Integrazione e causalità nel mercato europeo del frumento tenero

Integrazione e causalità nel mercato europeo del frumento tenero
di G.Verga e M.Zuppiroli•
1
Obiettivo
Il presente lavoro si propone una interpretazione della dinamica del mercato
europeo del frumento tenero panificabile ricorrendo a serie storiche di prezzi settimanali
che iniziano dal gennaio 1990 per terminare nel dicembre 2002, con un
approfondimento per il sottoperiodo dal 1995 in avanti.
Nonostante esista una pluralità di borse merci e di quotazioni, grazie ad una serie
di meccanismi di arbitraggio, il mercato, nel suo complesso, si integra spazialmente
determinando, in equilibrio, un prezzo che, in prima approssimazione e per una merce
omogenea, possiamo definire “unico”. Nella realtà, dove i beni non sono prefettamente
omogenei, questa condizione impone che i prezzi, pur non potendo essere “uguali” fra
loro, debbano però essere “equivalenti”: i differenziali fra i prezzi devono essere
riconducibili al fatto che ogni piazza quota merci con alcune differenze qualitative e che
esistono costi dovuti al trasferimento delle merci nel tempo e nello spazio (costi
logistici). L’integrazione del mercato si traduce, quindi, in una evoluzione coerente ed
omogenea tra le quotazioni rilevate nelle diverse piazze, che non esclude sia dinamiche
differenziate nel breve periodo sia la presenza di alcune piazze più influenti rispetto ad
altre (Lele, Ravallion).
L’aspetto che interessa ogni operatore economico è, nella generalità dei casi, la
possibilità di una previsione del prezzo delle materie prime e della sua volatilità, e, in
particolare, di quelle critiche per il risultato aziendale. Nel caso dei derivati del
frumento tenero il costo dell’approvvigionamento per l’industria di macinazione incide
in misura notevole sull’esito economico della trasformazione. Un primo passo nella
previsione del prezzo consiste nel verificare se le piazze europee di maggiore interesse
per il trasformatore italiano manifestano, per il frumento tenero panificabile,
l’omogeneità di comportamento più sopra descritta e, quindi, se appartengono allo
“stesso” mercato.
•
Dipartimento di Studi Economici e Quantitativi – Università degli Studi di Parma. Il lavoro è frutto di
collaborazione tra gli Autori: il Prof. Verga ha redatto i §§ 4,5 e 6, il Prof. Zuppiroli i restanti.
1
In riferimento all’oggetto di questo studio i due passaggi indicati implicano:
verificare se i prezzi europei costituiscono un sistema e quanto questo
sistema escluda il mercato internazionale propriamente detto;
confermare o smentire le opinioni che circolano tra gli operatori circa la
“preminenza” dei mercati francesi;
valutare l’influenza dei prezzi istituzionali con cui l’UE regola la
Organizzazione Comune di Mercato per il frumento tenero.
È ovvio che, per una previsione efficace, è necessario concentrare l’attenzione
sui nessi di causalità che si evidenziano tra le diverse quotazioni. Se il mercato che
interessa l’operatore è un mercato che segue altre piazze (“mercato periferico”) è
evidente che i risultati di questo studio potranno dare un supporto adeguato alle
decisioni dell’impresa. Se, invece, la piazza su cui si opera è tra quelle che manifestano
una leadership all’interno del sistema (“mercato centrale”), in questo caso le possibilità
di previsione rimangono modeste perché l’origine delle variazioni va ricercata
all’esterno del ventaglio delle serie storiche prese in considerazione.
In questa seconda eventualità l’analisi di seguito presentata potrebbe descrivere
come gli impulsi originari si trasmettono all’interno del sistema tra mercato centrale e
mercati periferici, ma nulla potrebbe dire circa l’origine e l’intensità dell’impulso
iniziale.
La consapevolezza di questa limitazione oggettiva ci ha portato a includere
nell’analisi non solo serie di prezzi che quasi certamente sono elementi strutturanti il
mercato europeo del frumento tenero, ma anche altre serie il cui coinvolgimento non
era, a priori, definibile. In questo modo non saranno oggetto di osservazione solo i nessi
che strutturano il mercato europeo al suo interno, ma anche altre tipologie di relazione,
di pari interesse, che legano, eventualmente, il mercato intra-UE a quello internazionale
e/o ai parametri istituzionali previsti dalla Politica Agricola Comune.
2
L’integrazione dei mercati
2.1 L’informazione e l’efficienza del mercato
L’integrazione spaziale dei mercati presuppone che ognuno di essi, considerato a
se stante, sia efficiente. Il dibattito sul significato di “efficienza” nel contesto della
teoria sul funzionamento dei mercati ruota intorno all’opinione espressa da Fama (1970)
2
secondo cui un mercato ha la proprietà di essere efficiente nella misura in cui reagisce,
senza distorsioni, all’informazione disponibile.
La teoria del mercato efficiente si fonda su quattro assunzioni1 riguardanti il
comportamento degli operatori e la natura dell’informazione:
a. il prezzo di una attività corrisponde alle aspettative del mercato circa il
flusso dei rendimenti attesi scontati all’attualità;
b. le aspettative del mercato sono una stima corretta dei prezzi e dei rendimenti
che si realizzano successivamente;
c. il mercato utilizza in modo appropriato le nuove informazioni disponibili
riflettendole istantaneamente nel prezzo quotato;
d. la nuova informazione si comporta come un fenomeno casuale.
L’informazione, che, a ben vedere, è fattore decisivo per il dinamismo del
mercato, può essere distinta in tre insiemi che si differenziano secondo il grado di
accessibilità: vi sono i prezzi passati, che sono facilmente disponibili, le informazioni
complete sulla situazione di mercato corrente e, infine, le informazioni “private”.
Mentre si può ritenere che tutti gli operatori conoscano i prezzi passati, è più complicato
sostenere che, come postulato dalla teoria, sia altrettanto generalizzato l’accesso
all’informazione del secondo e, soprattutto, del terzo tipo. L’esistenza di livelli di
informazione diversi è all’origine delle asimmetrie informative che possono assicurare
profitti agli operatori “più informati” (insider).
2.2 Una griglia di classificazione dei mercati
Per interpretare il fenomeno dell’integrazione in termini spaziali è utile
richiamare due criteri concomitanti di classificazione dei mercati:
•
la prossimità a zone di produzione;
•
la “centralità” del mercato.
I mercati localizzati nelle zone di produzione sono definibili mercati primari e
vengono alimentati direttamente dai produttori locali. I mercati c.d. terminali emergono
nel caso, sempre più generalizzato, in cui la trasformazione industriale di prodotti
agricoli non sia realizzabile localmente, ma sia invece concentrata in un numero
contenuto di impianti. I mercati terminali sono alimentati da intermediari che, dopo
3
essersi approvvigionati nei mercati primari, offrono la merce agli utilizzatori. I mercati
terminali, in genere, sono posti in aree urbane, dove è maggiore la domanda finale e la
presenza di impianti di trasformazione, o sui porti per l’esportazione. In ogni caso la
distinzione tra mercato terminale e mercato primario ha significato solo se la merce
oggetto di scambio viene trasferita nello spazio, ma non subisce alcuna trasformazione
nella forma. Sotto questa condizione, pertanto, i due mercati (primario e terminale)
realizzano una redistribuzione della stessa merce.
La seconda caratteristica di un mercato riguarda la sua “centralità”2. Un mercato
è centrale se si dimostra capace di anticipare l’evoluzione dei prezzi, riferiti alla stessa
denominazione merceologica, quotati da altri mercati e diventa, pertanto, il riferimento
obbligato per gli operatori del comparto. I mercati che vengono qualificati centrali
devono risultare tali anche alla valutazione econometria che, attraverso le analisi di
causalità, mira proprio ad individuare le piazze che dimostrano una leadership di prezzo.
L’esistenza di un mercato centrale non elimina necessariamente i mercati
periferici che continuano ad essere frequentati e ad assicurare margini ai loro operatori .
Poiché i mercati terminali concentrano maggiori volumi di scambi è più facile
che siano i mercati terminali a risultare centrali nell’accezione sopra indicata. Se pure
l’associazione tra i due attributi (centrale e terminale) è generalizzata, le due
caratteristiche, come si è cercato di dimostrare, sottendono proprietà differenti.
2.3 Integrazione spaziale e fattori di segmentazione del mercato
In un mercato efficiente, ogni volta in cui si determinano nuove condizioni,
l’intervento degli arbitraggisti e degli speculatori concorre a ristabilire il nuovo
equilibrio. L’arbitraggio non contribuisce solo a rendere efficiente ogni mercato al suo
“interno”, ma tende ad eliminare anche gli eventuali differenziali di prezzo che esistono
nello spazio. Quindi le forse che rendono efficiente il mercato singolo sono le stesse che
concorrono all’integrazione spaziale dei mercati.
La misura in cui il prezzo quotato in un determinato mercato è condizionato dai
prezzi registrati in altri mercati, è definibile come grado di integrazione e oscilla, senza
1
Le condizioni per un mercato efficiente sono indicate da Stein (1986) che, a sua volta, risale ai lavori di
Working (1949) e Samuelson (1965).
2
Gli studi per una misura della causalità, tradizionalmente avviati da Granger (1969), si sono
recentemente arricchiti di contributi anche per l’analisi della causalità “in contemporaneità” (Spyrtes ed
altri, 1993).
4
soluzione di continuità, tra un valore nullo (nel caso di mercati segmentati) e un valore
unitario (nel caso, appunto, di mercati perfettamente integrati). L’osservazione dei
mercati mostra che sussistono differenziali di prezzo tra piazze diverse che quotano una
stessa merce, ma se queste differenze sono totalmente spiegabili in base ad alcuni
elementi economici strutturanti (essenziale il costo di trasporto), i movimenti dei prezzi
dovrebbero mostrare una convergenza nel lungo periodo ed i mercati possono dirsi
integrati.
Quindi per giudicare il grado di integrazione non è sufficiente prendere in
considerazione i livelli assoluti del prezzo nei diversi mercati. In particolare, quando si
mette in relazione un mercato terminale con uno primario, è necessario, invece, operare
una trasformazione nei dati del mercato terminale depurandoli del costo di trasporto e di
movimentazione (es. magazzinaggio, caricazione, scarico, etc.). In questo modo si
ottiene, per il mercato terminale, un prezzo comparabile a quello del mercato primario.
Se i prezzi così ottenuti non fossero identici e, soprattutto, se le differenze si
presentassero sistematicamente questo esito potrebbe segnalare una imperfezione
nell’integrazione tra i due mercati. Infatti, in condizioni ordinarie, l’arbitraggio tra i due
mercati dovrebbe eliminare i differenziali di prezzo spostando volumi addizionali di
merce laddove i margini risultassero più vantaggiosi. Il prezzo nel mercato di
approvvigionamento verrebbe così ad aumentare mentre dovrebbe diminuire nella borsa
merci di destinazione.
Nei mercati delle materie prime agricole la persistenza di imperfezioni è
imputabile a fattori diversi (Lele) che tendono a deprimere oltre misura i prezzi nelle
aree eccedentarie e ad aumentarli corrispondentemente in quelle deficitarie. L’origine di
queste imperfezioni nell’integrazione dei mercati è riconducibile ad alcuni fattori tra cui
i principali sono:
•
“colli di bottiglia” nel sistema dei trasporti che ostacolano, per periodi
prolungati, un flusso di merci adeguato alla situazione dei mercati;
•
incertezza sulla persistenza della convenienza economica al trasferimento delle
merci nello spazio che limita, di fatto, l’instaurarsi di correnti di traffico
commerciale;
•
insufficiente specificazione della merce che lascia incertezza sulla sua qualità
effettiva e sulla sua aderenza alle necessità degli acquirenti;
5
•
politiche pubbliche che, regolando gli scambi, favoriscono la segmentazione tra
alcuni mercati;
•
imperfezioni nel funzionamento dei singoli mercati (forme di controllo
oligopolistico, asimmetrie nel livello di informazione degli operatori).
Gran parte delle imperfezioni sono imputabili a fattori che caratterizzano
maggiormente i sistemi economici arretrati o in via di sviluppo. Nelle economie
sviluppate solo i “colli di bottiglia” nel sistema dei trasporti conseguenti ad eventi
climatici eccezionali e, soprattutto, gli interventi pubblici possono essere all’origine di
persistenti differenziali di prezzo tra aree. Altrimenti i mercati di prodotti agricoli, se
pure non istantaneamente, si integrano spazialmente con relativa facilità.
