Welche Faktoren begründen den Einsatz klimafreundlicher Energien - Eine Untersuchung der OECD Staaten

From Teachwiki
Jump to: navigation, search

Einleitung[edit]

Obwohl erwiesenermaßen die industriell verursachten CO²-Emissionen einen entscheidenden Beitrag zur Klimaveränderung leisten, fällt es offensichtlich den Verursachern - also den großen Industriestaaten – erheblich schwer, sich auf eine konsequente und wirkungsvolle Reduktion der Treibhausgase festzulegen. Einige Länder, so z.B. Deutschland, sind gewillt ehrgeizigere Zielvorgaben zu erfüllen als andere Industriestaaten, wie bspw. die USA. Warum verhalten sich einige Staaten „klimafreundlicher“ als andere?

Dieser Fragestellung soll in diesem Aufsatz nachgegangen werden. Betrachtet werden alle Industrieländer der OECD. Als Indikator für ein „klimafreundliches“ Verhalten eines Landes wird der Anteil erneuerbarer und emissionsneutraler Energien am Gesamtenergieverbrauch genutzt. Bereits in einem früheren Aufsatz wurde mit anderen (einfacheren) statistischen Methoden versucht, dieser Frage nachzugehen. Die Hypothese, dass ökonomischer Reichtum mit einem höheren Anteil erneuerbarer Energien einhergeht, d.h. dass sich reichere Staaten einen größeren Umweltschutz „leisten“, konnte nicht bestätigt werden. Es soll untersucht werden, welche Faktoren sonst einen erklärenden Beitrag für eine stärkere Nutzung umweltschonender Energien leisten können.

Datengrundlage[edit]

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.

Weil aus dem Jahr 2004 die meisten Daten vollständig zur Verfügung stehen, beziehen sich die im Weiteren aufgeführten Variablen auf dieses Jahr.

Da eine Vielzahl von Variablen einen möglichen Kausalzusammenhang mit dem Anteil klimaschonender Energien am Gesamtenergieverbrauch hat, beschränkt sich die Auswahl nicht ausschließlich auf ökonomische Indikatoren. Folgende Variablen fließen in die Analyse ein:

Gemessen wird der Anteil erneuerbarer Energien an der Gesamtenergieproduktion. Dazu zählen Energiegewinnung aus Sonnenlicht, Wind- und Wasserkraft, Biomasse und Erdwärme. Quelle: OECD Factbook 2007

Um beantworten zu können, ob wirtschaftlicher Reichtum und Prosperität - innerhalb von entwickelten Industriestaaten - zu einem energieeffizienteren und klimaschonenderen Umgang mit Ressourcen führen, wird das Bruttoinlandsprodukt (BIP) als Messgröße gebraucht. Um es international vergleichbar zu machen wird es kaufkraftbereinigt und in Dollar angegeben. Quelle OECD Factbook 2007

Die absoluten Steuereinnahmen in Prozent des BIP können als Indikator für die Einmischung des Staates ins wirtschaftliche Geschehen betrachtet werden. Diese Variable wurde mit aufgenommen, weil möglicherweise eine stärkere staatliche Regulierung eine stärkere Förderung regenerativer Energien impliziert. Quelle: OECD Factbook 2007

Einkommensungleichheit wird hier mit dem Gini-Koeffizienten gemessen. Diese Kenngröße nimmt Werte zwischen 0 und 1 an wobei ein Wert nahe 0 „perfekte Gleichheit“ und ein Wert nahe 1 „völlige Ungleichheit“ der Einkommen beschreibt. Quelle: OECD Factbook 2007

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 Energie auch unabhängig von Effizienzgedanken verbraucht wird. So werden klimatische Bedingungen, Bevölkerungsdichte und andere den Energieverbrauch beeinflussende Faktoren nicht berücksichtigt. Diese 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 Analyse auf die OECD Staaten zu beschränken. Quelle: OECD Factbook 2007

Betrachtet wird hier der 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. Quelle: OECD Factbook 2007

Erdöl ist immer noch mit relativ großem Abstand der wichtigste Energielieferant fast aller Industriestaaten (Quelle: IEA). Je höher der Ölpreis, desto größer der Versuch auf andere Energieträger umzusteigen, ist die Hypothese, die zur Auswahl dieser Variable geführt hat. Der Preis ist in Dollar angegeben und ebenfalls kaufkraftbereinigt.

