Vliv faktorů na množství CO2 v dopravě v rámci EU

Tato ekonometrická studie se zabývá problémem zvyšování emisí CO2 z dopravy v rámci Evropské Unie a faktory, které mohou mít vliv na množství tohoto skleníkového plynu v atmosféře.

Cílem této práce je statisticky dokázat, zdali mají faktory jako je například hustota zalidnění, míra motorizace či přepravní výkon skutečný vliv na emise CO2. Data, se kterými se v projektu pracuje, byla získána z webového portálu Eurostatu a Ministerstva Dopravy ČR.

V práci se využívá metody nejmenších čtverců (OLS).Tato ekonometrická studie se zabývá problémem zvyšování emisí CO2 z dopravy v rámci Evropské Unie a faktory, které mohou mít vliv na množství tohoto skleníkového plynu v atmosféře.

Cílem této práce je statisticky dokázat, zdali mají faktory jako je například hustota zalidnění, míra motorizace či přepravní výkon skutečný vliv na emise CO2.

Data, se kterými se v projektu pracuje, byla získána z webového portálu Eurostatu a Ministerstva Dopravy ČR.

V práci se využívá metody nejmenších čtverců (OLS).

JEL klasifikace

Q53, L90, C21

Úvodní představení problému

S růstem integrace v rámci Evropské Unie se obyvatelé EU mohou volně pohybovat po jejím území a zboží může být rychle a bez překážek dopraveno spotřebitelům sídlícím často v jiných státech. Evropská Unie od svého vzniku podněcuje tuto svobodu pohybu otevřením vnitrostátních trhů a odstraněním fyzických a technických překážek. Volnost pohybu přispívá k většímu ekonomickému růstu států v rámci EU a může pozitivně ovlivňovat jejich hospodářství. „Odvětví dopravy vytváří zhruba 10 % (HDP) EU a zajišťuje práci více než deseti milionům lidí.”[1]V současnosti ale volnost pohybu přináší i negativní důsledky spojené s přepravou lidí i zboží. Jedná se především o větší zátěž na životní prostředí spojenou s produkcí skleníkových plynů.

„Za období 1990 – 2004 dosáhla EU celkového snížení emisí skleníkových plynů o 5 %, ovšem za stejné období se emise z dopravy o 26 % zvýšily.“[2] V současnosti je situace kolem snižování emisí celkem nejasná, protože konference v Kodani nepřinesla nová závazná opatření.

Obrázek 1: Změna produkce emise CO2 z různých hospodářských odvětví EU v období 1990-2004 (%) [3]

Příčinou růstu emisí z dopravy je nárůst motorizace a lepší cenová dostupnost dopravních prostředků. V dnešní době se automobil stává nedílnou součástí domácností, protože poskytuje svým uživatelům lepší dopravní dostupnost. Sice vzrůstá účinnost automobilům, ale na druhé straně vzrůstá jejich celkový počet a prodlužují se ujeté cesty. Nejen proto dochází v EU k nárůstu emisí CO2 z dopravy.

Dosavadní stav zkoumání

Otázkou emisí a CO2 se zabývá řada nadnárodních a mezinárodních organizací a programů. Jako příklad lze uvést následující organizace:

The European Environment Agency (http://www.eea.europa.eu)
The Intergovernmental Panel of Climate Change (http://www.ipcc.ch)
United Nations Environment Programme (http://www.unep.org)
The World Meteorological Organization (http://www.wmo.int)
The United Nations Statistics Division (http://unstats.un.org)

Mezi ekonometrické modely a zprávy zabývající se emisemi CO2 v automobilovém průmyslu patří následující práce:

Results of the review of the Community Strategy to reduce CO2 emissions from passenger cars and light-commercial vehicles: http://ec.europa.eu/environment/air/transport/co2/pdf/sec_2007_60_ia.pdf
Transport and environment: on the way to a new common transport policy: http://www.eea.europa.eu/publications/eea_report_2007_1/at_download/file
Tax Policy and CO2 Emissions : An Econometric Analysis of the German Automobile Market: http://repec.rwi-essen.de/files/REP_09_089.pdf
The effect of fuel price increases on road transport CO2 emissions: http://ideas.repec.org/a/eee/trapol/v1y1993i1p43-48.html

V souhrnu existuje celá řada prací zabývající se emisemi skleníkových plynů z nejrůznějších úhlů pohledů. V dnešní době je totiž otázka životního prostředí a udržitelného života velice aktuální. Diskuse na toto téma se vede jak v odborných kruzích, tak i v laické veřejnosti.

