Предотвращение глобального потепления требует согласованных усилий всех стран. Один из наиболее очевидных и действенных путей решения проблемы глобального потепления - рациональное использование энергоресурсов и сокращение выбросов в атмосферу парниковых газов.

Крупнейший углеродный след (- от англ. carbon footprint -- это оценочная стоимость некоторого продукта в углеродных единицах) принадлежит энергоблокам на угле, потому что каждый кВт/ч произведенной энергии в данном случае приводит к выбросу около 900 граммов СО2. Ветровые и ядерные электростанции имеют наименьший углеродный след - лишь 15 г. на каждый кВт/ч. Эти граммы в основном приходятся на строительство и добычу стали и урана. Электростанции на биомассе якобы являются углеродно-нейтральными, так процесс производства энергии в данном случае предполагает поглощение CO2 из атмосферы с последующим выбросом газа при горении самой биомассы.

Однако, по данным Всемирной организации здравоохранения, многочисленных центров по контролю и профилактике заболеваний, Национальной академии наук США и многих исследований в области здравоохранения, которые имели место в течение последнего десятилетия, самое неблагоприятное воздействие на здоровье людей осуществляется в результате сжигания ископаемого топлива и биотоплива/биомассы. Эксперты ВОЗ признали сжигания биомассы в развивающихся странах одной из основных проблем глобальной системы здравоохранения. На рисунке 1 приведены показатели смертности для каждого источника энергии (количество смертей на триллион кВт/ч). Цифры были получены путем сочетания фактической смертности и сравнительной эпидемиологической оценки. Значения были округлены до тысяч.

Таблица 1

Показатели смертности для каждого источника энергии

В случае угля, нефтепродуктов и биомассы частицы углерода в результате сжигания попадают в атмосферу, затем вдыхаются человеком и вызывают респираторный дистресс и заболевания верхних дыхательных путей, что приводит к повреждению легких. Фактическое число смертей в Китае в результате использования угля растет стремительными темпами. Влияние выбросов CO2 в атмосферу на систему здравоохранения поднебесной касается не только в смертности, речь также идет о нелетальном воздействии на здоровье и потерянных рабочих днях.

Смертность в результате воздействия гидроэнергетики объясняется нескольким редкими, но довольно крупными авариями на плотинах, таких как прорыв плотины Банкяо в Китае в 1976 году, в результате которого погибли около 171 000 человек.

Показатель смертности от воздействия ядерной энергетика, как ни странно, самый низкий, даже при учете жертв аварий на Чернобыльской и Фукусимской АЭС. Расчет смертности в данном случае также включает последствия добычи урана. Причина, по которой количество смертей в разрезе ядерной энергетики так невелико заключается в том, что на долю АЭС приходится огромный объем генерирующих мощностей. Так или иначе, две неудачи имели место на энергоблоках со старым дизайном. Все более новые АЭС должны быть надежнее благодаря обилию дублирующих систем безопасности. Они должны быть в состоянии выдержать худшие катастрофы, независимо вероятности подобного.

Поэтому одним из основных направлений усилий, прилагаемых мировым сообществом, является переход от традиционных методов выработки энергии, связанных со сжиганием углеродного сырья, к нетрадиционной (альтернативной) энергетике: использованию солнечных батарей, ветряных, приливных, геотермальных электростанций и др.

Следует отметить, что альтернативные источники энергии помимо достоинств имеют и свои недостатки. Например, многие считают, что при использовании большой ветроэнергетики возникают низкочастотные колебания, губительные для всего живого. Многие птицы якобы пострадали от ветрогенераторов, а в навигационное мышление рыб вносят свои коррективы морские ветропарки.

К солнечной энергетики у критиков также есть значительные претензии. Ведь технологией получения сырья для современных солнечных модулей предусмотрено применение хлорной химии, убивающей многие живые организмы. Весь положительный эффект при этом, пропадает.

Каждый из видов альтернативной энергетики имеет много противников, имеющих довольно убедительные контраргументы. Однако, у ветровой и солнечной генерации имеются другие, очень существенные проблемы, но скорее технологического характера. Например, ночью солнце не светит, а солнечные модули не могут работать от сияния звезд. Ветроэлектростанция не сможет работать в условиях слабого ветра или штиля.

Поэтому главной проблемой восстанавливаемых источников энергии (ВИЭ) называется непостоянство во времени в процессе производства энергии. Это негативно сказывается на сроках окупаемости и цене проектов ВИЭ.