Sozialausgaben als Prozentsatz des BIP sind ein geeignetes Maß, um die Verantwortung des Staates für Schwächere und weniger am wirtschaftlichen Erfolg teilhabende Menschen einzuschätzen. Diese Variable wurde mit einbezogen, weil ein starkes soziales Engagement möglicherweise mit stärkerem Engagement in anderen, nicht einzig wirtschaftlich rentablen Bereichen einhergeht. Quelle: OECD Factbook 2007

  • Politische Ausrichtung der Regierung

Im Vergleich zu allen anderen Variablen hat diese Variable eine binäre Ausprägung. Unterschieden wird zwischen bürgerlichen und (links-)liberalen Regierungen, die entsprechenden Ausprägungen sind 0 bzw. 1. Hat während des Beobachtungsjahrs das Regierungslager eines Landes gewechselt, wird die Ausrichtung der Regierung, die bis zu diesem Zeitpunkt im Amt war, betrachtet. Quelle: Sozialistische Internationale

  • Stimmenanteil Grüner Parteien

Der prozentuale Stimmenanteil grüner Parteien dient ebenfalls als „weiche“ Variable, die die Bedeutung klima- und umweltrelevanter Themen in einer Gesellschaft abbilden soll. Quelle: Global Greens

Private und öffentliche Investitionen in die Erforschung und Entwicklung regenerativer Energien als prozentualer Anteil des BIP, spiegeln das Interesse von Politik und Wirtschaft an alternativen (klimafreundlichen) Energieträgern. Quelle: IEA

Fehlende Werte und Ausreißer[edit]

Zunächst stellt sich die Frage, wie mit der Problematik fehlender Werte umgegangen werden soll. Glücklicherweise ist der zusammengestellte Datensatz relativ vollständig. Fehlende Werte wurden soweit möglich durch Vorjahreswerte ersetzt. Nur bezüglich der Investition in regenerative Energien sind Polen, Mexiko und die Slowakei von der IEA nicht erfasst. Es gibt mehrere statistische Verfahren zur Imputation fehlender Werte, fraglich ist allerdings, ob es in diesem Zusammenhang sinnvoll ist, diese Werte auf diese Art zu ersetzten. Da diese Variable – wie sich herausstellen wird – ein relativ großes Erklärungsvermögen hat und die Imputation durch einen Proxy (z.B. allgemeine Investitionen in Forschung und Entwicklung) die Ergebnisse zu sehr verzerren könnte, entschließe ich mich letztlich dazu, die genannten Länder aus der Betrachtung auszuschließen.

Im Fall des Anteils erneuerbarer Energien kann mit Hilfe des Boxplot Island als klarer Ausreißer identifiziert werden. So ist hier der Anteil der regenerativen Energie mit fast 70% doppelt so hoch wie in Norwegen. Island verfügt über eine ungewöhnlich hohe Anzahl aktiver Vulkansysteme. Diese Erdwärme wird intensiv zur Energiegewinnung genutzt. Etwa 53% der Primärenergie ist auf geothermale Energiegewinnung und der Rest fast ausschließlich auf Fernwärme und Wasserkraft zurückzuführen (Quelle: National Energy Authority of Iceland). 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". Aus diesem Grund wird auch Island aus der weiteren Betrachtung ausgeschlossen.


Analyse von Zusammenhängen[edit]

In diesem Abschnitt sollen erste Rückschlüsse auf Zusammenhänge zwischen dem Anteil regenerativer Energien und der übrigen Variablen gezogen werden. Eine einfache grafische Methode stellt zu diesem Zweck das Streudiagramm dar. Ein möglicher linearer Zusammenhang wird grafisch durch die Anpassung einer linearen Regressionsfunktion verdeutlicht. Diese minimiert die Summe der quadratischen Abweichung der affinen Funktion von den beobachteten Punkten.

