Strategie cenowe i lokalizacyjne na rynku dystrybucji paliw
Transkrypt
Strategie cenowe i lokalizacyjne na rynku dystrybucji paliw
Strategie cenowe i lokalizacyjne na rynku dystrybucji paliw w Polsce Wojciech Dorabialski, WSHiFM Kwiecień 2007 wersja wstępna, niekompletna 1. Wstęp Celem niniejszej pracy jest zbadanie strategii wejścia na rynek i strategii cenowych firm działających na polskim rynku dystrybucji paliw. Rynek dystrybucji paliw stanowi dobry przedmiot takiego badania z kilku przyczyn. Po pierwsze, rynek ten charakteryzuje się dużą homogenicznością produktów. Obecność sieci stacji paliw pozwala na zaobserwowanie skutków decyzji o wejściu na nowe rynki. Polski rynek stacji paliwowych cechuje się dużym tempem wzrostu (w segmencie interesującym nas), wysokim stopniem koncentracji udziałów w rynkach lokalnych, a także wysokim stopniem koncentracji na rynku dostawców paliw. Czynniki te z jednej strony ułatwiają analizę empiryczną, z drugiej zaś stwarzają warunki do zachowań lokalizacyjnych i cenowych o charakterze strategicznym (niedoskonale konkurencyjnym). Naszym zamiarem jest wykrycie tego objawów tego typu zachowań i dokonanie oceny ich zakresu. Dodatkowym argumentem za zbadaniem rynku paliw jest fakt, że przejawy zachowań oligopolistycznych wykryto na rynku dystrybucji paliw w USA, mimo, iż występujące tam marże są dużo niższe od tych na rynku polskim. 1 2. Przegląd literatury Praca wpisuje się w dwa nurty empirycznych badań rynków. Pierwszy z tych nurtów zajmuje się pomiarem siły rynkowej (konkurencyjności rynków) na postawie danych o cenach. Metodologia wprowadzona przez Bresnahan’a (1982) pozwala na oddzielenie wpływu czynników popytowych (elastyczności popytu) od czynników strategicznych na marże. Zastosowanie tej metody wymaga jednak znalezienia właściwych zmiennych instrumentalnych i w zasadzie da się zastosować jedynie do danych w postaci szeregów czasowych (zob. Genesove i Mullin (1998), Wolfram (1999)). Jeśli idzie o rynek dystrybucji paliw, w badaniach przeprowadzanych dla Stanów Zjednoczonych wykorzystywano dane o cenach w postaci szeregów czasowych w na różne sposoby. Borenstein i Shephard (1996) badali reakcje marż detalicznych na zmiany oczekiwań popytowych i kosztowych. Znaleźli oni dowody na zachowanie zgodne z modelem cichej zmowy kartelowej Rottenberga-Salonera, mimo, iż koncentracja udziałów w rynku oraz przeciętny poziom marż na rynku dystrybucji paliw w USA jest niski. Zupełnie inne podejście zaprezentowała Slade (1987). Na podstawie danych z lokalnego rynku dystrybucji paliw wyestymowała fukcje popytu, kosztów, oraz funkcje reakcji firm. Wykazała, że firmy ustalają ceny powyżej poziomu równowagi Nasha gry statycznej, co oznacza, że mamy do czynienia z cichą zmową. Karrenbrock (1991) oraz Borenstein, Cameron i Gilbert (1997) badali mechanizm transmisji cen na różnych poziomach produkcji i dystrybucji paliw. Wykryli oni asymetrię reakcji zmian cen produktów t na zmiany cen półproduktów; na przykład cena detaliczna benzyny reaguje szybciej na wzrosty niż na spadki ceny hurtowej. Ta asymetria jest przejawem posiadania siły rynkowej przez dystrybutorów paliw. Zupełnie inne podejście zaprezentowała Slade (1987). Na podstawie danych z lokalnego rynku dystrybucji paliw wyestymowała fukcje popytu, kosztów, oraz funkcje reakcji firm. Wykazała, że firmy ustalają ceny powyżej poziomu równowagi Nasha gry statycznej, co oznacza, że mamy do