Nei mercati agroalimentari italiani sussistono ancora asimmetrie informative ed
anche situazioni di potere di mercato. Si pensi alla miriade di Borse Merci attive a
livello provinciale e, talora, subprovinciale, che, pur avendo un modesto afflusso di
frequentatori, pubblicano comunque una mercuriale che esprime gli interessi di pochi (e
talvolta pochissimi) operatori. Le imperfezioni che si possono riscontrare in questi
mercati sono dovute, talvolta, alla presenza di operatori di livello nazionale che non
hanno sempre convenienza a trasferire nel mercato locale la loro visione globale del
mercato e che, viceversa, possono condizionare i prezzi modulando il volume degli
scambi locali.
Le considerazioni sin qui esposte trascendono dall’elemento tempo e si
riferiscono a quotazioni contemporanee su mercati diversi. Se si prende in
considerazione anche il tempo storico merita attenzione il caso di mercati periferici che,
se pure in equilibrio nel lungo periodo con un mercato centrale, risultano integrati solo
parzialmente nel breve periodo perché le quotazioni vengono espresse in giorni diversi
della settimana. Con il passare del tempo dall’ultima quotazione nota cresce l’incertezza
circa i livelli di prezzo che verranno a determinarsi sul mercato leader: transazioni che
diventano più episodiche tendono ad associarsi ad una maggiore volatilità dei prezzi.
3
Le variabili ed il procedimento adottato
3.1 Le variabili
Le serie storiche prese in considerazione sono riferite a 7 variabili: quattro di
queste variabili sono prezzi, rilevati in Italia ed in Francia, rappresentativi del mercato
6
europeo per il frumento tenero panificabile. La Francia e l’Italia sono tra i principali
protagonisti del mercato e degli scambi intra-UE. L’Italia, nel corso della campagna
commerciale 2001/02, ha importato, in complesso, 5,4 milioni di tonnellate di frumento
tenero. Dei 5,4 milioni complessivi, 2,4 milioni di t. sono stati consegnati da altri Paesi
membri dell’UE e in particolare dalla Francia (1,4 milioni di t.).
Da parte sua la Francia origina il 52 % delle consegne di frumento tenero
europeo in Paesi dell’UE (7,3 milioni di t. su 13,8 milioni di t. complessive).
Per il mercato francese sono stati scelti un prezzo rappresentativo del mercato
interno (= FR1), riferito a frumento panificabile, rilevato nel Dipartimento dell’Eure et
Loire che costituisce uno dei più importanti bacini di produzione.
Il secondo prezzo (= ROU) corrisponde alla quotazione del frumento tenero reso
sul porto di Rouen e destinabile all’export in Paesi Terzi o a consegne verso altri Paesi
dell’UE. Mentre FR1 è un classico mercato primario, ROU è un mercato terminale
rilevante per l’esportazione.
Le quotazioni del mercato francese riflettono la congiuntura di un’area
caratterizzata da eccedenze produttive strutturali. FR1, essendo un prezzo all’origine, è
comunque influenzato dalle condizioni dell’offerta locale più di quanto non sia ROU
che è il terminale di imbarco di un territorio assai vasto. Il prezzo quotato a Rouen non è
condizionato solo dallo stato generale dell’offerta in Francia, ma media le informazioni
relative al mercato francese con quelle sulla domanda internazionale.
Le quotazioni riferite all’Italia sono quelle rilevate dai Comitati preposti di due
tra le più importanti Borse Merci presenti nel nostro Paese: Bologna e Milano. Dal
listino della Borsa Merci di Bologna è stato rilevato il prezzo relativo al “Frumento
tenero nazionale n.3 – Fino” (= BO); nel caso di Milano è stata scelta la denominazione
“Frumento tenero nazionale panificabile” (= MI).
I prezzi riferiti all’Italia hanno una valenza differente dai prezzi francesi e
riflettono, in particolare, le condizioni generali della domanda interna all’UE. I due
mercati italiani sono mercati terminali orientati al consumo interno e non condizionati,
almeno in prima istanza, dalle possibilità di esportazione.
L’Italia è, in valore assoluto, il Paese comunitario più deficitario per il frumento
tenero. Non tutto il fabbisogno è destinato al consumo finale interno; una parte rilevante
delle importazioni è trasformata dall’industria agroalimentare italiana che origina
7
rilevanti flussi di esportazione di derivati. Quindi il mercato nazionale è un recettore
attento alle condizioni in cui, all’interno dell’UE, si possono soddisfare i fabbisogni
della materia prima. Nonostante le affinità e la sostanziale convergenza, la quotazione di
Bologna si distingue da MI per una caratteristica aggiuntiva: la localizzazione della
Borsa merci bolognese al centro dell’unico, rilevante, bacino di produzione dell’offerta
italiana di questa commodity. Infatti le province dell’Emilia Centrale e la Romagna
concentrano il 30% della produzione italiana. L’esistenza di una significativa offerta
disponibile localmente completa l’orizzonte informativo degli operatori che partecipano
alle riunioni della Borsa Merci di Bologna. Questa piazza aggiunge alla sua
caratteristica fondamentale di mercato terminale anche gli attributi del mercato
primario.
Come indicato, per completare il quadro dell’evoluzione del mercato europeo, si
è ritenuto opportuno integrare quotazioni dei mercati francese ed italiano con altre serie.
La prima è rappresentata dal prezzo CIF Rotterdam del Soft Red Winter originario degli
USA (= ROT). Questa merce non è un sostituto perfetto del frumento panificabile
prodotto in Europa poiché presenta caratteristiche intrinseche inferiori a quelle richieste,
di norma, dal processo di panificazione. Poiché non viene quotata una commodity più
affine al frumento tenero panificabile europeo il prezzo del Soft Red Winter (=SRW) è
stato comunque considerato come il migliore indicatore del prezzo internazionale.
Infine sono stati presi in considerazione i due prezzi istituzionali fissati dall’UE
per regolare il mercato interno e per proteggerlo dalla congiuntura internazionale: si
tratta del prezzo di intervento (= PINT) e del prezzo plafond all’importazione (= PSOG)
che, dal 1994, ha sostituito il prezzo preesistente, che aveva funzioni analoghe e che era
denominato prezzo di entrata. PSOG funziona come prezzo minimo all’importazione e
costituisce, tradizionalmente, il riferimento per il computo dei dazi relativi alle merci di
provenienza extra-UE.
3.2 L’articolazione del procedimento
La metodologia impiegata nello studio è coerente con i due obiettivi dell’analisi:
la valutazione dell’integrazione spaziale del mercato europeo per il frumento tenero e
l’individuazione delle relazioni di causalità esistenti tra i mercati considerati.
Il procedimento seguito sviluppa due opzioni analitiche. La prima è
essenzialmente qualitativa e si fonda sull’osservazione di grafici per sottolineare le
8
caratteristiche del mercato europeo del frumento tenero. Questa analisi consente di
verificare come le problematiche presenti in questo mercato siano riconducibili
perfettamente entro le tematiche classiche dell’integrazione dei mercati agroalimentari.
La seconda parte del procedimento, invece, è finalizzata a misurare, con metodi
quantitativi, la dimensione dei fenomeni già osservati con l’ausilio dei grafici. I
riferimenti metodologici per questa parte sono l’analisi della cointegrazione, il modello
di correzione dell’errore e le stime di causalità: ognuno degli strumenti indicati è in
grado di fornire risposte specifiche ad aspetti diversi (Bessler, 2001).
In primo luogo si procederà all’individuazione dell’equilibrio di lungo periodo e
delle variabili che, in modo cointegrato, lo costituiscono. La seconda fase analizzerà
l’aggiustamento dinamico nel breve periodo evidenziando come e quanto le diverse
serie reagiscono quando i loro valori si allontanano da quelli dell’equilibrio di lungo
periodo. Nella nozione di equilibrio di lungo periodo è implicito che le serie cointegrate
possano allontanarsi, chi più chi meno, dal sentiero evolutivo generale, ma che non
possano poi che convergere, se pure con velocità diversa, verso l’equilibrio individuato
nell’ambito della prima fase.
Il terzo ed ultimo stadio ha per oggetto la causalità intertemporale che mira ad
individuare le relazioni che si sviluppano tra le variabili durante l’intervallo elementare
delle osservazioni. Poiché, come accennato, il massimo dettaglio temporale delle
osservazioni è rappresentato dalla settimana, le relazioni di causalità intertemporale si
riferiscono a quelle che si stabiliscono e si esauriscono tra i mercati nell’intervallo tra
due quotazioni consecutive.
Mentre nell’analisi della dinamica i dati consentono di studiare le serie che
anticipano o ritardano di periodi che sono multipli di settimana, nel caso dell’analisi di
causalità intratemporale gli stessi dati, con la loro cadenza settimanale, vengono
impiegati per evidenziare cosa succede tra le serie durante la settimana.
4
Le relazioni di equilibrio tra prezzi dei diversi mercati: l’analisi grafica
Una caratteristica tipica delle quotazioni delle borse merci, specialmente per i
mercati di modesto spessore, è la loro cosiddetta elevata “curtosi”: le variazioni dei
prezzi, che normalmente sono di entità modesta, di tanto in tanto subiscono dei veri e
propri “salti”, talvolta seguiti da altrettanti “salti” di segno opposto. Tale particolare
9
caratteristica ha l’effetto di indebolire il potere discriminante degli usuali test statistici,
costringendo ad un uso massiccio dell’analisi grafico-qualitativa in supporto a quella
econometrico-quantitativa: soltanto combinando le informazioni ricavabili dalle due
diverse metodologie si possono ottenere risultati abbastanza credibili sulle proprietà dei
prezzi. In questo paragrafo si partirà quindi da un’analisi grafica dei legami tra i diversi
prezzi per dedurne alcune proprietà che vengono poi sottoposte al vaglio dell’analisi
econometrica.
Gli andamenti dei prezzi del frumento tenero relativi al periodo 1990-2002 (dati
settimanali) sono riportati nella Fig.1. Nella parte sinistra appare l’andamento dei
quattro mercati interni europei (BO, MI, FR1 e ROU), mentre nella parte destra è
riportato il prezzo del mercato di Rouen (assunto come riferimento per il mercato
interno), quello di Rotterdam (ROT) e il prezzo d’intervento PINT (per semplicità non è
riportato PSOG, che ha comunque un profilo analogo a quello del prezzo d’intervento).
Premesso che tutti questi prezzi non sembrano oscillare attorno ad alcun valore ben
definito (ovvero, per usare un’espressione statistica, sembrano “integrati di ordine
superiore a zero”), dalla parte di sinistra della figura emerge anche un notevole
parallelismo tra le quotazioni dei quattro mercati europei (BO, MI, FR1 e ROU): è come
se i prezzi obbedissero a una condizione di equilibrio secondo cui ognuno di essi tenda
ad uguagliare gli altri più o meno un certo differenziale.
FIG. 1 – L’andamento dei vari prezzi settimanali del grano
240
280
240
BO
MI
200
PINT
ROU
ROT
200
ROUF
FR1
160
160
120
120
80
90 91 92 93 94 95
96 97 98 99 00
01 02
80
90 91
92
93
94 95
96 97
98
99 00
01
02
Questa sensazione è confermata dalla Fig. 2 che riporta l’andamento dei
principali differenziali tra i prezzi (BO-MI, BO-ROU, MI-ROU, FR1-ROU): ogni
10
differenziale oscilla attorno a una certa costante stabile e ben definita; in particolare,
molto modeste sono le oscillazioni dei differenziali tra i prezzi di uno stesso paese (=
stretto legame tra i prezzi) (si vedano MI e BO per l’Italia e FR1 e ROU per la Francia).
FIG. 2 – L’andamento di alcuni differenziali tra BO, MI, FR1 e ROU
60
60
MI-ROU
40
BO-ROU
40
20
20
0
0
-20
-40
BO-MI
90 91 92 93 94 95
96 97 98 99 00 01 02
FR1-ROU
-20
-40
90 91 92 93 94 95
96 97 98 99 00 01 02
Le cose cambiamo estendendo l’analisi al prezzo d’intervento PINT e alla
quotazione di Rotterdam ROT (parte di destra della Fig.1). Non si rileva alcun legame
stabile tra il livello del prezzo di Rotterdam (preso come esempio di prezzo
internazionale) e quello di Rouen. Tra i livelli della quotazione di Rouen e il prezzo
d’intervento è sì esistito un forte legame, ma solo fino al 1994. Dalla metà degli anni 90
in avanti, il legame di equilibrio sembra non esistere più: sebbene i due prezzi non si
sono mai allontanati di molto, il loro andamento risulta divergente per periodi troppo
lunghi per poter ipotizzare l’esistenza di un ben definito differenziale di equilibrio verso
cui essi tendono3. La Fig. 3, che riporta i differenziali di BO e ROU da un lato con PINT
e ROT dall’altro, sembra corroborare l’ipotesi. Una tendenza del differenziale dei prezzi
a riportarsi in tempi sufficientemente rapidi verso qualche suo valore di equilibrio non è
mai esistita nel caso di ROT mentre, nel caso di PINT (grafico di sinistra), tale tendenza
è rilevante solo nella prima metà degli anni 90.
