Analiza Porównawcza Wykorzystania OZE W Państwach UE

Uniwersytet Mikołaja Kopernika w Toruniu
Wydział Nauk Ekonomicznych i Zarządzania
Maksymilian Wiśniewski
Nr indeksu: 292130
Analiza przestrzenno-czasowa wykorzystania odnawialnych

źródeł energii w Unii Europejskiej w latach 2000-2019
Praca zaliczeniowa na przedmiot „Analiza przestrzennych zjawisk ekonomicznych”
Kierunek: Ekonomia
2 rok, II stopień
Praca napisana pod kierunkiem
dr Mateusza Jankiewicza
Toruń, 23.01.2022
Spis treści
Rozdział 1. Energia, jej źródła i znaczenie dla gospodarki ........................................... 2

1.1. Geneza i źródła energii .................................................................................... 2
1.2. Aspekt ekonomiczny energii ........................................................................... 4
Rozdział 2. Analiza wykorzystania OZE w państwach UE w latach 2000, 2010 i 2019
........................................................................................................................................ 6
2.1. Przedmiot badania, cele, hipotezy badawcze ...................................................... 6
2.2. OZE w badaniach naukowych............................................................................. 7
2.3. Opis zastosowanych metod badawczych ............................................................ 9
2.4. Wyniki analizy i ich interpretacja ..................................................................... 15
Spis źródeł .................................................................................................................... 37
Spis tabel ...................................................................................................................... 38
Spis rysunków .............................................................................................................. 39
1
Rozdział 1. Energia, jej źródła i znaczenie dla gospodarki
1.1. Geneza i źródła energii
Od początków istnienia świata, każdy proces zachodzący na kuli ziemskiej i
we Wszechświecie jest oparty na oddziaływaniach o charakterze energetycznym.
Łańcuchy górskie, zjawiska erozyjne, ale także obrotów galaktyk czy reakcje
nuklearne w gwiazdach – wszystkie te mechanizmy obecne w przyrodzie nie miałyby
miejsca, gdyby nie energia. Każde życie na świecie jest oparte na energii, również to
ludzkie. Człowiek jest istotą egzystującą dzięki zaopatrzeniu w energię, jest ona
niezbędna do jego prawidłowego funkcjonowania i rozwoju1. Przemiany w ludzkim
organizmie, zdolność do wykonywania pracy, zdolność do rozmnażania się –
wszystkie te cechy i umiejętności człowieka są uzależnione od jego pokładów
energetycznych. Dlatego tak ważne jest odpowiednie zaopatrywanie się w energię.
Generalnie istotę energii można określić w ten sposób – żeby cokolwiek mogło się
wydarzyć jedna z wielu form energii musi być przekształcona w inną.
Słowo „energia” ma wiele różnych znaczeń i jest wymieniane w wielu
kontekstach. Trudno więc jednoznacznie je zdefiniować. Definicja encyklopedyczna
mówi, że jest to „podstawowa wielkość fizyczna charakteryzująca w sposób
ilościowy układ materialny, określająca ruch jego składników oraz ich wzajemne
oddziaływanie”2. Wyróżnia się różne rodzaje energii3:
− energia chemiczna, czyli zmagazynowana energia, która jest uwalniana w
wyniku rozszczepienia się lub łączenia się w celu tworzenia związków chemicznych
dwóch lub więcej atomów i/lub molekuł,
− energia elektromagnetyczna, która związana jest z promieniowaniem
elektromagnetycznym i jego różnymi postaciami, np. światłem podczerwonym,
− energia mechaniczna, czyli energia używana do podnoszenia ciężaru,
− energia nuklearna będąca energią uwolnioną w wyniku interakcji
cząsteczek w jądrach atomowych,
− energia termiczna (cieplna), która jest związana z chaotycznym ruchem
cząsteczek układu, w wyniku czego tworzone jest ciepło
− energia elektryczna, czyli energia wywołująca przepływ elektronów.
1
Henryk Charun, Podstawy gospodarki energetycznej. Część 1, Wydawnictwo Uczelniane Politechniki
Koszalińskiej, Koszalin, 2004, s. 15
2
https://encyklopedia.pwn.pl/haslo/energia;3897972.html (dostęp: 23.01.2022)
3
Op. cit., s. 15
2
Współcześnie najczęściej używa się słowa „energia” w znaczeniu energii
elektrycznej, z którą człowiek ma najwięcej do czynienia na co dzień.
Przez wiele wieków naukowcy z różnych państw i kontynentów dokonywali
kolejnych odkryć, które przybliżały energię elektryczną do formy, w jakiej znana jest
ona dzisiaj. Warto tu chociażby wymienić Benjamina Franklina III, który w 1752
roku jako pierwszy udowodnił, że piorun jest wyładowaniem elektrycznym4;
Alessandro Voltę, który w 1800 roku skonstruował ogniwo Volty, które wytwarzało
stały prąd elektryczny i odkrył, że poszczególne reakcje chemiczne mogą wytwarzać
energię elektryczną5; a także Michaela Faradaya, który skonstruował dynamo
elektryczne, czyli surowy generator prądu czy Nikolę Teslę, który w 1900 roku
opracował sposób na przesyłanie energii elektrycznej6. A przecież o istnieniu
ładunków elektrycznych wiedzieli już Starożytni Grecy. Badania nad prądem
elektrycznym w XIX i XX wieku oraz związane z nimi odkrycia były elementem
rewolucji naukowo-technicznej, która obok gwałtownego wzrostu liczby ludności na
świecie była głównym czynnikiem sprawczym olbrzymiego wzrostu zużycia energii7.
Do wytworzenia energii niezbędne są zasoby energetyczne, w które obfituje
planeta Ziemia. Nazywa się je źródłami energii. Według definicji encyklopedycznej
źródła energii to „wszelkie substancje, zjawiska, procesy, obiekty lub urządzenia,
które mogą być wykorzystane bezpośrednio lub po zrealizowaniu odpowiednich
przemian energetycznych – do zaspokajania potrzeb energetycznych człowieka”8.
Prościej rzecz ujmując są to wszelkiego rodzaju kruszce, paliwa i inne ciecze czy też
zjawiska przyrodnicze, z których produkuje się energię. Źródła te można podzielić na
odnawialne i nieodnawialne9. Źródła odnawialne (w skrócie OZE) to źródła energii,
które uzupełniają się (lub odnawiają) w sposób naturalny10. Przykładami takich źródeł
są chociażby woda, Słońce, biomasa czy wiatr11. Źródła nieodnawialne to wszelkie
surowce, których eksploatacja prowadzi do zmniejszania naturalnych zasobów, a z
4
https://energiadirect.pl/poradniki/kto-wymyslil-prad (data dostępu: 14.02.2022)
5
https://fizyka.uniedu.pl/alessandro-volta/ (data dostępu: 14.02.2022)
6
https://energiadirect.pl/poradniki/kto-wymyslil-prad (data dostępu: 14.02.2022)
7
Witold M. Lewandowski, Ewa Klugmann-Radziemska, Proekologiczne odnawialne źródła energii.
Kompendium, Państwowe Wydawnictwo Naukowe, Warszawa, 2017, s. 21
8
https://encyklopedia.pwn.pl/haslo/energii-zrodla;3897991.html (dostęp: 22.11.2021)
9
Józef Paska, Wytwarzanie energii elektrycznej, Oficyna Wydawnicza Politechniki Warszawskiej
Warszawa, 2018, s. 12
10
https://ec.europa.eu/eurostat/statistics-
explained/index.php?title=Glossary:Renewable_energy_sources/pl (dostęp: 22.11.2021)
11
Józef Paska, Op. cit., s.12
3
czasem także do całkowitego ich wyczerpania12. Zalicza się do nich paliwa stałe
(węgiel kamienny i brunatny, torf), paliwa płynne (ropa naftowa, lekki olej opałowy
ciężki olej opałowy, olej Diesla, benzyna i inne), a także paliwa gazowe (gaz ziemny)
oraz paliwa nuklearne (rudy uranu czy toru)13.
Ogromny wzrost zapotrzebowania na energię zmusił człowieka do
poszukiwania nowych źródeł energii oraz efektywniejszego wydobywania tych
znanych i dostępnych. Stąd też w XXI wieku znacznie przyspieszyły badania nad
odnawialnymi źródłami energii, a także wzrosły wydatki na infrastrukturę niezbędną
do przemiany energii, którą one wytwarzają na energię elektryczną. Oprócz tego
„moda na ekologię” spowodowała, że państwa zaczęły odwracać się od źródeł
nieodnawialnych i zastępować je zieloną energią.
1.2. Aspekt ekonomiczny energii
Z racji na swoje znaczenie energia jest przedmiotem zainteresowania wielu
nauk, w tym również ekonomii. Ekonomia zwraca uwagę na konieczność
zapewnienia ciągłego i łatwego dostępu do energii elektrycznej, która jest podstawą
funkcjonowania i rozwoju współczesnych społeczeństw, a co za tym idzie wzrostu
gospodarczego. W tym kontekście warto przywołać pojęcie „bezpieczeństwa
energetycznego”, które ostatnio coraz bardziej nabiera na znaczeniu. Pojęcie to w
dużym skrócie można zdefiniować jako gwarancję dostaw energii. Bezpieczeństwo
energetyczne zależne jest od kilku istotnych czynników, takich jak14:
− dywersyfikacja zdolności wytwórczych związana z dobrze