czynienia z cichą zmową. Drugi nurt literatury dotyczy strategii wejścia na rynek. Przykłady prac empirycznych na ten temat nie są liczne, z uwagi na fakt, że niewiele jest przypadków, w których można uzyskać odpowiednie dane. Toivanen i Waterson (2001) zbadali strategie wejścia dwóch największych sieci fast-food na 452 lokalne rynki w Wielkiej Brytanii. Firmy te stasują ujednolicone geograficznie ceny, co znacznie upraszcza problem. Z wykorzystaniem modelu regresji probitowej na danych panelowych udało się stwierdzić występowanie efektu uczenia się od 2 konkurenta; obecność konkurencyjnej sieci na danym rynku zwiększa prawdopodobieństwo wejścia na ten rynek. Praca Bresnahana i Reissa (1991) była pionierską w dziedzinie badania wpływu wejścia na rynek na poziom konkurencji (cen). Przeanalizowali oni dane dotyczące 5 profesji w 202 małych i odizolowanych geograficznie rynków. Okazuje się, że zależność między poziomem koncentracji a cenami jest różna dla różnych profesji, ale wspólną cechą jest fakt, że wejście drugiej firmy na rynek ma największy wpływ na poziom cen, podczas gdy wejście dodatkowych firm podniosło znacząco na poziomu konkurencji na rynkach, na których już funkcjonuje 3 lub więcej firm. Metodologia stworzona przez Bresnahan i Reissa jest o tyle ciekawa, że do zbadania efektów związanych z wejściem na rynek wykorzystuje dane statyczne, o obecnej liczbie firm na rynku, a nie dynamiczne, opisujące proces wejścia, a o poziomie konkurencji wnioskuje się również na podstawie konfiguracji rynkowej nie na podstawie faktycznych cen czy marż. Model estymuje się przy założeniu, że rynki znajdują się w równowadze długookresowej. Mazzeo (2002) rozwinął metodologię Bresnahana-Reissa wprowadzając element wyboru poziomu jakości przez frmy na rynku zróżnicowanych produktów. Zbadał on decyzje wejścia i wyboru jakości produktu na 492 oligopolistycznych, geograficznie odizolowanych rynkach (rynek przydrożnych moteli) i między innymi wykazał, że nowe firmy mają silny bodziec do zróżnicowania swojego produktu w stosunku do produktu firm zasiedziałych. 3. Rynek dystrybucji paliw w Polsce. Paliwa sprzedawane na polskich stacjach pochodzą z rafinerii polskich i zagranicznych. Największym graczem na rynku jest PKN Orlen. Jego udział w produkcji i w sprzedaży hurtowej paliw samochodowych w Polsce wynosi ok. 70%. Pozostałe 30% udziału w produkcji posiada Grupa Lotos. Pod względem ilościowym w ostatnich latach, import mniej-więcej bilansował się z eksportem (ok. 10% produkcji krajowej), importowane paliwa nie stanowiły zatem dużego zagrożenia dla krajowych potentatów w sprzedaży hurtowej. Sytuacja na rynku detalicznym wygląda nieco inaczej, choć i tutaj PKN Orlen posiada pozycję lidera.1 Sieć tej firmy liczy ok. 1 W styczniu 2007 roku PKN Orlen został ukarany przez UOKiK za wykorzystywanie pozycji dominującej na rynku glikolu. Istotną przesłanką podjęcia ww. decyzji był fakt posiadania przez PKN Orlen pozycji lidera w dystrybucji paliw. 