Транспорт -- один из основных потребителей энергии и один из главных источников выбросов парниковых газов. Причина этого -- сжигание огромных объёмов ископаемых видов топлива (в основном нефтепродуктов, таких как бензин, керосин и дизельное топливо) в двигателях внутреннего сгорания наземных, воздушных и водных транспортных средств. Согласно данным Международного Энергетического Агентства [8], приблизительно 60% нефти в мире расходуется транспортным сектором

Следующим фактором является использование Интернета. Недавно было подсчитано, что среднестатистический сеанс поиска приводит к выбросу в атмосферу 7 граммов углекислого газа, что соответствует половине эмиссии CO2 от кипячения воды в чайнике. Можно сравнить: Евросоюз призывает сократить выбросы углекислого газа у автомобилей до 140 грамм на один километр, но большинство автомобилей пока не могут соответствовать этим стандартам. То есть, среднестатистический автомобиль, проехав 1 километр, производит столько же парниковых газов, сколько 20 сеансов поиска в Google. Интересно посмотреть, как влияет количество пользователей Интернета на уровень выбросов.

2.3 Панельные данные как метод исследования влияния различных факторов на уровень выбросов

Панельные данные - это наблюдение за некоторым числом объектов на протяжении нескольких периодов времени.

Основные преимущества данных этого типа заключаются в следующем:

1) они предоставляют исследователю большое количество наблюдений, увеличивая число степеней свободы и снижая коллинеарность между объясняющими переменными и, следовательно, улучшая эффективность оценок;

2) они позволяют анализировать множество важных экономических вопросов, которые не могут быть адресованы к временным рядам и cross-section данным (пространственные выборки) в отдельности;

3) они позволяют предотвратить смещение агрегированности, неизбежно возникающее как при анализе временных рядов (где рассматривается временная эволюция усредненного «репрезентативного» объекта), так и при анализе cross-section данных (где не учитываются ненаблюдаемые индивидуальные характеристики объектов);

4) они дают возможность проследить индивидуальную эволюцию характеристик объектов во времени.

Существующие проблемы панельных обследований:

· смещение в данных в связи с самоотбором (отсутствием или искажением ответов на отдельные вопросы)

· истощение и ротационные панели как решение проблемы истощения

Общее описание регрессионной модели

Регрессионная модель панельных данных отличается от регрессии обычных временных рядов или пространственной регрессии тем, что её переменные имеют двойной нижний индекс, т.е.

где i- номер объекта (домашние хозяйства, фирмы, страны и т.д.), t-время, б -свободный член, в - вектор коэффициентов размерности KЧ1, X'_i,t =(X¹_it X²_it … X^k_it) - вектор-строка матрицы K объясняющих переменных.

Большинство приложений панельных данных использует однокомпонентную модель случайной ошибки н_i,t:

где u_i - ненаблюдаемые индивидуальные эффекты, а е_it - остаточное возмущение.

u_i не зависят от времени и отвечают за характеристики объектов, которые не включены в регрессию непосредственно. Остаточное возмущение е_it меняется в зависимости от времени и объектов, и может рассматриваться как обыкновенная случайная составляющая в регрессии. [10, c. 10]

Модель с детерминированными эффектами (fixed effects model)

Модель с детерминированными эффектами характеризуется тем, что u_i - фиксированные параметры, остаточные возмущения е_it - независимые одинаково распределённые случайные величины - IID(0,у_е²) и X_i,t - предполагаются независимыми от е_it для всех i и t. Эта модель является подходящей спецификацией, если, например, сосредоточиться на исследовании уникального набора N фирм (IBM, GE, Westinghouse и т.д.), и умозаключения ограничены поведением только этих представителей. Другим примером может быть набор из N компаний, стран Организации Экономического Сотрудничества и Развития или регионов России. Выводы в этом случае обусловлены особенностями рассматриваемых N фирм, стран или регионов. [10, c. 22]

При построении моделей анализа панельных данных потребность учитывать индивидуальные особенности объектов приводит к следующей проблеме: наиболее эффективные методы оценивания оказываются несостоятельными, а состоятельные методы дают неэффективные оценки коэффициентов регрессионных соотношений. В частности, переход к центрированным по времени наблюдениям - техника “Within” - позволяет избавиться от индивидуальных эффектов, но в то же время, приводит к существенной потере эффективности. Рассмотрение тех же регрессионных соотношений для средних по времени значений переменных (“Between”) позволяет оценить величину вклада индивидуальных эффектов в изменчивость зависимых переменных, но эти оценки имеют сильное смещение агрегированности.