Data

Data jsem převážně získal z webového portálu Eurostatu sídlícího na internetové adrese http://epp.eurostat.ec.europa.eu/portal/page/portal/eurostat/home/ a Ministerstva dopravy ČR sídlícího na internetové adrese http://www.mdcr.cz/cs/. Jedná se o průřezová data z 23 evropských zemí vztažená k roku 2006. Bohužel novější data nebylo možné použít, protože většinou nebyla kompletní.

state/title	moto_rate	rail_pass	road_good	density	population	real _GDP	air_pass	air_goods	rail_goods	establis	co2_transport
Belgium	470	9 627	43 017	347,8	10511382	2,8	19154636	1037357	8 483	3384	26062,46
Czech Republic	399	6 922	50 376	132,9	10251079	6,8	12171235	59523	15 779	7616	18384,85
Denmark	371	5 904	21 255	126,2	5427459	3,4	22965651	7363	1 893	1076	13582,77
Germany	566	77 803	330 016	230,7	82437995	3,2	154145981	3269210	105 760	54797	156618,4
Estonia	413	256	5 548	30,9	1344684	10	1533132	10053	10 416	951	2483,82
Ireland	412	1 872	17 454	62,3	4209019	5,4	27558133	132062	165	9101	13728,23
Greece	407	1 826	34 001	85,2	11125179	4,5	32762340	107085	597	9444	22949,49
Spain	464	20 310	241 788	87,2	43758250	4	150599286	504763	10 955	36199	108611,5
France	489	78 845	211 446	100,2	63229443	2,2	113182776	1591982	40 914	29008	138255,9
Italy	597	46 438	105687	199,7	58751711	2	95914356	810446	20 858	134713	129178,5
Latvia	360	268	18 134	36,7	2294590	12,2	2488065	11715	12 896	393	3444,28
Lithuania	470	992	10 754	54,2	3403284	7,8	1799195	12675	16 831	515	4421,8
Luxembourg	656	297	8 807	182,8	469086	5,6	1597404	633747	441	519	6957,17
Hungary	293	9 657	30 478	108,3	10076581	4	8245920	64882	10 166	3056	12683,56
Netherlands	442	14 677	83 194	483,8	16334210	3,4	48582547	1621469	5 321	7154	36048,97
Austria	507	8 651	39 188	99,5	8254298	3,5	20824533	202685	17 871	20457	23970,16
Poland	351	18 101	128 315	122	38157055	6,2	13737539	39610	44 331	6694	38623,73
Portugal	405	3 876	44 836	114,9	10569592	1,4	22026797	136328	2 430	2324	19945,78
Romania	167	8 092	57 287	93,9	21610213	7,9	4900134	20738	15 790	4710	12351,77
Slovenia	488	793	12 112	99,6	2003358	5,8	1327333	6593	3 373	707	4796,97
Slovakia	247	2 213	22 212	110	5389180	8,5	2124447	5376	10 062	2043	5943,74
Finland	475	3 582	29 715	17,3	5255580	4,9	13443365	128838	11 059	1381	14351,49
Sweden	461	9 563	39 918	22,1	9047752	4,2	25744721	224583	21 960	4008	20752,47
United Kingdom	471	46 776	172 181	251	60393100	2,9	211228518	2390436	23 098	79383	132088,6

Obrázek 2: Výchozí data

Ekonometrický model

V ekonometrickém modelu se budu zabývat vlivem různých faktorů na množství CO2 vypuštěných do ovzduší z odvětví dopravy v rámci EU. V práci využiji metodu nejmenších čtverců (OLS metoda). Pokusil jsem si určit vybrané faktory, které by mohli mít vliv na množství emisí v závislosti na datové dostupnosti a odhadovaném přímém i nepřímém vztahu k vysvětlované proměnné. Vzhledem k časové náročnosti a neuceleným datovým zdrojům jsem byl nucen použít obecnější vysvětlující proměnné a snížit počet zemí z 27 na 23. V modelu se budou využívat průřezová data z těchto 23 států.

