vysokou kupní sílu). Jejich podoba musí být chráněna před paděláním, a to především pečlivou ryteckou prací a různými bezpečnostními prvky na bankovce. Díky tomu, že jsou bankovky označovány jako zákonné platidlo, nemohou být vytvářeny soukromými osobami, což je udržuje vzácnými.

První papírové peníze vznikly tím, že si lidé začali ukládat své bohatství v důvěryhodných úschovnách (tedy bankách), které jim při vkladu vydali papírové potvrzení. Tyto bankovky byly kryté zlatem a každý si mohl nechat v příslušné bance vyplatit bankovku ve zlatě. Postupem času byly právě tyto bankovky používány jako prostředek směny a lidé bankovkám věřili, protože věděli, že banka, která bankovku vydala, jim ji vymění za zlato. Pokud v jednom okamžiku bylo v bance uloženo 1 000 zlaťáků, v oběhu pak byly bankovky ve stejné celkové hodnotě. ⁽³⁾

Později si banky uvědomily, že početná část peněz v bance leží trvale a že není obvyklé, aby všichni držitelé bankovek požadovali o výměnu svých peněz za zlato ve stejný okamžik. Proto se rozhodly část peněz, která v bance stále zůstává, použít na poskytování půjček a úvěrů. Například z těch 1 000 zlaťáků banka na základě dlouhodobého sledování zjistí, že 500 zlaťáků je v bance na trvalo. Proto se rozhodne poskytnout úvěry v hodnotě až 500 zlaťáků. Pokud tak udělá, všechny její výdaje již nejsou kryté zlatem. V oběhu jsou bankovky v hodnotě 1 500 zlaťáků, které jsou kryté pouze z části. ⁽³⁾

V dnešní době již peníze kryté zlatem nejsou a stejně tak bankovní systém není jednostupňový (jako tomu bylo v dřívějších dobách), ale dvoustupňový v čele s centrální
bankou. Používání těchto nekrytých peněz závisí na naší důvěře, že je společnost ochotna je přijímat a množství peněz v oběhu již nezáleží na množství zlata, ale na monetární politice centrální banky.

1.4 Bankovní peníze ⁽¹⁾

Další etapou ve vývoji jsou bankovní peníze, což jsou peníze uložené na účtech, určené k bezhotovostnímu převodu nebo výběru z automatu. S bankovními penězi se setkáváme především v součastnosti, kdy spolu s bankovním účtem většinou získáte přístup i do vlastního internetového a telefonického bankovnictví, přes které můžete provádět různé transakce. Přímo na bankovní účty se zasílají mzdy, bankovním převodem platíme účty. V obchodech a přes internet nakupujeme platebními kartami, které dostáváme k našim bankovním účtům. Člověk u sebe v dnešní době nepotřebuje nosit téměř žádnou větší hotovost, většina transakcí lze provést bezhotovostně.

2 Funkce peněz ^{(1) (2)}

Historický vývoj peněz, který jsme nyní prošli, velice úzce souvisí s třemi důležitými funkcemi, které peníze plní.

2.1 Peníze jako prostředek směny

Na výše uvedeném příkladu u naturální směny musel zemědělec, aby vyměnil brambory za maso, nejdříve vyměnit brambory za pivo a až poté provést výměnu za maso – tzv. zprostředkovaná směna. Peníze tento nedostatek odstraňují a poskytují nám dokonce možnost směnit statek A za statek B bez toho, abychom hledali člověka, který chce směnit to samé B za A. Se splňením této funkce bohatě stačí prodat statek A na jednom trhu a za utržené peníze koupit statek B na jiném trhu.

2.2 Peníze jako prostředek oceňování

Tato funkce zaručuje, že nám peníze umožňují oceňovat statky a služby tím, že jim dávají cenu. Dovoluje nám převést odlišné statky jako např. lidskou práci a suroviny na peníze a jejich cenu pak můžeme používat k jejich vzájemnému porovnávání. Bez této funkce by výrobci nebyli například schopni určit, jaké kombinace vstupů mají při výrobě využít, protože by nebyli schopni porovnat vzácnost výrobních zdrojů.

2.3 Peníze jako uchovatel hodnot

Díky této funkci máme možnost odložit část směny na později, tedy např. prodáme statek A a získané peníze si necháme. Toto v barteru nebylo možné, tam jsme museli směnit statek za jiný. Zajímavé je, že peníze tuto funkci nemusí splňovat vždy na takové úrovni (a často ani nesplňují), jako jiné komodity. Ale i přesto lidé obvykle značnou část svého bohatství drží právě v penězích, a to především kvůli jejich dobré likviditě (je možné je rychle proměnit v libovolný jiný statek).

Závěr

Peníze prošly v historii svého vzniku několika důležitými změnami, než se dostaly do stavu, v jakém je známe dnes. Hlavní podíl na jejich vzniku má dělba práce a s ní spojený vývoj směny, který dal postupně vznikat komoditním, papírovým a bankovním penězům. Zajímavé také je, že dříve byly všechny peníze kryté zlatem. V dnešní době již kryté nejsou a ani množství peněz v oběhu není určováno množstvím zlata, ale monetární politikou centrální banky.

Seznam použité literatury

[1] SAMUELSON, Paul A., NORDHAUS, William D. Ekonomie. Praha : Svoboda,
1991. 1011 s. ISBN 80-205-0494-X.

[2] FUCHS, Kamil, TULEJA, Pavel. Základy ekonomie. 2. upr. vyd. Praha :
EKOPRESS, s.r.o., 2005. 348 s. ISBN 80-86119-94-7.

[3] NOVOTNÝ, Radovan. Jsou ještě peníze kryté zlatem?. Měšec.cz [online]. 2008
[cit. 2009-12-03]. Dostupný z WWW:  <http://www.mesec.cz/clanky/jsou-jestepenize-
kryte-zlatem/>. ISSN 1213-4414.