Die Güte des linearen Zusammenhangs wird, wie bei einer Regressionsanalyse üblich, durch das Bestimmtheitsmaß quantifiziert. Dieses beschreibt den Anteil der totalen Varianz, der durch die so bestimmte lineare Funktion erklärt werden kann. Die Ergebnisse sind in Abb. 1-9 dargestellt.

Der Wohlstand eines Landes, gemessen am BIP pro Kopf, scheint leicht positiv Einfluss auf den Gebrauch erneuerbarer Energien zu haben. Ebendieser als lineare Funktion des BIP/Kopf scheint mit einem R² von 0.07 allerdings eine recht schlechte Approximation zu sein. Entsprechend kann ein systematischer linearer Zusammenhang auch durch einen F-Test nicht bestätigt werden: der geschätzte Steigungsparamter ist nicht signifikant von Null verschieden. Ähnliches gilt für das gebrauchte Maß für Energieeffizienz, es scheint nicht in der Lage zu sein, einen möglichen linearen Zusammenhang signifikant zu bestätigen. Gleiches gilt für alle anderen Variablen. Einzig der Ölpreis kann auf einem „großzügigen Signifikanzniveau von \alpha=0,15 auf einen schwach linearen Zusammenhang hinweisen. Grundsätzlich scheint jedoch, einzeln für sich genommen, keine Variable ein signifikantes (lineares) Erklärungsvermögen für den Anteil regenerativer Energien zu besitzen.

Ein vergleichbares Bild liefern Spearman's Rangkorrelationskoefizienten, in diesem Fall ein geeignetes Maß, da sie robust gegenüber Abweichungen von der Normalverteilung sind. Einzig der Ölpreis und der Stimmenanteil grüner Parteien scheinen in signifikantem linearen Zusammenhang mit dem Anteil regenerativer Energien zu stehen.

Aus den Korrelationsmaßen kann allerdings noch ein anderes, für die später durchgeführte multiple Regressionsanalyse wichtiges Resultat abgeleitet werden: es bestehen signifikante lineare Abhängigkeiten zwischen einigen der erklärenden Variablen. Es sollte nicht verwundern, dass bspw. ein geringes Maß an Einkommensungleichheit mit einem ausgeprägten Sozialstaat (gemessen an den Sozialausgaben in Prozent des BIP) einhergeht.

Regressionsanalyse[edit]

Im vorherigen Abschnitt wurden mit Hilfe des oben gebrauchten Zusammenhangmaßes nur wenige lineare Zusammenhänge zwischen der Y-Variablen und den einzelnen X-Variablen signifikant bestätigt. Dies muss jedoch nicht heißen, dass alle oder wenigstens einige der erklärenden Variablen ZUSAMMEN wesentlich zur Erklärung der Y-Variable, also der Höhe des Anteils klimafreundlicher Energiegewinnung, beitragen. Um diesem potentiellen gemeinsamen Erklärungsvermögen auf den Grund zugehen, bildet die multiple lineare Regression das Herzstück dieser Datenanalyse. Mit Hilfe der multiplen Kleinste-Quadrate-Schätzung soll ein möglicher linearer Zusammenhang zwischen den erklärenden Variablen und der zu erklärenden Variable aufgedeckt werden. Zu diesem Zweck werden zunächst alle möglichen erklärenden Variablen auf die logarithmierten Beobachtungen des Anteils der regenerativen Energien regressiert. Ein solches log-lineares Modell hat den Vorteil, dass etwaige nichtlineare Zusammenhänge durch Logarithmierung mit einem linearen Modell erfasst werden können, wie exponentielle oder geometrische Beziehungen.

Die wesentlichen Ergebnisse der Regressionsanalyse sind in Abb. 10-14 zusammengefasst.