V modelu vycházím z toho, že množství CO2 (v tis. tun) v ovzduší pocházející z dopravy ovlivňují následující faktory:

moto_rate =úroveň motorizace (počet aut na 1000 obyvatel dané země), v ekonometrickém modelu pod písmenem M

rail_pass=přepravní výkon železnice – osoby (mil. osobo kilometrů přepravených v dané zemi ročně), v ekonometrickém modelu pod písmenem Z

rail_goods=přepravní výkon železnice – zboží (mil. tuno kilometrů přepravených v dané zemi ročně), v ekonometrickém modelu pod písmenem X

road_good=přepravní výkon silniční doprava-zboží (mil.tkm přepravených v dané zemi ročně), v ekonometrickém modelu pod písmenem S

density=hustota zalidnění (počet obyvatel na km2 dané země), v ekonometrickém modelu pod písmenem T

population=celková populace (absolutní číslo), v ekonometrickém modelu pod písmenem P

real__GDP=míra růstu reálného HDP (procentní změna HDP k minulému roku), v ekonometrickém modelu pod písmenem H

air_pass=počet přepravených osob vzdušnou dopravou (absolutní číslo), v ekonometrickém modelu pod písmenem V

air_goods=množství přepraveného zboží vzdušnou dopravou (tuny), v ekonometrickém modelu pod písmenem W

establis=ubytovací kapacita země (počet ložnic a míst na spaní v dané zemi určených pro komerční účely, tj. pro potřeby turismu), hlavní indikátor pro oblast turismu, protože se předpokládá přímá závislost mezi touto proměnnou a velikostí odvětví turismu dané země, v ekonometrickém modelu pod písmenem K

Vysvětlovaná proměnná:

co2_transport=množství CO2 v ovzduší pocházející z dopravy (tis. tun), v ekonometrickém modelu označení C

V projektu využiji lineární model vícenásobné regrese v obecném zápisu:

Y_i =α+ ₁X_1i+ ₂ X_2i+… + _k X_ki +_I,

kde: Y_i…vysvětlovaná proměnná, X_i…vysvětlující proměnná, α …úrovňová konstanta, k…parametr vysvětlující proměnné, i …pozorování, kdy i=1,…n, _I …náhodná veličina[4].

Lineární regresní model se používá pro vysvětlení závislosti vysvětlované proměnné na vysvětlujících proměnných. V našem prípadě je vysvětlovanou proměnnou množství emicí CO2 z dopravy, která je vysvětlována 11 proměnnými. Při aplikaci lineárního modelu vícenásobné regrese na náš případ bude model vypadat následně:

C_i = ₀+ ₁M_i+ ₂Z_i+ ₃X_i + ₄S_i + ₅T_i + ₆P_i + ₇H_i + ₈V_i + ₉W_i+ ₁₀K_i+_I_,

kde: M, Z, X, S, T, P, H, V, W, K jsou vysvětlující proměnné uvedené výše a C je vysvětlovaná proměnná.

Testování předpokladů

K tomu abychom mohli metodu nejmenších čtverců aplikovat, musí náš model splňovat pět předpokladů: [5]

E (εi) = 0 Nulová střední hodnota náhodných složek.
var (εi) = E (εi2) = σ2 Konstantní rozptyl náhodných složek (homoskedasticita).
cov (εi; εj) = 0 pro i ≠ j. εi a εj jsou vzájemně nekorelované.
εi má normální rozdělení.
X1i, … , Xki jsou pevně daná, jedná se o nenáhodné veličina.“

Nulová střední hodnota náhodných složek

Tuto podmínku považujeme za splněnou, protože je v modelu obsažena úrovňová konstanta.

Konstantní rozptyl náhodných složek (homoskedasticita)

K testování o přítomnosti homoskedasticity v modelu využijeme Whiteův a Breusch-Paganův test obsažený přímo v aplikaci gretl:

Whiteův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 19,8071 s p-hodnotou = P(Chi-Square(20) > 19,8071) = 0,470051

Nulová hypotéza je, že rozptyl náhodných složek je konstantní. P-hodnota je vyšší než námi zvolená hladina významnosti, proto tuto hypotézu na hladině významnosti 0,05 podle Whiteova testu heteroskedasticity nezamítám.

