Дипломная работа: Тенденции развития топливно-энергетического баланса в ЕС под влиянием конкуренции энергоресурсов

В-третьих, как было отмечено выше, не все потребляемые страной энергоресурсы добываются на её территории. Для того, чтобы показать долю энергии, которую страна должна импортировать, или иными словами то, насколько страна зависит от импорта существует уровень энергетической зависимости. Этот показатель также важен в проводимой кластеризации, так как чем выше он, тем стране должно быть легче реализовывать изменения в климатической политике, поскольку она менее зависит от собственного производства.

В-четвертых, переход к климатически нейтральной экономике подразумевает сокращение выбросов ПГ. Поэтому было решено, отразить также объёмы эмиссии вредных веществ в атмосферу на душу населения.

В-пятых, на успех страны в контексте энергетического перехода может влиять показатель урбанизации от общего количества населения. Высокая доля городского населения приводит к увеличению эмиссии ПГ, а значит, негативно влияет на реализацию страной политики декарбонизации. То есть страна с более высоким показателем урбанизации, вероятнее всего, будет менее успешна в энергетическом переходе.

Проверяемая гипотеза заключается в том, что, во-первых, страны в принципе можно сгруппировать по кластерам, характеризующимся разной степенью перехода к климатически нейтральной экономике, а во-вторых, что состав кластеров будет меняться, ввиду постепенного движения всех стран в наиболее прогрессивный кластер.

На первом шаге кластеризации мы будем использовать данные за 2017 и опишем проводимые действия, а потом по аналогии проведём аналогичные действия для данных за 2007-2016гг.

В первую очередь, для того, чтобы провести кластеризацию, нам необходимо проверить наши исходные признаки, и при необходимости избавиться от выбросов. При построении "ящика с усами", можно заметить, что по четырем признакам: x1, x2, x3, x5 аномальные наблюдения отсутствуют, иными словами по этим факторам есть хорошее симметричное распределение. X4 содержит аномальное наблюдение в виде «Люксембурга» (см. Рисунок 19). Однако причина высокого объёма эмиссии в этой стране по сравнению с другими может лежать в более низких ценах на бензин и дизельное топливо. Это приводит к тому, что владельцы транспорта из Бельгии, Франции, Германии, а также водители транзитных грузовиков заправляются в Люксембурге. Так как объём проданного топлива учитывается при расчетах выбросов ПГ, то показатель в Люксембурге получается выше. Green Growth Indicators, OECD Green Growth Studies, 2014 По причине того, что данный «выброс» является обоснованным, было принято решение не исключать его из выборки.

Рисунок 19 - «ящик с усами» для признаков за 2017 год

Источник: построено с помощью Excel по данным Eurostat, BP, United Nations

Чтобы убедиться в отсутствии статистической зависимостью между признаками, были рассчитаны показатели парных корреляций. Модули парных коэффициентов корреляции по всем факторам оказались меньше 0,5 (см. Таблица 1).

Таблица 1 - матрица парных коэффициентов корреляции для признаков за 2017 год

Источник: рассчитано при помощи Excel по данным Eurostat, BP, United Nations

Кроме того, для последующего проведения кластерного анализа и возможности корректного сравнения данных, необходимо привести их к стандартному виду с помощью SPSS.

Чтобы понять, необходимо ли проводить факторный анализ к выборке, необходимо оценить меру адекватности Кайзера-Мейера-Олкина. Если значение меньше 0,5, то факторный анализ неприменим к выборке: в наших данных значение равно 0,45 (см. Таблица 2).

Таблица 2 - КМО и критерий сферичности Бартлетта по данным за 2017 год

Источник: рассчитано при помощи SPSS по данным Eurostat, BP, United Nations

Смысл исследования заключается в том, чтобы создать типологию стран по степени реализации политики перехода к климатически нейтральной экономике. Ввиду того, что мы использовали относительно небольшую выборку наблюдений, то резонно было выбрать метод Уорда, который на выборках такого размера хорошо отбирает кластеры.

Таким образом, используя метод Уорда была получена следующая дендрограмма (см. Рисунок 20).

Рисунок 20 - дендрограмма с использованием метода Уорда

Источник: построено с помощью SPSS по данным Eurostat, BP, United Nations

На основании данного графического представления мы предположили о возможности разбиения данных на 4 кластера (см. Рисунок 21).

Рисунок 21 - разбивка на кластеры по данным за 2017 год

Источник: построено с помощью SPSS по данным Eurostat, BP, United Nations

Для того чтобы убедиться в резонности такого разбиения, можно построить таблицу сопряженности, рассмотрев двухкластерное, трехкластерное и четырехкластерное решение. Одним из критериев качества модели может выступать наполненность кластеров. Желательно, чтобы в каждый кластер попадало не менее 10 % объектов. Этому критерию удовлетворяют все три потенциальных разбиения. Однако несмотря на то, что в случае с двухкластерным решением разбиение получается равномерным, деление на два кластера кажется слишком простым и непоказательным с точки зрения смысла. В случае с трехкластерным решением, число наблюдений в кластерах неравномерно так как наблюдается следующая наполненность: 14%, 25%, 60%. По этой причине, было решено остановится на четырех кластерах с наполненностью в 11%, 14%, 25% и 50% (см. таблица 3).