zbalansowanymi systemami produkcji energii, obejmującymi różnorodne
technologie wytwarzania elektryczności;
− ceny, a więc dostarczanie energii konsumentom za akceptowalną dla nich
cenę jest podstawą do zapewnienia dostępu do energii każdemu
człowiekowi;
− wymagany poziom inwestycji, czyli realizacja inwestycji w infrastrukturę
niezbędną do produkcji i przesyłu energii;
12
https://www.esoleo.pl/baza-wiedzy/poradnik-fotowoltaika-esoleo/oze-i-ekologia/jakie-sa-
nieodnawialne-zrodla-energii-w-polsce/ (dostęp: 14.01.2022)
13
Witold M. Lewandowski, Ewa Klugmann – Radziemska, Op. cit., s.23, Op. cit., s.12
14
https://www.gov.pl/web/polski-atom/bezpieczenstwo-energetyczne-podstawa-rozwoju-
spoleczenstwa (dostęp: 14.01.2022)
4
− transport, czyli czynnik związany przede wszystkim z łatwością i
bezpieczeństwem przesyłu energii do każdego konsumenta;
− dywersyfikacja dostawców, a więc brak zależności od ograniczonej grupy
dostawców, tak aby nie wystąpiło ryzyko zakłóceń w dostawach,
− różnorodność źródeł energii, a więc czynnik związany z budową
odpowiedniego miksu energetycznego, który nie będzie oparty tylko na
jednym źródle, ale na właściwej kombinacji odnawialnych i
nieodnawialnych źródeł.
Niewątpliwie, ekonomiczny aspekt energii jest też w dużej mierze związany z
jej ceną. Ostatnio kryzys gospodarczy wywołany pandemią Covid-19, ale też
problemy z realizacją dostaw oraz zmniejszona produkcja w krajach-eksporterach
głównych surowców energetycznych spowodowały, że ceny energii wywindowały w
górę. Analiza czynników wywołujących zawirowania na rynku energii jest istotnym
elementem prowadzenia właściwej polityki energetycznej, a co za tym idzie w miarę
możliwości zapobiegania nagłym szokom cenowym na rynku energii. Często rządy
państw posiadających duże zasoby surowców energetycznych stosują różne
polityczne zagrywki i szantaże, które dodatkowo wywołują wzrost oczekiwań
cenowych wśród spekulantów i w ten sposób sztucznie windują ceny energii w górę.
Analiza rynku energii oraz czynników mających na niego wpływ jest bardzo
ważnym przedmiotem zainteresowania ekonomistów. Łatwo dostępna, tania i
bezpieczna energia jest bazą do rozwoju gospodarczego współczesnych społeczeństw,
a jej zapewnienie jest jednym z kluczowych zadań polityki energetycznej każdego
państwa. Dywersyfikacja źródeł energii jest współcześnie możliwa tylko i wyłącznie
przy wykorzystaniu OZE. Z racji na wyczerpujące się zasoby surowców
energetycznych, odnawialne źródła przykuwają teraz największą uwagę, a kraje
prześcigają się w ich wykorzystaniu. W Unii Europejskiej nowe przepisy wręcz
wymuszają na jej członkach transformację energetyczną w ciągu najbliższych
kilkudziesięciu lat. Stąd też warto zbadać wykorzystanie OZE w UE, które w ciągu
ostatnich kilkunastu lat znacznie wzrosło, ale jeszcze głośniejsza stała się dyskusja,
czy zielona energia nie jest tylko wymysłem najbogatszych państw, które jeszcze
bardziej chcą pogłębić podziały panujące na świecie.
5
Rozdział 2. Analiza wykorzystania OZE w państwach UE w latach 2000, 2010 i 2019
2.1. Przedmiot badania, cele, hipotezy badawcze
Przedmiotem badania są odnawialne źródła energii. Analiza dotyczy finalnego
zużycia tych źródeł. Podmiotem badania są państwa Unii Europejskiej w formacie
UE-28, a więc włącznie z Wielką Brytanią, która opuściła UE w 2020 roku. Badanie
zostało przeprowadzone dla trzech wybranych lat, tak aby przeanalizować również
dynamikę zmian wykorzystania OZE w tych latach. Wybrano 2000, 2010 i 2019 rok,
ponieważ lata te reprezentują koniec XX wieku oraz pierwsze dwadzieścia lat XXI
wieku. To właśnie w tym okresie można mówić o wzroście zainteresowania OZE.
Ostatnim wybranym rokiem jest rok 2019, ponieważ dla nowszych lat nie były
dostępne dane z Wielkiej Brytanii.
Głównym celem badania jest porównanie państw Unii Europejskiej pod kątem
ich wykorzystania odnawialnych źródeł energii w 2000, 2010 i 2019 roku. W obrębie
tego celu wyznaczono również szczegółowe zadania badawcze, jakimi były: analiza
tendencji centralnej oraz rozproszenia wykorzystania OZE w UE oraz ich zmian w
wybranych latach, analiza stopnia koncentracji wykorzystania OZE w państwach UE
latach 2000-2019, analiza struktury zużycia OZE w państwach UE w wybranych
latach oraz budowa modelu przestrzennego opisującego zależność wykorzystania
odnawialnych źródeł energii w państwach UE od wielkości PKB per capita tych
państw osobno dla roku 2000, 2010 i 2019. Miały one na celu potwierdzenie
postawionych hipotez badawczych, które są następujące:
1. Wykorzystanie odnawialnych źródeł energii nie jest równomierne w całej
Unii Europejskiej, a Europa jest podzielona na spójne obszary, które w
większym i mniejszym stopniu korzystają z tych źródeł.
2. W miarę upływu czasu koncentracja wykorzystania OZE w UE jest coraz
większa, a więc postępuje konwergencja w odniesieniu do tego procesu.
3. Państwa UE położone na południowym wschodzie Europy charakteryzują
się średnio niższym wykorzystaniem OZE aniżeli pozostałe.
4. Występuje zależność pomiędzy sąsiednimi państwami UE w ramach
kształtowania się wykorzystania OZE.
5. PKB per capita ma wpływ na kształtowanie się OZE w państwach UE.
6
Do badania zostały wykorzystane dane Eurostat opisujące finalne zużycie
energii z OZE (w tysiącach TOE15) oraz realne PKB per capita (w euro per capita), a
także liczbę mieszkańców państw UE w wybranych latach. Następnie obliczono
finalne zużycie na mieszkańca, aby zapewnić porównywalność tych danych.
Dodatkowo finalne zużycie pomnożono przez tysiąc, aby operować na większych
wartościach. Z racji występujących drobnych braków w danych (brakowało w nich
realnego PKB per capita dla Rumunii w latach 2000-2001) konieczne było ich
wypełnienie zgodnie z teorią ekonomii. Brakujące realne PKB per capita obliczono na
podstawie nominalnego PKB w USD. W tym celu wykorzystano średnie roczne kursy
USD/euro w latach 2000 i 2001 (przeliczone z kursów miesięcznych) oraz liczbę
mieszkańców Rumunii w tych latach. Realne PKB per capita zostało przez Eurostat
obliczone poprzez nawiązania łańcuchowe („chain linked volumes”), czyli jako
wartość wyprodukowanych dóbr i usług w danym roku w cenach rynkowych z 2010
roku16. Wyniki analizy statystyk przestrzennych przeliczono na kilometry zgodnie ze
skalą 1:90 (1 km na mapie w programie R to 90 km w rzeczywistości).
2.2. OZE w badaniach naukowych

Odnawialne źródła energii były przedmiotem zainteresowania wielu badaczy
w ostatnich kilkunastu latach. Z racji na to, że tak naprawdę dopiero od początku XXI
wielu zaczęły się one rozwijać, a ich popularność z roku na rok rosnąć, badania w
większości obejmują okres od początku lat dwutysięcznych do teraz. Szczególnym
zainteresowaniem badaczy w Polsce cieszy się okres od 2004 roku, czyli wejścia
Polski do Unii Europejskiej. W wyniku obowiązujących przepisów unijnych
mających na celu zmniejszenie śladu węglowego o kilkadziesiąt procent w najbliższej
przyszłości Polska, jak i inne państwa UE zostały zmuszone do powolnego
odchodzenia od węgla i zwiększenia inwestycji w OZE. UE postawiła sobie jeden z
najbardziej ambitnych celów dotyczących redukcji emisji dwutlenku węgla do
atmosfery ze wszystkich państw na świecie. Stąd też badacze chętnie analizują, czy
jej polityka energetyczna jest skuteczna.
Warto zwrócić uwagę na pracę magister Beaty Zakrzewskiej i magistra
inżyniera Konrada Rojka – dwóch doktorantów z Wydziału Nauk Ekonomicznych i
15
TOE (ang. tons of oil equivalent) – tona olejowego odpowiednika, która według ustawy z dnia 15
kwietnia 2011 roku o efektywności energetycznej stanowi równoważnik jednej tony ropy naftowej o
wartości opałowej równej 41868 kJ/kg (10000 kcal/kg)
16
https://ec.europa.eu/eurostat/databrowser/view/sdg_08_10/default/table?lang=en(dostęp: 23.02.2022)
7
Prawnych Uniwersytetu Technologiczno-Humanistycznego im. Kazimierza
Pułaskiego w Radomiu. Praca ta nosi tytuł „Rola OZE w europejskim systemie
energetycznym” i pokazano w niej pozycję Europy w globalnym rynku OZE. Autorzy
pracy wyciągnęli ciekawe wnioski na podstawie swoich badań. Po pierwsze, Europa
do 2013 roku była liderem inwestowania w badania i rozwój technologii OZE,
jednakże w 2013 roku przegoniły ją Chiny. Po drugie, europejska transformacja
energetyczna przebiega w dynamicznym tempie, o czym świadczy dwukrotny wzrost
udziału energii z OZE w końcowym zużyciu energii brutto w latach 2013-201717.
W innej pracy napisanej pod redakcją naukową Alojzego Z. Nowaka,
Mariusza Szałańskiego i Władysławy Zborowskiej z Wydziału Zarządzania
Uniwersytetu Warszawskiego, pt. „Rola odnawialnych źródeł energii w rozwoju
społeczno-ekonomicznym kraju i regionu” autorzy doszli do wniosku, że
zwiększanie udziału energii ze źródeł odnawialnych w bilansach energetycznych
poszczególnych krajów stanowi ważny aspekt przyjętej strategii zrównoważonego
rozwoju, czyli transformacji w kierunku gospodarki niskoemisyjnej, efektywniej
korzystającej z zasobów i konkurencyjnej. Jest to jedno z założeń strategii rozwoju
Unii Europejskiej do 2020 roku18.
Z prac polskich badaczy warto jeszcze zwrócić uwagę na pracę pani Ewy
Jankowskiej z Wydziału Nauk Ekonomicznych i Zarządzania Uniwersytetu Mikołaja
Kopernika w Toruniu, pt. „Środowiskowa krzywa Kuznetsa w dekarbonizacji
europejskich gospodarek”, która porusza temat wpływu wzrostu gospodarczego na
emisję zanieczyszczeń. W pracy tej potwierdziła się hipoteza, że wraz z rozwojem
gospodarki zwiększają się emisje gazów cieplarnianych, a w szczególności dwutlenku
węgla, pochodzącego ze spalania paliw kopalnych19. Wniosek ten jeszcze bardziej
podkreśla rolę OZE w „ekologicznym” wzroście gospodarczym.
W zagranicznych pracach naukowych odnawialne źródła energii również są
bardzo popularną tematyką. Przykładowo w swoim artykule, pt. „Renewable Energy
Sources in the European Union: Markets and Capacity” K. Kaygusuz, Ö. Yüksek i A.
17
Beata Zakrzewska, Konrad Rojek, Rola OZE w europejskim systemie energetycznym, „Autobusy”,
6/2019, Wydziału Nauk Ekonomicznych i Prawnych Uniwersytetu Technologiczno-Humanistycznego
im. Kazimierza Pułaskiego w Radomiu, Radom, 2019, s. 360-352
18
Alojzy Z. Nowak, Mariusz Szałański i Władysława Zborowska, Rola odnawialnych źródeł energii w
rozwoju społeczno-ekonomicznym kraju i regionu, Wydawnictwo Naukowe Wydziału Zarządzania
Uniwersytetu Warszawskiego, Warszawa, 2016, s. 17, s. 30
19
Ewa Jankowska, Środowiskowa krzywa Kuznetsa w dekarbonizacji europejskich gospodarek,
„Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach”, nr 289/2016, Uniwersytet
Ekonomiczny w Katowicach, Katowice, 2016, s. 58
8
Sari z Karadeniz Technical University oraz Gaziosmanapasa University w Turcji
przeanalizowali wydatki na badania i rozwój technologii OZE w UE (UE-15) na
podstawie danych z przełomu XX i XXI wieku. Z ich analizy wynika, że wszystkie
państwa Unii Europejskiej dostrzegły konieczność włączenia OZE do sektora
energetycznego w celu ochrony środowiska, bezpieczeństwa i dywersyfikacji dostaw
energii oraz rozwoju społecznego20.
Niewątpliwie prac naukowych dotyczących OZE jest bardzo wiele, ale rzadko
poruszają one aspekt czysto przestrzenny. Naukowcy zgodnie twierdzą, że rozwój
OZE jest niezbędnym elementem właściwej polityki energetycznej, a na całym
świecie nabierają one coraz większego znaczenia. Ich wnioski częściowo pokrywają
się z postawionymi przeze mnie hipotezami. Jednakże, warto uzupełnić
dotychczasowe analizy o badanie aspektu przestrzennego OZE w UE w XXI wieku.
2.3. Opis zastosowanych metod badawczych

W badaniu zastosowano metody opisowej statystyki przestrzennej oraz
ekonometrii przestrzennej. Generalnie statystyki przestrzenne dzielimy na miary
tendencji centralnej oraz miary dyspersji. W ramach ekonometrii przestrzennej stosuje
się metody służące do poszukiwania zależności przestrzennych i ich modelowania.
Podstawowym zadaniem przestrzennych statystyk opisowych tendencji
centralnej jest wyznaczenie punktu środkowego, wokół którego są skoncentrowane
lokalizacje badanego zjawiska21.
Pierwszą miarą tendencji centralnej, bardzo powszechnie wykorzystywaną,
jest średnia centralna (mean centre) lub inaczej centroid. Stanowi ona środek
ciężkości wyznaczony na podstawie długości i szerokości geograficznej obiektów
rozproszonych w przestrzeni. Średnią długość geograficzną wyznacza się ze wzoru:
∑𝑛
𝑖=1 𝑥𝑖
𝑥̅𝑐 = ,
𝑛
gdzie 𝑥̅𝑐 to średnia długość geograficzna, 𝑥𝑖 𝑡𝑜 długość geograficzna 𝑖 −

tego punktu, zaś 𝑛 to liczba puktów.
20
K. Kaygusuz, Ö. Yüksek i A. Sari, Renewable Energy Sources in the European Union: Markets and
Capacity, “Energy Sources, Part B: Economics, Planning and Policy”, 2:1, s.19-29, Wydział Chemii
Uniwersytetu Technicznego Karadeniz w Trabzon, Wydział Chemii Uniwersytetu Gaziosmanpa¸sa w
Tokat, Taylor and Francis Group, Turcja, 2007, s. 27
21
Jadwiga Suchecka [red.], Statystyka przestrzenna. Metody analiza struktur przestrzennych,
Wydawnictwo C.H. Beck, Warszawa, 2014, s. 112
9
Średnią szerokość geograficzną wyznacza się ze wzoru:
∑𝑛
𝑖=1 𝑦𝑖
𝑦̅𝑐 = ,
𝑛
gdzie 𝑦̅𝑐 to średnia szerokość geograficzna, 𝑦𝑖 to szerokość geograficzna i – tego

punktu, zaś n to liczba punktów22.
Średnią centralną można także skorygować o wartości badanego zjawiska w
poszczególnych miejscach. Wartości te traktuje się jako wagi, a formuły liczenia
średniej ważonej długości oraz średniej ważonej szerokości geograficznych są
następujące:
∑𝑛
𝑖=1 𝑝𝑖 𝑥𝑖 ∑𝑛
𝑖=1 𝑝𝑖 𝑦𝑖
𝑥̅𝑤𝑐 = ∑𝑛
, 𝑦̅𝑤𝑐 = ∑𝑛
,
𝑖=1 𝑝𝑖 𝑖=1 𝑝𝑖
gdzie 𝑝𝑖 to i-ta wartość zmiennej charakteryzującej i-ty punkt, a pozostałe oznaczenia

takie same jak dla zwykłej średniej centralnej23.
Inną miarą tendencji centralnej jest mediana centralna, jednakże jest ona
zdecydowanie rzadziej stosowana.
Podstawową statystyką dyspersji jest średnia odległość (mean distance), która
stanowi uśrednioną odległość pomiędzy wszystkimi punktami zlokalizowanymi w
przestrzeni. Odległości pomiędzy punktami najczęściej się wyznacza jako odległości
euklidesowe. Oblicza się ją ze wzoru:
𝑑𝑖𝑗
𝑀𝐷𝑐 = ∑𝑛−1 𝑛
𝑖=1 ∑𝑗=𝑖+1 ,
𝑛
gdzie 𝑑𝑖𝑗 to odległość pomiędzy punktami (𝑑𝑖𝑗 = √(𝑥𝑖 − 𝑥𝑗 )2 + (𝑦𝑖 − 𝑦𝑗 )2 ).
Średnią odległość można również skorygować o wagi wyrażone relatywnie za

pomocą wartości badanego zjawiska (ważona średnia odległość). Wtedy oblicza się ją
ze wzoru:
𝑀𝐷𝑤 = ∑𝑛−1 𝑛
𝑖=1 ∑𝑗=𝑖+1 𝑓𝑖 𝑓𝑗 𝑑𝑖𝑗 ,
gdzie i, j to numery punktów różnych od siebie, 𝑓𝑖 , 𝑓𝑗 to wagi w wyrażeniu

relatywnym24.
22
Jadwiga Suchecka [red.], Op. cit., s. 113
23
Ibidem, s. 114
24
Ibidem, s. 119
10
Kolejną miarą dyspersji, powszechnie stosowaną, jest średnia odległości
kwadratowych, która mierzy odległość pomiędzy i-tym a j-tym punktem a następnie
pomiędzy j-tym oraz i-tym. Wyznacza się ją za pomocą formuły:
𝐷𝑆 = √∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑑𝑖𝑗

2
,
gdzie 𝑑𝑖𝑗 wylicza się tak samo jak przy średniej odległości.
Miarę tą można również skorygować o wartości badanego zjawiska (ważona średnia
odległości kwadratowych). Wtedy wyznacza się ją ze wzoru:
𝐷𝑆𝑤 = √∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑓𝑖 𝑓𝑗 𝑑𝑖𝑗

2
,
gdzie oznaczenia takie same jak przy ważonej średniej odległości25.

Bardzo ważną statystyką przestrzenną jest odległość standardowa. Jest to
absolutna miara rozproszenia punktów w przestrzeni, która wyraża średnią odległość
punktów od centroidu liczoną w obu kierunkach. Wyznacza się ją ze wzoru:
∑𝑛 2
𝑖=1 𝑑𝑖𝑐
𝑑=√ ,
𝑛
gdzie 𝑑𝑖𝑐 to odległość od średniej centralnej (𝑑𝑖𝑐 = √(𝑥𝑖 − 𝑥𝑐 )2 + (𝑦𝑖 − 𝑦𝑐 )2 ).

Odległość standardową również można skorygować o wartości badanego zjawiska i
wtedy jest ona oparta na ważonej średniej centralnej. Ważoną odległość standardową
oblicza się ze wzoru:
𝑑 = √∑𝑛𝑖=1 𝑓𝑖 𝑑𝑖𝑐
2
,
gdzie 𝑓𝑖 to relatywne wartości badanego zjawiska26.

Analiza struktury zjawisk przestrzennych opiera się na badaniu występowania.
trendów przestrzennych oraz autokorelacji przestrzennej. Trend przestrzenny, czyli
pewna tendencja w rozłożeniu wartości badanego zjawiska w przestrzeni przyjmuje
następującą ogólną postać:
𝑃(𝑠𝑖 ) = ∑𝑝𝑘=0 ∑𝑝𝑚=0 𝜃𝑘,𝑚 𝑥𝑖𝑘 𝑦𝑖𝑚 ,
25
Jadwiga Suchecka [red.], Op. cit., s. 120
26
Ibidem, s. 121
11
gdzie 𝑠𝑖 = [xi, yi] to współrzędne położenia na płaszczyźnie, i = 1, 2, ..., N to indeksy
badanych jednostek przestrzennych, 𝑘 + 𝑚 ≤ 𝑝, zaś p to stopień wielomianu trendu.
Najczęściej wykorzystuje się trendy pierwszego, drugiego i trzeciego stopnia27.
Autokorelacja przestrzenna określa interakcje występujące pomiędzy
wartościami zjawisk w różnych lokalizacjach. Wyróżnia się autokorelację28:
− dodatnią, która oznacza, że wartości zjawiska skupiają się w przestrzeni i
obszary sąsiadujące są podobne
− ujemną, która oznacza, że obszary sąsiadujące różnią się pod względem badanej
zmiennej bardziej niż wynikałoby to z losowego rozłożenia wartości.
W celu wykrycia autokorelacji w odniesieniu do całego obszaru stosuje się
statystykę Morana I. Oblicza się ją ze wzoru:
𝑁 ∑𝑁 𝑁
𝑖=1 ∑𝑗=1 𝑤𝑖𝑗 [𝑦(𝑠𝑖 )−𝑦
̅ ][𝑦(𝑠𝑗 )−𝑦̅]
𝐼 = ∑𝑁 ∑𝑁 𝑤 ∑ 𝑁 [𝑦(𝑠 )−𝑦 ̅] 2 ,
𝑖=1 𝑗=1 𝑖𝑗 𝑖=1 𝑖
gdzie 𝑦(𝑠𝑖 ) to obserwacja zjawiska w regionie i, 𝑦̅ to średnia wartość zjawiska, zaś

𝑤𝑖𝑗 to elementy odpowiedniej macierzy wag29.
Macierz wag W lub inaczej macierz powiązań przestrzennych, lub macierz
sąsiedztwa to w dużym uproszczeniu taka macierz, której elementy 𝑤𝑖𝑗 przyjmują
wartości:
0, gdy 𝑖, 𝑗 nie są sąsiadami

𝑤𝑖𝑗 = { .
1, gdy 𝑖, 𝑗 𝑠ą sąsiadami
Sąsiedztwo nie musi być określone za pomocą wspólnej granicy pomiędzy obszarami.
Można je zdefiniować inaczej, np. dwie jednostki przestrzenne są sąsiadami, jeżeli
odległość od środków tych jednostek nie przekracza pewnej odległości krytycznej30.
Istotność statystyki Morana sprawdza się za pomocą testu Morana, a najłatwiej
jest ją określić za pomocą wartości p. Jeżeli wartość p jest mniejsza od przyjętego
poziomu istotności to odrzuca się hipotezę zerową o nieistotności statystyki Morana i
wtedy autokorelacja przestrzenna występuje. W przeciwnym wypadku statystyka
Morana jest nieistotna, a więc autokorelacja nie występuje.
27
Elżbieta Szulc, Wykład 4, „Analiza przestrzennych zjawisk ekonomicznych”, Toruń, 2021, s. 12
28
Ibidem, s. 41-43
29
Ibidem, s. 46-47
30
Ibidem, s. 48-51
12
Na podstawie zbadanej struktury danego procesu można spróbować zbudować
dla niego model przestrzenny. W literaturze wymienia się wiele różnych modeli tego
typu, jednakże najczęściej wykorzystywane są przestrzenny model autoregresyjny
(SAR) oraz model błędu przestrzennego (SE).
Przestrzenny model autoregresyjny (SAR) przyjmuje następującą postać:
𝑦 = 𝑋𝛽 + 𝜌𝑊𝑦 + 𝑢 𝑜𝑟𝑎𝑧 𝑒~~𝐼𝐼𝐷 𝑁(0,1),
gdzie 𝑦 to wektor realizacji zmiennej zależnej, 𝑋 to macierz realizacji zmiennych

niezależnych, 𝛽 to wektor parametrów, 𝑊 to macierz wag przestrzennych, 𝜌 to
współczynnik regresji przestrzennej, 𝑢 to składnik resztowy modelu, zaś 𝑊𝑦 to
przesunięta przestrzennie zmienna zależna31.
Model błędu przestrzennego (SEM) przyjmuje następującą postać:
𝑦 = 𝑋𝛽 + 𝑢, gdzie 𝑢 = 𝜆𝑊𝑢 + 𝑒 𝑜𝑟𝑎𝑧 𝑒~~𝐼𝐼𝐷 𝑁(0,1),
gdzie 𝜆 to parametr autokorelacji przestrzennej, Wu to przesunięty przestrzennie