Breusch-Paganův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 11,8097 s p-hodnotou = P(Chi-Square(10) > 11,8097) = 0,297995

P-hodnota je vyšší než námi zvolená hladina významnosti, proto nulovou hypotézu na hladině významnosti 0,05 podle tohoto testu heteroskedasticity nezamítám. Z obou dvou testů vyplývá, že předpoklad konstantních rozptylů náhodných složek je splněn.

Nekorelovanost náhodných složek

Multikolinearitu modelu zkontrolujeme korelační maticí vytvořenou v gretlu:

Korelační koeficienty, za použití pozorování 1 – 24, 5% kritická hodnota (oboustranná) = 0,4044 pro n = 24

moto_rate	rail_pass	road_good	density	population
1,0000	0,3645	0,2780	0,2436	0,2952	moto_rate
	1,0000	0,8681	0,2939	0,9436	rail_pass
		1,0000	0,2783	0,9296	road_good
			1,0000	0,2983	density
				1,0000	population

real__GDP	air_pass	air_goods	rail_goods	establis
-0,4331	0,3673	0,4575	0,2205	0,4392	moto_rate
-0,4864	0,7989	0,8253	0,7742	0,6746	rail_pass
-0,4160	0,8553	0,7807	0,7815	0,5533	road_good
-0,4393	0,3211	0,6231	0,1181	0,2703	density
-0,4617	0,8673	0,7842	0,7608	0,7603	population
1,0000	-0,5028	-0,4710	-0,1545	-0,4361	real__GDP
	1,0000	0,7970	0,5040	0,7324	air_pass
		1,0000	0,6819	0,5403	air_goods
			1,0000	0,3705	rail_goods
				1,0000	establis

Hodnoty, které jsou vyšší, než 0,9 mohou naznačovat problém s multikolinearitou. Aby se jednalo o skutečný problém, musí se hodnoty korelačních koeficientů pohybovat v blízkosti extrémních hodnot 1 nebo –1.[6]Abychom se vyhnuli problémům, vyřadíme vysvětlující proměnné, které mají vysoké hodnoty korelačních koeficientů. V tomto případě jsem se rozhodnul vyřadit proměnnou population.

Pro upravený model provedu test kolinearity dostupný v gretlu:

Faktory zvyšující rozptyl (VIF)

Minimální možná hodnota = 1.0

Hodnoty > 10.0 mohou indikovat problém kolinearity

moto_rate 2,091

rail_pass 11,475

road_good 24,183

density 8,046

real__GDP 2,084

rail_goods 14,132

establis 6,717

air_pass 35,406

air_goods 35,585

Proměnné air_pass a air_goods nejvíce převyšují hodnotu 10, takže jsme indikovali problém s kolinearitou. Proto odebereme z modelu tyto dvě proměnné a provedeme znovu test kolinearity.

Faktory zvyšující rozptyl (VIF)

Minimální možná hodnota = 1.0

Hodnoty > 10.0 mohou indikovat problém kolinearity

moto_rate 1,395

rail_pass 7,110

road_good 4,814

density 1,267

real__GDP 1,912

rail_goods 3,826

establis 2,214

Žádná proměnná nemá vyšší hodnotu než 10, proto jsme již neindikovali problém s kolinearitou. Předpoklad nekorelovanosti náhodných složek je tedy splněn.

Normální rozdělení

Pro splnění předpokladu normálního rozložení využijeme testu normality, který je obsažen v gretlu. Nulová hypotéza předpokládá, že data modelu jsou normálně rozložena. Alternativní hypotéza předpokládá, že data modelu nepocházejí z normálního rozložení.

Obrázek 3: Graf normálního rozdělení modelu

Z grafu nelze přesně vypozorovat, jestli se jedná o normální rozložení. Proto využijeme p-hodnoty, která je 0,31040 a je tedy vyšší než hladina významnosti 5%. Proto nulovou hypotézu o normálnosti rozdělení nezamítám na hadině významnosti 5%. Předpoklad normality je tedy splněn.