3 1900 stacji. Drugim pod względem liczby stacji operatorem jest Grupa Lotos z ok. 360 stacjami. Trzy największe międzynarodowe sieci dystrybucji, BP, Stell i Statoil, posiadają odpowiednio 300, 250 i 230 stacji. W następnej kolejności należy wymienić mniejsze sieci krajowe i międzynarodowe posiadające po kilkadziesiąt stacji (Neste24, Jett), oraz stacje należące do supermarketów wielkopowierzchniowych. Liczbę stacji niezależnych ocenia się na 3000, jednak wiele z nich zaprzestało działalności lub przekwalifikowało się na dystrybucję gazu LPG.) Niestety, brak danych co do udziałów rynku pod względem sprzedaży. W branzy panuje jednak opinia, że największymi obrotami cieszą się nowoczesne stacje sieci międzynarodowych i stacje przy supermarketach. W następnej kolejności są stacje Lotosu2, a PKN Orlen i niezależni dystrybutorzy maja przeciętnie najniższe obroty. W ostatnim czasie Orlen zmniejszał liczbę stacji, jednocześnie modernizując pozostałe. Pozostałe sieci rozwijały się dość dynamicznie. Poniższa tabela przedstawia dynamikę wzrostu sieci Statoil i Shell. Tabela 1. Liczba stacji Statoil i Shell w latach 1993-2004 Źródło: www.shell.pl oraz www.statoil.pl Skutkiem tego jest malejący udział PKN Orlen a rosnący udział sieci międzynarodowych w krajowym rynku dystrybucji paliw, co ilustruje Tabela 2. 2 „Władze Lotosu, kupując stacje Esso, zapewniają, że sprzedają one najwięcej paliwa [...] 40 proc. więcej niż stacje gdańskiej grupy” – czytamy w artykule Agnieszki Łakomej, „Lotos przejmuje stacje Esso”, Rzeczpospolita, 25.08.2005 4 2000 2001 2002 2003 2004 2005 Grupa ORLEN 32% 31% 29% 26% 25% 25% Grupa Lotos 4% 5% 5% 5% 5% 5% BP 2% 2% 4% 4% 4% 4% Statoil 2% 2% 3% 3% 3% 3% Shell 2% 3% 3% 3% 3% 3% Jet 1% 1% 1% 1% 1% 1% Hipermarkety b.d. 0% 0% 0% 0% 1% Niezależne 54% 53% 54% 57% 57% 57% Tabela 2. Udziały w rynku dysrybucji paliw. Źródło: www.orlen.pl Ogólna liczba zarejestrowanych pojazdów w Polsce rośnie systematycznie, z 11,2 milionów w roku 1995 do 16,7 milionów w roku 2004 (Źródło: Rocznik Statystyczny GUS, 2004).Co ciekawe, pomimo wzrostu liczby zarejestrowanych pojazdów, ogólna wielkość sprzedaży paliw w Polsce spadała w ostatnich latach i trend ten powinien się utrzymać w przyszłości. Jest to skutek głównie zwiększonej wydajności nowoczesnych silników oraz zwiększenia proporcji użytkowników nie-biznesowych, oraz rosnących cen paliw. 5 Tabela 3. popyt i podaż benzyn w Polsce. Źródło: Prognozy PKN Orlen na bazie danych z Agencji Rynku Energii, Polskiej Organizacji Gazu Płynnego oraz Nexant. Tym niemniej wysoki segment rynku dystrybucji paliw czeka dalszy wzrost. W Polsce nadal brakuje nowoczesnych wygodnych stacji, wyposażonych w toalety, sklepiki, bufety, myjnie itp. Zdaniem prezesa Nafty Polskiej, w najbliższych latach przybywać będzie po ok. 100 stacji rocznie, gdyż „w najbliższym czasie na stacjach będą rozwijać się usługi niekoniecznie związane ze sprzedażą paliw, jak np. bary i sklepy [...] w krajach zachodnich usługi niezwiązane z paliwami stanowią 50 proc. działalności stacji benzynowych, u nas jest to zaledwie 10 proc. []”(Źródło: komunikat serwisu e-petrol z dn. 5.05.2005) 4. Dane i metodologia badania. Naszym celem jest zidentyfikowanie determinantów decyzji cenowych i lokalizacyjnych stacji benzynowych należących do sieci międzynarodowych. Cel ten jest umotywowany zarówno względami naukowymi jak i praktycznymi. O strony naukowej, supienie się na sieciach pozwoli 6 na przyjęcie założeń o jednolitej strategii danej sieci. Jak pokażemy niżej, strategie poszczególnych sieci mogą różnić się znacząco. Obserwując decyzje podejmowane wewnątrz tej samej sieci, będziemy w stanie odczytać faktyczną strategię sieci, zamiast uśrednionych skutków decyzji niezależnych podmiotów.3 Jeśli idzie o strategie cenowe, wzorując się na pomyśle Toivanena-Watersona, zakładamy, że sieć stosuje tę samą strategię cenową na