Aus der ANOVA-Tabelle ist zunächst ersichtlich, dass alle Variablen zusammen in der Tat einen wesentlichen Beitrag zur Erklärung der Ausprägung der unabhängigen Variable beitragen. Die Aussagekraft der Schätzung der einzelnen Parameter ist allerdings sehr beschränkt. Kein Parameter kann als signifikant verschieden von Null geschätzt werden. Sicherlich können nicht alle ausgewählten Variablen einen sinnvollen Erklärungsbeitrag leisten, jedoch scheint die nichtsignifikante Schätzung teilweise durch die schon eben angesprochene Korrelation zwischen den X-Variablen begründet. Dies bestätigt sich bei näherer Diagnose der Multikollinearität. Sowohl der Varianz-Inflation-Faktor (VIF), die Eigenwerte als auch die Werte des Condition Index geben durch ihre breite Streuung einen eindeutigen Hinweis auf Multikollinearität. Bei Betrachtung der Varianzanteile fällt insbesondere die enge Beziehung zwischen Sozialausgaben und Steuereinnahmen auf. Außerdem scheint die geschätzte Konstante in engem Zusammenhang mit einigen Regressionskoeffizienten zu stehen.

Um Variable auszuschließen, die keinen signifikanten Erklärungsbeitrag leisten können, sind unter SPSS verschieden Methoden implementiert. Grob gesprochen wird beim "Vorwärts"-Verfahren das Regressionsmodell iterativ um X-Variable, gestaffelt nach ihrer partiellen Korrelation zum Regressanten, erweitert und erneut geschätzt. Der Algorithmus stoppt, sobald das Erklärungsvermögen der zugefügten Variable nicht mehr als signifikant betrachtet werden kann. Der "Rückwärts"-Algorithmus verfährt aus entgegengesetzter Richtung. Ausgegangen wird zunächst von einer Regressionsfunktion, die alle ausgewählten X-Variablen berücksichtigt. Falls die Variable mit der geringsten partiellen Korrelation auf einem festgelegten Niveau (hier alpha=0,1) keinen signifikanten Erklärungsbeitrag leisten kann, wird sie ausgeschlossen, und das Modell wird unter Berücksichtigung der noch verbliebenen Variablen erneut geschätzt. Dies wiederholt sich so lange bis alle geschätzten Regressionskoeffizienten im Hinblick auf das festgelegte Signifikanzniveau ungleich von Null sind. Die am häufigsten verwendete Methode (Vgl. Rönz, 2000, S.119) ist allerdings eine Kombination aus beiden angesprochenen Verfahren. Diese „schrittweise“ Selektionsmethode verfährt iterativ, indem in jedem Schritt zunächst die „Vorwärts“-Methode und dann die „Rückwärts“-Methode angewandt wird. Wenn keine Variable mehr aufgenommen wird, bricht die Prozedur ab.

Offensichtlich führen alle Verfahren zu Regressionsmodellen mit signifikant geschätzten Parametern, so dass nicht per se eine Methode bevorzugt werden kann. Insofern ist es sinnvoll, die Ergebnisse hinsichtlich ihrer tatsächlichen Aussagekraft zu vergleichen. In diesem Fall führt die Rückwärts-Methode zu dem am besten zu interpretierenden Regressionsmodell.

Wieder lässt sich die durchgeführte Analyse mit Hilfe der Ausgaben von SPSS interpretiern. Diese sind in den Abb.15-19 gegeben

Immerhin können mit Hilfe dieses Modells etwas mehr als 60% der Varianz für den Einsatz erneuerbarer Energien erklärt werden (das korrigierte Bestimmtheitsmaß nimmt einen Wert von 0.608 an). Entsprechend dem vorgegebenen Ausschlusskriterium sind alle Paramter signifikante Schätzungen (für alpha =0,1). Allerdings unterscheiden sich die (Punkt-)Schätzungen hinsichtlich ihrer Präzision relativ stark. Die Konfidenzintervalle, in denen zu 90prozentiger Wahrscheinlichkeit die wahren Parameterwerte liegen, sind unterschiedlich weit.

Abb.19 Konfidenzintervall zum Signifikanzniveau alpha

Nach diesem Kriterium lässt sich der Einfluss des Sozialstaates, der Einkommensverteilung und des Ölpreises wesentlich genauer eingrenzen, wohingegen der wahre Einfluss Grüner Parteien, Investitionsausgaben und die gebrauchte Kennzahl für Energieeffizienz mit relativ großer Unsicherheit behaftet ist.

