Short-term predictions of import prices of steam coal in Poland

• Autorzy: Śmiech S. , Papież M.

Warianty tytułu

PL

Krótkookresowa predykcja cen importowych węgla energetycznego w Polsce

• Języki publikacji: EN

Abstrakty

EN

The aim of the paper is to develop, evaluate and compare forecasting models for the market price of steam coal. Since 88% of electrical energy in Poland is obtained from coal, which additionally constitutes over 50% of its production costs, the authors investigated the possibility of forecasting steam coal prices. Forecasting will refer to Russian export coal price in the Baltic ports, as there is no coal benchmark price for Poland. Modelling and forecasting coal prices was conduct-ed for the period 2003-2011 using monthly and quarterly data and a wide range of econometric time series models, including linear and nonlinear models as well as one-dimensional and simultaneous equations models. The following variables were taken into consideration: prices of other energy sources, energy demand, prices of CO2 emission permissions and the leading economic index. The tools used in the analysis will allow not only to forecast but also to evaluate the influence of given variables on the coal prices. The methodology used made it possible to adopt forecast horizons of 1 and 2 quarters (up to 6 months), which corresponds to operational activity of both coal importers and exporters.

PL

Celem artykułu jest budowa, ocena i porównanie modeli prognostycznych dla rynkowej ceny węgla energetycznego. Ponieważ w Polsce energia elektryczna jest w około 88% wytwarzana z węgla, który dodatkowo stanowi ponad 50% kosztów jej wytwarzania stąd autorzy zbadali możliwość prognozowania cen węgla energetycznego. Autorzy przyjęli, że prognozowana będzie cena eksportowa węgla rosyjskiego w portach bałtyckich, gdyż brak dla krajowego rynku benchmarku ceny węgla. Modelowanie i prognozowanie ceny węgla zostało przeprowadzone w latach 2003 – 2011 na danych miesięcznych i kwartalnych. Do budowy prognoz zaproponowano szeroką klasę ekonometrycznych modeli szeregów czasowych, obejmującą liniowe i nieliniowe modele, jednowymiarowe oraz wielorównaniowe modele. Parametry większości modeli były estymowane tradycyjnie (metodą największej wiarygodności). Parametry modeli klasy ARDL były również estymowane metodami od-pornymi. Wykorzystywane w analizie zmienne obejmują m.in.: ceny innych surowców energetycznych, popyt na energię, ceny uprawnień dla emisji CO2 oraz wskaźniki wyprzedzające koniunkturę. Zastosowane narzędzia pozwolą (oprócz wyznaczenia prognoz) na ocenę wpływu poszczególnych zmiennych na cenę węgla. Dobrana metodologia pozwala na przyjęcie horyzontu prognozy wynoszącego 1 i 2 kwartały (do 6 miesięcy). Takie ujęcie analizy wpisuje się w działalność bieżącą (operacyjną) importerów i eksporterów węgla.

Słowa kluczowe

EN

steam coal prices; time series models; combining forecast; one-dimensional autoregressive model; multidi-mensional autoregressive model

PL

cena węgla energetycznego; modele szeregów czasowych; prognozy wariantowe; jednowymiarowy model autoregresyjny; wielowymiarowy model autoregresyjny; modele liniowe; modele nieliniowe; regresja kwantylowa

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2012
• Tom: Nr 2
• Strony: 148--153
• Opis fizyczny: Bibliogr. 16 poz., fig., tab.

Twórcy

autor

Śmiech S.

• Zakład Teorii Prognoz, Katedry Statystyki Uniwersytetu Ekonomicznego w Krakowie, ul. Rakowicka 27, 31-510 Kraków

autor

Papież M.

• Zakład Teorii Prognoz, Katedry Statystyki Uniwersytetu Ekonomicznego w Krakowie, ul. Rakowicka 27, 31-510 Kraków

Bibliografia

• [1] Energy Prices and Taxes Quarterly Statistics IEA – 2003-2011.
• [2] Fair R. C., Shiller R. J.: Comparing information in forecasts from econometric models. The American Economic Review 1990, 80(3), 375–389.
• [3] Franses P. H., Dijk D.: Non-linear time series models in empirical finance. Cambridge University Press 2000, Cambridge.
• [4] Ghoshray A., Johnson B.: Trends in world energy prices. Energy Economics 2010, 32 (5), 1147-1156.
• [5] Informacja o funkcjonowaniu górnictwa węgla kamiennego – raporty z lat 2004-2011. Ministerstwo Gospodarki, Warszawa (www.mg.gov.pl).
• [6] Koenker R., Xiao Z.: Inference on the quantile regression process. Econometrica 2002, 70, 1583–1612.
• [7] Lee J., List J.A., Strazicich M.C.: Non-renewable resource prices: deterministic or stochastic trends? Journal of Environmental Economics and Management 2006, 51 (3), 354–370.
• [8] Lorenz U.: Rola wskaźników cen w międzynarodowym handlu węglem energetycznym. Polityka Energetyczna 2006, t. 8, z. specjalny. Wyd. Instytutu GSMiE PAN, Kraków, 583-596.
• [9] Lorenz U.: Rynki międzynarodowe, jako punkt odniesienia dla cen węgla energetycznego w kraju. Polityka Energetyczna 2010, tom 13, z. 2. Wyd. Instytutu GSMiE PAN, Kraków, 311 - 324.
• [10] Lütkepohl H.: New Introduction to Multiple Time Series Analysis, corr. 2nd print, Springer, Berlin, 2007.
• [11] Papież M., Śmiech S.: The Analysis and Forecasting of Coke Prices [w:] Forecasting /red. Dittmann P., Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 196 Econometrics 32, 2011, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław.
• [12] Rublikova E.: Financial time series. Features, methods of modelling, examples and application. Ekonomicky Casopis 2003, 51 (10), 1299-1301.
• [13] Śmiech S., Papież M., Fijorek K.: Causality on the Steam Coal Market. Energy Sources, Part B: Economics, Planning, and Policy, In press.
• [14] Tabak B.M., Cajueiro D.O.: Are the crude oil markets becoming weakly efficient over time? A test for time varying long range dependence in prices and volatility. Energy Economics 2007, 29 (1), 28–36.
• [15] www. argusmedia.com.
• [16] Zellner A., Tobias J.: A note on aggregation, disaggregation and forecasting performance. Journal of Forecasting 2000, 19(5), 457–469.