Le date indicate coincidono temporalmente con l’attuazione della Riforma Mc
Sharry che, nel 1994, si apprestava a concludere il secondo dei tre anni di periodo
3
Questo non significa che, se la serie fosse molto più lunga, una tendenza al riequilibrio potrebbe essere
individuata. Anche in questo caso, però, questa tendenza richiederebbe tempi molto lunghi per attuarsi e il
suo effetto sulla dinamica di breve periodo sarebbe pertanto quasi trascurabile.
11
transitorio. Come noto, nell’attuazione della Riforma, il Consiglio dell’UE decise di
ridurre drasticamente il prezzo di intervento (-30% in tre anni) allontanandolo
progressivamente da livelli di prezzo credibili per il mercato e trasformandolo in una
“rete di sicurezza” efficace come protezione solo in casi di eccezionali perturbazioni del
mercato.
FIG. 3 – l’Andamento di alcuni differenziali dei prezzi con PINT e ROT
150
60
ROU-PINT
BO-PINT
100
40
50
20
0
0
ROU-ROT
BO-ROT
-50
-20
90 91 92 93 94 95
96 97 98 99 00 01 02
90 91
92 93 94 95
96 97
98 99 00
01
02
Un ulteriore appariscente fenomeno che emerge dall’osservazione della Fig. 1 è
la forte stagionalità che caratterizza l’andamento dei prezzi: in ogni anno il profilo del
grafico sembra avere molte caratteristiche in comune con quello dell’anno precedente.
Per far emergere questa stagionalità è stata allora calcolata la differenza media tra i
prezzi dei quattro mercati europei e la loro “tendenza” annua (misurata dalla media
mobile centrata di 52 settimane). Il corrispondente grafico è riportato nella parte sinistra
della Fig. 4; nella parte destra è invece riportata la corrispondente media settimanale.
Dai grafici si rileva una forte tendenza dei prezzi a salire fino a giugno per poi
ridursi a luglio. Anche la volatilità sembra seguire un marcato andamento stagionale: i
punti della parte di sinistra della Fig. 4 hanno una dispersione che varia al variare del
periodo dell’anno.
Per analizzare meglio il fenomeno si è allora ingrandito il grafico della
stagionalità, limitandolo ai soli mesi di giugno e luglio (Fig. 5). In questo grafico, sono
stati riportati anche i profili stagionali del prezzo d’intervento, del prezzo soglia e della
quotazione di Rotterdam.
12
FIG. 4 – La stagionalità dei prezzi BO, MI, FR1 e ROU (periodo 1990-2002)
Andamento medio settimanale
40
stagionalita
'
stagionalita'
Andamento settimanale
10
20
0
0
-10
-20
-40
BO
MI
FR1
ROU
|
1 sett. genn
|
1 sett. luglio
settimane
|
ultima sett. dic
-20
BO
MI
FR1
ROU
|
1 sett. genn
|
1 sett. luglio
settimane
|
ultima sett. dic
A parte Rotterdam, per il quale non si riscontra alcuna stagionalità nei due mesi
considerati, in tutti gli altri casi il prezzo tende a scendere tra la fine di giugno e l’inizio
di luglio. Questo fenomeno è particolarmente accentuato per ROU, PINT e PSOG;
Bologna sembra invece cominciare a muoversi un po’ in anticipo, mentre MI e FR1, che
presentano entrambi lo stesso profilo, sembrano muoversi un po’ in ritardo. L’entità
complessiva del fenomeno è comunque abbastanza simile per tutte le quotazioni poiché
coincide con l’epoca del raccolto e corrisponde al passaggio da una campagna
commerciale alla successiva. La maggiore disponibilità di prodotto che si realizza nel
momento del raccolto giustifica la sistematica riduzione del prezzo che si verifica in
questo periodo.
FIG. 5 – La stagionalità dei prezzi: il profilo settimanale di giugno e luglio
5
0
-5
-10
BO
MI
FR 1
ROU
P IN T
P SOG
ROT
giugno
-15
-20
-25
-30
I
II
luglio
III
IV
I
II
III
IV
13
5 Le relazioni di equilibrio tra i prezzi dei diversi mercati: l’analisi
econometrica
Il procedimento econometrico seguito per identificare le eventuali relazioni di
equilibrio tra i diversi prezzi è quello standard della letteratura empirica tradizionale
(Mastromatteo, Pittaluga e Verga). Dopo aver verificato il “grado d’integrazione” delle
variabili4, si è stabilito il numero ottimo di ritardi da introdurre nel test di cointegrazione
mediante stime VAR (UVAR) applicate ai livelli dei prezzi dei mercati interni. Fatto ciò
si è impiegato il metodo di cointegrazione di Johansen per verificare l’esistenza di
cointegrazione e stimare le relazioni di equilibrio. Il programma econometrico utilizzato
è l’Eviews 3.1.
I test relativi al “grado d’integrazione” dei prezzi5 dei quattro mercati europei
sono riportati nella Tab.1. Sono stati considerati sia l’intero periodo 1990-2002, sia il
sottoperiodo che va dal 1995 al 2002. La scelta di considerare separatamente anche il
secondo sottoperiodo è dovuto al fatto che la qualità dei dati nella prima parte degli anni
90 non è particolarmente elevata (in alcune serie – in particolare FR1 – mancano molti
dati) e inoltre il legame tra le varie quotazioni e PINT sembra essere mutato a partire dal
1994; le relazioni, infine, contengono alcune anomalie (outliers) molto forti soprattutto
nei primi anni: si è quindi preferito verificare se ciò abbia modificato anche le relazioni
di equilibrio.
4
Una variabile X si dice integrata di ordine 0, o I(0), quando oscilla attorno a una ben definita costante (o
al più a un trend deterministico, es. lineare, e in questo caso si dice che è I(0) con un trend). Una tale
variabile I(0) che oscilla attorno a una costante (o depurata dell’eventuale trend deterministico) è detta
anche “stazionaria” (una variabile, però, potrebbe essere stazionaria senza essere I(0), es. potrebbe essere
I(-1)!). Una variabile è detta “non stazionaria” quando è integrata di ordine 1 o superiore ad 1. Una
variabile è detta di ordine 1, o I(1) quando la sua variazione ∆X=Xt-Xt-1 è I(0). In ogni istante una variabile
I(1) oscilla attorno al suo valore raggiunto nell’istante precedente: essa, quindi, si muove liberamente
nello spazio. Una variabile è detta I(2) quando è la variazione della sua variazione ∆(∆X) ad essere I(0).
Una variabile è detta I(-1) se continua ad essere stazionaria la somma progressiva dei suoi termini. Le
variabili economiche sono spesso I(1), o eventualmente I(0) e I(2).
5
Un problema che è subito sorto riguarda la convenienza di esprimere i prezzi nei logaritmi piuttosto che
nei loro valori naturali. In questo caso si è optato per la prima soluzione perché con gli usuali test di
cointegrazione è più facile verificare la relazione che emerge dall’analisi grafica che è del tipo PA = PB +
k . Il passaggio ai logaritmi darebbe infatti log(PA) = log(PB + k), la quale non è linearizzabile (a meno di
ricorrere all’approssimazione log(PB + k) ≅ log(PB) + k/PB), con tutte le difficoltà che ne derivano. Il fatto
che il livello dei prezzi non sia molto variato nel tempo, soprattutto nel periodo 1995-2002 - che è quello
che più ci interessa per lo studio la dinamica delle nostre variabili -, ci ha ulteriormente convinti che
questa fosse la scelta più conveniente.
14
Periodo
90-02
90-02
95-02
95-02
Periodo
90-02
90-02
95-02
95-02
TAB. 1 – Test sul grado d’integrazione delle variabili
BO
MI
FR1
ROU
tipo
ADF
PP
ADF
PP
ADF
PP
ADF
PP
-2.36
-2,08
-2.35
-2,42
-1.89
-1,90
-2.02
-1,97
c
-1,87
nd
-1,95
nd
-1,34
nd
-1,52
nd
c+s
-3.02(*) -2,72 -3.02(*) -2,74
-2.09
-2,10
-2.03
-2,74
c
-2,81
nd
-2,77
nd
-1,18
nd
-1,28
nd
c+s
∆BO
∆MI
∆FR1
∆ROU
tipo
ADF
PP
ADF
PP
ADF
PP
ADF
PP
-11,6(**)
-26,1(**
-11,3(**)-24,6(**)
-11,5(**)-24,7(**)
-11,6(**)
-23,7(**)
n
n+s -13,8(**) nd -14,3(**) nd -14,1(**) nd -14,6(**) nd
-8,35(**) -19,0(**)-8,60(**)-17.9(**) -9,33(**)-24,4(**) -9,18(**) -18,9(**)
n
n+s -10,6(**) nd -10,2(**) nd -12,1(**) nd -10,9(**) nd
Nota: c = con costante, n=costante nulla, s = variabili stagionali S63, S64, S71 e S72; ADF (augmented
Duckey-Fuller): 4 ritardi; PP (test di Phillips-Perron): troncamento =5 per il periodo 90-02 (6 con
costante nulla), = 4 per il periodo 95-02 (5 con costante nulla); (*) = ipotesi di non I(0) rifiutabile al 5% in
base ai valori critici di MacKinnon per il rifiuto dell’ipotesi di radice unitaria; (**) = ipotesi di non I(0)
rifiutabile all’1%.
Le stime confermano i risultati ottenuti in riferimento all’intero periodo 19902002 anche se, passando da un campione lungo a uno più breve, il test di
cointegrazione, come tutti i test di lungo periodo, perde buona parte della sua efficienza.
Nell’analisi sul “grado d’integrazione” dei prezzi sono stati impiegati due test,
l’ADF e il Phillips-Perron (PP), applicati nell’ipotesi che le quotazioni oscillino attorno
a una costante; quando possibile si è tenuto conto anche delle componenti stagionali
riferite alle settimane comprese fra la terza di giugno e la seconda di luglio. I risultati,
riportati nella Tab. 1, fanno propendere per l’ipotesi di non stazionarietà, anche se due
valori (contrassegnati con un asterisco) risultano ambigui: L’ipotesi di “non I(0)”,
infatti, non è mai rifiutabile all’1%, e nemmeno al 5% quando nel test ADF si
considerano le componenti stagionali e/o si utilizza il più preciso test PP.
Considerazioni analoghe a quelle viste per i prezzi delle borse europee valgono
anche per il prezzo d’intervento PINT, il prezzo soglia PSOG e per la quotazione di
Rotterdam: anche queste variabili risultano I(1).
Accettata così l’ipotesi che le quotazioni dei mercati interni siano integrate di
ordine 1 e si muovano (a parte le componenti stagionali) in maniera sostanzialmente
casuale, rimane da stabilire se in questa loro evoluzione i prezzi siano o no soggetti a
qualche “regola” che ne vincoli reciprocamente gli andamenti. Un procedimento molto
utilizzato per indagare questo tipo di problema è il cosiddetto metodo di Johansen per la
15
cointegrazione. In esso si utilizzano, accanto ai valori correnti delle variabili, anche un
certo numero di valori passati (“ritardi” o lags), per cui occorre stabilire
preliminarmente il numero ottimo di ritardi da introdurre nel procedimento. Per far
questo si possono stimare dei VAR liberi (UVAR = unrestricted vector autoregression 6
) in cui si varia di volta in volta il numero dei ritardi: la regola è di scegliere come
ottimo il numero dei ritardi corrispondente ai più bassi valori dei cosiddetti “criteri” di
Akaike e di Schwarz (in caso di ambiguità si preferisce di solito il secondo). I risultati
sono riportati nella Tab. 2.
