BC. David Dudáš Obor: Projektový management a inženýring

1. Korelace mezi výkonem ekonomiky a stavební produkcí států EU a vztahy pro predikci budoucího vývoje BC. David Dudáš Obor: Projektový management a inženýring

2. Obsah • Úvod • Korelace časových řad HDP a stavební produkce • Korelační koeficient a jeho interpretace • Předpověď budoucího vývoje stavební produkce • Závěr a výsledky

3. Úvod • Důležitý bod: Podobný vývoj HDP a stavební produkce v minulých letech Evropská unie Graf procentuální roční změny stavební produkce a HDP – data Evropské unie

4. Úvod • Cíle: • 1) Kvantifikovat podobnost mezi vývojem stavební produkce a HDP • 2) Předpověď budoucích hodnot stavební produkce založená na předpokládaném vývoji HDP Evropská unie

5. Korelační koeficient a jeho interpretace • Korelační koeficient R reprezentuje v této práci podobnost (závislost) mezi HDP a stavební produkcí • Hodnoty mezi -1 a 1 (hodnoty od -1 do 0 v této práci nejsou očekávány) • R ≤ 0,36 Malá závislost až nezávislost (podobnost) • R є (0,36 ; 0,67) Střední závislost (podobnost) • R ≥ 0,67 Silná závislost (podobnost)

6. Korelační koeficient a jeho interpretace • Problém s výpočtem korelačního koeficientu na příkladu České republiky => Časový posun Česká republika Posun!

7. Korelace časových řad • Je časový posun typický pro všechny země EU? => Testování statistické hypotézy na 10 vzorcích Testování hypotézy v párovém t-testu

8. Korelace časových řad • Je časový posun typický pro všechny země EU? => Testování statistické hypotézy na 10 vzorcích • Výsledek: Ne, časový posun nebyl prokázán! Případ České republiky je z pohledu Evropy jen statistická náhoda!

9. Korelace časových řad • Vypočítané korelační koeficienty

10. Korelace časových řad Austrálie r = 0,26 Itálie r = 0,72 Finsko r = 0,87

11. Předpověď budoucího vývoje stavební produkce • Je možné předpovědět budoucí vývoj stavební produkce na základě budoucích hodnot HDP a korelačního koeficientu? • Ano. V tomto případě s použitím simulace v MATLABu. Evropská unie

12. Předpověď budoucího vývoje stavební produkce • MATLAB algoritmus: • Generování všech možných vývojů • Kalkulace nových korelačních koeficientů • Porovnání korelačních koeficientů s předchozími výpočty • Zaznamenání možných vývojů splňující podmínky clearall; closeall; % changingvalues r = 0.8743; % alfa 55% alfa = 0.125661; GDP = xlsread('GDP annual 95-14.xls','C35:S35'); CON = xlsread('cons annual 95-11.xls','C45:R45'); z = 0.5 * log((1+r)/(1-r)) rmax = tanh(z+(alfa/sqrt(length(GDP)-3))) rmin = tanh(z-(alfa/sqrt(length(GDP)-3))) j = 1; figure; plot(GDP,'-ob'); title('Sine Function'); xlabel('Radians'); ylabel('FunctionValue'); hold on; CON(length(CON)+1) = -10 + (20).*rand(1); n = 100; for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end GDP = xlsread('GDP annual 95-14.xls','C35:T35'); j = 1; CON(length(CON)) = max(num); CON(length(CON)+1) = -10 + (20).*rand(1); for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num2(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end CON(length(CON)-1) = min(num); for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num2(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end CON(length(CON)-1) = mean(num); for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num2(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end GDP = xlsread('GDP annual 95-14.xls','C35:U35'); CON(length(CON)) = max(num2); CON(length(CON)+1) = -10 + (20).*rand(1); j=1; for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num3(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end CON(length(CON)-1) = min(num2); for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num3(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end CON(length(CON)-1) = mean(num2); for i = 1:n CON(length(CON)) = -10 + (20).*rand(1); r = corrcoef(GDP,CON); if r(1,2) < rmax & r(1,2)> rmin num3(j) = CON(length(CON)); j = j + 1; plot(CON,'-or') end end figure; plot(GDP,'-ob');

13. Předpověď budoucího vývoje stavební produkce • Podle definice předpověď funguje jen u států s velkým korelačním koeficientem! • Příklad: Předpověď pro Finsko Finsko Finsko r = 0,87

14. Předpověď budoucího vývoje stavební produkce • Simulace pro Finsko

15. Předpověď budoucího vývoje stavební produkce • Simulace pro Finsko

16. Předpověď budoucího vývoje stavební produkce • Prezentace výsledků • Pro každou předpověď vznikají 3 scénáře • Optimictický • Neutrální • Pesimistický • Pro dlouhodobé předpovědi se použije kombinace scénářů jednotlivých let • 2012 • Optimistický • Neutrální • Pesimistický Příklad; • 2013 • Optimistický • Neutrální • Pesimistický • 2014 • Optimistický • Neutrální • Pesimistický

17. Předpověď budoucího vývoje stavební produkce -výsledky • Finsko 2012 Předpověď na rok 2012 pro Finsko

18. Předpověď budoucího vývoje stavební produkce -výsledky • Předpověď pro Finsko založené na scénářích z roku 2012 Předpověď pro Finsko 2013 – pesimistický 2012 Předpověď pro Finsko 2013 – optimistický 2012

19. Závěr • Výstupy: • Vytvoření mapy EU s korelačními koeficienty mezi HDP a stavební produkcí • Vytvoření algoritmu pro předpovědi budoucího vývoje stavební produkce • Otázky pro další výzkum: • Jaký je příčina stejných koeficientů ve stejných oblastech EU? • Budou předpovědi potvrzeny pozorováním?

20. Děkuji za vedení práce Doc. Ing. Petru Dlaskovi, Ph.D. Originální znění práce bylo vytvořeno v anglickém jazyce. Práce byla prezentována na konferenci Evropských stavebních ekonomů Brusel 2013 Kontakt: Bc. David Dudas david.dudas@fsv.cvut.cz www.daviddudas.cz

21. Děkuji Vám za pozornost!