SIM Projekat

UNIVERZITET U NOVOM SADU
PRIRODNO-MATEMATIČKI FAKULTET
DEPARTMAN ZA MATEMATIKU I
INFORMATIKU
Uticaj emisije CO2 i potrošnje električne energije na

bruto domaći proizvod
Seminarski rad
Mentor: prof. dr Dušan Jakovetić Studenti: Marina Črjepok 245m/17

Svetlana Jurica 210m/17
Jelena Samardžija 229m/16
Tamara Stefanović 230m/16
Aleksandra Milojević 228m/16
Teodora Popović 418m/16
Novi Sad, januar 2018. godine

Uticaj emisije CO2 i potrošnje električne energije na bruto domaći proizvod
PREDGOVOR
U ovom radu ćemo ispitati kako potrošnja električne energije i emisija CO2 utiču na
bruto domaći proizvod. Istraživanje je sprovedeno na podacima iz 7 država u periodu od
1992. do 2016. godine. Analizu smo sproveli u softveru Gretl. Došli smo do zaključka da
postoji veza između potrošnje električne energije i BDP-a, ali to ne moženo reći za emisiju
CO2. Korelacija je pozitivna, što znači da povećanje potrošnje električne energije dovodi do
povećanja BDP-a.
Ključne reči: BDP, ekonomski razvoj, energija, energetska efikasnost, CO2, kauzalni odnos,
panel podaci.
2
SADRŽAJ
Strana
1. Uvod 4
1.1. Bruto domaći proizvod 5
1.2. Rezultati prethodnih istraživanja na ovu temu 6
2. Teorija 8
2.1. Panel podaci 8
2.2. Vrste panel podataka 10
2.3. Ekonometrijski modeli panel podataka 11
3. Empirijska analiza 13
4. Zaključak 20
Literatura 21
3
1. UVOD
Povezanost potrošnje energije i celokupnog društvenog razvoja je duga koliko i sama

ljudska civilizacija. Da bi se ostvario ekonomski rast, neophodna je energija – ona je jedan od
najvažnijih inputa za svaku privrednu aktivnost. Kao i kod svakog drugog oskudnog resursa,
vodi se računa o potrošnji energije, pre svega kroz dizajniranje efikasnijih procesa i primenu
novih tehnologija koje omogućuju uštede. Pod energetskom efikasnošću podrazumevamo
upravo ovakve aktivnosti. Mere unapređenja energetske efikasnosti ne doprinose samo
smanjenju troškova u proizvodnji. Poboljšanje energetske produktivnosti može doprineti ne
samo bržem i stabilnijem ekonomskom rastu, već, generalno, smanjenju tražnje za energijom i
samim tim njenih cena.
Iako je postojanje povezanosti između ekonomskog rasta i potrošnje energije opšte
prihvaćena i zdravorazumska činjenica, kauzalnost tog odnosa nije. Postoje brojna
istraživanja na tu temu i različiti zaključci vezani za taj odnos.
U eri globalizacije, brzo povećanje tražnje za energijom i zavisnosti zemalja od

energetike ukazuje na to da će energija biti jedan od najvećih problema u svetu u narednom
veku, zato ovim istraživanjima treba posvetiti posebnu pažnju.
Glavni izvori energije u 21. veku su neobnovljivi izvori energije. To su:
● ugalj
● nafta
● prirodni plin
● nuklearna energija
Ugalj, nafta i prirodni plin nazivaju se još i fosilna goriva. Dva osnovna problema kod
neobnovljivih izvora energije su da ih ima u ograničenim količinama i da zagađuju okolinu.
Sagorevanjem fosilnih goriva oslobađa se velika količina CO2. Upravo on je odgovoran za
globalno zagrevanje. Kako je tražnja za energijom sve veća, i kako svest ljudi o očuvanju
planete polako raste, neophodno je naći nove izvore energije. Zato, kada je energetika u
pitanju, obnovljivi izvori energije postaju glavna tema u svetu.
Najznačajniji obnovljivi izvori energije su:
● energija vetra
● energija Sunca
● bioenergija
● energija vode
S obzirom na to da se još uvek najveći deo energije dobija iz fosilnih goriva, povećanje
potrošnje energije je u direktnoj vezi sa povećanom emisijom CO2.
4
1.1. Bruto domaći proizvod

Najvažniji statistički podatak u ekonomiji, odnosno najbolji pokazatelj ekonomskog
blagostanja društva jeste Bruto Domaci Proizvod. Njim merimo dve stvari odjednom: ukupne
dohotke svih u određenoj privredi i ukupne izdatke privrede pri proizvodnji dobara i usluga.
To je moguće jer su ove dve stvari iste. U privredi u celini, dohoci moraju biti jednaki
izdacima. Svaka novčana jedinica izdatka nekog kupca predstavlja novčanu jedinicu dohotka
nekog prodavca.
Bruto Domaci Proizvod, kraće BDP, je tržišna vrednost svih finalnih dobara i usluga
proizvedenih u jednoj zemlji u određenom vremenskom periodu.
● “ BDP je tržišna vrednost…”– BDP sabira mnogo različitih vrsta proizvoda u