Il VAR è stato costruito sulle serie (considerate endogene) BO, MI, FR1 e ROU,
alle quali sono state aggiunte, tra i regressori le variabili esogene stagionali S63, S64,
S71 e S72, rappresentative delle settimane che vanno dalla terza di giugno alla seconda
di luglio. La distribuzione dei residui è molto leptocurtica, con alcuni scarti anche molto
elevati in valore assoluto, soprattutto prima del 1995, e spesso, ma non sempre, in
concomitanza con le settimane di più marcata stagionalità. Ciò riduce la significatività
delle stime: anche se l’effetto sui vettori di cointegrazione (relazioni di equilibrio) non
dovrebbe essere determinante, il fenomeno non potrà essere trascurato al momento della
stima della dinamica dei prezzi (v. prossimo paragrafo). Il numero ottimo dei ritardi,
comunque, indipendentemente dal periodo di stima, è comunque due o tre, e più
probabilmente 2, che corrisponde al più basso valore del test di Schwarz.
TAB. 2 – Individuazione del numero ottimo di ritardi
ritardi
periodo
criterio statistico
1-1
1-2
1-3
1-4
1-5
1990-2002 Akaike Information
20,13 19,78 19,70 19,71 19,71
Schwarz
20,38 20,14 20,17 20,29 20,40
1995-2002 Akaike Information 17,15 16,87 16,86 16,87 16,92
Schwarz
17,50 17,37 17,52 17,69 17,88
1-6
19,72
20,52
16,93
18,05
Nota: in grassetto e sottolineati i valori più bassi
Identificato il numero ottimo di ritardi, si è proceduto a cercare eventuali vettori
di cointegrazione (condizioni di equilibrio di lungo periodo) col metodo di Johansen.
6
Un VAR libero costruito su n variabili non è altro che un insieme di n equazioni in cui, in ciascuna di
esse, viene stimata una variabile in base all’andamento passato di quella variabile e delle altre (oltre ad
altre variabili, tipo le variabili stagionali, etc., considerate esegene). Il VAR si dice “libero” (UVAR)
quando non si impongono restrizione ai coefficienti delle varie equazioni..
16
Nel caso di quattro variabili (MI, BO, FR1 e ROU), il metodo può essere
applicato a tutte le variabili contemporaneamente, oppure si può partire dall’analisi delle
singole coppie. Per il periodo dal 1990 al 2002 si sono utilizzate entrambe le alternative.
Per motivi prudenziali, inoltre, sono stati introdotti sia due che tre ritardi.
Il risultato, nel caso dell’impiego contemporaneo di tutte le variabili, è
sintetizzato nella Tab. 3. Dall’analisi emergono tre vettori vettori di equilibrio (tre
condizioni di lungo periodo che vincolano fra loro gli andamenti delle quattro
quotazioni). Esprimendo gli andamenti di MI, BO e FR1 in funzione del prezzo di
Rouen (che è considerato, a priori, il mercato centrale), si trova che tutti i coefficienti di
ROU non sono significativamente diversi da 1.7 In altri termini, sembra esistere nel
lungo periodo un legame di 1 a 1 tra i prezzi dei mercati europei e quello di Rouen, con
la conseguenza che questa relazione deve esistere, in base alla proprietà transitiva,
anche per ogni altra coppia di prezzi. Come era in precedenza emerso dall’analisi
grafica, in equilibrio i prezzi dei vari mercati dovrebbero pertanto risultare uguali fra
loro, a meno di un differenziale, imputabile al costo di trasporto, etc., che rimane stabile
nel tempo: il mercato europeo, così come si esprime nelle quattro serie storiche
considerate, è quindi fortemente integrato
TAB. 3 – Vettori di cointegrazione periodo 1990-2003: relazione di equilibrio
determinata per tutte le quattro variabili contemporaneamente
2 ritardi
3 ritardi
cost
cost
ROU
ROU
0,964
32,32
0,959
33,61
MI
(0,073)
(11,35)
(0,078)
(12,03)
0,936
44,32
0,931
45,51
BO
(0,069)
(10,64)
(0,073)
(11,30)
1,018
-6,06
1,015
-5,38
FR1
(0,016)
(2,48)
(0,018)
(2,89)
N° eq. di cointegr.
3 vettori all’1%
3 vettori all’1%
Nota: Ipotesi di serie senza trend. Vettori “normalizzati”; Periodo: 1990-2002, 647 osservazioni; metodo
di Johansen applicato contemporaneamente a BO, MI, FR1 e ROU, sono riportati i valori di equilibrio;
serie esogene S63 S64 S71 S72 (attenzione: valori critici derivati dall’ipotesi di assenza di serie esogene);
intervallo ritardi: 1-2 e 1-3; tra parentesi i σ dei coefficienti; nessun coefficiente di ROU è
significativamente diverso da 1.
7
Una valutazione approssimata dell’esito del test può comunque essere ricavata aggiungendo e togliendo
due o tre volte lo scarto quadratico medio ai coefficienti riportati in tabella e controllando che l’intervallo
che ne scaturisce contenga, al suo interno, il numero 1.
17
L’analisi condotta per il periodo 1995-2002 sulle singole coppie di prezzi ha
portato a risultati analoghi: tutte le coppie di quotazioni risultano cointegrate fra loro, e
la relazione di equilibrio è sempre di tipo 1 a 1. (Tab.4).8
TAB. 4 – Vettori di cointegrazione periodo: relazione di equilibrio
determinata per singole coppie di variabili
periodo 1990-2002
periodo 1995-2002
Numero
N.
Relazioni di equilibrio
Max Equaz.
Relazioni di equilibrio
Max
Eq.
(una coppia alla volta) veros. cointegr (una coppia alla volta) veros. coint.
MI = 0,964 BO+13,88 61,910
1
MI = 1,057 BO-0,702 46,393
1
(0,023)
(4.00)
9,22 all’1%
(0,032) (5,02)
9,219 all’1%
BO = 1,023 ROU+22,92 33,104
1
BO = 0,776 ROU+53,21 22,868
1
(0,068)
8,24 all’1%
(0,140)
(8,83) 6,037 all’1%
(10,64)
FR1 = 1,020 ROU-6,27 74,685
1
FR1 = 0,964 ROU+0,87 29,038
1
(0,015)
(2,30) 8,619 all’1%
(0,050)
(6,73) 5,698 all’1%
MI = 0,966 ROU+39,24 38,836
1
MI = 0,899 ROU+44,50 29,038
1
(0,064)
(19,80)
7,38 all’1%
(0,133)
(17,91) 5,698 all’1%
Nota: Metodo di Johansen applicato ad ogni coppia di variabili; assunto: assenza di trend nei dati; serie
esogene S63 S64 S71 S72; intervallo ritardi: 1-2. Valori critici 5%: primo vettore = 19,96, secondo
vettore =9,24; 1%: primo vettore = 24,60, secondo vettore =12,97 (attenzione: valori critici derivati
dall’ipotesi di assenza di serie esogene). Periodo 1990-2002: 647 osservazioni; periodo: 1995-2002, 418
osservazioni. Tra parentesi i σ dei coefficienti: nessun coefficiente angolare risulta significativamente
diverso da 1.
Per ogni coppia di prezzi PX e PY deve quindi esistere una relazione di lungo
periodo del tipo
PX = PY + SXY
(dove SXY è un differenziale stabile nel tempo),
ovvero:
(PX – PY) - SXY = 0
In altri termini, per ogni coppia di prezzi esiste un differenziale di equilibrio
relativamente stabile nel tempo. Tradotto in termini econometrici, questo significa che i
differenziali tra le quotazioni di due diversi mercati europei del frumento tenero devono
essere stazionari (integrate di ordine zero).
Un procedimento alternativo per verificare i risultati sin qui acquisiti è
sottoporre ai test di integrazione i differenziali tra i prezzi del grano: le serie dei
differenziali dovrebbero risultare integrate di ordine zero. La metodologia è la stessa già
vista all’inizio del paragrafo, e consiste nell’uso dei test ADF e PP. I risultati sono
8
Nel caso del sottoperiodo 1995-2002, l’introduzione contemporanea delle 4 variabili indebolisce
notevolmente la precisone del test e non è quindi consigliabile.
18
riportati nella Tab. 5 che conferma tutti i nostri precedenti risultati, sia per quanto
riguarda l’intero periodo 1990-2000, sia per il sottoperiodo 1995-2002. In altri termini,
nel medio/lungo periodo tutti i prezzi europei tendono a muoversi dello stesso importo
perché fra di loro, prima o poi, devono ricostituirsi i differenziali di equilibrio.
90-02
90-02
90-02
95-02
95-02
95-02
TAB. 5 – Test sul grado d’integrazione dei differenziali
MI-BO
BO-ROU
FR1-ROU
c
ADF(4)
-6,61(**)
-4,12(**)
-6,06(**)
c
PP(6)
-10,90(**)
-6,23(**)
-12,58(**)
c+s
ADF(4)
-6,73(**)
-3,98(**)
-6,30(**)
c
ADF(4)
-5,54(**)
-3,52(**)
-4,38(**)
c
PP(5)
-9,30(**)
-4,55(**)
-6,54(**)
c+s
ADF(4)
-5,42(**)
-3,35(*)(°)
-4,39(**)
MI-ROU
-4,39(**)
-6,06(**)
-4,44(**)
-4,00(**)
-4,55(**)
-4,02(**)
Nota: c = costante, t = trend lineare, s = variabili stagionali S63, S64, S71 e S72; ADF (augmented
Duckey-Fuller): 4 ritardi; PP (test di Phillips-Perron): troncamento = 5 per il periodo 90-02, = 4 per il
periodo 95-02; (*) = ipotesi di non I(0) rifiutabile al 5% in base ai valori critici di MacKinnon per il
rifiuto dell’ipotesi di radice unitaria; (**) = ipotesi di non I(0) rifiutabile all’1%; (°) = -3.89(**) tolti i
termini non significativi della regressione ADF.
Per quanto riguarda invece il rapporto tra ROT, PINT e PSOG con i prezzi
europei, la nostra analisi ha rivelato che non esiste alcun differenziale di equilibrio tra i
prezzi europei e ROT, né nell’intero periodo né nel sottoperiodo 1995-2002. Per i prezzi
istituzionali, invece, l’ipotesi di un differenziale di equilibrio costante, respinta nel
secondo sottoperiodo, risulterebbe accettabile al 5% (anche se non all’1%) per l’intero
periodo 1990-2002. Questo risultato, però, è probabilmente riconducibile al forte
legame fra prezzi amministrati e prezzi di mercato, che esisteva fino alla completa
attuazione della Riforma Mc Sharry. I valori dei test applicati all’intero periodo sono
quindi distorti dall’instabilità della relazione. Risultati simili valgono anche per i test di
Johansen. Dal 1995 nessuna singola coppia contenete PINT risulta più cointegrata,
nemmeno con un coefficiente diverso da uno.9
9
Emergerebbe invece un vettore di cointegrazione solo introducendo contemporaneamente PINT e ROT
insieme a un prezzo di mercato (ma la cointegrazione sparisce sostituendo PSOG a PINT). Questo
potrebbe far ritenere che, in equilibrio, le quotazione europee siano legate a una sorta di media tra il
prezzo di intervento PINT e quello internazionale di Rotterdam. I coefficienti, però, variano molto tra
mercato e mercato e, inoltre, l’introduzione del corrispondente disequilibrio in t-1 nelle equazione di
breve periodo non fornisce mai un contributo significativo, se non marginalmente nel caso di Rouen. In
assenza di un’ulteriore conferma abbiamo quindi preferito ritenere questo vettore un vettore spurio,
inutile per la stima della dinamica di breve periodo.
19
6
La dinamica di breve periodo dei prezzi europei del frumento tenero
Una volta stabilite le proprietà statistiche dei prezzi e le relazioni di equilibrio
che li legano, è possibile passare all’analisi dell’andamento di breve periodo. Lo schema
più utilizzato a questo proposito è il cosiddetto schema a correzione dell’errore (error
correction). In questo schema la variazione di una certa variabile al tempo t è spiegata
dai disequilibri in t-1, dalle variazioni10 sue e delle altre variabili in t-1, t-2, ... e infine
anche dalle variazioni in t di alcune particolari variabili.
Questo schema si basa infatti sulle seguenti ipotesi:
a) Se il valore di una variabile è sopra il suo valore di equilibrio, allora la variabile
tende a ridursi nel periodo successivo (variazione negativa). Per quanto riguarda il
nostro caso, si è visto nel paragrafo precedente che fra le quotazioni dei mercati
europei del frumento tenero intercorrono delle condizioni di equilibrio che
impongono che i prezzi siano uguali fra loro a meno di un certo differenziale.