wszystkich rynkach lokalnych. Obserwowalne różnice w charakterystyce tych rynków pozwolą nam na odczytanie ukrytej strategii sieci. Podobnie w przypadku strategii wejścia, zakładać będziemy, że w każdym okresie sieć decyduje się na wejście na rynki, które przekroczyły próg oczekiwanego zysku. To pozwoli nam odczytać w jaki sposób sieci formułują oczekiwania o zyskach. Jednym z kluczowych problemów jest ustalenie granic rynków w sensie geograficznym. Ponieważ w naszym badaniu niezbędne są dane charakteryzujące te rynki, musieliśmy przyjąć któryś z poziomów podziału administracyjnego kraju. Poziom województwa jest zdecydowanie zbyt wysoki. Pozostaje zatem wybór między poziomem powiatu i poziomem gminy. Gminy wydają się zbyt małe z kilku względów. W zdecydowanej większości gmin popyt jest zbyt mały, aby podtrzymać przy życiu nowoczesną stację benzynową. Jeśli zatem sieć decyduje się na otwarcie stacji w konkretnej gminie, zwykle liczy na przyciągnięcie popytu z gmin sąsiednich lub jeszcze odleglejszych. Zróżnicowanie wielkości (liczby ludności) gmin jest dużo większe niż powiatów. W związku z tym przyjmujemy, że rynkami lokalnymi są powiaty. Jest to założenie mocno upraszczające. Z jednej strony wszystkie badane przez nas stacje są zlokalizowane przy drogach krajowych, a więc popyt ze strony mieszkańców innych powiatów może mieć duże znaczenie. Co gorsza, udział popytu „zewnętrznego” w obrotach może być silnie zróżnicowany pomiędzy stacjami. O tym, że powiat nie jest do końca właściwym rynkiem, świadczy fakt, że tej ceny na stacjach samej sieci zlokalizowanych w tym samym powiecie często nie są identyczne. Zróżnicowanie cen (odchylenie standardowe) wewnątrz powiatu dla tej stacji samej sieci jest jednak dużo mniejsze niż zróżnicowanie cen pomiędzy powiatami (średnio 0.027 wobec 0.078) 3 O ile decyzje o wejściu na rynek są de facto podejmowane centralnie wewnątrz sieci, o tyle decyzje o poziomie cen na lokalnych rynkach podejmowane są wspólnie przez centralę oraz lokalnego operatora. 7 4.1. Dane Dysponujemy danymi pochodzącymi z 3 źródeł. 1. Charakterystyki rynków (dane demograficzne, infrastruktura drogowa, liczba pojazdów), pochodzą z Banku Danych Regionalnych GUS. 2. Dane o lokalizacji i datach otwarcia stacji stacji Shell i Statoil pochodzą z serwisów internetowych tych firm. Dla sieci BP udało się zdobyć jedynie lokalizacje stacji. 3. Dane o cenach na stacjach Shell i Statoil zostały zebrane samodzielnie metodą wywiadów telefonicznych. Bank danych regionalnych jest cennym źródłem informacji o powiatach, jednak nie jest zbiorem idealnym. Nie zawiera on na przykład danych dotyczących dochodów ludności (takie dane dostępne są jedynie na poziomie krajowym i wojewódzkim), a te są głównym czynnikiem determinującym elastyczność popytu na paliwo. Dane o tele-adresowe z serwisów sieci stacji również okazały się nie w pełni wiarygodne (z kilkunastoma stacjami nie udało się skontaktować telefonicznie). Posiadamy dane o cenach benzyny bezołowiowej E95, zebrane podczas jednego weekendu (sobota-niedziela) w lutym 2005. Dane postanowiliśmy zebrać podczas weekendu z kilku względów. Po pierwsze, ceny paliw zmieniają się często, czasem kilka razy w ciągu dnia. Uzyskanie obserwacji w jednym punkcie czasu dla wszystkich stacji nie było możliwe. W weekendy ceny są najbardziej stabilne (stabilność światowych rynków surowców, dzień wolny od pracy dla pracowników centrali sieci). Po