jedinstvenu meru vrednosti ukupne ekonomske aktivnosti. To se čini pomoću tržišnih
cena koje mere broj ljudi spremnih da plate za različita dobra i na taj način
predstavljaju odraz vrednosti tih dobara. Ako je cena jednog dobra dvostruko veća od
cene drugog dobra onda prvo dobro dvostruko više doprinosi BDP-u u odnosu na
drugo.
● “…svih…” –BDP pokušava da bude sveobuhvatan. On uključuje sve proizvode koji
su proizvedeni u ekonomiji i prodati na legalnim tržištima. Takođe uključuje i tržišnu
vrednost usluga stanovanja u stambenom prostoru koji je raspoloživ u ekonomiji. U
slučaju izdavanja stambenog prostora, tu vrednost je lako izračunati. Zakupnina je
jednaka izdatku zakupca i dohotku stanodavca. Za ljude koji žive u sopstvenom
stambenom prostoru, zakupnina predstavlja i izdatke i dohodak vlasnika.
Međutim, iz BDP-a je isključena većina proizvoda koji se proizvedu i potroše kod
kuće i nikad ne izađu na tržište.
● “…finalnih…”- Kada jedna kompanija proizvede svoj proizvod ,a zatim taj proizvod
upotrebi druga kompanija kako bi proizvela svoj proizvod, onda proizvod prve
kompanije predstavlja međuproizvod, a proizvod druge kompanije finalno dobro. U
BDP je uključena samo cena finalnih dobara jer ako bismo tržišnu cenu
međuproizvoda sabrali sa tržišnom cenom finalnog dobra onda bi to bilo duplo
računanje međuproizvoda.
● “…dobara i usluga…”- u BDP su uključena i materijalna dobra i nematerijalna
dobra, odnosno, usluge. Kada kupimo CD neke muzičke grupe, kupili smo materijalno
dobro cija cena predstavlja deo BDP-a, a kad kupimo kartu za koncert te iste muzičke
grupe, kupili smo uslugu pri čemu cena karte takođe predstavlja deo BDP-a.
● “…proizvedenih…” – u BDP su uključena dobra i usluge koji se proizvode u
tekućem periodu. Ne uključujemo transakcije koje obuhvataju dobra proizvedena u
prošlosti odnosno vrednost polovne robe (već jednom prodavane) ne ulazi u BDP.
● “…u jednoj zemlji…” – BDP predstavlja vrednost proizvodnje unutar granica jedne
zemlje. Kada mađarski državljanin privremeno radi u Srbiji, njegova proizvodnja
predstavlja deo BDP-a Srbije. Kada je srpski državljanin vlasnik fabrike u Mađarskoj,
proizvodnja te fabrike predstavlja deo BDP-a Mađarske. Dakle, proizvodi se uključuju
u BDP jedne zemlje ukoliko su proizvedeni u toj zemlji, bez obzira na nacionalnost
proizvođača.
● “…u određenom vremenskom periodu.” – BDP predstavlja vrednost proizvodnje
koja se odvija u određenom intervalu vremena. Taj interval je obično jedna godina ili
kvartal(3 meseca). BDP predstavlja tok dohodaka i izdataka u privredi tokom tog
intervala.
5
Da li povećanje emisije CO2 ukazuje

na veći ekonomski rast? Da li će kontrola emisije
CO2 dovesti do pada ekonomskog rasta, a samim tim i do pada BDP-a?
Da bismo odgovorili na ova pitanja, moramo imati u vidu da količina CO2 u vazduhu ne zavisi
samo od proizvodnje energije, već generalno od čovekovih aktivnosti kao što su transport i
industrijska proizvodnja. Ovo nas dovodi do zaključka da je veličina populacije jedan od
glavnih faktora koje moramo uzeti u obzir prilikom proučavanja veze između potrošnje
energije, emisije CO2 i ekonomskog rasta.
Većina dosadašnjih istraživanja na ovu temu zasnovana su na podacima iz više zemalja u više
vremenskih perioda, takozvanim panel podacima. Neki od naučnika smatraju da povećanje
potrošnje energije iz obnovljivih izvora, a samim tim i smanjenje emisije CO2, povećava
ekonomsku aktivnost. Drugi su pak skeptici što se tiče toga.
Jedno je sigurno, odgovor na pitanje o međusobnoj vezi potrošnje energije, emisije CO2 i rasta
BDP-a nije jednostavan i zahteva kompleksnu analizu.
1.2. Rezultati prethodnih istraživanja na ovu temu
Potrošnja energije, energetska efikasnost (upotreba manje količine energije za obavljanje istog
posla), emisija CO2, efekat staklene bašte i ekonomski razvoj su pojmovi koji su povezani na
globalnom nivou. Oni su predmet brojnih istraživanja u svetu i mnoge institucije prate
njihovo kretanje.
Pre svega, da bismo se bolje upoznali sa istraživanjima na ovu temu, uvešćemo sledeći pojam:
E
I= BDP
gde je I energetska intenzivnost, odnosno mera energetske efikasnosti, E količina uložene
energije i BDP ekonomski output procesa. Radi se o indeksnoj veličini koja nema svoju (SI)
jedinicu, i uglavnom se označava u milionima tona ekvivalenta nafti (toe) prema 1.000 USD
bruto domaćeg proizvoda, ali su i drugačiji izrazi mogući i relativno česti. Manja vrednost
indeksa označava viši stepen energetske efikasnosti.
Sada ćemo navesti samo rezultate nekih istraživanja koja se odnose na zemlje, po nekim
karakteristikama, sličnim Srbiji – zemlje regiona, zemlje u tranziciji, zemlje u razvoju.
Rezultati istraživanja grupišu se oko sledeće četiri ispitane i dokazane hipoteze:

1) Hipoteza neutralnosti (E ≠ BDP): nepostojanje kauzalnosti između potrošnje
energije i ekonomskog rasta, tj. dve varijable nisu povezane;
2) Hipoteza povratne sprege (E ↔ BDP): postojanje uzajamne kauzalnosti između
potrošnje energije i ekonomskog rasta, tj. obe varijable utiču jedna na drugu;
3) Hipoteza štednje energije (konzervacije) (BDP → E): jednosmerna kauzalnost koja
ide od ekonomskog rasta ka potrošnji energije, tj. ekonomski rast utiče na povećanje potrošnje
energije, ali bez povratne sprege.
4) Hipoteza rasta (E → BDP): jednosmerna kauzalnost koja ide od potrošnje energije
ka ekonomskom rastu, tj. potrošnja energije utiče na ekonomski rast, ali bez povratne sprege.
6
Ozturk i Acaravci (2010) su analizirali kauzalni odnos između ekonomskog rasta i energije
(ukupne i električne per capita) u radu “Electricity consumptiongrowth nexus: Evidence from
panel data for transition countries”, koristeći panel podatke za petnaest evropskih zemalja u
tranziciji (Albanija, Belorusija, Bugarska, Češka Republika, Estonija, Latvija, Litvanija,
Makedonija, Moldavija, Poljska, Rumunija, Ruska Federacija, Srbija, Slovačka i Ukrajina),
od 1990. do 2006. Dobijeni rezultati ukazuju na slabu ili čak nepostojeću vezu energije i
ekonomskog rasta u ovim zemljama.
Wolde-Rufael je u radu “Electricity consumption and economic growth in transition
countries: A revisit using bootstrap panel Granger causality analysis”, istražujući kauzalnost
između potrošnje električne energije i ekonomskog rasta, u 15 tranzicionih privreda za period
1975-2010. godina pronašao jednosmernu kauzalnost tipa rasta samo u Bugarskoj i Belorusiji;
tipa konzervacije u Češkoj Republici, Letoniji, Litvaniji i Rusiji; tipa povratne sprege samo u
Ukrajini; a tipa neutralnosti u Albaniji, Makedoniji, Moldaviji, Poljskoj, Rumuniji, Srbiji,
Slovačkoj i Sloveniji. Razlog izbora ovih zemalja leži u činjenici da zemlje u tranziciji imaju
posebno povećanu tražnju za električnom energijom u poslednjoj deceniji. Iako je hipoteza
rasta potvrđena u svega dve zemlje – Belorusiji i Bugarskoj – ona je u njima sa negativnim
koeficijentom elastičnosti (porast potrošnje električne energije negativno utiče na ekonomski
rast). Ovo se objašnjava neefikasnim industrijama koje koriste prekomerne količine električne
energije.
Nekoliko radova koji ispituju vezu ekonomskog rasta i potrošnju energije u Hrvatskoj došlo je
do različitih rezultata. Gelo (2009) je u radu “Causality between economic growth and energy
consumption in Croatia” pokazao da u periodu od 1953. do 2005. godine bruto domaći
proizvod utiče na potrošnju energije, odnosno, da porast BDP-a (za 1%) utiče na rast primarne
potrošnje energije (0,509%) – ali da ne važi obrnuto. Vlahinić-Dizdarević i Žiković (2010) su
u radu “The role of energy in economic growth: the case of Croatia”, ispitujući postojanje i
smer kauzalnosti u periodu 1993–2006 između energije i ekonomskog rasta, došli do
zaključka da postoji kauzalnost, dugoročna i kratkoročna, između rasta bruto domaćeg
proizvoda i potrošnje energije. Ti rezultati se razlikuju od većine studija koje analiziraju
zemlje u razvoju i slični su rezultatima razvijenih, post-industrijskih ekonomija. Rezultati
istraživanja takođe odražavaju relativno nisku energetsku intenzivnost što je posledica
tranzicionog jaza tokom 1990-tih godina i procesa deindustrijalizacije.
Kao što možemo videti, postoje brojna istraživanja na ovu temu, ali se njihovi rezultati
međusobno značajno razlikuju.
Potrošnja energije, odnosno njena efikasna upotreba, dovodi se u direktnu vezu sa emisijama
gasova staklene bašte u atmosferu. Ovaj odnos predstavljen je kroz hipotezu da ekonomski
rast dovodi do povećanja štetnih emisija, sve do kritične tačke – kada se rast nastavlja, a
emisije opadaju. Tako se energetske i ekonomske politike dovode u vezu sa politikama zaštite
životne sredine.
Lean i Smith (2009) ispitali su uzročnu vezu između emisije ugljen-dioksida i potrošnje
energije za 5 azijskih zemalja tokom perioda 1980.-2006. i rezultate svog istraživanja
predstavili u radu “CO2 emissions, energy consumption and output in ASEAN. Business and
Economics”.
Dugoročne procene ukazuju na to da postoji statistički značajna pozitivna povezanost između
potrošnje energije i emisije ugljen-dioksida. Međutim, nije pronađen uzročni odnos između
emisije CO2, potrošnje fosilnih goriva i ekonomskog rasta.
Slično, Niu (2011) u svom radu “Economic growth, energy conservation and emissions
reduction: a comparative analysis based on panel data for 8 Asian-Pacific countries” pokazuje
7
pozitivnu vezu između potrošnje energije i emisije CO2 u 8 zemalja Azije, mada postoje
značajne razlike među zemljama u razvoju i razvijenim zemljama. On ukazuje i na to da
postoji veliki potencijal za smanjenje emisije ugljen-dioksida u zemljama u razvoju kroz
poboljšanje energetske efikasnosti.
2. TEORIJA
2.1. Panel podaci
Kako bismo što bolje razumeli panel podatke, navešćemo prvo neke od tipova podataka koje
možemo koristititi u empirijskim analizama:
· Podaci vremenskih serija