Questo significa che due prezzi, per esempio MI e BO, saranno fra loro in equilibrio
solo quando MI = BO + KMI,BO, ovvero BO = MI - KMI,BO, (dove KMI,BO è il
approssimativamente ricavabile dalla relazione ∆MIt = - λMI [(Mit-1 -BO t-1)-KMI,BO ]
= λMI (MIt-1-BOt-1) - λMI KMI,BO: Più è elevato il differenziale (MI
t-1-BO t-1)
e più
negativa tende al essere la variazione di MI 11. Nella nostra stima di ∆MIt occorrerà
quindi mettere tra i regressori i tre differenziali (Mit- 1 -BOt-1), (MIt-1 -FR1t-1) e (MIt-1
- ROUt-1) che rappresentano gli eccessi di MI rispetto ai suoi valori di equilibrio.12
b) La variazione di una variabile è influenzata dalla variazioni passate sue e delle
altre variabili, comprese quelle che non necessariamente entrano nelle condizioni di
equilibrio. Tra le “forze” che fanno variare i prezzi di mercato, ve ne sono alcune
che non esauriscono il loro effetto in un solo periodo, con la conseguenza che a un
aumento del prezzo ne segue un altro. In alcuni casi di “sovrarreazione”, invece,un
forte incremento del prezzo può essere seguito da un forte decremento. Questi effetti
10
Si noti che, dato che i livelli delle variabili sono I(1), le variazioni delle variabili sono tutte integrate di
ordine zero, e quindi stazionarie.
11
Il contrario, ovviamente, si verifica per BO, per il quale vale la relazione opposta ∆BOt = λBO [(MI t-1BO t-1)-KMI,BO] = -λBO (BOt-1 -MIt-1) + λMI KMI,BO. L’eventuale riduzione di BO sarà tanto più forte quanto
più elevato è il differenziale (Bot-1 -MIt-1).
12
Ovviamente questo non significa che poi tutti i coefficienti risulteranno significativi. Per esempio
potrebbe risultare, come infatti normalmente risulta, che qualche squilibro è irrilevante per l’andamento di
MI: questo si verifica quando l’aggiustamento avviene tramite l’altra variabile oppure tramite tutto il
complesso delle relazioni che collega i vari differenziali.
20
possono anche risultare “incrociati”: un fenomeno che ha interessato un mercato
facendone salire il prezzo può successivamente propagarsi a un altro, facendone
lievitare la quotazione. Si tratta ovviamente di effetti puramente transitori, perché,
prima o poi, le condizioni di equilibrio devono ripristinarsi, ma il loro impatto può
essere determinante nel breve periodo e quindi le regressioni ne devono tenere
conto. Si osservi a questo proposito che, per quanto attiene la nostra analisi, anche i
prezzi che non entrano tra le determinanti dell’equilibrio dei prezzi dei mercati
europei (come per es. quello internazionale di Rotterdam) possono essere rilevanti
nel breve periodo. Una variazione positiva di ROT, che rende più costoso il grano
internazionale, può influenzare, se pur temporaneamente, la domanda interna e far
salire le quotazioni dei prezzi europei. Lo stesso vale per PINT e PSOG.
c) La variazione di una variabile può essere influenzata dalle variazioni
contemporanee delle altre. La motivazione è la stessa del punto(b). In questo caso,
però, sorge un grosso problema di stima. Nel caso (b), infatti, l’individuazione di un
legame tra, per esempio, il valore corrente ∆MIt e quello passato ∆BOt -1, suggerisce
senza ambiguità una relazione del tipo ∆BOt
-1
⇒ ∆MIt, che cioè il mercato di
Milano reagisce a quanto avvenuto in precedenza in quello di Bologna. Se però si
trovasse una relazione fra le due variazioni contemporanee ∆MIt e ∆BOt , quale
sarebbe la direzione del legame? ∆MIt ⇒ ∆BOt , ∆MIt ⇐ ∆BOt , o ∆MIt ⇔ ∆BOt ?
E’ chiaro che si potesse supporre che Milano non possa influenzare in modo
significativo Bologna (il cui prezzo sarebbe quindi “esogeno”), allora la soluzione
non potrebbe che essere la seconda, ma senza un’informazione di questo genere non
si potrebbe dedurre alcunché sulla direzione del legame, e quindi sul significato
economico della stima (per un test sull’esogeneità si vedano Engle-Hendry e HurnMuscatelli). Nel presente studio, in considerazione di quanto indicato, sono stati
introdotti nelle equazioni solo i valori contemporanei di quelle variabili che si
potevano supporre esogene con un certo margine di sicurezza (∆PINTt, ∆PSOGt e
∆ROTt), mentre i legami tra i valori correnti delle altre variabili sono stati affrontati
con le stime di causalità “in contemporaneità” (§ 7).13
13
Altri autori, in queste eventualità, utilizzano normalmente stimatori simultanei e/o eseguono dei test di
“esogeneità debole” sui coefficienti dei valori correnti dei regressori.
21
Le stime che abbiamo condotto sulle variazioni dei prezzi europei del frumento
tenero si sono strettamente attenute a questi principi dello schema di error correction.
La variazione in t della quotazione dei quattro mercati europei del grano è stata espressa
come funzione (a) dei differenziali in t-1 tra la quotazione di ogni singolo mercato e gli
altri tre, (b) delle variazioni passate dei prezzi dei quattro mercati e (c) delle variazioni
presenti e passate dei tre prezzi che abbiamo considerato esogeni. Questi prezzi, che a
priori ci sembravano comunque potenzialmente rilevanti per la dinamica dei nostri
mercati sono, come già accennato in precedenza, il prezzo d’intervento (PINT), il
prezzo soglia (PSOG) e la quotazione internazionale di Rotterdam (ROT). A queste
variabili sono state aggiunte le variabili stagionali S63, S64, S71 e S72 (le settimane
comprese tra la terza di giugno e la seconda di luglio). Per quanto riguarda le variabili
ritardate, abbiamo considerato i valori in t-1 e t-2, visto che il numero ottimo di ritardi
nel VAR libero era risultato di 2 (o al più di 3).14
Le stime qui riportate si riferiscono al periodo 1995-2002. I dati degli anni
precedenti non erano infatti di buona qualità ed emergevano un paio di grossi outliers.
La stima della dinamica limitata agli ultimi anni evita il problema della misura
dell’effetto “Riforma Mc Sharry”di cui si è detto in precedenza, che è causa potenziale
d’instabilità delle stime.
Poiché si è notato che la varianza dei residui non è costante a causa soprattutto
di fenomeni stagionali e al succedersi di periodi di “calma” a periodi di forte volatilità
delle quotazioni, al posto dei minimi quadrati si è usato uno stimatore (l’algoritmo di
Marquardt) che tiene direttamente conto di questo problema calcolando per iterazione i
coefficienti delle variabili insieme a quelli di un GARCH per i residui. Per ogni
equazione si hanno quindi due output: la stima dei coefficienti e la stima della varianza
dell’errore.
14
In generale, il numero di ritardi ottimi delle equazioni che spiegano l’andamento delle variazioni delle
variabili è uno in meno di quello dei VAR sui valori assoluti: nel nostro caso, quindi, probabilmente 1 o,
al più 2. Il secondo ritardo non è però mai risultato rilevante.
22
TAB. 6 – La dinamica di breve periodo dei prezzi
∆BOt
=
0,623 -0,028 (BOt-1 - ROUt-1) + 0,253 ∆BOt-1 + 0,327 ∆PINTt + 0,038 ∆ROTt
(2,81) (-3,11)
(8,07)
(10,04)
(2,92)
+ 0,034 ∆ROTt-1 -8,404 S64 + ut(σt)
(2,99)
(-13,35)
Stima varianza σ2t dei residui ut:
σ2t = 0,150 + 0,129 u2t-1 + 0,794 σ2t -1 + 23,061 S63 -21,475 S72 + χt
(4,44) (5,08)
(26,36)
(5,91)
(-9,64)
Regressione GARCH: R2 = 0,167; R2c = 0,144; S,E, = 2,319; DW = 2,42. Regressione su
variabili divise per stima GARCH di σt: R2 = 0,265; R2c = 0,254; S.E. = 1,042; DW = 2,09.
∆MI
=1,806 -0,131 (MIt-1 – BOt-1) -0,022 (MIt-1 – ROUt-1) + 0,503 ∆BOt-1 + 0,058 ∆FR1t-2
(6,300)(-5,48)
(-2,46)
(16,27)
(2,99)
+ 0,051 ∆ROTt -3,242 S64 + ut(σt)
(3,53)
(-12,34)
Stima varianza σ2t dei residui ut:
σ2t = 1,167 + 0,405 u2t-1 + 1,687 (∆PINTt)2 + 43,677 S63 + χt
(11,59) (4,88)
(9,18)
(2,97)
Regressione GARCH: R2 = 0,326; R2c = 0,310; S,E, = 2,329; DW = 2,46. Regressione su
variabili divise per stima GARCH di σt: R2 = 0,476; R2c = 0,468; S.E. = 1,006; DW = 2,11.
∆FR1t
=
-0,191 – 0,049(FR1t-1 – ROUt-1) +0,102 ∆MIt-1 - 0,206 ∆FR1t-1 + 0,201 ∆ROUt-1
(-1,74) (-2,24)
(3,22)
(-3,93)
(4,67)
+ 0,475 ∆PINTt + 0,051 ∆ROTt + ut(σt)
(6,51)
(4,10)
Stima varianza σ2t dei residui ut:
σ2t = 0,052 + 0,332 u2t-1 - 0,314 u2t-2 + 0,971 σ2t -1 + 14,533 S63 - 14,965 S72 + χt
(2,28) (4,60)
(-4,42)
(77,51)
(2,40)
(-2,59)
Regressione GARCH: R2 = 0,373; R2c = 0,355; S,E, = 1,982; DW = 2,33. Regressione su
variabili divise per stima GARCH di σt: R2 = 0,189; R2c = 0,178; S.E. = 0,998; DW = 2,11.
∆ROUt
=
0,234 - 0,062(ROUt-1 – FR1t-1) +0,107 ∆ROUt-1 + 0,688 ∆PINTt
(2,03) (-2,93)
(2,41)
(8,71)
+ 0,073 ∆ROTt + 0,063 ∆ROTt-1 + ut(σt)
(5,59)
(4,08)
Stima varianza σ2t dei residui ut:
σ2t = 0,488 + 0,257 u2t-1 + 0,580 σ2t -1 + 39,72 S64 – 17,415 S72 + χt
(3,15) (4,33)
(7,14)
(2,32)
(-2,70)
Regressione GARCH: R2 = 0,236; R2c = 0,218; S,E, = 2,088; DW = 2,17. Regressione su
variabili divise per stima GARCH di σt: R2 = 0,133; R2c = 0,123; S.E. = 1,004; DW = 1,98.
Nota: periodo 1995-2002; regressioni corrette per l’eteroschedasticità; tra parentesi gli z; S63, S64, S61, S72
rispettivamente variabili stagionali per le settimane dalla terza di giugno alla seconda di luglio.
23
I risultati, depurati dei coefficienti non significativi 15 sono riportati nella Tab. 6.
Nell’Appendice sono invece riportati i corrispondenti test di diagnostica e di stabilità.
Nel complesso le bontà delle stime sembra garantita anche se i test non risultano sempre
soddisfacenti (nel caso della quotazione di Rouen i CUSUM test presentano qualche
problema). Si deve comunque considerare che la distribuzione dei residui continua a
mantenere una curtosi elevata anche dopo la correzione GARCH, con la conseguenza di
ridurre il potere discriminante dei test.
Rinviando al § 8 l’analisi economica dei risultati, si può comunque sottolineare
fin d’ora che dalle equazioni emerge che gli squilibri (i differenziali) non hanno lo
stesso impatto su tutte le variabili, per es. nel caso di MI e BO, il riassorbimento dello
squilibrio ricade su Milano. Le regressioni suggeriscono anche che tra i mercati esiste
una certa gerarchia, per es. Rouen influenza tutti gli altri, o tramite la reazione al
disequilibrio, o tramite l’influenza, sugli altri mercati, dei suoi precedenti movimenti dei
prezzi. Milano, al contrario, sembra avere le caratteristiche tipiche di un mercato
satellite.
Un’altro importante risultato delle equazioni riguarda invece la volatilità. I
residui non hanno varianza costante: la varianza risente della stagionalità e della
volatilità in essere nel mercato nella settimana (o settimane) precedenti. La Fig. 6, che
riporta il caso di Bologna, mostra che la varianza dei residui presenta un andamento in
cui si alternano periodi di bassa a periodi di alta volatilità.
FIG. 6 – La variazione settimanale dei prezzi di Bologna: l’andamento
dei residui della stima e i limiti di confidenza al 2σ.