drugie, popyt za strony klientów biznesowych jest w weekendy dużo niższy (również w kategoriach względnych), niż w tygodniu. Po trzecie wreszcie, nie bez znaczenia był fakt niższych cen połączeń telefonicznych oraz wygoda (krótszy czas oczekiwania na rozpoczęcie rozmowy). Ze względu na ograniczenia czasowe oraz podejrzliwość pracowników stacji, zdecydowaliśmy się na zebranie danych tylko o jednym produkcie (E95). Wybraliśmy produkt, który jest jednocześnie najpopularniejszy i najbardziej ustandaryzowany. Poniższa tabela przedstawia statystyki opisowe podstawowych zmiennych w naszym zbiorze, w którym obserwacją jest konkretna stacja paliw. Powiaty ze stacją Shell Wszystkie i/lub Statoil powiaty Variable Obs Mean Std. Dev. Obs Mean Std. Dev. Objaśnienia voivod 153 0.10 0.31 373 0.04 0.20 miasto wojewódzkie city 153 0.39 0.49 373 0.17 0.38 miasto 8 cena 137 3.74 0.08 373 . cena na danej stacji długość dróg ulepszonych w drogi_ulep 153 227.49 164.02 373 284.75 154.00 powiecie wydatki bieżące samorządu wyd_biez 153 1.40E+08 3.24E+08 373 73222966 2.15E+08 powiatowego vehicles 153 57012.33 86669.22 373 41887.06 58110.52 liczba pojazdów osobowych st_bezrob 153 19.18 6.50 373 21.98 7.48 stopa bezrobocia w powiecie ludn 153 142044.00 170853.70 373 100747.99 117688.86 ludność powiatu powierzchnia 153 596.93 525.32 373 825.66 525.61 powierzchnia west 153 0.04 0.19 373 powiat graniczy z Niemcami east 153 0.04 0.18 373 powiat graniczy z byłym ZSRR całkowita liczba stacji sieci overall 153 4.08 6.00 373 Shell, BP i Statoil w powiecie całkowita liczba stacji własnej own 153 1.86 1.80 373 sieci w powiecie agem 153 56.00 26.94 373 wiek stacji w miesiącach Tabela 4. Statystyki opisowe zbioru danych. 4.2. Model regresji – strategie cenowe Zaczynamy od zysku oligopolistycznej firmy i na pojedynczym rynku, którą można zapisać jako: (1) Warunek pierwszego rzędu maksymalizacji powyższej funkcji można przekształcić w „funkcję podaży” firmy: (2) czyli (3) gdzie ci jest kosztem krańcowym firmy i 9 θi ∈ [0, 1] jest parametrem określającym konkurencyjność rynku; θi = 1 dla monopolu, θi = 0 dla doskonałej konkurencji). 1/ θi jest tak zwanym “ekwiwalentem liczby firm”, czyli jego wartość (jeśli jest liczbą całkowitą) jest ekwiwalentem liczby firm przy założeniu, że firmy zachowują się tak jak w modelu oligopolu Cournot. ε jest elastycznością popytu na danym rynku w punkcie równowagi Metodologia stworzona przez Bresnahana pozwala zmierzenie siły rynkowej (konkurencyjności), czyli estymację parametru θi w strukturalnym modelu rynku. W modelu takim estymuje się powyższe równanie “podaży” oraz popyt rynkowy jednocześnie. Jednak identyfikowalność takiego modelu zależy od użycie odpowiednich instrumentów. Musielibyśmy mieć do dyspozycji zmienne, które przesuwają popyt lub koszt w jednej płaszczyźnie, oraz takie, które powodują zmianę nachylenia krzywej popytu lub kosztu krańcowego. W praktyce niezwykle trudno znaleźć właściwe instrumenty. Ponieważ my nie posiadamy danych o kosztach krańcowych, będziemy estymować model zredukowany, czyli równanie (3) przy założeniu jednakowych kosztów krańcowych na wszystkich rynkach. Zakładamy zatem, że sieć posiada centralną strategię cenową a ceny obserwowane na poszczególnych rynkach są efektem stosowania tej strategii. 4.3. Model regresji – strategie wejścia na rynek Praca w toku... (O ile zebrane przez nas dane przekrojowe nie pozwolą nam na dobre oszacowanie siły rynkowej metodą Bresnahana, o tyle połączenie danych o wejściu na rynek z informacją o cenach może pozwolić na postawienie nowych hipotez badawczych.) 5. Wyniki regresji – strategie wejścia na rynek Zmienną objaśnianą w naszym modelu regresji, zgodnie z równaniem (3) jest cena na stacji. Zmiennymi objaśniającymi są charakterystyki rynku (powiatu), charakterystyki stacji (zmienna new1) oraz charakterystyka stacji konkurencyjnych (zmienne lnshare i newcomp1). Zmienne objaśniające o rozkładzie ciągłym zostały przekształcone logarytmicznie, ze względu na nieliniową postać równania (3). Równanie regresji wygląda zatem następująco: (4) Pk = αX k + δDk + ζ k 10 Gdzie X jest wektorem zmiennych ciągłych a D wektorem zmiennych zero-jedynkowych. Jak wcześniej wspomnieliśmy, zredukowana postać modelu nie pozwoli na określenie, czy dana zmienna wpływa na cenę poprzez wpływ na elastyczność popytu, czy też poprzez wpływ na konkurencyjność zachowań firm. Poniższe tabele prezentują wyniki regresji liniowych. Tabela 5 zawiera wyniki dla regresji łącznej dla wszystkich stacji Shell i Statoil. Zakłada się zatem, że parametry równania (strategie) są identyczne dla obu sieci, z wyjątkiem komponentu stałego (zmienna zero-jedynkowa ‘kodfirmy1’) . Tabele 6 i 7 zawierają wyniki regresji osobno dla stacji Shell i Statoil. Number of obs = F( 11, 308) = R-squared 320 6.04 = 0.1775 Adj R-squared = 0.1482 Root MSE = .08428 Cena | Coef. Std. Err. T P>|t| Lnpopdens | -0.00687 0.008076 -0.85 0.396 lnroaddens1 | -0.04582 0.015232 -3.01 0.003 Voivod | -0.03858 0.017574 -2.2 0.029 Lnwydatki | 0.009087 0.008905 1.02 0.308 Lnunemplrate | -0.06255 0.015821 -3.95 0 East | 0.038134 0.026561 1.44 0.152 West | 0.098054 0.022764 4.31 0 Lnshare | 0.01117 0.012808 0.87 0.384 new1 | -0.03223 0.024593 -1.31 0.191 newcomp1 | -0.01345 0.019538 -0.69 0.492 kodfirmy1 | 0.030743 0.009988 3.08 0.002 _cons | 3.756607 0.169459 22.17 0 Tabela 5. Wyniki regresji modelu cenowego OLS – wszystkie stacje. Number of obs = F( 10, 159) = Prob > F R-squared 170 3.59 = 0.0003 = 0.1842 Adj R-squared = 0.1329 Root MSE = .09283 11 cena | Coef. Std. Err. T P>|t| lnpopdens | -0.01048 0.013984 -0.75 0.455 lnroaddens1 | -0.03344 0.028223 -1.18 0.238 voivod | -0.03076 0.027336 -1.13 0.262 lnwydatki | 0.005402 0.013412 0.4 lnunemplrate | -0.066 0.025399 -2.6 0.688 0.01 east | 0.058194 0.048495 1.2 0.232 west | 0.101693 0.029426 3.46 0.001 lnshare | 0.004172 0.024552 0.17 0.865 new1 | 0.047715 0.054604 0.87 0.384 newcomp1 | -0.0334 0.226 _cons | 3.858078 0.257527 14.98 0.027473 -1.22 0 Tabela 6. Wyniki regresji modelu cenowego OLS – stacje Shell. Number of obs = F( 10, 139) = Prob > F 150 3.51 = 0.0004 R-squared = 0.2016 Adj R-squared = 0.1442 Root MSE = .07411 cena | Coef. Std. Err. T P>|t| lnpopdens | -0.00643 0.009759 -0.66 0.511 lnroaddens1 | -0.04981 0.017219 -2.89 0.004 voivod | -0.05155 0.022913 -2.25 0.026 lnwydatki | 0.016565 0.011685 1.42 0.159 lnunemplrate | -0.05039 0.020433 -2.47 0.015 east | 0.023814 0.029477 0.81 0.421 west | 0.104974 0.057071 1.84 0.068 lnshare | 0.024104 0.015658 1.54 0.126 new1 | -0.05701 0.0253 0.026 newcomp1 | 0.032072 0.029739 1.08 0.283 _cons | 3.621155 0.222127 16.3 0 -2.25 Tabela 7. Wyniki regresji modelu cenowego OLS – stacje Statoil. 