· Uporedni podaci
· Panel podaci
Podaci vremenskih serija predstavljaju set vrednosti opservacija koje neka promenljiva ima u
različitim vremenskim periodima. Podaci se mogu prikupljati u redovnim vremenskim
intervalima – dnevno, nedeljno, mesečno, polugodišnje, godišnje i slično, u zavisnosti od
potreba i cilja istraživanja.
Na primer, u našem slučaju, to bi mogao biti BDP jedne države u vremenskom periodu od
1992. do 2016. godine. Većina empirijskih studija koje se baziraju na ovakvom tipu podataka,
pretpostavljaju da je vremenska serija stacionarna, odnosno, da njena sredina i varijansa ne
variraju sistematično u toku vremena.
Uporedni podaci su podaci jedne ili više promenljivih prikupljeni u istom momentu. U našem
slučaju, to, na primer, predstavlja BDP za svaku državu u 2014. godini. Uporedni podaci
mogu imati problem sa heterogenošću, pa se mora uzeti u obzir efekat skale vrednosti.
8
Slika 2.1. – BDP po državama za 2014. godinu.
Panel podaci predstavljaju kombinaciju podataka vremenskih serija i uporednih podataka koji
su izvedeni iz (obično malog) broja posmatranja tokom vremena na (obično velikom) broju
poprečnih preseka kao što su pojedinci, domaćinstva, firme ili vlade. To nam omogućava da
posmatramo BDP za svaku državu u vremenskom periodu od 25 godina (1992-2016).
Modeli panel podataka se najčešće koriste u analizi tražnje (tržišta). Prvo organizovano
prikupljanje panel podataka u vidu panel studija je počelo šezdesetih godina u SAD. Ove
panel studije su dopunjavane svake godine novim podacima o zaposlenosti, zaradama,
potrošnji hrane i slično. Prve panel studije u Evropi formirane su tek osamdestih godina u
Nemačkoj, Švedskoj i Danskoj.
U disciplinama ekonometrije i statistike, panel podaci se odnose na višedimenzionalne
podatke koji uopšteno uključuju merenja tokom određenog vremenskog perioda. Kod panel
podataka imamo istu jedinicu preseka, posmatranu tokom vremena. Dakle, imamo izraženu
kako prostornu, tako i vremensku komponentu.
Kao takvi, panel podaci se sastoje od zapažanja istraživača o brojnim pojavama koje su
prikupljene tokom nekoliko vremenskih perioda za istu grupu jedinica ili entiteta.
Serije panel podataka su prvenstveno orijenisan na analizu strukure i heterogenosti
(varijabilnosti) između jedinica posmatranja, ali i na analizu promena u strukturi tokom
vremena. Heterogenost podrazumeva da uticaj nezavisnih promenljivih na zavisnu
promenljivu varira od jedinice do jedinice posmatranja i/ili od vremena.
Prednosti panel analize su to što panel podaci omogućavaju definisanje i testiranje
komplikovanijih ekonometrijskih modela. Panel podaci takođe umanjuju problem
multikolinearnosti, jer, ukoliko se dogodi da su dve varijable iste jedinice posmatranja snažno
korelisane, ali ta korelacija nije izražena između jedinica drugih jedinica posmatranja, ta
korelacija gubi značajnost. Panel podaci moraju biti homogeni, tj. jedinice posmatranja
moraju imati zajednička svojstva. Ukoliko taj uslov nije ispunjen rezultati analize neće biti
relevantni, odnosno, često se nijedna varijabla ne pokaže statistički značajnom.
9
2.2. Vrste panel podataka
U zavisnosti od kriterijuma posmatranja, razlikujemo sledeće vrste panel podataka:

1. Balansirani i nebalansirani paneli
Ukoliko broj uporednih jedinica panel analize obelažimo sa n, a broj vremenskih perioda
obeležimo sa T, sledi da uzorak čini n*T opservacija. U odnosu na broj opservacija za svaku
posmatranu uporednu jedinicu, paneli se mogu podeliti na balansirane i nebalansirane.
Balansirani panel je onaj panel kod kojeg svaka uporedna jedinica ima isti broj opservacija
vremenskih serija. S druge strane, ukoliko se broj opservacija razlikuje od jednog do drugog
subjekta u panelu, odnosno javlja se problem nedostajućih podataka, radi se o nebalansiranoj
panel analizi.
Kako imamo nedostajuće podatke, zaključujemo da imamo nebalansirani panel.
2. Klasični i longitudinalni podaci panela

Ukoliko se posmatra veliki broj uporednih jedinica u kratkom vremenskom periodu T (n≫T),
radi se o klasičnom panelu.
Sa druge strane, longitudinalne panele karakteriše mali broj jedinica posmatranja u velikom
broju vremenskih perioda (T≫n).
Kako posmatramo sedam država u vremenskom periodu od 25 godina, zaključujemo da
imamo longitudinalni panel (25≫7).
3. Makro i mikro paneli