składnik resztowy, zaś e to czysty składnik losowy, a pozostałe oznaczenia takie same
jak przy modelu SAR32.
Do oceny jakości modeli SAR i SEM stosuje się testy mnożników Lagrange’a,
a także test LR oraz test Walda.
Testy mnożników Lagrange’a to cztery testy: LMSAR, LMSE, RLMSAR oraz RLMSE.
Test LMSAR wyraża się wzorem:
(𝑒 𝑇 𝑊𝑒/𝜎2 )2
𝐿𝑀𝑆𝐴𝑅 = (𝑊𝑋𝑏)𝑇 𝑀(𝑊𝑋𝑏)
~𝜒 2 (1),
[ +𝑇]
𝜎2
gdzie b – oszacowania MNK, 𝑇 = [𝑡𝑟(𝑊 + 𝑊 2 )𝑊], zaś 𝑀 = 𝐼 − 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇 , a 𝑡𝑟

to operator śladu macierzy, e wektor reszt z MNK, a 𝜎 2 to oszacowany błąd
standardowy.
Wyboru dokonuje się przy na podstawie istotności tej statystyki przy hipotezie
zerowej, że współczynnik regresji przestrzennej 𝜌 jest nieistotny.
Test LMSE wyraża się wzorem:
(𝑒 𝑇 𝑊𝑒/𝜎2 )2
𝐿𝑀𝑆𝐸 = ~𝜒 2 (1),
𝑇
31
Elżbieta Szulc, Wykład 6, „Analiza przestrzennych zjawisk ekonomicznych”, Toruń, 2021, s. 5
32
Ibidem, s. 6
13
gdzie oznaczenia są takie same jak dla LMSAR.
Wyboru dokonuje się na podstawie istotności tej statystyki przy hipotezie zerowej, że
współczynnik autokorelacji przestrzennej 𝜆 jest nieistotny.
Istotność którejś z tych statystyk testowych oznacza, że dany model SAR lub
SEM jest lepszy do opisania wybranej zmiennej zależnej. Jeżeli obie statystyki są
istotne lub nieistotne, to wtedy nie można rozstrzygnąć, który z tych modeli jest
lepszy. W takim przypadku proponuje się wykorzystanie wersji testów „odpornych”,
czyli RLMSAR oraz RLMSE, których wartości są wyznaczane na podstawie reszt z
modelu MNK33.
Test LR (Likelihood Ratio) służy do badania dopasowania modelu do danych
empirycznych. Im wyższa wartość statystyki LR, tym dopasowanie modelu jest
lepsze. Statystykę LR dla modelu SAR określa się wzorem34:
𝐿𝑅𝑆𝐴𝑅 = 2(𝑙𝑜𝑔𝐿𝑀𝑁𝑊(𝜌) − 𝑙𝑜𝑔𝐿𝑀𝑁𝐾 )~𝜒 2 (1),
a statystykę dla modelu SEM następującym wzorem:
𝐿𝑅𝑆𝐸𝑀 = 2(𝑙𝑜𝑔𝐿𝑀𝑁𝑊(𝜆) − 𝑙𝑜𝑔𝐿𝑀𝑁𝐾 )~𝜒 2 (1),
𝑁 𝑁 𝑒 𝑇𝑒
gdzie 𝑙𝑜𝑔𝐿 = − 2 log(2𝜋) − 2 𝑙𝑜𝑔𝜎 2 − 0,5 .
𝜎2
Test Walda służy do badania istnienia zależności przestrzennej. Hipoteza

zerowa tego testu mówi, że zależność przestrzenna pomiędzy badanymi zmiennymi
jest nieistotna. Statystykę Walda dla modelu SAR wyraża się za pomocą wzoru35:
𝜌 2
𝑊𝑎𝑙𝑑(𝜌) = [𝑧(𝜌̂)]2 = [𝑆(𝜌)] ,
a statystykę Walda dla modelu SEM następującym wzorem:
̂ 2
𝜆
𝑊𝑎𝑙𝑑(𝜆) = [𝑧(𝜆̂)]2 = [𝑆(𝜆̂)] .
Opisowych miar statystyki przestrzennej oraz metod ekonometrii

przestrzennej jest bardzo wiele, ale w niniejszym badaniu wykorzystano miary, testy i
modele omówione w tym podrozdziale.
33
Elżbieta Szulc, Wykład 6, Op. cit., s. 7-10
34
Ibidem, s. 14
35
Ibidem, s. 15
14
2.4. Wyniki analizy i ich interpretacja
Analiza wykorzystania OZE w UE w latach 2000, 2010 oraz 2019 przebiegała
w trzech etapach:
a) analiza statystyk przestrzennych wykorzystania OZE w UE,
b) badanie struktury przestrzennej wykorzystania OZE oraz realnego PKB
per capita w państwach UE,
c) budowa modelu przestrzennego opisującego wykorzystanie OZE w
państwach UE w zależności od realnego PKB per capita tych państw.
Tabela 1. Statystyki przestrzenne badanej zmiennej w roku 2000
Geograficzne centrum
Różnica Różnica
Współrzędne Centroid
wykorzystania OZE w
(jm) (km)
UE (2000)
x 13,78034 17,57302 3,79268 341,3412
y 48,98682 53,8091 4,82228 434,0052
Odległość pomiędzy centroidem a geograficznym centrum
Jednostki na mapie Rzeczywista odległość
6,135047 552,15423
Odległość Ważona odległość
Różnica
standardowa standardowa
Promień (jm) 13,47474 17,2767 3,80196
Promień (km) 1212,7266 1554,903 342,1764
Źródło: Opracowanie własne
W tabeli 1 przedstawiono statystyki przestrzenne wykorzystania OZE w UE w

2000 roku. Geograficzne centrum wykorzystania OZE w UE w roku 2000 jest
przesunięte względem centroidu na północ o około 434 km (dodatnia różnica dla
współrzędnej y) oraz w kierunku wschodnim o około 341 km (dodatnia różnica dla
współrzędnej x). Zatem geograficzne centrum wykorzystania OZE w UE jest
przesunięte na północny-wschód od centroidu, wyznaczonego z wykorzystaniem
jedynie wartości współrzędnych położenia państw UE, o około 552 km. Na podstawie
wyników (zakładając normalny rozkład jednostek przestrzennych) można
wnioskować, że 2/3 wszystkich województw jest położonych w promieniu około
1212,73 km od centroidu oraz około 1554,9 km od środka ciężkości zużycia OZE w
UE. Promień ważonej odległości standardowej jest większy niż promień odległości
bez uwzględnienia wag o około 342,18 km. Zatem obszar dyspersji uległ
powiększeniu, biorąc pod uwagę kształtowanie się wartości wykorzystania OZE w
państwach UE.
15
Geograficzne centrum
Różnica Różnica
wykorzystania OZE
(jm) (km)
w UE (2010)
x 13,78034 16,7312 2,95086 265,5774
y 48,98682 52,46404 3,47722 312,9498
4,560546 410,4491
Różnica
Promień (jm) 13,47474 14,90799 1,43325
Promień (km) 1212,7266 1341,7191 128,9925
W tabeli 2 przedstawiono statystyki przestrzenne zużycia OZE w UE w 2010

roku. Geograficzne centrum wykorzystania OZE w UE w roku 2010 jest przesunięte
względem centroidu na północ o około 313 km (dodatnia różnica dla współrzędnej y)
oraz w kierunku wschodnim o około 266 km (dodatnia różnica dla współrzędnej x).
Zatem geograficzne centrum wykorzystania OZE w UE jest przesunięte na północny-
wschód od centroidu, wyznaczonego z wykorzystaniem jedynie wartości
współrzędnych położenia państw UE, o około 410 km. Na podstawie wyników
(zakładając normalny rozkład jednostek przestrzennych) można stwierdzić, że 2/3
wszystkich województw jest położonych w promieniu około 1341,7 km od środka
ciężkości zużycia OZE w UE. Odległość standardowa od centroidu nie uległa zmianie
(ponieważ wynika tylko z położenia geograficznego). Promień ważonej odległości
standardowej jest większy niż promień odległości bez uwzględnienia wag o około 129
km. Zatem obszar dyspersji uległ powiększeniu, biorąc pod uwagę kształtowanie się
wartości wykorzystania OZE w państwach UE.
W tabeli 3 przedstawiono statystyki przestrzenne wykorzystania OZE w UE w
2019 roku. Geograficzne centrum wykorzystania OZE w UE w roku 2019 jest
przesunięte względem centroidu na północ o około 320 km (dodatnia różnica dla
współrzędnej y) oraz w kierunku wschodnim o około 269 km (dodatnia różnica dla
współrzędnej x). Zatem geograficzne centrum wykorzystania OZE w UE jest
przesunięte na północny-wschód od centroidu, wyznaczonego z wykorzystaniem
jedynie wartości współrzędnych położenia państw UE, o około 418 km.
16
Geograficzne
centrum Różnica Różnica
wykorzystania OZE (jm) (km)
w UE (2019)
x 13,78034 16,77368 2,99334 269,4006
y 48,98682 52,53949 3,55267 319,7403
4,645591 418,1032
Różnica
Promień (jm) 13,47474 14,92704 1,4523
Promień (km) 1212,7266 1343,4336 130,707
Na podstawie wyników (zakładając normalny rozkład jednostek

przestrzennych) można stwierdzić, że 2/3 wszystkich województw jest położonych w
promieniu około 1341,7 km od środka ciężkości zużycia OZE w UE. Odległość
standardowa od centroidu nie uległa zmianie. Promień ważonej odległości
standardowej jest większy niż promień odległości bez uwzględnienia wag o około 131
km. Zatem obszar dyspersji uległ powiększeniu, biorąc pod uwagę kształtowanie się
wartości wykorzystania OZE w państwach UE. Powiększenie to było delikatnie
większe niż w 2010 roku, ale zdecydowanie mniejsze niż w 2000 roku.
Tabela 4. Zmiany statystyk przestrzennych badanej zmiennej w latach 2000-2019
Rok: - 2000 2010 2019
Współrzędne Centroid Środek ciężkości
x 13,78034 17,57302 16,7312 16,77368