Interessant ist auch, dass mit dieser Methode die Variablen Steuereinnahmen und politische Ausrichtung der Regierung als erste ausgeschlossen wurden, und sie damit die geringste partielle Korrelation mit der zu erklärenden Variable aufweisen. Es gilt also nicht unbedingt, dass (sozial-) liberale Regierungen (und damit eine Bevölkerungsmehrheit) einen größeren Wert auf klimafreundliche Energiepolitik legen.

Die Parameter selbst sind in log-linearen Modellen als Semi-Elastizitäten zu interpretieren. D.h. bspw., dass eine Erhöhung des Ölpreises um einen Dollar (Ceteris Paribus) den Anteil regenerativer Energien um gut 0,4 Prozent erhöht. Aufgrund der angesprochenen Unsicherheiten über die Lage des wahren Parameters, sind einige Parameter des Modells quantitativ mit Vorsicht zu interpretieren.

Da in diesem Aufsatz allerdings ohnehin die Beantwortung einer qualitativen Frage im Mittelpunkt steht – nämlich welche Faktoren die Nutzung regenerativer Energien erklären – wird auf eine präzise quantitative Auswertung der Ergebnisse verzichtet. Es gilt also zunächst festzuhalten, dass Sozialausgaben, Einkommensgleichheit, Energieeffizienz, Ölpreis, Sympathie Grüner Parteien sowie Investitionen in die Erforschung und Entwicklung regenerativer Energiträger den Anteil dieser am Gesamtenergieverbrauch positiv beeinflussen.

Zwar gibt der VIF keinen eindeutigen Hinweis auf mögliche Multikollinearität, jedoch scheinen Eigenwerte und der Condition Index klarere Hinweise auf Multikollinearität zwischen den erklärenden Variabeln zu geben. Trotz wahrscheinlicher Multikollinearität konnten jedoch alle Parameter signifikant geschätzt werden.

Bisher wurde bei der Analyse implizit davon ausgegangen, dass die Residuen der Regressionsanalyse normalverteilt sind, denn dies ist eine zentrale Annahme, die die verwandten Tests, Aufstellung des Konfidenzintervalls etc. überhaupt durchführbar macht. Zur Überprüfung der Verteilung kann visuell mittels Histogramm und Q-Q-Plot ein erster Eindruck gewonnen werden.

Es scheint als würden die Fehlerterme nicht systematisch von der Normalverteilung abweichen. Dies lässt sich sowohl durch den Shapiro-Wilk-Test als auch durch den Kolmogorov-Smirnow-Test bestätigen – beide können die Hypothese der Normalverteilung nicht verwerfen.

Explorative Faktorenanalyse[edit]

Im vorausgegangenen Abschnitt wurde ein Regressionsmodel formuliert, dass einigermaßen zufriedenstellend die Variation im Gebrauch regenerativer Energien erklärt. Bei genauerer Betrachtung der einzelnen Variablen fällt jedoch auf, dass sie sich bezüglich der Bedeutungsebenen unterscheiden lassen. So ist bspw. ein höherer Anteil an Grünenwählern und ein ausgeprägterer Sozialstaat eher ein Indikator für ein bestimmtes (politisches) Werteklima eines Landes, wohingegen der Ölpreis eher eine entscheidende wirtschaftliche Determinante ist. Solche möglichen latenten Strukturen „hinter“ den Variablen sollen im Folgenden mit Hilfe der Faktoranalyse aufgedeckt werden. Hierzu sollen die erklärenden Variablen des Regressionsmodells, welches nach der „Rückwärts“-Methode spezifiziert, wurde auf mögliche latente Konstrukte hin überprüft werden.

Hierzu ist zuerst zu prüfen, ob das Ausmaß der Interdependenzen im betrachteten Datensatz ausreicht, um eine Faktoranalyse durchzuführen. Ein geeignetes deskriptives Maß stellt das Kaiser-Meyer-Olkin-Maß dar.

Abb.20 Kayser-Meyer-Ohlin-Maß

Ein Wert über 0,8 gilt als hervorragend und ein Wert über 0,5 immerhin noch als akzeptables Maß für die notwendige Korrelation innerhalb der Daten (siehe Litz, 2000, S.296).