15
10
5
0
-5
-10
-15
-20
residui
+ e - 2SE residui (stima GARCH)
95
96
97
98
99
00
01
02
15
Partendo dall’equazione generale corredata di un GARCH si è di volta in volta eliminato il coefficiente
meno significativo.
24
7
L’analisi di causalità “in contemporaneità”
Le precedenti regressioni della dinamica dei prezzi non considerano
l’interrelazione in t tra i quattro mercati europei. Per analizzare questo problema si è
allora fatto ricorso alla tecnica dei “directed graphs”. L’individuazione delle variabili
cointegrate e dei rispettivi vettori e la successiva depurazione delle serie dalle
componenti ritardate lasciano infatti nei residui la componente casuale e le informazioni
sulla causalità “in contemporaneità”.
Come noto, la vecchia nozione di causalità introdotta da Granger (1969) si basa
su una asimmetria fondamentale: ogni causa, in termini temporali, precede sempre
l’effetto che genera.16 Più recentemente, Spyrtes, Glymour e Scheines (1993) e Pearl
(1995, 2000) hanno preso in considerazione le relazioni di causalità che si sviluppano
senza una sequenza temporale. Quando le variabili di interesse, es. i prezzi, vengono
registrati con una cadenza predefinita (mensile, settimanale, giornaliera, “intraday”,
etc.) che astrae dal preciso momento storico dell’evento17, l’elemento tempo non può
più risultare il solo rilevante per definire eventuali nessi di causalità.
Per investigare proprio quest’ultima tipologia di relazioni si può utilizzare la
tecnica dei “directed graphs” che opera sulla matrice di covarianza delle variabili.
All’inizio del procedimento occorre indicare quali sono le variabili che l’analista sa
essere “predeterminate” (esogene, o note a priori come le ritardate). L’elaborazione dei
16
E infatti questa particolare nozione di causalità viene ormai chiamata “Granger-causalità”. Un
problema che si può incontrare col concetto di causalità di Granger (tra X e Y si dice che X causa Y se i
movimenti di Y sono legati a quelli passati di X e non viceversa) è quello della causalità “inversa”. Per
esempio, è noto che i tassi a breve si muovono in anticipo rispetto ai tassi della Banca Centrale: in base al
concetto di Granger risulterebbe quindi che i primi causano i secondi, il che è assurdo, dato che la Banca
centrale muove i suoi tassi proprio per far muovere i tassi a breve. In realtà i tassi a breve, coerentemente
con la teoria della aspettative, si adeguano (sono “causate” nel senso tradizionale del termine) alle
previsioni sul futuro valore del tasso praticato della Banca Centrale: ovviamente, quando le aspettative
sono “corrette”, esse (e quindi anche i tassi a breve ad esse collegati) anticipano i futuri andamenti del
tasso ufficiale effettivo.
17
Come noto le Borse Merci italiane quotano i cereali una volta sola per settimana. Rilevando i prezzi di
più Borse Merci e volendoli confrontare con un dettaglio settimanale è spontaneo associare ad ogni
osservazione il progressivo della settimana prescindendo dal giorno effettivo in cui la quotazione si è
verificata; il riferimento temporale diventa così il medesimo per un gruppo di osservazioni.
25
dati porta poi, ovviamente, ad escludere la causalità tra variabili che hanno coefficienti
di correlazione non significativi. Il cuore del procedimento si applica a tutte le
correlazioni rimanenti che vengono analizzate sulla base della correlazione condizionale
ed assoluta.
Nel caso di tre variabili X, Y e Z può essere che X causi sia Y sia Z e pertanto:
Y⇐X ⇒ Z. In questa eventualità la correlazione assoluta tra Y e Z sarebbe diversa da
zero (grazie al fatto che entrambe sono legate ad X), mentre la correlazione
condizionale, ancora tra le stesse variabili Y e Z, date le informazioni su X, risulterebbe
nulla: questo procedimento in due fasi consente così di stabilire che tra Y e Z la causalità
è spuria perché sono effetti congiunti di X.
Se invece la correlazione assoluta tra Y e Z fosse nulla, mentre la correlazione
condizionale, ancora introducendo le informazioni su X, risultasse diversa da zero, ne
emergerebbe che Y e Z sono cause congiunte di X: Y⇒ X ⇐Z.
Sostanzialmente un “directed graph” impiega frecce e vertici per una
rappresentazione, senza circolarità, dei nessi causali interni all’universo osservato18.
L’analisi della causalità “in contemporaneità” è stata applicata ai residui delle
regressioni delle variabili che sono risultate cointegrate (z∆BO, z∆MI, z∆FR1 e z∆ROU)
19
ed alle variazioni, al tempo t, delle variabili esogene (∆ROT, ∆PINT e ∆PSOG). I dati
sono stati preliminarmente corretti per l’eteroschedasticità.
L’analisi, come indicato, consente di introdurre la distinzione tra le grandezze
“predeterminate” e le altre (nel nostro caso i prezzi europei del grano tenero). Rientrano
in questa categoria, ad esempio, PSOG e PINT (i cui valori sono noti in anticipo rispetto
alla dinamica del mercato in quanto la loro evoluzione nel corso di ogni campagna
commerciale è conosciuta da tutti gli operatori prima dell’avvio della campagna
medesima). Tra le predeterminate rientra anche ROT, che essendo un prezzo
internazionale può essere solo marginalmente influenzato dai prezzi dei mercati
europei).
18
Spirtes, Glymour e Scheines (1993) hanno realizzato un software per costruire i grafi: l’algoritmo
procede, per iterazioni successive, e analizza l’insieme delle relazioni tra le variabili considerate
eliminando le relazioni di causalità spuria e selezionando quelle significative.
19
Più precisamente, si tratta dei valori delle varizioni delle variabili depurate per l’effetto di tutte le
variabili ritardate. Essi sono stati calcolati togliendo ad ogni variazione dei prezzi europei la componente
- calcolata in base ai coefficienti delle equazioni della TAB.5 – attribuibile all’andamento passato dei
regressori. Questi residui, quindi, contengono ancora al loro interno le componenti attribuibili ai valore
correnti delle variazioni in t di ROT, PINT e PSOG.
26
Le relazioni di causalità intratemporale che il modello evidenzia con un livello
di significatività del 5% sono le seguenti:
z∆BO ⇒ z∆MI
z∆ROU ⇒ z∆FR1
∆PINT ⇒ z∆ROU
∆PINT ⇒ z∆FR1
∆PSOG ⇒ z∆MI
∆ROT ⇒ z∆BO
∆ROT ⇒ z∆MI
∆ROT ⇒ z∆ROU
8
Interpretazione economica dei risultati
L’analisi della cointegrazione ha evidenziato che tutti i prezzi del mercato UE
sono cointegrati e costituiscono, pertanto, un blocco omogeneo e coerente. Si possono
invece considerare estranei al blocco dei prezzi comunitari sia i prezzi istituzionali
fissati dalla Commissione (prezzo di intervento e prezzo di soglia – poi plafond-) sia il
prezzo internazionale (ROT) assunto come riferimento del mercato extra-europeo20.
Il mercato europeo del frumento tenero si dimostra molto integrato e, almeno per
quanto riguarda l’equilibrio (rappresentato dai vettori di cointegrazione) non subisce
interferenze nemmeno quando l’UE, con la Riforma Mc Sharry, ha introdotto
cambiamenti istituzionali - anche rilevanti - nella preferenza comunitaria e nella
regolazione del mercato interno. Questo fatto, innanzitutto, sottolinea la stabilità delle
relazioni commerciali che, nel tempo, si sono consolidate tra il Paese eccedentario per
eccellenza (la Francia) ed il principale importatore di frumento tenero interno all’UE
(l’Italia). La cointegrazione tra le serie dei prezzi di mercato, nel momento in cui
esclude il prezzo internazionale e, almeno dalla Riforma Mc Sharry in avanti, anche i
prezzi istituzionali, sottolinea anche che l’intensità e la direzione delle relazioni
commerciali
indicate
dipendono
esclusivamente
dalla
complementarità
e
dall’integrazione che sussiste tra i sistemi agricoli ed industriali di Francia ed Italia. I
20
Come indicato nei paragrafi precedenti, sotto alcune condizioni, il prezzo ROT potrebbe rientrare in un
vettore di cointegrazione.
27
prezzi istituzionali non interferiscono sull’equilibrio di lungo periodo e lo stesso vale
per il prezzo mondiale. L’assenza di cointegrazione con ROT conferma l’efficacia della
protezione del mercato intra-UE realizzata con i meccanismi della preferenza
comunitaria.
Nel periodo precedente il 1993 le serie dei prezzi di mercato erano cointegrate
non solo fra loro tra loro, ma anche con il prezzo di intervento. Con l’applicazione della
Riforma Mc Sharry quest’ultimo si è progressivamente allontanato dal sistema
commerciale per diventare solo e soltanto un prezzo destinato a proteggere l’agricoltore
in casi eccezionali. Pertanto il fatto che, successivamente alla Riforma, il mercato
comunitario abbia conosciuto maggiore volatilità, non è derivato da una crescente
integrazione nel mercato internazionale, ma semplicemente dal fatto che l’abbassamento
del prezzo di intervento ha consentito al mercato europeo di fluttuare non solo al di
sopra, ma anche al di sotto dei livelli di prezzo assicurati in precedenza.
All’interno del blocco cointegrato sono stati enucleati tre vettori che legano, a
coppie, le quattro serie di prezzi europei. I tre vettori sono così composti:
BO e MI;
ROU e FR1;
ROU e BO
e, in tutti i casi, i coefficienti con cui le serie entrano nei vettori sono pari ad 1. Il
valore unitario dei coefficienti segnala che vi sono dei differenziali di equilibrio fra i
livelli delle variabili. BO e ROU sono i mercati che, nel lungo periodo, risultano le
piazze centrali nei rispettivi Paesi; tuttavia, tra BO e ROU è questo secondo che si
dimostra più centrale, con una chiara capacità di incidere e di condizionare BO. Questo
risultato è documentato dal fatto che lo squilibrio tra BO e ROU determina un
aggiustamento del solo BO (Tab.6), e ciò è tra l’altro coerente con le opinioni del
mondo operativo.
Bologna, comunque, risulta in Italia la piazza più significativa perché completa
le informazioni, comuni anche a Milano, sulla domanda di approvvigionamento (e
quindi di importazioni), con le indicazioni sull’offerta interna. E Bologna, come
indicato, è prossima al maggiore bacino di produzione di frumento tenero in Italia. Il
rilievo che il risultato econometrico assicura a BO rispetto a MI (ancora Tab. 6) riflette
28
il comportamento degli operatori che hanno attenzione per l’offerta interna italiana
nonostante sia insufficiente a soddisfare il loro fabbisogno complessivo.
Le ragioni di questa attenzione al prodotto nazionale sono svariate. Innanzitutto
il fatto che la mietitura, in Italia, anticipi di almeno un mese il raccolto in Francia e nel
resto dell’Europa continentale fa sì che, per un mese, sia possibile approvvigionarsi del
nuovo prodotto solo ricorrendo all’offerta interna italiana.
Un secondo elemento di preferenza è rappresentato dal rapporto prezzo-qualità.
La merce di origine nazionale, se pure disponibile in lotti più eterogenei e di minore
dimensione unitaria, ha buone caratteristiche qualitative intrinseche e, in corrispondenza
del raccolto, è possibile acquisire quantità significative a prezzi che, in genere, sono
inferiori
a
quelli
che
si
verificano
nel
prosieguo
della
campagna
di
commercializzazione. Questa opportunità dipende, a sua volta, dalla maggiore
incertezza che, nel momento del raccolto, caratterizza gli agricoltori circa l’andamento
futuro del mercato, la loro necessità di liquidità ed anche la mancanza di una capacità di
stoccaggio adeguata alle necessità presso le aziende agricole e le loro strutture di
servizio.
Quindi lo squilibrio tra i prezzi di Bologna e Milano viene riassorbito tramite
l’aggiustamento dei prezzi di Milano: Bologna è il mercato centrale, Milano il satellite.
Anche le due piazze relative al mercato francese sono tra loro strettamente
connesse, ma, in questo caso, il disequilibrio tende a condizionarle entrambe. È
abbastanza chiara però la supremazia di Rouen, le cui variazioni influenzano quelle
successive di FR1, e ciò dovrebbe derivare dal fatto che questo mercato non è sensibile
solo all’andamento dell’offerta interna francese (come accade per la serie FR1), ma è
attento a quanto accade, sul versante internazionale, alle esportazioni francesi. Il
comportamento dei due prezzi francesi conferma l’evidenza empirica che, tra un
mercato primario ed uno terminale, è quest’ultimo che ha molte più probabilità di
risultare centrale. Questo effetto è conseguenza dei maggiori volumi di merce scambiati
sulle piazze terminali e della corrispondente concentrazione di informazione che può
realizzarsi.