Таблица 3 - комбинационная таблица Ward Method

Источник: построено с помощью SPSS по данным Eurostat, BP, United Nations

После разделения исходных наблюдения по кластерам, необходимо посмотреть на характеристики кластеров - в частности, оценить средние, минимальные, максимальные и медианные значения исходных признаков в каждом кластере (см. Таблица 4).

Таблица 4 - сравнение описательных статистик по классам в 2017 году

Источник: построено с помощью SPSS по данным Eurostat, BP, United Nations

Тем не менее, хотелось бы показать не только ситуацию стран ЕС в энергетике на 2017 год, но и динамику изменений состава кластеров. Поэтому аналогичные действия были проведены по данным за период с 2007 по 2016гг., в результате чего была полученная следующая динамика (см. Таблица 5). Процедуры подготовки данных, включающие себя построение «ящика с усами», матрицы парных коэффициентов находятся в Приложении 6-7.

Таблица 5 - динамика состава кластеров стран ЕС

Источник: построено с помощью SPSS по данным Eurostat, BP, United Nations

Стоит отметить, что в ходе проверки равномерности распределения выборок, были замечены несколько аномальных наблюдений (см. Приложение 6). Так, в 2009 году по признаку x2 (количество процентных пунктов, на которое должно быть снижено конечное потребление энергии в рассматриваемом году, чтобы достичь национальной цели по увеличению энергоэффективности на 2020 год) «Мальта» выступила как аномальное наблюдение. Тем не менее, это поддаётся объяснению: Мальта практически на 100% зависит от импортируемых энергоносителей, поэтому кризис 2008 года привёл к резкому сокращению потребления энергии. По этой причине было решено, не исключать Мальту из выборки. Также с 2007 по 2009 гг. «Швеция» представляла собой выброс по признаку x1 (доля ВИЭ в валовом конечном потреблении энергии страны). Однако её также было решено, не исключать из выборки, так как лидерство Швеции среди остальных стран ЕС также имеет объяснение. Так, начиная с последнего десятилетия 20 века на фоне практически полного отсутствия собственных ископаемых видов топлива, начала развивать ветроэнергетику. Кроме того, местоположение Швеции дало ей преимущество для развития гидроэнергетики.

На географической карте кластеризация может быть показана следующим образом (см. Рисунок 22, 23).

Рисунок 22 - карта разбивки стран на кластеры по данным за 2017 год

Источник: построено с помощью MapChart по данным Eurostat, BP, United Nations

Рисунок 23 - карта разбивки стран на кластеры по данным за 2012 год

Источник: построено с помощью MapChart по данным Eurostat, BP, United Nations

На основании сравнительных характеристик за 2017 год и соотношения со средними значениями по признакам, можно описать полученные кластеры (см. Таблица 6).

Таблица 6 - уровень выраженности признаков в разбивке по странам в 2017 году

Источник: составлено автором по данным Eurostat, BP, United Nations

Анализируя характеристики кластеров, можно сделать вывод о степени прогрессивности кластеров: кластер №2 - наиболее прогрессивный; далее следуют кластер № 4, кластер № 1 и кластер №3- наименее прогрессивный.

Нам удалось кластеризовать страны, а также показать динамику их постепенного перехода из одних групп в другие.

· Часть стран сохраняет своё положение в кластере на протяжении всего рассматриваемого периода: Бельгия, Болгария, Германия, Франция, Венгрия, Литва.

· Часть стран совершает переход из менее в более прогрессивные с точки зрения перехода к климатически нейтральной экономике: Швеция, Финляндия, Дания.

· Некоторые страны переходят из одних кластеров в другие, однако не могут закрепить своё положение, и затем возвращаются в исходную группу: Чехия, Эстония, Великобритания, Нидерланды (поочередно находятся в кластере № 1 или №2).

· Часть стран переходят из более в менее прогрессивные кластеры: Люксембург (из кластера №4 в №3), Кипр (последовательно из №2, в №1, а затем в №3).

Таким образом, наша гипотеза подтвердилась лишь частично.

Стоит отметить также, что помимо изменения состава кластеров с течением времени меняется и их описательные характеристики (см. Таблица 7). Однако, несмотря на количественные изменения, степень прогрессивности кластеров сохраняется: кластер №2 - наиболее прогрессивный; далее следуют кластер № 4, кластер № 1 и кластер №3- наименее прогрессивный (см. Таблица 8).

Таблица 7 - сравнение описательных статистик по классам в 2012 году

Источник: построено с помощью SPSS по данным Eurostat, BP, United Nations

Таблица 8 - уровень выраженности признаков в разбивке по странам в 2007 году

Источник: составлено автором по данным Eurostat, BP, United Nations

Глава 3. Оценка стратегических планов и программ развития ТЭБ в ЕС

3.1 Оценка результативности действующих программ по развитию энергетического сектора ЕС

ЕС ставит долгосрочную цель перехода к климатически нейтральной экономике, для реализации которой были разработаны стратегические программы, определяющие особенности производства и потребления энергии. Так, в 2008 году был принят пакет мер в области энергетики и изменения климата («Energy and Climate» package). Смысл данного проекта состоит в том, чтобы обеспечить выполнение ЕС своих задач, входящих в так называемую политику «20-20-20»: