Umweltbelastung durch Energieerzeugung - ein Vergleich der OECD-Staaten

From Teachwiki
Jump to: navigation, search

Einleitung[edit]

Es ist mittlerweile allseits unumstritten, dass von Menschen verursachte Umweltverschmutzung einen nicht unerheblichen Effekt auf die Veränderung des Weltklimas hat. Trotzdem tun sich viele Staaten bei der Umsetzung klimapolitischer Vereinbarungen schwer. Insbesondere die Reduktion von CO2 Emissionen geht nur in kleinen Schritten und nur sehr schleppend voran. In dieser Arbeit soll, anhand von in diesem Kontext wichtigen Variablen, die Umweltbe- und Entlastung durch die OECD Staaten näher Untersucht werden. Insbesondere soll die Frage beantwortet werden, ob wirtschaftlicher Reichtum und Erfolg grundsätzlich mit einer stärkeren Belastung der Umwelt durch Treibhausgase einhergehen müssen. Ein besonderer Augenmerk gilt daher der Verwendung regenerativer Energien, als Indikator für eine aktiv klimaschohnende Enegiepolitik.

Datengrundlage[edit]

Als Datengrundlage dieser Arbeit dient das OECD Factbook 2007. Diese jährlich von der OECD veröffentlichte Studie gibt einen weltweiten Überblick zu wichtigen ökonomischen, sozialen und ökologischen Indikatoren. Sie ist meist beachteteste Publikation der Organisation. Eine Auswahl an Statistiken wird kostenfrei im Internet angeboten. Diese Daten dienen dieser Arbeit als Grundlage.

Die Einschränkung auf die 30 OECD Staaten ist in diesem Zusammenhang sinnvoll. Alle OECD Staaten sind Industriestaaten, d.h. die wirtschaftlichen Strukturen und verwendeten Technologien in den einzelnen Ländern unterscheiden sich nicht fundamental. Außerdem kann davon ausgegangen werden, dass (umwelt-)rechtlich zwischen den Mitgliedsstaaten der OECD nicht so große Unterschiede bestehen, wie zu Nichtmitgliedsstaaten (Bspw. China oder Indien). Aus diesen Gründen ist eine Vergleichbarkeit der Umweltbe- und -entlastung aussagekräftiger, da die rechtlich und technologisch Rahmenbedingungen ähnlich sind, und sie wird nicht durch unterschiedliche politische und ökonomische Standards verzerrt.

Alle Variablen stammen aus dem Jahr 2004. Neuere Daten stehen nicht durchweg für alle OECD Staaten zur Verfügung. Die Abwägung der Vollständigkeit gegenüber Aktualität Priorität einzuräumen, scheint in diesem Kontext sinnvoller zu sein. Folgende Größen liegen der weiteren Analyse zugrunde:

Diese Größe ist ein entscheidender Indikator der Treibhausgasbelastung einzelner Staaten durch Energieerzeugung. Zwar werden Treibhausgase auch durch Industrieprozesse oder Waldbrände verursacht, doch Emissionen durch Energiegewinnung mit Öl, Kohle und Gas machen den entscheidenden Anteil an den Gesamtemissionen aus. Da die von der OECD bereitgestellten Daten pro Land und nicht pro Einwohner zur Verfügung stehen, wurde zur besseren Vergleichbarkeit der pro-Kopf Wert berechnet.

Der Energieverbrauch pro Kopf wird in toe gemessen. Er kann als grober Indikator für effizienten Energieeinsatz gebraucht werden. Doch sind direkte Vergleiche häufig schwierig, da Energieverbrauch auch von effizienzunabhängigen Faktoren geschieht. So werden Klimatische Bedingungen, Bevölkerungsdichte und andere den Energieverbrauch beeinflussende Faktoren nicht berücksichtigt. Dies Tatsache erschwert selbst den Vergleich innerhalb der OECD und würde durch die Hinzunahme, von, in diesen Punkten noch heterogeneren Staaten, zusätzlich erschwert. Ein weiteres Argument sich bei der weiteren Analyse auf die OECD Staaten zu beschränken.