L’analisi della dinamica nel breve periodo conferma la centralità del mercato di
Rouen, ma introduce anche elementi ulteriori perché, ad esempio, individua un ruolo
per la serie ∆ROT e per uno dei prezzi istituzionali (∆PINT). Tuttavia, mentre ∆PINT si
29
dimostra significativo e molto rilevante per tutti i mercati europei, ∆ROT ha
un’influenza più contenuta se pure altrettanto generalizzata.
La Tab. 7 presenta alcuni risultati delle stime svolte per l’analisi della dinamica
riportando i coefficienti significativi delle equazioni della Tab. 6 (colonne
contrassegnate con Nat.) che mettono in relazione la variazione assoluta di ogni serie di
prezzo con il disequilibrio al tempo t-1 e con le variazioni delle altre serie al tempo t-1 e
t-2. Pertanto sono escluse tutte le relazioni tra le serie in contemporaneità poiché questo
tipo di causalità sarà oggetto dell’analisi specifica successiva.
Tab. 7 – Coefficienti dell’analisi della dinamica: valori originali e standardizzati
Variabili dipendenti
∆BOt
∆MIt
∆FR1t
∆ROUt
Nat.
Stand.
Nat.
Stand.
Nat.
Stand.
Nat.
Stand.
(BOt-1 - ROUt-1)
(MIt-1 – BOt-1)
-0,028
-0,079
-
-
-
-
-
-
-
-
-0,131
-0,153
-
-
-
-
(MIt-1 – ROUt-1)
-
-
-0,022
-0,061
-
-
-
-
(FR1t-1 – ROUt-1)
-
-
-
-
-0,049
-0,068
-
-
(ROUt-1 – FR1t-1)
-
-
-
-
-
-
- 0,062
-0,091
∆BOt-1
∆MIt-1
+0,253
0,253
+0,503
0,473
-
-
-
-
-
-
-
-
+0,102
+0,114
-
-
∆FR1t-1
-
-
-
-
-0,206
-0,206
-
-
∆FR1t-2
-
-
+0,058
0,055
-
-
-
-
∆ROUt-1
∆PINTt
-
-
-
-
+0,201
+0,190
+0,107
+0,107
+0,327
0,226
-
-
+0,475
+0,327
+0,688
+0,501
∆ROTt
+0,038
0,073
+0,051
0,093
+0,051
+0,098
+0,073
+0,148
∆ROTt-1
+0,034
0,066
-
-
-
-
+0,063
+0,128
Nota: vedi TAB.5; Nat. = valori originali dei parametri, Stand .= corrispondenti coefficienti
delle variabili standardizzate (in neretto i coefficienti maggiori di 1, in neretto e sottolineati i
coefficienti maggiori di 2; tutti i coefficienti qui riportati sono significativi).
Allo scopo di rendere più facile il giudizio sulla rilevanza delle diverse variabili,
nella Tab. 7 sono riportati anche i coefficienti della variabili standardizzate (colonne
contrassegnate con Stand.). Questa trasformazione rende perfettamente comparabili il
30
potere esplicativo delle diverse variabili, sia nei confronti all’interno di ogni equazione
che fra le varie equazioni.21
I risultati – illustrati anche dalle Figg. 7, 8.a e 8.b - mostrano che tutti i mercati
si aggiustano rispetto al mercato di Rouen che, a sua volta, ha una relazione di
equilibrio da rispettare e questa è con FR1. Tra i prezzi sul porto di esportazione e quelli
del mercato interno francese esiste un aggiustamento bilaterale significativo. Una
relazione analoga non è invece stata riscontrata per il mercato italiano in cui la direzione
dell’aggiustamento è sistematicamente attuata da parte della serie MI nei confronti della
serie BO e mai viceversa.
Fig. 7 - REAZIONE AL DISEQUILIBRIO
PINT
PSOG
FR1
MI
ROU
ROT
BO
La dipendenza di MI da BO è dimostrata dal valore del coefficiente della serie
BO ritardata di una settimana. Per il resto i mercati italiani sono influenzati dal prezzo di
intervento e dal prezzo del SRW a Rotterdam (quest’ultimo, in particolare, risulta
incidere maggiormente sulle variazioni del prezzo di Bologna piuttosto che su quelle del
prezzo di Milano).
21
Un confronto effettuato in base ai soli parametri originali delle equazioni della TAB.5 sarebbe inficiato
dal fatto che, a parità di parametro, l’impatto relativo di una variabile esplicativa sulla variabilità delle
dipendente è tanto maggiore quanto maggiore è la volatilità della variabile esplicativa e quanto minore è
la volatilità della dipendente. Il passaggio dai coefficienti originali β agli equivalenti coefficienti β’ delle
standardizzate elimina questo problema rendendo i parametri perfettamente confrontabili. La relazione tra
i due coefficienti è la seguente: β’ = β SE(X)/SE(Y), dove SE(X) e SE(Y) sono rispettivamente gli scarti
quadratici medi della variabile esplicativa e della dipendente.
31
Fig. 8.a - D IN A M IC A N E L B R E V E
P E R IO D O
le rela zion i con coeffic ienti >0,2 (valore assoluto)
P IN T
PSOG
FR 1
MI
ROU
ROT
BO
F ig . 9 - C A U S A L IT À IN C O N T E M P O R A N E IT A ’
P IN T
PSOG
FR1
MI
ROU
ROT
BO
F ig . 8 .b - D IN A M IC A N E L B R E V E
P E R IO D O
re la zio n i c o n c o e ffic ie n ti < 0 ,2 (v a lo re a s so lu to )
P IN T
PSOG
FR1
MI
ROU
ROT
BO
c o e ffic ie n te < 0 ,1
c o e ffic ie n te > 0 ,1
32
Il mercato francese è condizionato dai prezzi francesi, ma anche dalle variazioni
che si registrano all’interno e, soprattutto, all’esterno del mercato UE (Rotterdam). La
centralità delle quotazioni francesi è quindi confermata in misura netta e collima con le
opinioni degli operatori.
I risultati della stima della causalità “in contemporaneità” rafforzano gran parte
dei risultati ottenuti dalle tradizionali regressioni econometriche. Si conferma così che,
anche nell’arco della stessa settimana, BO e ROU condizionano, rispettivamente, MI e
FR1 (Fig.9); si riscontra inoltre un legame diretto tra il mercato italiano e quello
francese la cui direzione è dal mercato interno francese (FR1) verso BO. Le quotazioni
dei due Paesi sono peraltro fortemente influenzate dalle variazioni dei prezzi
istituzionali (PINT) e da quelle internazionali che si muovono lungo l’asse
fondamentale (ROT⇒ROU) per poi diffondersi alle altre piazze.
È interessante constatare che il prezzo di intervento condiziona BO in modo
diretto, ma esercita prevalentemente la sua influenza sul mercato francese. Se pure
interessante, tuttavia non può stupire che, in questo mercato, la pressione sui prezzi di
un’offerta interna eccedentaria costringa gli operatori a tenere in maggiore
considerazione il livello e le evoluzioni dell’unico prezzo effettivamente garantito.
Invece
i
mercati
terminali
per
l’esportazione
(Rouen)
e
per
l’approvvigionamento interno (Milano), sono comparativamente più sensibili a ROT
che, come riferimento internazionale, esprime sia le opportunità di esportazione – per le
eccedenze produttive francesi – sia le alternative di approvvigionamento per la domanda
interna italiana.
9
Conclusioni
L’analisi svolta ha evidenziato l’unitarietà e l’efficienza del mercato europeo del
frumento tenero e, nel contempo, le relazioni e la gerarchia che sussistono tra le
dinamiche di quattro serie storiche di prezzi quotati in Francia ed in Italia: due Paesi
molto importanti per il commercio dei cereali nell’UE.
L’analisi grafica e quella econometrica hanno confermato l’integrazione del
mercato europeo del frumento tenero panificabile. I differenziali spaziali tra i prezzi
33
europei sono stabili e, in ragione dell’esistenza di un costo di trasporto, questo
testimonia l’assenza di una segmentazione nel mercato intra-UE.
L’applicazione del metodo della cointegrazione ha evidenziato che i quattro
prezzi (ROU, FR1, BO e MI) hanno una dinamica che giustifica ogni riferimento al
mercato europeo come ad un mercato “unico”. Il comportamento di questo blocco
cointegrato, nel lungo periodo, esclude non solo le interferenze provenienti dal mercato
internazionale, ma anche quelle implicite nel sistema di prezzi istituzionali fissati
dall’UE.
Quanto indicato non significa che tra i prezzi inclusi nel blocco cointegrato e
quelli esclusi (prezzi istituzionali UE e ROT) non ci siano connessioni e reciproche
influenze; si afferma solo che queste connessioni e queste influenze reciproche non
riescono ad interferire con gli assetti di lungo periodo.
La definizione dell’equilibrio di lungo periodo ha consentito di distinguere ed
analizzare la dinamica delle variabili nel breve periodo separando tre elementi: la
sensibilità al disequilibrio, i nessi di causalità con le variabili ritardate di 1 o 2 periodi e
la causalità “in contemporaneità”. Sotto questi diversi aspetti le relazioni tra le serie
interessano quasi sempre le stesse coppie di variabili (come si evince dalle Figg.7,8 e 9).
L’analisi delle relazioni interne al mercato europeo ha mostrato che Bologna, in
Italia, manifesta una chiara leadership nei confronti delle quotazioni di Milano le cui
variazioni sono legate, con coefficienti molto elevati, ai valori ritardati di BO.
A sua volta il mercato italiano, nel suo complesso, è periferico rispetto al
mercato francese (suo fornitore abituale) e, più precisamente, sono i disequilibri rispetto
al prezzo di Rouen che guidano gli aggiustamenti del mercato italiano.
Nelle piazze francesi non esiste una gerarchia, tra ROU e FR1, definita nel modo
che si è potuto verificare per l’Italia. ROU ha certamente, in assoluto, un ruolo più
rilevante di FR1 perché è recettore di più stimoli (informazioni). Tuttavia, nel caso
francese, è possibile caratterizzare i due mercati secondo una logica funzionale: FR1
esprime le condizioni dell’offerta interna e, sotto questo profilo, è dimostrata una sua
capacità di influire su ROU. Quest’ultimo metabolizza le sollecitazioni che gli derivano
dal mercato interno, le fonde con quanto accade sul mercato internazionale e rinvia un
segnale corretto a FR1 per un suo aggiustamento. Ciò che sembra chiaro è che
34
comunque FR1 non si trova nella condizione oggettiva di mediare una pluralità di
informazioni come, invece, è possibile al mercato di Rouen.
L’analisi grafica e le risultanze quantitative documentano che, successivamente
alla Riforma Mc Sharry, il mercato europeo ha registrato maggiore volatilità. Se pure
questo fatto ha confermato le attese degli operatori e degli analisti, i risultati del
presente studio dimostrano che la spiegazione è diversa da quella addotta abitualmente.
L’accresciuta volatilità del mercato europeo del frumento tenero non dipende da una
sopravvenuta integrazione con il mercato internazionale, ma semplicemente dalla
riduzione dei prezzi istituzionali che tradizionalmente regolavano il mercato
comunitario. Infatti la serie ROT non è cointegrata e non contribuisce all’equilibrio di
lungo periodo. L’abbassamento del prezzo di intervento è stato così significativo da
disattivare, di fatto, il sistema comunitario di regolazione consentendo un maggiore
intervallo per la variazione del prezzo di mercato.
Un commento particolare meritano i prezzi che risultano estranei all’equilibrio
di lungo periodo del mercato europeo. I prezzi istituzionali e quello internazionale
quotato a Rotterdam, come detto, non rientrano nell’equilibrio di lungo periodo e,
nemmeno, negli aggiustamenti per i disequilibri. Tuttavia le variazioni di questi prezzi
sono rilevanti per la dinamica nel breve periodo ed anche nelle relazioni di causalità in
contemporaneità (infrasettimanale).
In tutte le stime il prezzo plafond non è risultato mai significativo perché subisce
la competizione del prezzo di intervento. In presenza di entrambi i prezzi istituzionali
solo il coefficiente di ∆PINT risulta significativo ed è stato privilegiato:oltre a veicolare
gran parte dell’informazione incorporata in ∆PSOG22 ne apporta anche di
supplementare e specifica.