y 48,98682 53,8091 52,46404 52,53949
Odległość od centroidu (km)
x - 341,3412 265,5774 269,4006
y - 434,0052 312,9498 319,7403
Odległość względem wcześniejszego roku badania (km)
x - - -75,7638 3,8232
y - - -121,0554 6,7905
Odległość standardowa Ważona odległość standardowa
Promień (jm) 13,47474 17,2767 14,90799 14,92704
Promień (km) 1212,7266 1554,903 1341,7191 1343,4336
17
W tabeli 4 przedstawiono zmiany statystyk przestrzennych wykorzystania
OZE w UE w latach 2000-2019 (w 10-letnich odstępach). Wartość różnicy dla
współrzędnych x oraz y się zmniejszała, co oznacza, że przesunięcia geograficznego
centrum wykorzystania OZE w UE na wschód i na północ były coraz mniejsze. Warto
zauważyć, że w pierwszych dziesięciu latach badanego okresu przesunięcia te były
bardzo duże, ale od 2010 roku wielkość tych zmian zdecydowanie się zmniejszyła co
może oznaczać, że zużycie OZE w UE wzrasta, ale w coraz wolniejszym tempie.
Może to również świadczyć o stabilizacji różnicy w zużyciu OZE pomiędzy
państwami UE położonymi na północy i wschodzie a tymi położonymi na południu i
zachodzie. Ważony środek ciężkości do 2010 roku bardzo zbliżył się do centroidu, co
świadczy o wzroście koncentracji wykorzystania OZE w UE w tamtym okresie. Na
podstawie wyników (zakładając normalny rozkład jednostek przestrzennych) można
wnioskować, że 2/3 wszystkich państw UE jest położonych w promieniu około 1300-
1500 km od centroidu oraz środka ciężkości procesu stopy bezrobocia w każdym z lat
badania. Nie można jednak powiedzieć, że zmiany ważonej odległości standardowej
w badanych latach są małe i nieistotne, ponieważ potwierdzają one postępującą
konwergencję państw UE w zakresie wykorzystania OZE. Obszar dyspersji ulegał
coraz mniejszym zmianom od 2010 roku, a więc można powiedzieć, że różnice
między państwami się stabilizowały, z tymże były zdecydowanie mniejsze niż pod
koniec XX wieku. Wszystkie państwa UE od początku XXI wieku poczyniły znaczne
postępy w zakresie wykorzystania OZE i zaczęły gonić liderów, którymi
zdecydowanie są państwa skandynawskie, a szczególnie Szwecja i Finlandia (stąd
przesunięcie na północny wschód). Z pewnością to wyrównywanie się poziomu
wykorzystania to efekt strategii UE dotyczącej transformacji energetycznej krajów
członkowskich do 2050 roku. Jednak stabilizacja różnic między państwami UE w
zakresie wykorzystania OZE tylko utwierdza w przekonaniu, że część państw nie jest
w stanie zrealizować tej strategii w przyjętym czasie.
W tabeli 5 przedstawiono odległości państw UE od centroidu oraz ważonego
środka ciężkości w latach 2000, 2010 oraz 2019. Odległość od centroidu jest stała,
ponieważ wynika jedynie z położenia geograficznego państw, a najbliżej centroidu
leży Austria, zaś najdalej Portugalia. Odległości od geograficznego centrum
wykorzystania OZE w UE są bardzo różne, ale zdecydowanie najdalej od tego
centrum w latach 2000-2019 leżała Portugalia, zaś najbliżej Polska.
18
Tabela 5. Odległości państw UE od centroidu oraz od geograficznego centrum
ważonego wykorzystaniem OZE w UE w latach 2000, 2010 oraz 2019
Odległość od Odległość od Odległość od Odległość od
centroidu (km) środka ciężkości w 2000 środka ciężkości w 2010 środka ciężkości w 2019
roku (km) roku (km) roku (km)
Austria 130,09023 639,39177 496,86336 504,65394
Belgia 834,1281 1196,5419 1098,63027 1103,44203
Bułgaria 1173,58389 1210,36725 1161,49302 1164,1041
Cypr 2153,20509 2198,8872 2158,75395 2161,06731
Czechy 155,25585 418,10661 275,63607 283,42341
Niemcy 359,78229 691,93152 584,68905 589,89006
Dania 761,87826 768,72753 743,00589 743,36472
Estonia 1392,94521 863,97903 992,90754 985,92714
Hiszpania 1741,42791 2252,57418 2124,60831 2131,37046
Finlandia 1794,66489 1242,56124 1384,3953 1376,69895
Francja 1040,91543 1506,18402 1387,91115 1394,0298
Grecja 1139,99904 1328,38821 1245,97863 1250,49393
Chorwacja 420,28353 786,98412 659,71674 666,66906
Węgry 532,73151 620,43651 534,46275 538,8345
Irlandia 2008,91259 2315,29284 2239,73559 2243,37438
Włochy 512,37468 1045,54251 903,19599 910,9827
Litwa 1073,93895 584,30772 693,65412 687,59226
Luksemburg 695,55564 1095,13053 987,56019 992,94633
Łotwa 1227,89727 716,34798 836,77122 830,20509
Malta 1180,36548 1637,33904 1506,00501 1513,25784
Holandia 788,9121 1082,56491 997,87896 1001,8539
Polska 579,80592 224,09361 242,72991 239,89977
Portugalia 2128,64058 2626,55514 2502,62343 2509,14375
Rumunia 1047,51234 979,56837 952,56603 953,86527
Szwecja 1274,89554 816,11001 933,74379 926,95653
Słowenia 274,5459 735,02397 596,30382 603,91062
Słowacja 514,05264 490,3263 419,20281 422,47818
Wielka 1533,79053 1808,85834 1738,16271 1741,46904

Brytania
19
Warto zwrócić uwagę na duże zmniejszenie się wartości tych odległości w
latach 2000-2010, co ponownie świadczy o postępującej koncentracji wykorzystania
OZE w UE w tamtych latach. Delikatny wzrost odległości od ważonego środka
ciężkości w latach 2010-2019 świadczy zaś o stabilizacji różnic pomiędzy państwami
UE pod względem zużycia OZE, bo trudno jest wnioskować o jakimś mocnym
trendzie zwyżkowym w tej odległości od roku 2010. Niewątpliwie zaś, otrzymane
wyniki po raz kolejny potwierdzają hipotezę o wyrównywaniu się poziomów
wykorzystania OZE w państwach UE.
Rysunek 1. Geograficzne centrum wykorzystania OZE w UE w latach 2000-2019
Na rysunku 1 pokazano geograficzne centrum wykorzystania OZE w latach

2010-2019 oraz położenie centroidu. Co istotne, na mapie Unii Europejskiej bardzo
widoczne jest przesunięcie tego centrum na północny – wschód w stosunku do
centroidu. Główny wpływ na to przesunięcie mają wysokie wartości wykorzystania
OZE w państwach leżących na północy i północnym – wschodzie. Wszystkie ważone
środki ciężkości oraz centroid leżą na terenie Polski, ale akurat to wynika z położenia
geograficznego tego kraju na mapie Europy. Warto jednak zwrócić uwagę na fakt, że
państwa zachodnie, charakteryzujące się wyższym poziomem rozwoju gospodarczego
niż wschodnie wcale nie wywołały przesunięcia się geograficznego centrum na
zachód, co może świadczyć o tym, że duży wzrost gospodarczy nie musi wiązać się z
20
wysokim wykorzystaniem OZE. Na pewno zaś państwa te są daleko w tyle za
krajami skandynawskimi, które, jak już wspomniano, są europejskimi liderami pod
tym względem.
Podsumowując tą wstępną analizę statystyczną, można zauważyć, że państwa
UE były bardzo podzielone pod względem wykorzystania OZE pod koniec XX
wieku, jednakże przez pierwsze dziesięć lat XXI wieku dystans pomiędzy
najlepszymi i najsłabszymi państwami pod tym względem się zdecydowanie
zmniejszył, a potem zaczął się stabilizować. Możliwe, że kraje w mniejszym stopniu
korzystające z OZE nie są w stanie sprostać wymaganiom UE i na tyle zwiększyć to
zużycie, aby dorównać państwom, które dominują w tym wykorzystaniu.
Zanim przanalizowano strukturę zmiennych, zbadano przestrzenne rozkłady
wykorzystania OZE w państwach UE w poszczególnych latach badania, które są
przedstawione na rysunkach 2-4.
Rysunek 2. Przestrzenny rozkład wykorzystania OZE w państwach UE w roku 2000
W 2000 roku zdecydowanie widoczny był trend w kształtowaniu się

wykorzystania OZE w UE. Wyraźnie wysokie zużycie OZE charakteryzuje państwa
skandynawskie oraz bałtyckie, co można było wnioskować już na podstawie analizy
statystyk przestrzennych. Również Czechy, Francja, Portugalia, Austria oraz państwa
bałkańskie chętnie sięgają po odnawialne źródła. Co ciekawe, największe gospodarki
21
europejskie, czyli Wielka Brytania i Niemcy wcale nie wyróżniają się pod względem
wykorzystania OZE. Tak jak większość państw UE, ich zużycie OZE ma wartość w
okolicach mediany. Żaden kraj nie zużywał w 2000 roku bardzo mało OZE, stąd brak
państw w I grupie. Na mapie Europy tworzą się wyraźne spójne obszary pod
względem wykorzystania OZE, szczególnie w północnej i środkowej Europie.
W 2010 roku doszło do kilku istotnych zmian w kształtowaniu się

wykorzystania OZE w UE. Bardzo negatywnie zaczęły się wyróżniać Wielka
Brytania i Irlandia, w których zużycie OZE było najniższe w całej UE. Również
państwa bałkańskie przestały być liderami zużycia OZE w UE, a wartość ich
wykorzystania zbliżyła się do mediany. Na mapie Europy największa „plama” jest
pomarańczowa, a więc wciąż większość państw UE ma wartość zużycia OZE w
okolicach mediany. Państwa skandynawskie pozostały liderami pod tym względem w
Europie.
22
W 2019 roku doszło do wielu zmian w przestrzennym rozkładzie

wykorzystania OZE w UE w stosunku do 2010 roku. Przede wszystkim żadne z
państw nie trafiło do drugiej grupy. Łotwa została przeniesiona z czwartej, najlepszej
grupy do pierwszej, najsłabszej. Może to oznaczać, że nie potrafi ona „dotrzymać
kroku” państwom zachodnim w zwiększaniu wykorzystania OZE. W roku tym
zdecydowanie lepiej wypadły Niemcy i Wielka Brytania niż w poprzednich
analizowanych latach. Trafiły one do trzeciej grupy. Z pierwszej grupy wypadła
również Szwecja, jednak wykorzystanie OZE wciąż pozostaje w niej wysokie.
Zdecydowanymi liderami w 2019 roku wciąż były Finlandia oraz Austria. Na mapie
można dostrzec spójny obszar pod względem wykorzystania OZE w Europie
zachodniej oraz centralnej. Jednak spora liczba państw w najsłabszej grupie nie
napawała optymizmem w kontekście realizacji transformacji energetycznej UE.
Analizę struktury wykorzystania OZE w UE (zmienna Y) oraz realnego PKB
per capita (zmienna X) rozpoczęto od zbadania stopnia wielomianu trendu
przestrzennego dla tych zmiennych. Do danych dołączono współczynniki trendu
liniowego, drugiego stopnia oraz trzeciego. Następnie zbudowano z nimi modele
opisujące badane zmienne oraz zbadano za pomocą testu F istotność spadku wariancji
resztowej przy przejściu z modelu trendu niższego do modelu trendu wyższego
stopnia. Następnie, wykonano analizę autoregresji za pomocą testu Morana, jednakże
zbadano tylko globalną autokorelację przestrzenną, gdyż ona jest wystarczająca do
23
budowy modelu przestrzennego. Po zbadaniu struktury tych zmiennych zbudowano z
nimi model (liniowy i/lub autoregresyjny). Wyniki dla 2000 roku przedstawiono w
tabelach 6-7 oraz na rysunku 5, dla 2010 roku w tabelach 8-9 oraz na rysunku 6, zaś
dla 2019 roku w tabelach 10-11 oraz na rysunku 7.
Tabela 6. Podsumowanie identyfikacji przestrzennej struktury procesów X i Y w 2000

roku
Wykorzystanie OZE (Y) Realny PKB per capita (X)