Betrachtet wird hier primäre Energieverbrauch pro BIP (in tausend Dollar) pro Jahr. Auch dieses Maß kann als Effizienzkriterium bezüglich des Energieverbrauchs angesetzt werden. Wie aber schon die letzt genannte Größe, ist auch diese abhängig von anderen Faktoren (s.o.). So kann bspw. der Export/Import Energieintensiver Produkte die betrachtete Größe verzerren.

Gemessen wird der Anteil erneuerbarer Energien an der Gesamtenergieproduktion. Dazu zählen Energiegewinnung aus Sonnenlicht, Wind- und Wasserkraft, Biomasse und Erdwärme. Diese Größe wird im folgenden als gesellschaftliche bzw. politische Bemühung interpretiert, durch klimafreundlichere (nicht unbedingt umwelfreundlichere) Energieerzeugung die Erderwärmung zu verlangsamen. Allerdings ist auch bei dieser Interpretation Vorsicht geboten. So eignen sich bspw. manche Regionen besser zur Erzeugung regenerativer Energien als andere.


Trotz der angesprochenen Probleme beim Vergleich der angeführten Größen zwischen einzelnen Staaten, soll die angegebene Interpretation im folgenden Grundlage der Untersuchung sein. Heterogenität zwischen einzelnen Ländern, die die Vergleichbarkeit erschweren, sind unausweichlich. Dieses Argument spricht, wie erwähnt, für die ausschließliche Betrachtung der OECD Staaten, da die entsprechenden Unterschiede etwas geringer sind, und so wenigstens annähernd Vergleichbarkeit gewährleistet werden kann.

Um die Eingangsfrage beantworten zu können, ob wirtschaftlicher Reichtum und Prosperität - innerhalb von entwickelten Industriestaaten - zu einem Energieeffizienteren und Klimaschonenderen Umgang mit Ressourcen führen, wird das Bruttonationaleinkommen (BNE) pro Kopf, als Messgröße gebraucht, um entsprechend zwischen "erfolgreichen" von "weniger erfolgreichen" Staaten zu differenzieren.

Ein Flug durch die Daten - Ergebnisse der explorativen Analyse[edit]

In diesem Abschnitt sollen die oben aufgeführen Variablen v.a. mit Hilfe grafischer Methoden der explorativen Statistik näher untersucht werden. Wichtigstes Augenmerk gilt hierbei der univariaten analyse der Verteilung und der Aufdeckung möglicher Ausreißer. Insbesondere die nähere Beschäftigung mit Ausreißern ist in diesem Kontext äußerst wichtig. Aufgrund der erwähnten Probleme bei der Vergleichbarkeit einzelner Staaten anhand o.g. Parameter, ist hier neben statistischen Resultaten vor allem eine Inhaltliche Abwägung entscheidend.

Identifikation von Ausreißern[edit]

Das vielleicht einfachste grafische Mittel zur Veranschaulichung der Unterschiede zwischen den einzelnen Auspräfgungen der Variablen, stellt (in diesem Fall) ein (absteigend geordneter) Scatterplot dar. Einzelne Staaten können bezüglich ihrer Variablenausprägung so leicht gegenüber gestellt werden. Diese Scatterplots sind in Abb. 1-4 dargestellt.

Bereits diese einfache grafische Veranschaulichung der Daten macht zweierleich deutlich: erstens ist bei allen Variablen eine relativ breite Streung festzustellen und zweitens finden sich erste Hinweise auf mögliche Ausreißer. Diesem ersten Hinweis auf etwaigige Ausreißer soll mit Hilfe von Boxplots weiter nachgegengen werden (Abb. 5-8).

Zwei Ausreißer fallen hier besonders ins Auge: Luxemburg und Island. Luxemburg liegt mit einem CO2-Ausstoß von 24,28 Tonnen pro Person noch knapp fünf Tonnen vor dem zweitgrößten Emittenden, den USA. Auch im Falle des Energieverbrauchs pro Einwohner liegt Luxemburg relativ weit über dem 75% Quartil. Island lässt sich sogar in gleich drei Fällen als Ausreißer identifizieren. Pro Kopf und gemmesn am BIP hat Island den mit großem Abstand höchsten Energieverbrauch, gewinnt diese Energie aber zu über 70% aus regenerativen Energiequellen. Norwegen, zweitgrößter Produzent erneuerbarer Energie folgt mit einem Anteil von knapp 40%.

Nun stellt sich die Frage, warum beide Länder in so starkem Maße abweichen, wie dies Abweichungen Interpretiert werden können und wie mit ihnen weiterferfahren wird. Hier ein statistisches Testverfahren anzuwenden um Luxemburg bzw. Island tatsächlich als Ausreißer zu identifizieren scheint wenig sinnvoll. Erstens bestätigen weitere visuelle Verfahren zur Identifizeirung von Ausreißern und feststellung der Verteilung, als auch die deskriptive Auswertung und entsprechend Tests, eine unsysmmetrische, nicht-normale Verteilung. Dies ist allerdings Vorraussetzung für gängige Ausreißertests. Zum Zweiten, gibt es wichtige inhaltliche Gründe beide Länder von der weiteren Analyse Auszuschließen.

Im Falle Luxemburgs führt der "Tanktourismus", der über 40% der Gesamtemissionen an CO2 verurstacht und ebenso einen Großteil des Energieverbrauchs ausmacht (Quelle: European Environment Agency), dazu, dass hier verwendete Pro-Kopf Werte absolut verzerrt werden. Für Island ist im Falle der Energieintensität, des Energieverbrauchs und dem Anteil eine Besonderheit auszumachen, die einen Vergleich dieser Werte mit anderen OECD Staaten verfälscht. Island verfügt über eine ungewöhnlich hohe Anzahl aktiver Vulkansysteme. Dieswe Erdwärme wird intensiv zur Energiegewinnung genutz. 53% der Primärenergie (Quelle: ebenda) ist auf geothermale Energiegewinnung zurückzuführen der Rest ist fast ausschließlich auf Fernwärme und Wasserkraft zurückzuführen. Natürlich verfälschen diese besonderen geologischen Gegebenheiten den Vergleich des Anteils erneuerbarer Energien im Sinne der o.g. Interpretation. Der Vergleich mit anderen Staaten ist aufgrund so fundamentaler Unterschiede der natürlichen Gegebenheiten schlichtweg "unfair". Da diese Art der Energiegewinnung außerdem außerodentlich günstig ist (Quelle: ebenda), und zusätzlich die Klimatischen Bedingungen eine überdurchschnittlich hohe Heizenergie einfordern, ist Island auch bzgl. des Energieverbrauchs "Spitze". Diese Gründe sprechen dafür beide Länder aus der weiteren Analyse auszuschließen, um keine Verzerreungen der Ergebnisse zu provozieren. Sicherlich macht es im vorliegenden Untersuchungszusammenhang auch keinen Sinn entsprechend Ausprägungen zu modifizieren.

Verteilung der Variablen[edit]

Auch wenn sich, auf Grundlage des nun reduzierten Datensatzes, auch andere Staaten als potentielle Ausreißer ausmachen ließen, (z.B. durch Boxplots) wird auf eine weitere (statistische) Untersuchung diesbezüglich verzichtet. Etwaige Ausreißer wie USA, Kanada, Norwegen oder Australien können in diesem Zusammenhang inhaltlich nicht als solche identifiziert werden.

Im weiteren Interesse steht nun die Verteilung der einzelnen Variablen. Bereits die Auswertung der dritten und vierten Momente der empirischen Verteilung, lässt erste Hinweise auf die Verteilungsform der einzelnen Variablen zu. Des weiteren werden zusätzlich zu den Boxplots, Steam-and-Leaf-Plots, Histogramme sowie Normal-Quantil-Plots als weitere grafische Methoden zur Darstellung und Identifizierung der Häufigkeitsverteilung angewandt.

CO2 Emissonen in Tonnen pro Einwohner[edit]

Bei Betrachtung des Boxplots impliziert die Lage von Mittelwert und Median (9,2 > 8,7) eine leicht rechtsschiefe Verteilung. Dies wird von den Eckdaten der deskriptiven Auswertung bestätigt. Von Interesse ist außerdem inwieweit sich die empirische Verteilung von einer symmetrischen (Normalverteilung) unterscheidet. Alle verwandten o.g. Verteilungsvisualisierungen bestätigen diese Vermutung. Die Ergebnisse sind in Abb.9-11 abgebildet.

Insgesamt kann nur eine leichte Schiefe festgestellt werden. Die mit den Momenten der empirischen Verteilung konstruierte Normalverteilung in Abb.11 legt nahe, dass außerdem die Annahme einer Normalverteilung nicht abwegig ist. Auch der Normal-Quantil-plot in Abb.11 lässt nicht auf eine systematische Abweichung von der Normalverteilung schließen. Abgesehen von den schon in Boxplots ausgemachten Ausreißern, liegen alle Werte relativ nah an der 45°-Linie und damit relativ nah an der Normalverteilung. Entsprechend Tests auf Normalverteilung fallen unterschiedlich aus. Der Kolmogorov-Smirnov kann die Hypothese der Normalverteilung auf einem Signifikanzniveau von 0,05 nicht verwerfen, der Shapiro-Wilk-Test tut dies allerdings. Der Test nach Jarque-Bera kann die Nullhypothese für \alpha=0,05 ebenfalls nicht ablehnen (der Teststatistik (5,03) steht der entsprechend kritische Wert der \Chi^2_{2,\alpha}-Verteilung gegenüber . Zwar gilt der Shapiro-Wilk test als relativ zuverlässig für klein und mittelgroße Stichproben, doch kann hier nicht mit absoluter Sicherheit von einer normalverteilten Variable ausgegangen werden.

Energieverbrauch in toe pro Einwohner[edit]

In Abb. 12-13 finden sich die o.g. Visualisierungsverfahren auf die Ausprägumngen des Energieverbrauchs in toe bezogen wieder.

Insgesamt kann eine sehr leicht rechtsschiefe, fast symmetrische Verteilung aufgrund der Betrachtung der ersten vier Momente der empirsichen Verteilung konstatiert werden. Dies spiegelt sich auch im Vergleich mit der entsprechenden Normalverteilung wieder (Abb.10-11). Die Auswertung der Tests auf Normalverteilung gibt auch diesmal keine absolut eindeutige Auskunft. Zwar wird die Hypothese der Normalverteilung von der Teststatistik nach Kolmogorov und Smirnov abgelehnt, doch kann die H0 nach Shapiro und Wilk als auch nach der Statistik von Jarque und Bera (1,723 stehen bei einem Signifikanzniveau von 0,05 einem kritischen Wert von 5,99 gegenüber) mit deutlicher Signifikanz nicht verworfen werden.

Energieverbrauch in Einheiten des BIP[edit]

Zunächsteinmal fällt auf, dass durch Betrachtung des Boxplots kein Ausreißer identifiziert werden kann. Auch hier deuten die Abweichungen von der 45°-Linie in Abb. 13 nicht auf eine systematisch von der Normalverteilung abweichende Verteilungsform hin. Dies lässt sich auch durch alle verwendeten Tests auf abweichung von der Normalverteilung mehr oder minder (bei Verwendung des Kolmogorov-Smirnov Tests für Sig.=0,46 gerade noch) bestätigen.