L’analisi della dinamica ha mostrato che l’influenza di ∆PINT e ∆ROT
condiziona sia i mercati primari sia i mercati terminali, francesi o italiani che siano.
Nonostante i due prezzi indicati esercitino una influenza generalizzata su tutte le altre
serie, ∆ROT e, soprattutto, ∆PINT hanno target specifici, che emergono ad una
osservazione più attenta. Considerando i valori dei parametri stimati per la dinamica e,
in modo ancora più netto, le relazioni di causalità in contemporaneità, si constata che
35
∆PINT ha rilievo per i mercati condizionati dall’offerta (mercati primari e francesi in
genere), ∆ROT, invece, è più importante per i mercati terminali, soprattutto se
localizzati in aree deficitarie.
I risultati conseguiti forniscono anche alcune indicazioni operative. Innanzitutto
ha trovato ulteriore conferma la nota stagionalità dei prezzi interni che registrano
sistematicamente il minimo in coincidenza del raccolto. Questa evidenza empirica,
giustificata dal temporaneo squilibrio di un’offerta che eccede la domanda, spiega il
comportamento degli utilizzatori che concentrano i loro acquisti di frumento tenero
nazionale nel periodo palesemente più conveniente.
Con il procedere della campagna di commercializzazione non solo si eleva il
prezzo, ma cresce progressivamente anche la volatilità: la consapevolezza di queste
dinamiche giustificherebbe l’adozione di strategie di copertura dal rischio di prezzo che
potrebbero essere ottimizzate concentrandole nei periodi di maggiore volatilità.
Rimane infine la possibilità di valorizzare l’analisi svolta per una previsione dei
prezzi e per l’andamento della loro volatilità. Nel caso dei mercati periferici (è tipico il
caso di MI) non sono necessarie ulteriori serie di dati poiché l’aggiornamento di quelle
già considerate consente una previsione di sufficiente attendibilità dei livelli di MI. Il
prezzo di Rouen, e in parte anche quello di Bologna, che hanno invece un ruolo pivotale
nel sistema descritto sono molto più difficili da prevedere con le informazioni descritte
e richiedono l’ausilio di variabili aggiuntive.
22
Si ricorda che, a partire dal 1994, il prezzo di soglia (prezzo plafond) è pari al prezzo di intervento
moltiplicato per una costante (pari ad 1,55). Pertanto le variazioni dei due prezzi sono, a partire dall’anno
indicato, molto simili.
36
APPENDICE 1
I test di diagnostica sulle equazioni di breve periodo (v. TAB.5)
∆BO
∆MI
∆FR1
∆ROU
Regressione GARCH:
Correlogram Q stat.:
Q(1) 0,71(0,789)
0,38(0,539) 1,58(0,208)
0,08(0,781
Q(2) 3,57(0,168)
0,45(0,797) 1,78(0,411)
2,51(0,285)
Q(3) 3,82(0,281)
1,17(0,760) 3,83(0,280)
3,06(0,382)
Q(4) 4,00(0,407)
2,64(0,620) 5,07(0,280)
4,34(0,381)
Correlogram Squared Residuals:
Q(1) 0,32(0,569)
0,29(0,588) 0,00(0,996)
0,04(0,836)
Q(2) 1,20(0,548)
0,30(0,861) 0,44(0,802)
0,04(0,978)
Q(3) 2,91(0,406)
0,36(0,949) 0,44(0,932)
0,05(0,997)
Q(4) 4,27(0,370)
0,40(0,983) 0,49(0,974)
0,07(0,999)
Histogram – Normality test:
Skewness
0,002
-0,424
-0,212
0,070
Kurtosis
5,948
6,416
5,771
3,600
Jarque-Bera 151(0,000)
216(0,000)
145(0,000)
7,03(0,030)
ARCH Test (1):
F-statistic 0,32(0,572)
0,29(0,591) 0,00(0,997)
0,04(0,837)
Obs*R-squared 0,32(0,570)
0,29(0,590) 0,00(0,996)
0,04(0,937)
Regressione normalizzata per la stima
dello scato quadratco medio dei residui:
Correlogram Q stat.:
Q(1) 3,75(0,153)
1,28(0,258)
1,41(0,234)
0,03(0,863)
Q(2) 3,31(0,191)
1,69(0,430)
1,55(0,460)
2,04(0,361)
Q(3) 3,37(0,337)
1,94(0,585)
3,27(0,352)
2,69(0,443)
Q(4) 3,68(0,452)
3,92(0,555)
5,81(0,213)
4,03(0,402)
Correlogram Squared Residuals:
Q(1) 0,48(0,489)
0,34(0,559)
0,01(0,916)
0,00(0,979)
Q(2) 1,47(0,479)
0,34(0,843)
0,15(0,930)
0,01(0,996)
Q(3) 3,33(0,343)
0,47(0,925)
0,15(0,986)
0,05(0,997)
Q(4) 4,62(0,328)
0,48(0,975)
0,41(0,982)
0,09(0,999)
Breusch-Godfrey Serial Correlation
1,17(0,311)
1,59(0,204)
1,04(0,354)
LM Test (2):
F-statistic 1,66(0,190)
Obs*R-squared 2,94(0,230)
2,36(0,307)
3,19(0,203)
2,08(0,354)
Histogram – Normality test:
Skewness
0,024
-0,419
-0,163
0,046
Kurtosis
5,983
6,516
5,901
3,634
Jarque-Bera 155(0,000)
227(0,000)
148(0,000)
7,60(0,022)
ARCH LM test (1)
F-statistic 0,47(0,492)
0,34(0,562)
0,01(0,917)
0,00(0,979)
Obs*R-squared 0,48(0,491)
0,34(0,561)
0,01(0,916)
0,00(0,979)
ARCH LM test (3)
F-statistic 1,08(0,358)
0,15(0,927)
0,05(0,986)
0,02(0,997)
Obs*R-squared 3,24(0,356)
0,47(0,926)
0,15(0,986)
0,05(0,997)
White Heteroschodasticiy
1,08(0,373)
(no cross term) test:
F-statistic 1,90(0,024) 12,10(0,000) 1,06(0,390)
Obs*R-squared 26,00(0,025) 123,7(0,000) 14,88(0,386) 12,99(0,370)
Ramsey RESET test(2):
F-statistic 1.34(0,254) 14,96(0,000) 2,49(0,084)
0,34(0,712)
Log likelihood ratio 2,72(0,257) 29,52(0,000) 5,05(0,080)
0,69(0,708)
Nota: v. TAB. 5 per le equazioni; periodo: 1995-2002 valori sottolineati: test non soddisfatto al 5% di
probabilita, valori sottolineati e in grassetto: test non soddisfatti all’1% di probabilità.
37
APPENDICE N.2
Test di stabilità sulle equazioni di breve periodo (v. TAB.5)
(CUSUM e CUSUM QUADRO)
∆BO (variazione prezzo Bologna)
60
1.2
1.0
40
0.8
20
0.6
0
0.4
-20
0.2
-40
-60
0.0
CUSUM
5% Significance
95
96
97
98
99
00
01
02
-0.2
95
CUSUM of Squares
5% Significance
98
96
97
99
00
01
02
00
01
02
CUSUM of Squares
5% Significance
98
00
97
99
01
02
01
02
∆MI (variazione prezzo Milano)
60
1.2
40
1.0
20
0.8
0.6
0
0.4
-20
0.2
-40
-60
95
CUSUM
5% Significance
96
97
98
0.0
99
00
01
02
-0.2
95
CUSUM of Squares
5% Significance
96
97
98
99
∆FR1 (variazione prezzo Francia 1)
60
1.2
1.0
40
0.8
20
0.6
0
0.4
-20
0.2
-40
-60
95
CUSUM
5% Significance
98
96
97
0.0
99
00
01
02
-0.2
95
96
∆ROU (variazione
prezzo Rouen)
1.2
60
1.0
40
0.8
20
0.6
0
0.4
-20
0.2
-40
-60
95
CUSUM
5% Significance
98
96
97
0.0
99
00
01
02
-0.2
95
CUSUM of Squares
5% Significance
98
96
97
99
00
38
RIFERIMENTI BIBLIOGRAFICI
Aulton, A.J., Ennew, C.T., Rayner, A.J. (1997) Efficiency Tests of Futures Markets for
UK Agricultural Commodities, Journal of Agricultural Economics, 48(3), 408424.
Bessler, D.A., Covey, T., (1991) Cointegration: some results on U.S. cattle prices,
Journal of Futures Markets, (11), 461-474.
Bessler, D.A., Yang, J., Wongcharupan, M., (2001) Price Dynamics in the International
Wheat Market: Modeling With Error Correction and Directed Acyclic Graphs,
mimeo, Texas A&M University.
Boccaletti, S., Moro, D., (1990) Margini e trasmissione tra prezzi per alcuni prodotti
agroalimentari: l’analisi di causalità, Rivista di Economia Agraria, (2).
Endrighi, E., (1991) Dinamiche congiunturali nel mercato della carne bovina.
Un’applicazione dell’analisi di causalità, Rivista di Economia Agraria, (2).
Engle, R.F., Granger, C.W.J., (1987) Cointegration and Error Correction:
Representation, Estimating and Testing, Econometrica, (2).
Engle, R.F., Hendry, D.F., (1993) Testing Superexogenity and Invariance in regressuin
Models, Journal of Econometrics (1-2), 119-139.
Fama, E.F. (1970) Efficient Capital Markets: A review of Theory and Empirical Work,
Journal of Finance, 25 (2), 383-417.
Granger, C.W.J., (1969) Investigating Causal Relations by Econometric Models and
Cross- spectral Methods, Econometrica , 424-38.
Hurn, A.S, e Muscatelli, V.A., (1991) Cintegration and Dynamic Time Series Models,
Economic Surveys, 1-43.
Johansen, S., Juselius, K., (1990) “Maximum Likelihood Estimation and Inference on
Cointegration-With Application to the Demand for Money, Oxford Bulletin of
Economics and Statistics (52), 169-210.
Johansen, S., Juselius, K., (1994) Identification of the Long-Run and the Short-Run
Structure: An Application To The ISLM Model, Journal of Econometrics, 63, 736.
Johansen, S., (1992) Determination of Cointegration Rank In The Presence of A Linear
Trend, Oxford Bulletin of Economics and Statistics (54) 383-397.
Lele, U.J., (1967) Market Integration: A Study of Sorghum prices in Western India,
Journal of Farm Economics, 49, 147-159.
Martino, G., ( ) Efficienza del mercato e sequenza di formazione del prezzo: una analisi
dinamica dei mercati del frumento tenero e del mais in Italia, Studi di Economia
e Diritto, (??), 71-93.
Mastromatteo, G., Pittaluga G., Verga G. (1998), La domanda di moneta di lungo
periodo in Italia, in G. Vaciago (a cura di), Moneta e finanza, Collana della
Società Itaiana degli Economisti, Il Mulino, Bologna, 127-172.
Pearl, J. (1995) Causal Diagrams for Empirical Research, Biometrika, 82, 669-710.
Pearl, J. (2000). Causality Cambridge University Press, Cambridge.
Phillips, P., Perron, P., (1988) Testing For A Unit Root In Time Series Regression,
Biometrica, (75), 335-46.
Piccinini, A., (1989) Il mercato dei grani in Italia, Artioli, Modena.
Ravallion, M., (1986) Testing Market Integration, American Journal of Agricultural
Economics, 68(2), 102-109.
39
Rosa, F., (1985) Efficienza di mercato e strategie decisionali nei mercati Parmigiano
Reggiano e Grana Padano, Rivista di Economia Agraria, (4).
Saccomandi, V., (1991) Istituzioni di Economia del mercato dei Prodotti Agricoli,
Reda, Roma.
Samuelson, P. (1965) Proof That Properly Anticipated Prices Fluctuate Randomly,
Industrial Management Review, 6, 41-49.
Scheines, R., Spirtes, P., Glymour, C., Meek, C., (1994) TETRAD II: User's Manual
and Software, New Jersey: Lawrence Erlbaum Associates, Inc.
Spirtes, P., Glymour, C., Scheines, R., (1993). Causation, Prediction, and Search,
Springer-Verlag., New York.
Spriggs, J., Kaylen, M., Bessler, D.A., (1982). The Lead-Lag Relationship Between
Canadian and U.S. Wheat Prices, American Journal of Agricultural Economics,
(64) 569-572.
Stein, J.S. (1986) The Economics of Futures Markets, Basil Blackwell, Oxford.
Working, H. (1949) The Theory of Price of Storage, American Economic Review, 39(6),
150-166.
40