Trend Autokorelacja Trend Autokorelacja
przestrzenny przestrzenna przestrzenny przestrzenna
+ - + +
II stopnia I=0,163 I stopnia I=0,286
Badanie struktury przestrzennej procesu Y w 2000 roku wykazało

występowanie trendu przestrzennego II stopnia. Przynajmniej jeden ze
współczynników trendu odpowiednio dla trendu I stopnia, II stopnia oraz III stopnia
był istotny, ale statystyka testu F była większa od wartości krytycznej tylko przy
przejściu z trendu I stopnia do trendu II stopnia. Na podstawie wyników testu Morana
stwierdzono brak autokorelacji przestrzennej dla zmiennej Y. Wartość p dla statystyki
testu Morana wyniosła około 0,13 i była większa od przyjętego poziomu istotności
0,05. Nieistotna dodatnia statystyka Morana oznacza, że wartości wykorzystania OZE
w sąsiednich państwach UE układają się losowo, a więc przykładowo większa
wartość zużycia OZE w danym państwie nie oznacza wcale większej lub mniejszej
wartości zużycia OZE u sąsiadów tego państwa. Występowanie trendu świadczy zaś o
tym, że wartości wykorzystania OZE w UE tworzą jednorodne obszary, wykazują
wyraźną tendencję rozłożenia w przestrzeni. Zmienną X, czyli realny PKB per capita
charakteryzuje trend przestrzenny I stopnia, a także występuje w niej niezbyt silna
dodatnia autokorelacja przestrzenna. dodatnia autokorelacja przestrzenna.
charakteryzuje trend przestrzenny I stopnia, a także występuje w niej niezbyt silna
dodatnia autokorelacja przestrzenna.
Na rysunku 5 pokazano przynależność państw UE do wykresu Morana. Jest to
graficzne ujęcie wyników testu Morana. Warto zwrócić uwagę na bardzo losowe
rozłożenie badanych obiektów w ćwiartkach wykresu Morana.
24
Rysunek 5. Przynależność państw UE do ćwiartek wykresu Morana w 2000 roku
Nie tworzą się żadne większe spójne obszary pod względem państw, które
trafiły do tych samych ćwiartek. Wyjątkiem jest spójny obszar w środkowej Europie –
Polska oraz państwa bałtyckie. Nie można więc powiedzieć, że państwa o wysokich
(niskich) wartościach wykorzystania OZE są otoczone państwami o wysokich
(niskich) wartościach tej zmiennej. Tak samo niskie wartości nie sąsiadują z
wysokimi, a wysokie z niskimi.
Z racji na brak autokorelacji w strukturze zmiennej zależnej, budowa
przestrzennego modelu autoregresyjnego nie ma uzasadnienia. Stąd też zbudowano
tylko model liniowy dla wykorzystania OZE w zależności od realnego PKB per capita
w 2000 roku. Wyniki tej estymacji przedstawiono w tabeli 7.
Estymacja modelu liniowego nie wykazała istotnej zależności pomiędzy
wykorzystaniem OZE w państwach UE a realnym PKB per capita w 2000 roku. Może
to być też związane z tym, że zależność ta nie występuje na poziomie przestrzennym,
ale przykładowo dla UE jako całości mogłaby już występować. W tej pracy jednak
przeprowadzono analizę przestrzenną wykorzystania OZE. Omawiany model ma
niezłe dopasowanie do danych empirycznych (76%), ale nie zmienia to faktu, że
należałoby poszukać innej zmiennej do opisania zmiennej Y w 2000 roku niż realny
PKB per capita.
25
Tabela 7. Wyniki estymacji i weryfikacji modelu liniowego dla wykorzystania OZE w
zależności od realnego PKB per capita w 2000 roku
Parametr Ocena Błąd standardowy Statystyka t P-value

stała 2.853e+00 9.372e-01 3.045 0.00616 **
x -3.816e-02 1.433e-02 -2.662 0.01457 *
y -1.136e-01 3.847e-02 -2.952 0.00761 **
x2 3.204e-05 1.960e-04 0.163 0.87172
xy 8.591e-04 2.827e-04 3.038 0.00625 **
y2 1.134e-03 4.089e-04 2.774 0.01138 *
X 1.142e-06 1.891e-06 0.604 0.55217
Błąd standardowy reszt: 0,1064
Współczynnik R2: 0,76
Statystyka F: 11,09 p-value: 1,36E-05
W 2000 roku nie potwierdziły się więc hipoteza o występowaniu istotnej

zależności pomiędzy wykorzystaniem OZE a realnym PKB per capita w państwach
UE, a także hipoteza o występowaniu istotnej zależności pomiędzy sąsiednimi
państwami UE w zakresie wykorzystania OZE.
W tabeli 8 przedstawiono wyniki badania struktury zmiennych X oraz Y w
2010 roku. Zmienną Y charakteryzuje trend przestrzenny I stopnia oraz dość silna
dodatnia autokorelacja przestrzenna. Identyfikacja struktury przestrzennej zmiennej X
wykazała występowanie trendu przestrzennego I stopnia oraz dość słabej dodatniej
autokorelacji przestrzennej.

roku
Wykorzystanie OZE (Y) Realny PKB per capita (X)

+ + + +
I stopnia I=0,447 I stopnia I=0,253
26
Wyniki różnią się więc od tych dla roku 2000. Jest to z pewnością związane z
silną zmiennością wartości wykorzystania OZE w czasie i przestrzeni. Na przestrzeni
10 lat wartości te bardzo się zmieniły, wiele państw znacznie zwiększyło to
wykorzystanie w stosunku do 2000 roku, co może mieć wpływ na występowanie
autokorelacji przestrzennej w zmiennej Y w 2010 roku.
Na rysunku 6 pokazano graficzne ujęcie wyników testu Morana dla

zmiennej Y. Wyraźnie widać, dlaczego występuje globalna autokorelacja
przestrzenna w zmiennej Y. Na mapie Europy utworzył się spójny obszar państw
należących do III ćwiartki wykresu Morana, a więc państw o niskich wartościach
wykorzystania OZE otoczonych państwami również o niskich wartościach tej
zmiennej. Rozciąga się on w Europie centralnej (i częściowo też zachodniej), a także
południowo-wschodniej. Można więc powiedzieć, że lokalizacja tłumaczy zmienność
wykorzystania OZE. W 2010 roku można wysnuć wniosek, że państwa o niskich
wartościach wykorzystania OZE mają wpływ na niskie wartości tego wykorzystania u
swoich sąsiadów.
Z racji na występowanie autokorelacji przestrzennej w zmiennej Y oprócz
modelu liniowego opisującego zależność wykorzystania OZE w państwach UE od
realnego PKB per capita w 2010 roku, zbudowano także modele autoregresji
27
przestrzennej. Zgodnie ze strukturą przestrzenną badanych zmiennych dodano do
modeli trend I stopnia.
zależności od realnego PKB per capita w 2010 roku
Parametr Ocena Błąd Statystyka t P-value

standardowy
stała -5,799e-01 1,898e-01 -3,056 0,00543 **
x 6,146e-03 2,897e-03 2,122 0,04438 *
y 1,432e-02 4,000e-03 3,579 0,00151 **
X 1,266e-06 1,983e-06 0,639 0,52917
Błąd standardowy reszt: 0,146
Współczynnik R : 2
0,474
Statystyka F: 7,2 p-value: 0,001305
W tabeli 9 przedstawiono wyniki estymacji modelu liniowego dla

wykorzystania OZE w zależności od realnego PKB per capita w państwach UE w
2010 roku, Model ten ma bardzo słabe dopasowanie do danych empirycznych
(R2<50%), co wynika z tego, że nie uwzględniono w nim przesunięcia przestrzennego
zmiennej Y. Potwierdza on zaś wyniki dla 2000 roku, a więc brak istotnej zależności
pomiędzy wykorzystaniem OZE w państwach UE a realnym PKB per capita.
Tabela 10. Wyniki testów Lagrange’a dla zależności przestrzennych wykorzystania
OZE w zależności od realnego PKB per capita w państwach UE w 2010 roku
Test Wartość statystyki p-value

LMerr 5,76567 0,016342 *
LMlag 6,94104 0,008424 **
RLMerr 0,20551 0,65031
RLMlag 1,38088 0,239951
W tabeli 10 przedstawiono wyniki testów Lagrange’a dla zależności

przestrzennych zmiennej Y od zmiennej X w 2010 roku. Wykonano je, aby ocenić,
który model – SAR czy SE jest lepszy do opisania kształtowania się zmiennej Y w
przestrzeni oraz, czy należy w tych modelach uwzględniać przesunięcie przestrzenne
zmiennej X. Testy te nie dały jednoznacznej odpowiedzi, który model jest lepszy
(obydwie statystyki LMerr i LMlag są istotne na poziomie istotności 0,05). Również
odporna wersja testu LM nie daje odpowiedzi, czy należy uwzględnić przesunięcie
przestrzenne zmiennej X przy estymacji modelu autoregresyjnego (obydwie statystyki
28
RLMerr oraz RLMlag są nieistotne. Zbudowane zostały więc modele SAR oraz SE z
przesuniętą zmienną X (WX) oraz bez tego przesunięcia.
Tabela 11. Wyniki estymacji i weryfikacji modelu SAR dla zależności wykorzystania
OZE od realnego PKB per capita w 2010 roku z uwzględnieniem WX
Parametr Ocena Błąd standardowy Statystyka z Pr(>|z|) p-value

stała 3,30E-01 1,99E-01 -1,6634 0,09624 0,09624
x 5,53E-03 3,57E-03 1,5501 0,12111 0,87889
y 6,95E-03 4,97E-03 1,3973 0,16233 0,83767
X 7,46E-07 1,92E-06 0,3874 0,69843 0,30157
WX 1,83E-06 3,48E-06 0,5257 0,59913 0,40087
ρ= 0,38863 Statystyka LR: 5,3117 p-value: 0,021183
Statystyka Walda: 5,8879 p-value: 0,015245
Log likelihood: 17,26228 AIC: -20,525
Test Morana: -0,04961 p-value: 0,4788
W tabeli 11 przedstawiono wyniki estymacji i weryfikacji modelu SAR dla

zależności wykorzystania OZE od realnego PKB per capita w państwach UE w 2010
roku z uwzględnieniem przesunięcia przestrzennego zmiennej X. Co istotne,
wszystkie zmienne w tym modelu są nieistotne. Jest to model bardzo słabej jakości,
chociaż nie występuje w nim autokorelacja przestrzenna. Mały dodatni iloraz
wiarygodności oraz bardzo mała wartość kryterium Akaike’a również świadczą o
tym, że model ten jest zbyt oszczędny w opisywaniu zmiennej Y. Mimo nieistotności
zmiennej X, statystyka Walda wykazała, że zmienna ta wywiera istotny wpływ na
zmienną zależną. Parametr ρ można zinterpretować w taki sposób, że wzrost
średniego wykorzystania OZE u sąsiadów powoduje wzrost tego wykorzystania w
danym państwie UE o 0,39 TOE/mieszkańca. Generalnie jednak model ten nie ma
dobrych własności interpretacyjnych i tak naprawdę mówi nam bardzo mało o
kształtowaniu się wykorzystania OZE w 2010 roku w przestrzeni.
roku. Model ten jest równie słabej jakości, co model uwzględniający przesunięcie
przestrzenne zmiennej X.
29
OZE od realnego PKB per capita w 2010 roku

stała -3,38E-01 1,72E-01 -1,964 0,04953 0,04954
x 4,45E-03 2,37E-03 1,7918 0,05994 0,94006
y 7,93E-03 3,91E-03 2,0282 0,04254 0,95746
X 1,19E-06 1,57E-06 0,7561 0,44958 0,55042
Parametr ρ można zinterpretować w taki sposób, że wzrost średniego

wykorzystania OZE u sąsiadów powoduje wzrost tego wykorzystania w danym
państwie UE o 0,4 TOE/mieszkańca. Tak naprawdę wszystkie wnioski, które można
wysnuć na jego podstawie są takie same, jak te na podstawie modelu przedstawionego
w tabeli 11. Samo kryterium Akaike’a wskazuje, że model bez przesuniętej zmiennej
X jest lepszy. Trudno jednak jednoznacznie stwierdzić, że rzeczywiście lepiej opisuje
on zmienną Y. Z pewnością zaś obydwa modele nie potwierdzają hipotezy, że
wykorzystanie OZE w państwach UE jest zależne od PKB tych państw.
W tabeli 13 przedstawiono wyniki estymacji i weryfikacji modelu SE dla
roku z uwzględnieniem przesunięcia przestrzennego zmiennej X. Model ten,
podobnie jak modele SAR jest bardzo słabej jakości Wszystkie parametry w tym
modelu są nieistotne, a iloraz wiarygodności oraz kryterium Akaike’a znowu
przyjmują małe wartości, czyli model ten zbyt oszczędnie opisuje zmienną zależną.
Statystyka Walda wykazuje, że zmienna X ma istotny wpływ na zmienną Y. Parametr
λ można zinterpretować w taki sposób, że wzrost średniego wykorzystania OZE u
sąsiadów powoduje wzrost tego wykorzystania w danym państwie UE o 0,44
TOE/mieszkańca. Jednakże model ten ma bardzo słabą wartość interpretacyjną i
należałoby uwzględnić w nim inne zmienne niezależne.
30
Tabela 13. Wyniki estymacji i weryfikacji modelu SE dla zależności wykorzystania
OZE od realnego PKB per capita w 2010 roku z uwzględnieniem WX
stała -0,44787 0,29606 -1,5127 0,13034 0,13034
x 0,00808 0,004624 1,7474 0,08057 0,91943
y 0,010011 0,006971 1,4360 0,15101 0,84899
X 1,12E-06 1,86E-06 0,6014 0,54759 0,45241
WX 2,64E-06 3,71E-06 0,712 0,47646 0,52354
λ= 0,4433 Statystyka LR: 5,6104 p-value: 0,01785

zależności wykorzystania OZE od realnego PKB per capita w 2010 roku.

stała -0,56614 0,21095 -2,6838 0,00728 0,00728
x 0,005641 0,003148 1,7918 0,07317 0,926831
y 0,014181 0,004285 3,3096 0,000934 0,999066
X 9,29E-07 1,73E-06 0,5375 0,590949 0,409051
Po pierwsze, wyniki estymacji modelu SE bez przesunięcia przestrzennego

zmiennej X nie różnią się zbytnio od tych z uwzględnieniem tego przesunięcia.
Wszystkie zmienne są nieistotne, w modelu nie występuje autokorelacja przestrzenna,
a iloraz wiarygodności ma bardzo małą wartość, tylko niewiele większą od tej z
modelu przedstawionego w tabeli 13. Co ważne, wartość λ również prawie nie
zmieniła się w wyniku eliminacji WX. Wartość tego parametru można zinterpretować
w taki sposób, że wzrost średniego wykorzystania OZE u sąsiadów powoduje wzrost
tego wykorzystania w danym państwie UE o 0,46 TOE/mieszkańca. Generalnie więc
rzędy wielkości parametrów ρ oraz λ są bardzo zbliżone, a więc może to wskazywać
na pewną zgodność oszacowanych modeli w tym względzie. Na podstawie wartości
kryterium Akaike’a można wnioskować, że model bez przesunięcia przestrzennego
31
zmiennej X jest lepszy (mniejsza utrata informacji), jednakże jest to na tyle mała
różnica, że trudno jest jednoznacznie wskazać, który z omawianych modeli lepiej
opisuje zmienną zależną.
Tabela 15. Podsumowanie identyfikacji przestrzennej struktury procesów X i Y w

2019 roku
Wykorzystanie OZE Realny PKB per capita

+ + + -
I stopnia I=0,546 I stopnia I=0,157
W tabeli 8 przedstawiono wyniki badania struktury zmiennych X oraz Y w

2019 roku. Zmienną Y charakteryzuje trend przestrzenny I stopnia oraz dość silna
dodatnia autokorelacja przestrzenna. Identyfikacja struktury przestrzennej zmiennej X
wykazała występowanie trendu przestrzennego I stopnia oraz brak autokorelacji
przestrzennej (p-value=0,1198 > 0,05). Wyniki więc różnią się od tych dla 2000 oraz
2010 roku. Niewątpliwie ma na to wpływ upływ czasu i duża zmienność
wykorzystania OZE w UE. Realny PKB per capita przestał wykazywać autokorelację,
a więc w 2019 roku wielkość tej zmiennej w danym państwie UE nie była zależna od
wartości PKB sąsiadów tego państwa. Zbudowane więc zostały modele: liniowy oraz
dla przesunięcia przestrzennego zmiennej Y bez uwzględnienia przesunięcia
przestrzennego zmiennej X (bo nie ma to uzasadnienia w strukturze tej zmiennej).
Na rysunku 7 pokazano graficzne ujęcie wyników testu Morana dla zmiennej
Y. W stosunku do roku 2010 przynależność państw UE do ćwiartek wykresu Morana
w ogóle się nie zmieniła, co z pewnością jest związane z wyrównywaniem się
poziomu zużycia OZE w państwach UE. Na mapie widoczne są wszystkie trendy,
które były obecne w Europie już w 2010 roku. Można więc zauważyć, że nowe
przepisy unijne dotyczące „zielonej energii” oraz moda na ekologię spowodowały
postępującą konwergencję państw UE pod względem wykorzystania OZE.
Niewątpliwie, od początku badanego okresu wyróżniają się państwa
skandynawskie, które od końca XXI wieku do 2019 roku ciągle pozostawały liderami
pod względem wykorzystania OZE.
32
Odnawialne źródła energii są więc bardzo ważną częścią ich systemu energetycznego.
Państwa zachodnie, mimo upływu 20 lat wciąż charakteryzują się stosunkowo niskim
wykorzystaniem OZE (poza Francją). Nie nadgoniły więc one dystansu dzielącego je
od państw północno – wschodnich. Mimo dużej zmienności wykorzystania OZE w
czasie, dotychczasowa analiza pozwala wysnuć wniosek, że proces transformacji
energetycznej UE jest procesem bardzo długotrwałym, a większość państw jeszcze
przez długi czas będzie opierało swój system energetyczny na węglu.
W tabeli 16 przedstawiono wyniki estymacji modelu liniowego dla
wykorzystania OZE w zależności od realnego PKB per capita w państwach UE w
2019 roku, Model ten ma bardzo słabe dopasowanie do danych empirycznych
(R2<50%), co wynika m.in. z tego, że nie uwzględniono w nim przesunięcia
przestrzennego zmiennej Y. Potwierdza on zaś wyniki dla 2000 i 2010 roku, a więc
brak istotnej zależności pomiędzy wykorzystaniem OZE w państwach UE a realnym
PKB per capita.
33
Tabela 16. Wyniki estymacji i weryfikacji modelu liniowego dla wykorzystania OZE
w zależności od realnego PKB per capita w 2019 roku
Parametr Ocena Błąd standardowy Statystyka t P-value

stała -7,20E-01 2,39E-01 -3,015 0,00598 **
x 8,01E-03 3,83E-03 2,089 0,04745 *
y 1,72E-02 5,18E-03 3,328 0,00282 **
X 1,86E-06 2,52E-06 0,74 0,46674
Błąd standardowy 0,1837 Współczynnik R2: 0,4658
reszt:
Statystyka F: 6,975 p-value: 0,00155
W tabeli 17 przedstawiono przedstawiono wyniki testów Lagrange’a dla

zależności przestrzennych zmiennej Y od zmiennej X w 2019 roku.
OZE w zależności od realnego PKB per capita w państwach UE w 2019 roku
Test Wartość statystyki p-value

LMerr 8,937920 0,002793 **
LMlag 9,974240 0,001587 **
RLMerr 0,053233 0,817531
RLMlag 1,089552 0,296570
Testy Lagrange’a nie rozstrzygają, który z modeli – SAR czy SE jest lepszy
do opisania zmiennej Y w zależności od zmiennej X. Również nie podpowiadają one,
czy należy uwzględnieć w tych modelach przesunięcie przestrzenne zmiennej X, ale
jak już ustalono przy analizie struktury tej zmiennej w 2019 roku, nie występuje w
niej autokorelacja przestrzenna, a więc jej przesunięcie nie zostało dodane do modeli
SAR i SE.

stała -3,43E-01 2,02E-01 -1,6966 0,08978 0,08978
x 5,99E-03 2,94E-03 2,0356 0,04179 0,95821
y 7,45E-03 4,69E-03 1,5876 0,11238 0,88762
X 2,00E-06 1,89E-06 1,0536 0,29205 0,70795
34
roku. Model ten jest słabej jakości, a wpływ na to ma nieistotność wszystkich
parametrów, a także bardzo mała wartość ilorazu wiarygodności. Nie występuje w
nim autokorelacja. Parametr ρ można zinterpretować w taki sposób, że wzrost
średniego wykorzystania OZE u sąsiadów powoduje wzrost tego wykorzystania w
danym państwie UE o 0,45 TOE/mieszkańca. Tak naprawdę wszystkie wnioski, które
można wysnuć na jego podstawie są takie same, jak te na podstawie dotychczas
omawianych modeli.


stała -6,09E-01 2,62E-01 -2,3274 0,019943 0,019943
x 8,15E-03 3,99E-03 2,0413 0,041223 0,958777
y 1,51E-02 5,32E-03 2,836 0,004568 0,995432
X 1,39E-06 1,95E-06 0,7133 0,475645 0,524355