Ukoliko su uporedne jedinice naše panel analize države, regioni, industrijske grane i slično,
reč je o makro analizi panel podataka. Dok, ukoliko se analiza odnosi na određena preduzeća,
pojedince i drugo, takvu analizu nazivamo mikro panelom.
Kako su uporedne jedinice naše panel analize države, zaključujemo da imamo makro panel.
Jedan od glavnih razloga upotrebe panel podataka jeste što se time značajno povećava
veličina uzorka i omogućava analiza koja nije izvodljiva pri pojedinačnom korišćenju
vremenske serije ili uporednih podataka. Drugim rečima, njihovim korišćenjem u
ekonometrjskim israživanjima izvlači se maksimum informacija iz ograničenog broja
opservacija po jedinicama posmatranja u datom periodu, i tako maksimizira broj stepeni
slobode u uzorku. Na taj način se obezbeđuje veća efikasnost ekonometrijskih ocena
parametara modela uz manje restriktivne pretpostavke.
10
2.3. Ekonometrijski modeli panel podataka
Opšti oblik modela i pretpostavke o promenljivosti parametara
U ekonometrijskoj analizi serija panel podataka najčešće se koriste linearni modeli koji
kombinuju uporedne podatke i vremenske serije (modeli panel podataka).
U opštem obliku linearnog regresionog modela panel podataka, varijacije u zavisnoj
promenljivoj Y objašnjene su varijacijama K nezavisnih promenljivih (sistemski deo modela)
i slučajnim varijacijama kojima se obuhvata dejstvo promena drugih promenljivih koje nisu
eksplicitno uključene u model (stohastički deo modela).
Opšti oblik regresionog modela panel podataka je:
Y it = β1it X 1it + β2it X 2it + … + βKit X Kit + εit =

K
= β1it + ∑ βkit X kit + εit ,
k=2
i = 1, …, N ; t = 1, …, T ; k = 1, …, K
gde je: Y it -vrednost zavisne promenljive za i -tu jedinicu posmatranja u periodu t ,

X kit -vrednost k -te nezavisne promenljive za i -tu jedinicu posmatranja u periodu t ,
X 1it = 1 za svako i i t ,
βkit -nepoznati regresioni parametri koji su u opštem obliku modela panel podataka
varijabilni po jedinicama posmatranja i vremenskim periodima (nisu konstantni kao u
klasičnoj regresionoj analizi)
εit -slučajna greška sa aritmetičkom sredinom jednakom nuli ( E (εit ) = 0 ) i
konstantnom zajedničkom varijansom ( D(εit ) = σ2 , za svako i i t ).
Postoji veći broj različitih modela panel podataka, a u najširem smislu možemo ih podeliti na
sledeća tri:
1. model najmanjih kvadrata (pooled model)
2. model fiksnih efekata (fixed effects model)
3. model stohastičkih efekata (random effects model)
Kako uticaj nezavisnih promenljivih na zavisnu promenljivu može varirati i po jedinicama

posmatranja (državama) i tokom vremena, pre izbora linearnog modela u ekonometrijskoj
analizi panel podataka potrebno je testirati heterogenost (varijabilnost) regresionih
parametara, odnosno značajnost individualnih i vremenskih efekata.
Postojanje individualnih i vremenskih efekata se može testirati testovima zasnovanim na
dekompoziciji varijanse-F test, ili na testovima Lagrange-ovog multiplikatora (jedan od
testova Lagrange-ovog multiplikatora je modifikovani Breusch-Pagan-ov test za testiranje
postojanja individualnih efekata).
Kada se testovima varijabilnosti utvrdi da postoje individualni ili vremenski efekti postavlja
se pitanje da li će biti korišćen model fiksnih efekata ili model stohastičkih efekata, što zavisi
11
od toga da li se regresioni parametri β1i , kojima su ovi efekti obuhvaćeni, tretiraju kao fiksni
parametri ili kao stohastičke promenljive sa zajedničkom sredinom i konstantnom varijansom.
Za testiranje hipoteze da li su individualni efekti u regresionom panel modelu fiksni ili
stohastički, u uslovima postojanja heteroskedastičnosti, može se koristiti modifikovani
Hausman-ov test.
U ekonometrijskoj literaturi se najčešće kao osnovni kriterijuma izbora između fiksnih i

stohastičkih efekata u panel modelu navode priroda podataka uzorka i cilj statističkog
istraživanja.
Ako se podaci na primer odnose na nekoliko geografskih regiona, grana industrije i slično,
predlaže se model fiksnih efekata, dok ako se jedinice biraju slučajno iz velikog osnovnog
skupa, koristi se model stohastičkih efekata. Takođe, ako je cilj istraživanja statističko
zaključivanje o karakteristikama osnovnog skupa (na primer o varijansi ili sredini) na osnovu
podataka uzorka slučajno izabranih iz tog skupa, onda se koristi model stohastičkih efekata,
dok kada je zaključivanje uslovljeno samo individualnim karakteristikama izabranog uzorka
koristi se model fiksnih efekata.
12
3. EMPIRIJSKA ANALIZA
Pre nego što uradimo empirijsku analizu naših podataka u Gretl-u, posmatraćemo grafike koji
predstavljaju naše nezavisne promenljive pojedinačno u 7 država tokom 2014. godine.
Na grafiku 1. prikazana je potrošnja električne energije u 2014. godine u sedam zemalja.