Anteil erneuerbarer Energien[edit]

Die Betrachtung des Boxplots und die Ergebnisse der deskreptiven Auswertung lässt auf eine deutlich rechtsschiefe Verteilung schließen. Wie Normal-Quantil-Plot und Histogramm im Verhältnis zur potentiellen Normalverteilung (Abb. 16-17) bereits erkennen lassen, lässt sich auch die Annahme der Normalverteilung durch entsprechende Tests deutlich ablehnen.

Wirtschaftlicher Erfolg versus verantwortungsvolle Klimapolitik - ein Parametervergleich zwischen reichen und reicheren Staaten -[edit]

Die zentrale Frage, die in diesem Aufsatz behandelt werden soll, ist, ob wirtschaftliche Stärke und Prosperität Indikatoren sind für einen eher rücksichtsvollen und nachhaltigen Umgang mit dem Weltklima. Da wir keine unmitelbare Differenzierung durch eine vordefinierte nominale Faktovariable ("reich"/"reicher") vorgegeben haben, muss zunächst ein Weg gefunden werden, um überhaupt sinnvoll zwischen reichen und reicheren Staaten unterscheiden zu können. Wie Eingangs erwähnt soll das reale BIP eine Kenngrröße für diese Differenzierung darstellen. Eine für diese Zwecke in der empirischen Forschung häufig angewandte Methode ist die Cluster-Analyse.

Cluster-Analyse[edit]

Die Cluster-Analyse ist eine statistisches Verfahren, das (multivariate) Datensätze in Untergruppen aufteilt. Ausgangspunkt ist eine Matrix die für jeden Datenpunkt die "Ähnlichkeit" (Distanz) zu den anderen Datenpunkten angibt. Ist die Distanz zwischen zwei Beobachtungswerten groß sind sich diese nicht "ähnlich", et vice versa. Es gibt unterschiedliche Distanzmaße. Ein häufig gebrauchtes und für hier passendes Distanzmaß ist die quadrierte L_2- bzw. die quadrierte euklidische Norm. Sie ist in diesem Fall deswegen von Vorteil, weil sie Ausreißern relativ wenig Gewicht verleiht (Härdle, S.305ff). Der hier verwandte hierarische Cluster-Algorithmus geht wie folgt vor: Ausgehend von der Distanzmatrix werden die beiden Cluster gesucht, welche die geringste Distanz zueinander aufweisen. Diese beiden Cluster werden dann zu einem Cluster zusammengefügt um nun erneut das Cluster mit der geringsten Distanz zu suchen. Dieser Vorgang wird so lange wiederholt, bis sich alle Variablen zu einem Cluster zusammenfassen lassen. Ein Weg die Ergebinisse dieses Verfahrens zu visualisieren stellt das Dendogramm dar. Dendogramme der Cluster-Analyse bezüglich des BNE sind in Abb. 18 dargestellt. Zur verdeutlichung sind die in diesem Aufsatz gebrauchten Cluster rot markiert. (In den folgenden Grafiken wird "weniger reiche" Cluster als (1) und das "reichere" Cluster als (2) bezeichnet)

Abb.18 Dendogramm zur Veranschaulichung der Clusterung bzgl. BIP

Parametervergleiche[edit]

Nun kann der Frage nachgegangen werden, ob sich die beiden, durch die Cluster-Analyse bzgl. wirtschaftlichen Erfolgs unterteilten, Gruppen hinsichtlich der angesprochenen Variablen signifikant unterscheiden. Einen ersten Eindruck über mögliche Unterschiede lässt sich durch die Gegenüberstellung der paarweisen Boxplots gewinnen. Diese Gegenüberstellungen ist allerdings nicht sehr aussagekräftig. Ein eindeutiger und signifikanter Unterschied zwischen beiden Gruppen lässt sich so noch nicht feststellen. Eine zweite vielleicht aussagekräftigere Visualisierungsmethode des Unterschieds beider Gruppen hinsichtlich der einzelnen Variablen stellt das Balkendiagramm dar. Hierbei werden die Mittelwerte mitsamt 95% Konfidenzintervallen der einzelnen Cluster gegenübergestellt. Dieses Verfahren scheint bereits deutlichere Auskunft zu geben. Die Ergebnisse finden sich in Abb. 19-22.