Die Anzahl der Faktoren wurde nach dem standartgemäßen Kriterium ermittelt, das die Anzahl der Faktoren auf die Anzahl der Eigenwerte größer 1 beschränkt. Dies ist durch den Screeplot in Abb. 21 verdeutlicht. Die beiden ersten Faktoren erklären bereits gut 62% der Gesamtvarianz der Variablen, und werden nach diesem Kriterium ausgewählt.


In der nachfolgenden Tabelle sind die Ladungen der einzelnen Items (bzw. Variablen) dargestellt.

Abb.23 Faktorladungen der berücksichtigten Items

Die einzelnen Items lassen sich aufgrund ihrer Ladungen eindeutig bestimmten Faktoren zuordnen, so dass ein Rotationsverfahren, das die Faktoren so lange „dreht“ bis dass die Varianz der Ladungsquadrate maximiert wird, so dass höhere und niedrigere Ladungen deutlicher hervortreten, nicht benötigt wird.

Die Faktorladungen geben der eingangs geäußerten Vermutung Recht. Der erste Faktor kann durchaus als „politischer“ bzw. „sozialer“ Faktor interpretiert werden. Die Sozialausgaben und Stimmen für Grüne Partien haben hier besonders hohe Ladungen. Auch Investitionen in die Erforschung und Entwicklung regenerativer Energien kann in diesem Zusammenhang als gesellschaftliche und politische Anstrengung verstanden werden. Entsprechend lädt eine ungleiche Einkommensverteilung in hohem Maße negativ.

Der zweite Faktor kann ebenso deutlich als „ökonomischer“ Faktor ausgemacht werden. Entsprechend laden Ölpreis und Energieeffizienz besonders hoch. Es sollte nicht verwundern, dass sich die Vorzeichen beider Variablen unterscheiden. So steigt mit steigendem Ölpreis die wirtschaftliche Belastung, sie sinkt allerdings mit steigender Energieeffizienz.

Fazit[edit]

In diesem Aufsatz wurde der Frage nachgegangen, welche ökonomischen und gesellschaftlichen Indikatoren einen Beitrag leisten können, die Höhe des Anteils regenerativer Energien am Gesamtenergieverbrauch zu erklären.

Mit der unter SPSS implementierten „Rückwärts“-Methode wurde ein log-lineares Regressionsmodell spezifiziert, welches darauf schließen lässt, dass Ölpreis, Energieeffizienenz, Anteil der Wähler Grüner Parteien, öffentliche und private Investitionen in die Erforschung und Entwicklung regenerativer Energien, ein starker Sozialstaat, sowie eine große Einkommensgleichheit den Gebrauch erneuerbarer Energien positiv beeinflussen. Die übrigen Variablen waren nach diesem Verfahren nicht in der Lage einen Erklärungsbeitrag zu leisten. Das ist umso überraschender, als dass vermeintlich wichtige Variable wie politische Ausrichtung der Regierung oder BIP pro Kopf so ausgeschlossen wurden.

Die explorative Faktoranalyse hat gezeigt, dass die für die Regression verwendeten erklärenden Variablen zu zwei unterschiedlichen latenten Konstrukten zusammengefaßt werden können. Es lassen sich so zwei markante Faktoren herauskristallisieren: ein „sozialer“ bzw. „politischer“ und ein „ökonomischer“.

Zwar spielen sicherlich noch andere Faktoren, wie geographische Gegebenheiten eine wichtige Rolle, doch konnte mit dieser Analyse gezeigt werden, dass vermehrter Einsatz erneuerbarer Energien einen entscheidenden politischen und gesellschaftlichen Zuspruch benötigt und nicht allein aus wirtschaftlichen Erwägungen heraus begründet ist.


Literatur und Quellen[edit]

  • Härdle, W., Simar, L., (2003), Applied Multivariate Statistical Analysis, Springer, Berlin
  • Litz, H, (2000), "Multivariate Statistsiche Methoden", Oldenbourg
  • Rönz, B. (2001), Skript: Computergestützte Statistik I, Vorlesungsskript, Humboldt Universität Berlin