Na grafiku 2. prikazana je emisija CO2 u 2014. godini u tih istih sedam zemalja.
Na osnovu njih mogli bismo zaključiti da veća potrošnja struje ne znači direktno i veću
emisiju CO2, što
najbolje možemo videti kod Slovenije. Upravo u ovom primeru vidimo da
naša pretpostavka, da je visoka emisija CO2 direktno
u vezi sa velikom proizvodnjom, što
implicira visok bruto domaći proizvod, ovde ne važi. Svakako, glavni razlog za to je stanje
ekološke svesti u državi.
Kako se podaci iz naše baze odnose na sedam država i kako je statističko zaključivanje
uslovljeno samo individualnim karakteristikama izabranog uzorka na osnovu ovog kriterijuma
zaključujemo da bismo trebali da koristimo model fiksnih efekata.
Da je ovaj zaključak validan, pokazaćemo koristeći gore navedene testove, u Gretl-u.
Dobili smo sledeće rezultate:
13
Diagnostics: using n = 7 cross-sectional units
Fixed effects estimator

allows for differing intercepts by cross-sectional unit
coefficient std. error t-ratio

p-value
--------------------------------------------------------------------
-
const 138771 7003.73 19.81
7.61e-044 ***
Electricpowercon~ 4.91063 0.623498 7.876
6.14e-013 ***
MtCOaTerritorial~ 92.8189 56.6933 1.637 0.1037
Populationtotal −0.0179207 0.00100419 −17.85
5.02e-039 ***
Residual variance: 1.88364e+009/(161 - 10) = 1.24744e+007
Joint significance of differing group means:

F(6, 151) = 256.552 with p-value 1.55971e-076
(A low p-value counts against the null hypothesis that the pooled
OLS model
is adequate, in favor of the fixed effects alternative.)
Variance estimators:
between = 9.86265e+007
within = 1.24744e+007
theta used for quasi-demeaning = 0.926047
Random effects estimator

allows for a unit-specific component to the error term
coefficient std. error t-ratio

p-value
--------------------------------------------------------------------
---
const 23633.1 11847.8 1.995
0.0478 **
Electricpowercon~ 9.56851 1.15852 8.259
5.70e-014 ***
MtCOaTerritorial~ −484.712 100.572 −4.820
3.37e-06 ***
Populationtotal −0.000864551 0.00126215 −0.6850
0.4944
14
Means of pooled OLS residuals for cross-sectional units:
unit 1: -4069.6
unit 2: -4124.6
unit 3: 16913
unit 4: 1829.6
unit 5: -5454.5
unit 6: -371.12
unit 7: -4722.4
Breusch-Pagan test statistic:

LM = 258.913 with p-value = prob(chi-square(1) > 258.913) =
2.96158e-058
(A low p-value counts against the null hypothesis that the pooled
OLS model
is adequate, in favor of the random effects alternative.)
Hausman test statistic:

H = 499.913 with p-value = prob(chi-square(3) > 499.913) =
4.98429e-108
(A low p-value counts against the null hypothesis that the random
effects
model is consistent, in favor of the fixed effects model.)
Kod F-testa imamo hipoteze: H 0 : adekvatan model je model najmanjih kvadrata

H 1 : adekvatan model je model fiksnih efekata
pa kako je p<0.05 zaključujemo da je adekvatan model model fiksnih efekata.
Kod Breusch-Pagan-ovog testa imamo hipoteze:

H 0 : adekvatan model je model najmanjih kvadrata
H 1 : adekvatan model je model stohastičkih efekata
pa kako je p<0.05 zaključujemo da je adekvatan model model stohastičkih efekata.
Kod Hausman-ovog testa: H 0 : model stohastičkih efekata je konzistentan

H 1 : model fiksnih efekata je konzistentan
pa kako je p<0.05 odbacujemo nultu hipotezu i prihvatamo alternativnu.
Dakle, model fiksnih efekata najviše odgovara za datu bazu podataka.
Model fiksnih efekata je oblika
K
Y it = ∑ βk X kit + αi + εit , i = 1, …, N ; t = 1, …, T ; k = 1, …, K
k=1
gde je αi jedinično-specifična i vremensko-invarijantna komponenta,

εit opservaciono-specifična greška.
15
αi se tretiraju kao fiksni parametri (u suštini, jedinično specifičan presek sa y-osom), koje
treba proceniti. Ovo se može učiniti uključivanjem dummy varijable za svaku jedinicu
poprečnog preseka (i potiskivanjem globalne konstante). Ovo se ponekad naziva metodom
najmanjih kvadrata dummy varijabli (LSDV). Alternativno, može se oduzeti srednja vrednost
grupe od svake od varijabli i proceniti model bez konstante. U drugom slučaju zavisna
Ti
1
varijabla može biti napisana kao Y it = Y it − Y i , gde je Y i = Ti
∑ Y it .
t=1
Model 2: Fixed-effects, using 161 observations

Included 7 cross-sectional units
Time-series length = 23
Dependent variable: GDPreal
Coefficien Std. Error t-ratio p-value

t
Const 138771 7003.73 19.81 <0.0001 ***
Electricpowerc 4.91063 0.623498 7.876 <0.0001 ***
onsumptionkWh
MtCOaTerritori 92.8189 56.6933 1.637 0.1037
alemissions
Populationtota −0.017920 0.00100419 −17.85 <0.0001 ***
l 7
Mean dependent var 34250.23 S.D. dependent var 28619.42

Sum squared resid 1.88e+09 S.E. of regression 3531.914
LSDV R-squared 0.985627 Within R-squared 0.862007
LSDV F(9, 151) 1150.513 P-value(F) 2.7e-134
Log-likelihood −1538.592 Akaike criterion 3097.184
Schwarz criterion 3127.998 Hannan-Quinn 3109.696
Rho 0.837308 Durbin-Watson 0.243278
Joint test on named regressors

Test statistic: F(3, 151) = 314.419
with p-value = P(F(3, 151) > 314.419) = 1.04972e-064
Test for differing group intercepts -

Null hypothesis: The groups have a common intercept
with p-value = P(F(6, 151) > 256.552) = 1.55971e-076
16
Ocenjeni Standardna t p
koeficijent greška
koeficijenta
α 138771 7003.73 19.81 0
β1 4.91063 0.623498 7.876 0
β2 92.8189 56.6933 1.637 0.1037
β3 −0.0179207 0.00100419 −17.85 0
Ocenjeni model je:

Y it = 4.91063 X 1it + 92.8189 X 2it − 0.0179207 X 3it + 138771 ,
i = 1, …, 7 , t = 1, …, 23 (model1)
Koeficijent uz potrošnju električne energije iznosi 4.91063>0 što znači da se povećanjem

potrošnje električne energije za jednu jednicu BDP povećava za 4.91063.
Koeficijent uz ovu promenljivu je statistički značajan (p<0.05).
Koeficijent uz emisiju ugljen dioksida iznosi 92.8189>0 što znači da se povećanjem emisije
ugljen dioksida za jednu jedinicu BDP povećava za 92.8189.
Koeficijent uz ovu promenljivu nije statistički značajan (p>0.05).
Koeficijent uz populaciju iznosi −0.0179207<0 što znači da se povećanjem populacije za

jednu jedinicu BDP smanjuje za 0.0179207.
Koeficijent uz ovu promenljivu je statistički značajan (p<0.05).
Primetimo da je standardna greška koeficijenta uz emisiju ugljen dioksida dosta velika i da se

rezultati t-testova i F-testa razlikuju (na osnovu F-testa svi koeficijenti su statistički značajni,
p<0.05), što nam ukazuje na mogućnost postojanja multikolinearnosti (zavisnosti između
nezavisnih promenljivih), što ćemo i ispitati:
Correlation coefficients, using the observations 1:01 - 7:23

(missing values were skipped)
5% critical value (two-tailed) = 0.1493 for n = 173
Electricp MtCOaTerr Populatio

owerconsu itorialem ntotal
mptionkWh issions
1.0000 -0.2250 -0.3785 Electricp
owerconsu
mptionkWh
1.0000 0.9589 MtCOaTerr
itorialem
issions
1.0000 Populatio
ntotal
17
Na osnovu dobijenih rezultata zaključujemo da postoji slaba korelacija između populacije i

potrošnje električne energije (koeficijent korelacije iznosi -0.3785) kao i između emisije
ugljen dioksida i električne energije (-0.2250), a jaka korelacija između populacije i emisije
ugljen dioksida (0.9589).
Kako je tema ovog rada uticaj potrošnje električne energije i emisije ugljen dioksida na BDP
napravićemo model koji uključuje samo te dve nezavisne promenljive.
Model 3: Fixed-effects, using 161 observations

Included 7 cross-sectional units
Time-series length = 23
Dependent variable: GDPreal
Coefficien Std. Error t-ratio p-value

t
const 19998.1 3833.28 5.217 <0.0001 ***
Electricpowerc 10.7759 0.931174 11.57 <0.0001 ***
onsumptionkWh
MtCOaTerritori −668.045 65.6734 −10.17 <0.0001 ***
alemissions
Mean dependent var 34250.23 S.D. dependent var 28619.42

Sum squared resid 5.86e+09 S.E. of regression 6207.212
LSDV R-squared 0.955312 Within R-squared 0.570960
LSDV F(8, 152) 406.1661 P-value(F) 1.80e-98
Log-likelihood −1629.907 Akaike criterion 3277.813
Schwarz criterion 3305.546 Hannan-Quinn 3289.074
rho 0.854937 Durbin-Watson 0.284273
Joint test on named regressors -

with p-value = P(F(2, 152) > 101.14) = 1.17443e-028
Test for differing group intercepts -

Null hypothesis: The groups have a common intercept
with p-value = P(F(6, 152) > 204.626) = 3.73839e-070
Ocenjeni Standardna t p
koeficijent greška
koeficijenta
α 19998.1 3833.28 5.217 0
β1 10.7759 0.931174 11.57 0
β2 −668.045 65.6734 −10.17 0
18
Ocenjeni model je:

Y it = 10.7759X 1it − 668.045 X 2it + 19998.1 ,
i = 1, …, 7 , t = 1, …, 23 (model2)
Sada je koeficijent uz emisiju ugljen dioksida statistički značajan, međutim standardne greške
koeficijenata uz obe nezavisne promenljive su veće.
Uporedićemo ova dva modela:
Model Suma Koeficijent Akaike Schwarz Log-likeliho

kvadrata determinacij od
reziduala e
Model1 3531.914 0.985627 3097.184 3127.998 −1538.592
Model2 6207.212 0.955312 3277.813 3305.546 −1629.907
Vidimo da je u modelu 1 ukupna greška regresije znatno manja , koeficijent determinacije je

veći (regresijom smo objasnili više varijacija zavisne promenljive, odnosno BDP-a),
koeficijenti AIC i BIC su manji, a Log-Likelihood je veći.
Na osnovu ovoga zaključujemo da je bolji onaj model koji uključuje i populaciju, odnosno
model 1.
19
4. ZAKLJUČAK
Posmatrajući emisiju CO2 i potrošnju električne energije očekivano je da oba utiču na BDP.
Na osnovu date baze podataka, koristeći softver Gretl, napravljena su dva modela. Jedan, koji
uključuje emisiju CO2 ,potrošnju električne energije i populaciju i drugi, koji ne uključuje
populaciju. Zaključeno je da je prvi model bolji. Na osnovu tog modela dobijeni su rezultati
različiti od očekivanih. Koeficijent uz potrošnju električne energije je statistički značajan,
odnosno potrošnja električne energije utiče na BDP, tako što njeno povećanje dovodi do
povećanja BDP-a. Suprotno tome, koeficijent uz emisiju CO2 nije statistički značajan,
odnosno emisija CO2 ne utiče na BDP.
20
LITERATURA
1. Miloš Erić, “Ekonomski razvoj i energetska efikasnost: modelovanje odnosa i