Nenáhodné veličiny

Data modelu jsou nenáhodná, pevně stanovená čísla, které pocházejí ze statistických průzkumů. Proto je i tento předpoklad splněn. Všechny předpoklady model tedy splňuje a můžeme aplikovat model OLS.

Model OLS

Model 1

Model 1: OLS, za použití pozorování 1-24

Závisle proměnná: co2_transport

	Koeficient	Směr. Chyba	t-podíl	p-hodnota
const	-6123,6	4868,96	-1,2577	0,22655
moto_rate	24,5408	8,39475	2,9234	0,00995	***
rail_pass	0,960449	0,0872314	11,0104	<0,00001	***
road_good	0,311181	0,0194831	15,9718	<0,00001	***
density	-13,3588	7,86496	-1,6985	0,10877
real__GDP	7,26446	390,421	0,0186	0,98538
rail_goods	-0,469773	0,0668302	-7,0294	<0,00001	***
establis	0,438938	0,0353571	12,4144	<0,00001	***

Střední hodnota závisle proměnné	40259,85	S.O. závisle proměnné	49978,01
Součet čtverců reziduí	2,09e+08	S.CH. regrese	3610,195
Koeficient determinace	0,996370	Adjustovaný koeficient determinace	0,994782
F(7, 16)	627,4037	P-hodnota(F)	2,66e-18
Logaritmus věrohodnosti	-225,7854	Akaikovo kritérium	467,5707
Schwarzovo kritérium	476,9951	Hannan-Quinn	470,0710

V modelu OLS máme dvě vysvětlující proměnné, které na hladině 5% vykazují statistickou nevýznamnost. Proto nejdříve z modelu odstraníme proměnné real__GDP.

Model 2 (bez real_gdp)

Model 2: OLS, za použití pozorování 1-24

Závisle proměnná: co2_transport

	Koeficient	Směr. Chyba	t-podíl	p-hodnota
const	-6059	3311,98	-1,8294	0,08493	*
moto_rate	24,4962	7,80538	3,1384	0,00599	***
rail_pass	0,959952	0,0805584	11,9162	<0,00001	***
road_good	0,31113	0,0187128	16,6266	<0,00001	***
density	-13,3987	7,34075	-1,8252	0,08558	*
rail_goods	-0,4693	0,0599707	-7,8255	<0,00001	***
establis	0,438971	0,0342581	12,8137	<0,00001	***

Střední hodnota závisle proměnné	40259,85	S.O. závisle proměnné	49978,01
Součet čtverců reziduí	2,09e+08	S.CH. regrese	3502,441
Koeficient determinace	0,996370	Adjustovaný koeficient determinace	0,995089
F(6, 17)	777,7023	P-hodnota(F)	9,00e-20
Logaritmus věrohodnosti	-225,7856	Akaikovo kritérium	465,5712
Schwarzovo kritérium	473,8176	Hannan-Quinn	467,7590

Úpravou modelu jsme odstranili statisticky nevýznamné vysvětlující proměnné, které nedosahovali ani 90% statistické významnosti. I nadále ale proměnná density nesplňuje požadavek statistické významnosti na hladině 5%. Proto model opět upravíme a odstraníme z něj proměnnou density.

Model 3 (bez real_gdp a density)

Model 3: OLS, za použití pozorování 1-24

Závisle proměnná: co2_transport

	Koeficient	Směr. Chyba	t-podíl	p-hodnota
const	-6767,47	3495,69	-1,9359	0,06874	*
moto_rate	22,5262	8,21581	2,7418	0,01340	**
rail_pass	0,943727	0,0850941	11,0904	<0,00001	***
road_good	0,306722	0,0197215	15,5527	<0,00001	***
rail_goods	-0,448401	0,062564	-7,1671	<0,00001	***
establis	0,43864	0,0364087	12,0477	<0,00001	***

Střední hodnota závisle proměnné	40259,85	S.O. závisle proměnné	49978,01
Součet čtverců reziduí	2,49e+08	S.CH. regrese	3722,371
Koeficient determinace	0,995659	Adjustovaný koeficient determinace	0,994453
F(5, 18)	825,6325	P-hodnota(F)	1,34e-20
Logaritmus věrohodnosti	-227,9331	Akaikovo kritérium	467,8663
Schwarzovo kritérium	474,9346	Hannan-Quinn	469,7415

Úpravou modelu jsme odstranili statisticky nevýznamné vysvětlující proměnné, které nedosahovali ani 95% statistické významnosti. Koeficient determinace je 0,995659. To znamená, že vysvětlující proměnné vysvětlují 99,57% variability vysvětlované proměnné. Protože se koeficient determinace blíží 100%, jsem s tímto modelem z tohoto pohledu velice spokojen. Mnou provedené úpravy měli pouze minimální dopad na koeficient determinace.