zależności wykorzystania OZE od realnego PKB per capita w 2019 roku. Po
pierwsze, wyniki estymacji modelu SE nie różnią się zbytnio od wyników estymacji
modelu SAR. Wszystkie zmienne są nieistotne, w modelu nie występuje autokorelacja
przestrzenna, a iloraz wiarygodności ma bardzo małą wartość, tylko niewiele większą
od tej z modelu przedstawionego w tabeli 18. Wartość λ można zinterpretować w taki
sposób, że wzrost średniego wykorzystania OZE u sąsiadów powoduje wzrost tego
wykorzystania w danym państwie UE o 0,52 TOE/mieszkańca. Rząd wielkości tego
parametru jest bardzo podobny do tego z modelu SAR oraz z modeli SE z 2010 roku.
Generalnie więc rzędy wielkości parametrów ρ oraz λ są bardzo zbliżone, a więc
może to wskazywać na pewną zgodność oszacowanych modeli w tym względzie. Na
podstawie wartości kryterium Akaike’a można wnioskować, że model SE jest lepszy
niż model SAR (mniejsza utrata informacji), jednakże jest to na tyle mała różnica, że
trudno jest jednoznacznie wskazać, który z omawianych modeli lepiej opisuje
zmienną zależną.
35
Podsumowując, analiza wykorzystania OZE w państwach UE w latach 2000,
2010 i 2019 zaprzeczyła części z postawionych hipotez, a część potwierdziła. Przede
wszystkim, w 2000 roku nie występowała zależność pomiędzy sąsiednimi państwami
UE w zakresie wykorzystania OZE. W 2010 i 2019 roku taka zależność już
występowała. Państwa na południu Europy rzeczywiście charakteryzują się średnio
niższym wykorzystaniem OZE niż te na północy, ale wschód Europy jest ma to
wykorzystanie wyższe niż zachód. Co ważne, analiza wykazała, że PKB (określone za
pomocą realnego PKB per capita) nie ma wpływu na kształtowanie się wykorzystania
OZE w państwach UE. W każdym z badanych lat Europa była podzielona na spójne
obszary pod względem zużycia OZE, jednakże zmienność tego zużycia była na tyle
duża, że trudno jest wskazać państwa, u których to zużycie jest od 2000 roku na
naprawdę wysokim poziomie. Jedynymi państwami, które wyróżniają się pod tym
względem są państwa skandynawskie i to one nadają tempo rozwojowi OZE w UE.
W UE postępuje konwergencja, a więc wyrównywanie się poziomu wykorzystania
OZE we wszystkich państwach, aczkolwiek w 2019 roku różnice pomiędzy
państwami się ustabilizowały i potrzebny jest nowy impuls, aby transformacja
energetyczna UE rzeczywiście była skuteczna. Nie ulega za to wątpliwości, że
polityka energetyczna UE przyniosła zamierzony efekt na początku XXI wieku, a
przepaść pomiędzy wykorzystaniem OZE w 2000 roku a tym w 2019 roku jest
olbrzymia.
Analiza przeprowadzona w tym badaniu dałaby inne wyniki, gdyby zostały w
niej zbudowane bardziej skomplikowane modele przestrzenne, a także gdyby zostały
w niej uwzględnione inne zmienne opisujące wykorzystanie OZE w UE, np.
dostępność tych źródeł w danym państwie, wartość subwencji na energetykę
odnawialną czy wielkość inwestycji w sektor „zielonej energii”.
36
Spis źródeł
Literatura
1. Henryk Charun, Podstawy gospodarki energetycznej. Część 1, Wydawnictwo
Uczelniane Politechniki Koszalińskiej, Koszalin, 2004, s. 15
2. Witold M. Lewandowski, Ewa Klugmann-Radziemska, Proekologiczne
odnawialne źródła energii. Kompendium, Państwowe Wydawnictwo Naukowe,
Warszawa, 2017
3. Józef Paska, Wytwarzanie energii elektrycznej, Oficyna Wydawnicza Politechniki
Warszawskiej Warszawa, 2018
4. Beata Zakrzewska, Konrad Rojek, Rola OZE w europejskim systemie
energetycznym, „Autobusy”, 6/2019, Wydziału Nauk Ekonomicznych i Prawnych
Uniwersytetu Technologiczno-Humanistycznego im. Kazimierza Pułaskiego w
Radomiu, Radom, 2019
5. Alojzy Z. Nowak, Mariusza Szałański, Władysława Zborowska, Rola
odnawialnych źródeł energii w rozwoju społeczno-ekonomicznym kraju i regionu,
Wydawnictwo Naukowe Wydziału Zarządzania Uniwersytetu Warszawskiego,
Warszawa, 2016
6. Ewa Jankowska, Środowiskowa krzywa Kuznetsa w dekarbonizacji europejskich
gospodarek, „Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach”, nr
289/2016, Uniwersytet Ekonomiczny w Katowicach, Katowice, 2016
7. K. Kaygusuz, Ö. Yüksek i A. Sari, Renewable Energy Sources in the European
Union: Markets and Capacity, “Energy Sources, Part B: Economics, Planning and
Policy”, 2:1, s.19-29, Wydział Chemii Uniwersytetu Technicznego Karadeniz w
Trabzon, Wydział Chemii Uniwersytetu Gaziosmanpa¸sa w Tokat, Taylor and
Francis Group, Turcja, 2007
8. Jadwiga Suchecka [red.], Statystyka przestrzenna. Metody analiza struktur
przestrzennych, Wydawnictwo C.H. Beck, Warszawa, 2014
9. Elżbieta Szulc, Wykłady z przedmiotu „Analiza przestrzennych zjawisk
ekonomicznych”, Uniwersytet Mikołaja Kopernika, Toruń, 2021
10. Bogdan Suchecki, Ekonometria przestrzenna. Metody i modele analizy danych
przestrzennych, Wydawnictwo C.H. Beck, Warszawa, 2010
Strony internetowe
1. https://encyklopedia.pwn.pl
2. https://energiadirect.pl
3. https://fizyka.uniedu.pl
4. https://pl.investing.com/currencies/usd-eur-historical-data
5. https://ec.europa.eu
6. https://www.esoleo.pl
7. https://www.gov.pl/web/polski-atom/bezpieczenstwo-energetyczne-podstawa-
rozwoju-spoleczenstwa
37
Spis tabel
Tabela 1. Statystyki przestrzenne badanej zmiennej w roku 2000 .............................. 15

Tabela 4. Zmiany statystyk przestrzennych badanej zmiennej w latach 2000-2019 ... 17
Tabela 5. Odległości państw UE od centroidu oraz od geograficznego centrum
ważonego wykorzystaniem OZE w UE w latach 2000, 2010 oraz 2019..................... 19
roku .............................................................................................................................. 24
zależności od realnego PKB per capita w 2000 roku .................................................. 26
roku .............................................................................................................................. 28
zależności od realnego PKB per capita w 2010 roku .................................................. 29
OZE w zależności od realnego PKB per capita w państwach UE w 2010 roku .......... 27
OZE od realnego PKB per capita w 2010 roku z uwzględnieniem WX ..................... 28
OZE od realnego PKB per capita w 2010 roku ........................................................... 29
OZE od realnego PKB per capita w 2010 roku z uwzględnieniem WX ..................... 30
Tabela 15. Podsumowanie identyfikacji przestrzennej struktury procesów X i Y w
2019 roku ..................................................................................................................... 31
Tabela 16. Wyniki estymacji i weryfikacji modelu liniowego dla wykorzystania OZE
w zależności od realnego PKB per capita w 2019 roku............................................... 34
OZE w zależności od realnego PKB per capita w państwach UE w 2019 roku .......... 34
38
Spis rysunków
Rysunek 1. Geograficzne centrum wykorzystania OZE w UE w latach 2000-2019 ... 20

...................................................................................................................................... 21
...................................................................................................................................... 22
...................................................................................................................................... 23
Rysunek 5. Przynależność państw UE do ćwiartek wykresu Morana w 2000 roku .... 25
39

Analiza Porównawcza Wykorzystania OZE W Państwach UE

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analiza Porównawcza Wykorzystania OZE W Państwach UE

Uploaded by

Copyright:

Available Formats

Uniwersytet Mikołaja Kopernika w Toruniu

Wydział Nauk Ekonomicznych i Zarządzania

Analiza przestrzenno-czasowa wykorzystania odnawialnych

Praca zaliczeniowa na przedmiot „Analiza przestrzennych zjawisk ekonomicznych”

Rozdział 1. Energia, jej źródła i znaczenie dla gospodarki ........................................... 2

− dywersyfikacja zdolności wytwórczych związana z dobrze

2.2. OZE w badaniach naukowych

2.3. Opis zastosowanych metod badawczych

gdzie 𝑥̅𝑐 to średnia długość geograficzna, 𝑥𝑖 𝑡𝑜 długość geograficzna 𝑖 −

gdzie 𝑦̅𝑐 to średnia szerokość geograficzna, 𝑦𝑖 to szerokość geograficzna i – tego

gdzie 𝑝𝑖 to i-ta wartość zmiennej charakteryzującej i-ty punkt, a pozostałe oznaczenia

gdzie 𝑑𝑖𝑗 to odległość pomiędzy punktami (𝑑𝑖𝑗 = √(𝑥𝑖 − 𝑥𝑗 )2 + (𝑦𝑖 − 𝑦𝑗 )2 ).

Średnią odległość można również skorygować o wagi wyrażone relatywnie za

gdzie i, j to numery punktów różnych od siebie, 𝑓𝑖 , 𝑓𝑗 to wagi w wyrażeniu

𝐷𝑆 = √∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑑𝑖𝑗

𝐷𝑆𝑤 = √∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑓𝑖 𝑓𝑗 𝑑𝑖𝑗

gdzie oznaczenia takie same jak przy ważonej średniej odległości25.

gdzie 𝑑𝑖𝑐 to odległość od średniej centralnej (𝑑𝑖𝑐 = √(𝑥𝑖 − 𝑥𝑐 )2 + (𝑦𝑖 − 𝑦𝑐 )2 ).

gdzie 𝑓𝑖 to relatywne wartości badanego zjawiska26.

𝑃(𝑠𝑖 ) = ∑𝑝𝑘=0 ∑𝑝𝑚=0 𝜃𝑘,𝑚 𝑥𝑖𝑘 𝑦𝑖𝑚 ,

gdzie 𝑦(𝑠𝑖 ) to obserwacja zjawiska w regionie i, 𝑦̅ to średnia wartość zjawiska, zaś

0, gdy 𝑖, 𝑗 nie są sąsiadami

𝑦 = 𝑋𝛽 + 𝜌𝑊𝑦 + 𝑢 𝑜𝑟𝑎𝑧 𝑒~~𝐼𝐼𝐷 𝑁(0,1),

gdzie 𝑦 to wektor realizacji zmiennej zależnej, 𝑋 to macierz realizacji zmiennych

𝑦 = 𝑋𝛽 + 𝑢, gdzie 𝑢 = 𝜆𝑊𝑢 + 𝑒 𝑜𝑟𝑎𝑧 𝑒~~𝐼𝐼𝐷 𝑁(0,1),

gdzie 𝜆 to parametr autokorelacji przestrzennej, Wu to przesunięty przestrzennie

gdzie b – oszacowania MNK, 𝑇 = [𝑡𝑟(𝑊 + 𝑊 2 )𝑊], zaś 𝑀 = 𝐼 − 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇 , a 𝑡𝑟

𝐿𝑅𝑆𝐴𝑅 = 2(𝑙𝑜𝑔𝐿𝑀𝑁𝑊(𝜌) − 𝑙𝑜𝑔𝐿𝑀𝑁𝐾 )~𝜒 2 (1),

a statystykę dla modelu SEM następującym wzorem:

𝐿𝑅𝑆𝐸𝑀 = 2(𝑙𝑜𝑔𝐿𝑀𝑁𝑊(𝜆) − 𝑙𝑜𝑔𝐿𝑀𝑁𝐾 )~𝜒 2 (1),

Test Walda służy do badania istnienia zależności przestrzennej. Hipoteza

a statystykę Walda dla modelu SEM następującym wzorem:

Opisowych miar statystyki przestrzennej oraz metod ekonometrii

W tabeli 1 przedstawiono statystyki przestrzenne wykorzystania OZE w UE w

W tabeli 2 przedstawiono statystyki przestrzenne zużycia OZE w UE w 2010

Na podstawie wyników (zakładając normalny rozkład jednostek

Tabela 4. Zmiany statystyk przestrzennych badanej zmiennej w latach 2000-2019

Rok: - 2000 2010 2019

Współrzędne Centroid Środek ciężkości

x 13,78034 17,57302 16,7312 16,77368

Austria 130,09023 639,39177 496,86336 504,65394

Belgia 834,1281 1196,5419 1098,63027 1103,44203

Bułgaria 1173,58389 1210,36725 1161,49302 1164,1041

Cypr 2153,20509 2198,8872 2158,75395 2161,06731

Czechy 155,25585 418,10661 275,63607 283,42341

Niemcy 359,78229 691,93152 584,68905 589,89006

Dania 761,87826 768,72753 743,00589 743,36472

Estonia 1392,94521 863,97903 992,90754 985,92714

Hiszpania 1741,42791 2252,57418 2124,60831 2131,37046

Finlandia 1794,66489 1242,56124 1384,3953 1376,69895

Francja 1040,91543 1506,18402 1387,91115 1394,0298

Grecja 1139,99904 1328,38821 1245,97863 1250,49393

Chorwacja 420,28353 786,98412 659,71674 666,66906

Węgry 532,73151 620,43651 534,46275 538,8345

Irlandia 2008,91259 2315,29284 2239,73559 2243,37438

Włochy 512,37468 1045,54251 903,19599 910,9827

Litwa 1073,93895 584,30772 693,65412 687,59226

Luksemburg 695,55564 1095,13053 987,56019 992,94633

Łotwa 1227,89727 716,34798 836,77122 830,20509

Malta 1180,36548 1637,33904 1506,00501 1513,25784

Holandia 788,9121 1082,56491 997,87896 1001,8539

Polska 579,80592 224,09361 242,72991 239,89977

Portugalia 2128,64058 2626,55514 2502,62343 2509,14375