Einigermaßen überraschend ist, dass sich gerade bzgl. regenerativer Energien kein signifikanter Unterschied feststellen lässt. Wenig überraschend ist jedoch, dass sich Emissionsausstoß und Energieverbrauch im Mittel und in der Streuung unterscheiden, im letzten Fall sogar statistisch signifikant, da sich die Konfidenzintervalle nicht überlappen. Es scheinen sich also auch innerhalb der OECD (also zwischen industrialisierten und hoch entwickelten Ländern), gängige Vorurteile bestätigen lassen: je reicher desto umweltschädlicher.

Im Folgenden sollen diese Resultate mit Hilfe statistischer Tests erhärtet werden. Da es von der Verteilung abhängt, welches Testverfahren gewählt werden kann, muss diese zunächst bestimmt werden. Da in keinem der beiden Cluster genügend Beobachtungen vorhanden sind, kann nicht auf den zentareln Grenzwertsatz zurückgegriffen werden. Wie gehabt werden also der Kolmogorov-Smirnov und der Shapiro-Wild Test angewand, um die Nullhypothese der Normalverteilung zu prüfen. Die Ergebnisse der Tests können die Hypothese der Normalverteilung für beide Cluster im Fall des totalen Energieverbrauchs in Relation zum BIP und dem Energieverbrauch pro Kopf nicht verwerfen. Für die anderen beiden Variablen kann allerdings nicht von einer Normalverteilung der jeweiligen Grundgesamtheit ausgegangen werden. Desweiteren wird bei der Auswahl eines geeigneten Testverfahrens, dahingehend differenziert, ob sich die Varianzen beider Gruppen signifikant unterscheiden. Da der Test nach Levene nicht sehr empfindlich auf Abweichung der Normalverteilung reagiert, kann er trotz Verletzung der Normalverteilungsannahme angewandt werden. Der Levene Test kann die Gleichheit der Varianzen in keinem Fall signifikant bestätigen.

Für die beiden Variablen deren Normalverteilungsannahme nicht verworfen werden konnte, kann der t-Test verwendet werden, um auf signifikante Gleichheit der Mittelwerte zu schließen. Die Ergebnisse können die durch die grafische Analyse gewonnenen Ergebnisse erhärten. Da die Verteilungsannahme zur Durchführung des t-Tests von den beiden anderen Variablen nicht erfüllt werden kann, muss zur Aufdeckung eines möglichen signifikanten Unterschieds ein nichtparametrisches Verfahren angewandt werden. Ein nicht an eine bestimmte Verteilungsvorraussetzung geknüpftes Testverfahren, stellt der in diesem Zusammenhang gebräuchliche Mann-Whitney-U-Test dar. Die Ergebnisse des Tests entsprechen ebenfalls denen der grafischen Analyse mit Hilfe der Balkendiagramme. Beide Größen unterscheiden sich statistisch nicht signifikant.

Fazit[edit]

Es scheint sich anhand dieser Analyse zu bestätigen, dass es einen signifikanten Unterschied bezüglich Energieverbrauch und CO2-Ausstoß zwischen reicheren und ärmeren Industriestaaten gibt. Überraschender ist jedoch, das sich die beiden gebildeten Cluster hinsischtlich des Anteils erneuerbarer Energien am Gesamtenergieverbrauch scheinbar kaum Unterscheiden. Offensichtlich spielen andere Determinaten als wirtschaftlicher Erfolg und Reichtum in diesem Punkt eine Rolle.

Literatur und Quellen[edit]

  • Härdle, W., Simar, L., (2003), Applied Multivariate Statistical Analysis, Springer, Berlin
  • Rönz, B. (2001), Skript: Computergestützte Statistik I, Vorlesungsskript, Humboldt Universität Berlin