Z výše uvedeného modelu OLS lze sestrojit tuto rovnici lineárního modelu vícenásobné regrese:

co2_transport = -6767,47 + 22,5262 moto_rate + 0,943727 rail_pass + 0,306722 road_good – 0,448401 rail_goods + 0,43864 establis

TEST PŘEDPOKLADŮ

K tomu abychom mohli metodu nejmenších čtverců aplikovat u modelu 3, musí náš model opět splňovat pět klasických předpokladů uvedených výše.

Nulová střední hodnota náhodných složek

Tuto podmínku považujeme za splněnou, protože je v modelu obsažena úrovňová konstanta.

Konstantní rozptyl náhodných složek (homoskedasticita)

K testování o přítomnosti homoskedasticity v modelu využijeme Whiteův a Breusch-Paganův test obsažený v aplikaci gretl:

Whiteův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 23,4423 s p-hodnotou = P(Chi-Square(20) > 23,4423) = 0,267604

P-hodnota je vyšší než námi zvolená hladina významnosti, proto tuto hypotézu na hladině významnosti 0,05 podle Whiteova testu heteroskedasticity nezamítám.

Breusch-Paganův test heteroskedasticity

Nulová hypotéza: není zde heteroskedasticita

Testovací statistika: LM = 2,16805 s p-hodnotou = P(Chi-Square(5) > 2,16805) = 0,825437

P-hodnota je vyšší než námi zvolená hladina významnosti, proto nulovou hypotézu na hladině významnosti 0,05 podle tohoto testu heteroskedasticity nezamítám.Z obou dvou testů vyplývá, že předpoklad konstantních rozptylů náhodných složek je splněn.

Nekorelovanost náhodných složek

Multikolinearitu modelu opět zkontrolujeme korelační maticí vytvořenou v gretlu:

Korelační koeficienty, za použití pozorování 1 – 24, 5% kritická hodnota (oboustranná) = 0,4044 pro n = 24

moto_rate	rail_pass	road_good	rail_goods	establis
1,0000	0,3645	0,2780	0,2205	0,4392	moto_rate
	1,0000	0,8681	0,7742	0,6746	rail_pass
		1,0000	0,7815	0,5533	road_good
			1,0000	0,3705	rail_goods
				1,0000	establis

Žádná hodnota není vyšší, než 0,9, proto by model neměl vykazovat problém s multikolinearitou. Pro jistotu provedeme ještě test kolinearity dostupný v gretlu:

Faktory zvyšující rozptyl (VIF)

Minimální možná hodnota = 1.0

Hodnoty > 10.0 mohou indikovat problém kolinearity

moto_rate 1,257

rail_pass 6,365

road_good 4,639

rail_goods 3,154

establis 2,209

Žádná proměnná nemá vyšší hodnotu než 10, proto jsme již neindikovali problém s kolinearitou. Předpoklad nekorelovanosti náhodných složek je tedy opět splněn.

Normální rozdělení

Z grafu lze přímo vypozorovat, že by se mohlo zhruba jednat o normální rozložení. Přesto využijeme p-hodnoty, která je 0,82977 a tedy vyšší než hladina významnosti 5%. Proto nulovou hypotézu o normálnosti rozdělení nezamítám na hadině významnosti 5%. Předpoklad normality je tedy splněn.

Nenáhodné veličiny

Data modelu pocházejí ze statistických průzkumů. Můžeme tedy i tento předpoklad považovat za splněný.Všechny předpoklady model tedy splňuje a proto lze aplikovat model OLS.

RESET TEST

Na závěr otestujeme celkový model ještě pomocí RESET testu.