meta-analiza”, doktorska disertacija, Beograd 2016.
2. Jenny Cederborg, Sara Snobohm, “Is there a relationship between economic growth
and carbon dioxide emission?”, bachelor thesis, Stockholm
3. Kais Saidi, Sammi Hammami, “The impact of CO2 emissions and economic growth on
energy consumption in 58 countries”, Tunisia 2015.
4. Ivana Bajšanski, “Primena statističkih metoda u reviziji”, master rad, Novi Sad 2017.
5. https://books.google.rs/books?id=-xA-Og1DehsC&printsec=frontcover&hl=sr&source
=gbs_ge_summary_r&cad=0#v=onepage&q&f=true
6. https://sites.google.com/site/econometricsacademy/econometrics-models/panel-data-m
odels
21

SIM Projekat

Uploaded by

Document Information

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

SIM Projekat

Uploaded by

Copyright:

Available Formats

UNIVERZITET U NOVOM SADU

Uticaj emisije CO​2​ i potrošnje električne energije na

Mentor: prof. dr Dušan Jakovetić ​Studenti: Marina Črjepok 245m/17

Novi Sad, januar 2018. godine

Povezanost potrošnje energije i celokupnog društvenog razvoja je duga koliko i sama

U eri globalizacije, brzo povećanje tražnje za energijom i zavisnosti zemalja od

Glavni izvori energije u 21. veku su ​neobnovljivi izvori energije​. To su:

1.1. Bruto domaći proizvod

● “ ​BDP je tržišna vrednost​…”– BDP sabira mnogo različitih vrsta proizvoda u

Da li povećanje emisije CO​2 ukazuje

1.2. Rezultati prethodnih istraživanja na ovu temu

Rezultati istraživanja grupišu se oko sledeće četiri ispitane i dokazane hipoteze:

2.1. Panel podaci

· Podaci vremenskih serija

Slika 2.1. – BDP po državama za 2014. godinu.

2.2. Vrste panel podataka

U zavisnosti od kriterijuma posmatranja, razlikujemo sledeće vrste panel podataka:

2. ​Klasični i longitudinalni podaci panela

3. ​Makro i mikro paneli

2.3. Ekonometrijski modeli panel podataka

Opšti oblik modela i pretpostavke o promenljivosti parametara

Opšti oblik regresionog modela panel podataka je:

Y it = β1it X 1it + β2it X 2it + … + βKit X Kit + εit =

gde je: Y it -vrednost zavisne promenljive za i -tu jedinicu posmatranja u periodu t ,

2. model fiksnih efekata (fixed effects model)

3. model stohastičkih efekata (random effects model)

Kako uticaj nezavisnih promenljivih na zavisnu promenljivu može varirati i po jedinicama

U ekonometrijskoj literaturi se najčešće kao osnovni kriterijuma izbora između fiksnih i

Na grafiku 1. prikazana je potrošnja električne energije u 2014. godine u sedam zemalja.

Da je ovaj zaključak validan, pokazaćemo koristeći gore navedene testove, u Gretl-u.

Dobili smo sledeće rezultate:

Diagnostics: using n = 7 cross-sectional units

Fixed effects estimator

coefficient std. error t-ratio

Residual variance: 1.88364e+009/(161 - 10) = 1.24744e+007

Joint significance of differing group means:

Random effects estimator

coefficient std. error t-ratio

Means of pooled OLS residuals for cross-sectional units:

Breusch-Pagan test statistic:

Hausman test statistic:

Kod F-testa imamo hipoteze: H 0 : adekvatan model je model najmanjih kvadrata

Kod Breusch-Pagan-ovog testa imamo hipoteze:

Kod Hausman-ovog testa: H 0 : model stohastičkih efekata je konzistentan

Dakle, model fiksnih efekata najviše odgovara za datu bazu podataka.

Model fiksnih efekata je oblika

gde je αi jedinično-specifična i vremensko-invarijantna komponenta,

Model 2: Fixed-effects, using 161 observations

Coefficien Std. Error t-ratio p-value

Mean dependent var 34250.23 S.D. dependent var 28619.42

Joint test on named regressors

Test for differing group intercepts -

Ocenjeni model je:

Koeficijent uz potrošnju električne energije iznosi 4.91063>0 što znači da se povećanjem

Koeficijent uz populaciju iznosi −0.0179207<0 što znači da se povećanjem populacije za

Primetimo da je standardna greška koeficijenta uz emisiju ugljen dioksida dosta velika i da se

Correlation coefficients, using the observations 1:01 - 7:23

Electricp MtCOaTerr Populatio

Na osnovu dobijenih rezultata zaključujemo da postoji slaba korelacija između populacije i

Model 3: Fixed-effects, using 161 observations

Coefficien Std. Error t-ratio p-value

Mean dependent var 34250.23 S.D. dependent var 28619.42

Joint test on named regressors -

Test for differing group intercepts -

Uticaj emisije CO2 i potrošnje električne energije na

Mentor: prof. dr Dušan Jakovetić Studenti: Marina Črjepok 245m/17

Glavni izvori energije u 21. veku su neobnovljivi izvori energije. To su:

● “ BDP je tržišna vrednost…”– BDP sabira mnogo različitih vrsta proizvoda u

Da li povećanje emisije CO2 ukazuje

2. Klasični i longitudinalni podaci panela

3. Makro i mikro paneli