Модель со случайными эффектами (random effects model)

В модели с фиксированными эффектами слишком много параметров и потери степеней свободы можно избежать, если предположить индивидуальные эффекты м_i случайными. Тогда можно предполагать, что u_i~IID(0, у_м²), е_it~IID(0, у_е²), и м_i не зависят от е_it. Кроме того, X_it не зависят от u_i и е_it для всех i и t. Модель со случайными эффектами применяется в том случае, если мы выбираем случайным образом N объектов из большой генеральной совокупности элементов, например, в случае исследований панелей домашних хозяйств, индивидуумов или мелких фирм. Другим примером могут служить представители однородных товарных групп, образованных товарами-заменителями.[10, c. 24]

Модель со случайными эффектами можно рассматривать как компромисс между сквозной регрессией, налагающей сильное ограничение гомогенности на все коэффициенты уравнения регрессии для любых i и t, и регрессией FE, которая позволяет для каждого объекта выборки ввести свою константу и, таким образом, учесть существующую в реальности, но ненаблюдаемую гетерогенность.

Поиски такого компромисса бывают вызваны следующими причинами:

* оценки модели FE хотя и состоятельны для статических моделей в отсутствии эндогенности, но часто не очень эффективны. Иными словами, может получиться так, что коэффициенты при наиболее интересующих нас переменных окажутся незначимы;

* модель FE не позволяет оценивать коэффициенты при инвариантных по времени регрессорах, так как они элиминируются из модели после преобразования «within».

Сквозная регрессионная модель хотя и лишена этих недостатков, но часто дает несостоятельные оценки, поскольку не никак не учитывает индивидуальную гетерогенность.

В модели со случайными эффектами (u_i - случайны) индивидуальная гетерогенность учитывается не в самом уравнении, а в матрице ковариаций, которая имеет блочно-диагональный вид, так как внутри каждой группы случайные эффекты корреллируют между собой. Для оценивания такой регрессии следует использовать обобщенный метод наименьших квадратов (GLS).

3. Построение моделей зависимости эмиссии диоксида углерода от различных факторов

3.1 Общее описание данных

Для анализа данных была взята выборка, представленная 8 странами: Российская Федерация, Канада, Великобритания, Украина, США, Нидерланды, Хорватия, Индия на промежутке 8 лет (с 2002 г. по 2009 г.)

На рисунке 2 вы можете видеть, как распределены в странах доли населения и количество выбросов CO₂ в 2009 году.

Наиболее значимый вклад в увеличение количества выбросов из представленных стран вносит Америка, которая является мировым экономическим лидером и главным игроков на рынке. На втором месте по количеству выбросов стоит Индия, чья экономика является одной из самых быстроразвивающихся, удельный вес населения в Индии среди рассматриваемых стран является самый большим (примерно 17,72%). На третьем месте находиться Россия, как по уровню населения, так и по количеству выбросов.

Переменные: ALEN - Альтернативная и ядерная энергия (в % от общего потребления энергии)

EUse - Потребление энергии (в кг нефтяного эквивалента на душу населения

GDPperunitEU - ВВП на единицу потребления энергии (постоянная ППС 2005 $ за кг нефтяного эквивалента)

CO2emission - Выбросы CO2 (метрические тонны) Выбросы углекислого газа, вытекающие в результате сжигания ископаемого топлива и производства цемента. Они включают в себя углекислого газа при потреблении твердого, жидкого и газообразного топлива и сжигания попутного газа.

GDPpercapita - ВВП на душу населения (в текущих долларах США)

Forest (км²)- под площадью лесов понимаются земли под естественно выросшими или посаженными деревьями не менее 5 метров в месте, несмотря на то, будут продуктивными или нет, и исключают деревья, растущие в системах сельскохозяйственного производства (например, во фруктовых плантациях и агролесомелиорации) и деревья в городских парках и садах.

Motor (на 1,000 человек) - автотранспорт, к которому относятся автомобили, автобусы и грузовые транспортные средства, но не включают двухколесных транспортных средств. Население относится к середине года населения в год, за который имеются данные.

CO2 per capita - Выбросы CO2 на душу населения

CO2 per GDP - Выбросы CO2 в расчете на 1 долл. ВВП

Pop - Общая численность населения.

Manuf - количество производственных предприятий

В приложении 1 представлена описательная статистика по всем переменным, где можно наблюдать количество наблюдений (obs), среднее (mean), стандартное отклонение (Std.Dev.), максимум (max) и минимум (min) указанных переменных для каждого года.

3.2 Модель влияния используемой энергии на уровень СО2

Рассмотрим модель, в которой процент выбросов CO2 будет зависеть от таких переменных, как ВВП, Потребление Энергии, Количество автотранспорта и Производственных предприятий

Log(CO₂) = в₀ +в₁log(ENUSE_it) + в₂log(MOTOR_it) + в₃log(MANUF_it) +

+ в₄log(GDP_it) + е_it

Предполагается, что количество выбросов CO2 положительно зависит от количества потребляемой энергии, а также что рост ВВП ведет к росту выбросов CO2.