Test RESET pro specifikaci (druhé a třetí mocniny)

Testovací statistika: F = 2,179941,

s p-hodnotou = P(F(2,16) > 2,17994) = 0,145

Test RESET pro specifikaci (pouze třetí mocniny)

Testovací statistika: F = 2,038215,

s p-hodnotou = P(F(1,17) > 2,03821) = 0,172

Test RESET pro specifikaci (pouze druhé mocniny)

Testovací statistika: F = 1,019870,

s p-hodnotou = P(F(1,17) > 1,01987) = 0,327

Všechny p-hodnoty jsou vyšší než hladina významnosti 5%, proto považujeme model za korektní.

Empirická zjištění a závěry

Na začátek porovnáme námi očekávanou závislost mezi vysvětlovanou proměnnou a vysvětlujícími proměnnými s výsledky ekonometrického modelu 3. U proměnné moto_rate jsem předpokládal pozitivní závislost s emisemi CO2. Tato domněnka se potvrdila a míra motorizace má značnou kladnou závislost s množstvím CO2 v ovzduší z dopravy. Z ekonometrického modelu vyplývá, že pokud vzroste míra motorizace o jednotku (počet aut na 1000 obyvatel), zvýší se emise CO2 o 22,5262 tis. tun v dané zemi.

U proměnných rail_pass a rail_goods jsem očekával negativní závislost, protože většina vlaků je v rámci EU již elektrifikována a počet lokomotiv jezdících na naftu je nízký. Vlak je jedním ze substitutů automobilů, proto jsem předpokládal, že čím více cestujících nebo zboží přepraví železniční doprava, tím méně se budou používat automobily k dopravě a přepravě a dojde k poklesu množství emisí CO2 z dopravy. Bohužel ale ekonometrický model můj předpoklad u proměnné rail_pass nepotvrdil a vyplývá z něj, že pokud vzrostou mil.osobokilometrů o jednotku („osobokilometr představuje přepravu jedné osoby v osobní dopravě na vzdálenost jednoho kilometru”[7]), zvýší se emise CO2 o 0,943727 tis. tun v dané zemi. Na druhou stranu u proměnné rail_goods model potvrdil moji domněnku a vyplývá z něj, že pokud vzrostou mil.tunokilometrů o jednotku („tunový kilometr představuje přepravu jedné tuny nákladu v nákladní dopravě na vzdálenost jednoho kilometru” [8]), sníží se emise CO2 o 0,448401 tis. tun v dané zemi.

U proměnné road_good jsem očekával pozitivní závislost s emisemi CO2, protože čím větší množství zboží je přepraveno po silnicích, tím větší nároky to klade na silniční dopravu, která je hlavním producentem CO2. Z ekonometrického modelu vyplývá, že pokud vzrostou mil.tunokilometrů o jednotku, zvýší se emise CO2 o 0,306722 tis. tun v dané zemi.

U proměnné establis jsem očekával pozitivní závislost s emisemi CO2, protože jsem vycházel z předpokladu pozitivní vazby turismu na dopravu. Jelikož se ubytovací kapacita země považuje za významný ukazatel velikosti turismu v dané zemi, měl by mít i vliv na emise CO2 z dopravy, protože čím větší turismus v dané zemi je, tím větší jsou nároky na dopravu a tím větší by toto odvětví mělo být. Proto by to mělo v konečném důsledku vést ke zvyšování emisí CO2. Z ekonometrického modelu vyplývá, že pokud vzroste počet ložnic a míst určených ke spaní o jednotku, zvýší se emise CO2 o 0,438640 tis. tun v dané zemi.

Z ekonometrického modelu nám buďto pro problémy s korelací anebo se statistickou významností vypadly proměnné population, density, air_goods, air_pass a real_gdp. U většiny z nich je to celkem překvapivé.

Možná rozšíření

Tento model by bylo možné rozšířit o další oblasti jako je například průmysl, energetika nebo zemědělství. Dále by bylo vhodné do modelu vložit více proměnných, které by mohli mít přímou i nepřímou vazbu s emisemi CO2 a třeba i využít výzkumu pro získání konkrétnější a podrobnějších dat. Jako příklad lze uvést zavedení proměnných, které by zohledňovali geografické podmínky země, vzdálenost velkých center od sebe, cenu pohonných hmot, průměrné stáří vozového parku apod.