12 Zmienna TYP Opis logarytm naturalny gęstości zaludnienia lnpopdens lnroaddens logarytm naturalny gęstości dróg ulepszonych 1 lnunemplrat logarytm naturalny stopy bezrobocia w powiecie e logarytm naturalny zmiennej udziału w rynku (powiat), czyli stosunku liczby stacji własnej sieci do liczby stacji 3 sieci (Shell, Statoil i BP ) lnshare dumm kodfirmy1 newcomp1 y dla Statoil =1, dla Shell = 0 dumm = 1 jeśli co najmniej jedna ze stacji konkurencji (tylko Shell i Statoil) jest nie y starsza niż 12 m-cy dumm new1 y = 1 jeśli własna stacja jest nie starsza niż 12 miesięcy Tabela 8. Opis zmiennych. Wyniki regresji – model wejścia na rynek Praca w toku 6. Wnioski – strategie cenowe Przy użyciu naszych danych nie jesteśmy w stanie dobrze odczytać strategii cenowych firm. Wskazują na to niskie wartości R2, nie przekraczające 0,2. Możemy jednak stwierdzić, że strategie cenowe tych dwóch firm różnią się znacząco. Po pierwsze, współczynnik przy zmiennej ‘kodfirmy1’ jest istotny i wynosi ok. 0,03. Oznacza to, że w porównywalnych sytuacjach Statoil ustala ceny benzyny o 3 grosze wyższe niż Shell. Po drugie, regresje przeprowadzane osobno dla dwóch sieci dają lepsze dopasowanie. Zmienne „strategiczne”, takie jak ‘lnshare’ czy ‘new1’ są w zasadzie nieistotne, z wyjątkiem ‘new1’ dla Shella. Świadczyć to może o tym, że lokalne warunki nie mają dużego wpływu na konkurencyjność zachowań sieci. Jest to zgodne z hipotezą o centralnym ustalaniu strategii przez sieć. Dużo większy wpływ na ceny mają zmienne powiązane z elastycznością popytu, czyli stopa bezrobocia i gęstość sieci drogowej. Duże znaczenie ma też lokalizacja przygraniczna, ale tylko w przypadku powiatów zachodnich, gdzie ceny są o ok. 10 groszy wyższe niż w podobnych powiatach położonych w głębi kraju. Nie 13 znajdujemy również dowodów na wykorzystywanie cen do „dynamicznego blokowania wejścia”, czyli obniżania cen po wejściu konkurenta w celu odstraszenia go od innych rynków (nieistotny współczynnik zmiennej ‘newcomp1’. Bibliografia Borenstein, S., i A.C. Cameron i R.J.Gilbert, „Do Gasoline Prices Respond Asymmetrically to Crude Oil Price Changes“, Quarterly Journal of Economics, Vol. 112, No.1 (Feb., 1997), pp. 305-339 Borenstein S, i A. Shephard, „Dynamic Pricing in Retail Gasoline Markets”, RAND Journal of Economics, vol. 27, no. 3 (Autumn, 1996), pp. 429-451 Bresnahan, T.F., “The oligopoly solution concept is identified”, Economics Letters, vol. 10 (1982), pp. 87-92 Bresnahan, T.F. i P.C. Reiss, „Entry and Competition in Concentrated Markets”, Journal of Political Economy, vol. 99 (Oct., 1991), pp. 977-1009 Genesovem D. i W. P. Mullin, “Testing Static Oligopoly Models: Conduct and Cost in the Sugar Industry, 1890-1914”, The RAND Journal of Economics, Vol. 29, No. 2 (Summer, 1998), pp. 355-377 Karrenbrock, J.D., „The Behavior of Retail Gasoline Prices: Symmetric or Not?”, Federal Reserve Bank of St. Louis Review, Vol. 73 (July/August, 1991), pp. 19-29 Mazzeo, M.J., “Product choice and oligopoly market structure”, RAND Journal of Economics, Vol. 33, No. 2, (Summer, 2002), pp. 221-242 Slade, M. E., “Interfirm Rivalry in a Repeated Game: An Empirical Test of Tacit Collusion”, The Journal of Industrial Economics, Vol. 35, No. 4, The Empirical Renaissance in Industrial Economics (Jun., 1987), pp. 499-516 Toivanen O. i M. Waterson, “Market Structure and Entry: Where’s the Beef?”, RAND Journal of Economics, Vol. 36 (Autumn, 2005), pp. 680-699 Wolfram, C. “Measuring Duopoly Power in the British Electricity Spot Market,”, American Economic Review, 1999, vol. 89 (September), pp. 805-826 14