Таблица 2

В результате оценивания pooled модели видно (см. таблица 3), что модель значима, все коэффициенты, кроме коэффициента при ВВП также являются значимыми. Однако, следует заметить, что увеличение количества автотранспорта на 1% приведет к снижению выбросов углекислого газа на 0,99%, что является маловероятным.

Введем такую переменную, как процент пользователей Интернета и посмотрим, какое влияние данный регрессор оказывает на количество выбросов двуокиси углерода, а также как изменятся коэффициенты при остальных переменных.

Таблица 3

Данная модель является значимой, также как и все коэффициенты. Исходя из полученных результатов, при увеличении ВВП на 1% выброс CO2 снизится на 0,29%. А рост потребления энергии на 1% приведет к росту выбросов на 1,15%. Также к повышению количества углекислого газа приведут такие факторы, как увеличение количества производственных предприятий и рост количества автомобилей (на 1,05 и 0,83 процентов соответственно). Следует отметить, что увеличение процента пользователей Интернетом ведет к увеличению CO₂ на 0,009% . Это может быть связано с увеличением нагрузки на электростанции (дополнительная выработка энергии).

Из графика остатков можно увидеть, что явно есть автокорреляция и не очень хорошее качество подгонки для отдельных стран

График 1. График остатков pooled модели

Далее рассмотрим Between-модель. Это модель на Cross-Section данных, где в качестве наблюдений - усредненные по времени значения.

К каждой переменной была применена функция усреднения - функция @mean.

Таблица 4

Произошло изменение в коэффициентах, незначительное в случае с регрессором, при этом все коэффициенты также остались значимыми. Однако скорей всего оценки данной модели не являются адекватными из-за относительно небольшого количества объектов наблюдений, а также из-за существования автокорреляции. Также можно заметить, что коэффициент при ВВП стал положительным, что является более правдоподобным.

Within - модель

Используя простейший метод, в котором фиксированные эффекты вводятся как дамми-переменные на объекты получаем следующую спецификацию модели

В данном случае фиксированные эффекты представлены как отклонения от общей (средней) константы.

Таблица 5

Из таблицы 5 видно, что коэффициент при регрессоре, отвечающем за количество потребленной энергии, немного увеличился, а коэффициенты при остальных регрессорах, наоборот, снизились. Однако изменений в знаках не произошло

Проведем тестирование на наличие фиксированных эффектов. Нулевая гипотеза: нет фиксированных эффектов; альтернатива: есть фиксированные эффекты

В данном случае нулевая гипотеза отвергается - низкая остаточная вероятность тестовых статистик (значение функции максимального правдоподобия в within модели значимо больше, чем в pooled модели)

Таблица 6

Тест на наличие фиксированных эффектов

Далее проведем тест Вальда. Протестируем гипотезу о том, что по степени использования энергии различий между странами нет.

В результате теста Вальда гипотеза отвергается, различия между странами существенны (см. таблица 7).

Таблица 7

Тест Вальда

Оценивание GLS-модели (RE- модель со случайными эффектами). Случайные эффекты вводятся как случайные специфические шоки, в данном случае на объекты.

Таблица 8

GLS-модель

Необходимо сделать выбор между моделями. Для этого проведем Тест Хаусмана, который позволяет сделать выбор между FE и RE моделями. Зачастую модель со случайным эффектом имеет место только в случае некоррелированности случайного эффекта с регрессорами. Это требование часто бывает нарушено. Нулевая гипотеза: нет корреляции между ошибками и регрессорами (RE модель адекватна); Альтернатива: есть корреляция между ошибками и регрессорами (RE модель адекватна)

В данном случае нулевая гипотеза отвергается, поскольку p-уровень<0,01, то основная гипотеза отвергается.

Полученные результаты позволяют сделать вывод, что в нашем случае подходит модель с фиксированными индивидуальными эффектами. Т.е. в результате однопроцентного изменения используемой энергии уровень выбросов CO2 возрастет на 1,32 процента.

Таблица 9

Тест Хаусмана

Рост ВВП на 1 процент повлечет за собой положительное изменение уровня углекислого газа на 0,056%. Также к повышению количества диоксида углерода приведут такие факторы, как увеличение количества производственных предприятий и рост количества автомобилей (на 0,28 и 0,358 процентов соответственно). Рост процента пользователей Интернетом приведет к увеличению CO₂ на 0,0006%

3.3 Модель влияния альтернативных источников энергии и ядерной энергетики на уровень СО2