Gospodarcze znaczenie słomy
Transkrypt
Gospodarcze znaczenie słomy
INSTYTUT UPRAWY NAWOŻENIA I GLEBOZNAWSTWA PAŃSTWOWY INSTYTUT BADAWCZY INSTITUTE OF SOIL SCIENCE AND PLANT CULTIVATION STATE RESEARCH INSTITUTE Piotr Gradziuk GOSPODARCZE ZNACZENIE I MOŻLIWOŚCI WYKORZYSTANIA SŁOMY NA CELE ENERGETYCZNE W POLSCE MONOGRAFIE I ROZPRAWY NAUKOWE 45 PUŁAWY 2015 INSTYTUT UPRAWY NAWOŻENIA I GLEBOZNAWSTWA PAŃSTWOWY INSTYTUT BADAWCZY INSTITUTE OF SOIL SCIENCE AND PLANT CULTIVATION STATE RESEARCH INSTITUTE Dyrektor: prof. dr hab. Wiesław Oleszek Redaktor: prof. dr hab. Janusz Podleśny Recenzenci: prof. dr hab. Bogdan Klepacki prof. dr hab. Jerzy Wilkin Opracowanie redakcyjne i techniczne: mgr Katarzyna Mikulska ISBN 978-83-7562-190-7 Nakład 150 egz., B-5, zam. 42/E/13 Dział Upowszechniania i Wydawnictw IUNG-PIB w Puławach tel. (81) 8863421 w. 301 i 307; fax (81) 8863421 w. 302 e-mail: [email protected]; http://www.iung.pulawy.pl MONOGRAFIE I ROZPRAWY NAUKOWE Piotr Gradziuk GOSPODARCZE ZNACZENIE I MOŻLIWOŚCI WYKORZYSTANIA SŁOMY NA CELE ENERGETYCZNE W POLSCE PUŁAWY 2015 SPIS TREŚCI 1. WSTĘP......................................................................................................7 2. METODYKA BADAŃ...........................................................................14 2.1. CEL I HIPOTEZY BADAWCZE.............................................................14 2.2. ŹRÓDŁA MATERIAŁÓW I ICH OPRACOWANIE..............................15 2.3. ZASTOSOWANE METODY BADAWCZE............................................18 3. ROLA ENERGII W PROCESACH GOSPODAROWANIA W UJĘCIU EKONOMICZNYM............................................................20 3.1. 3.2. 3.3. POJĘCIE ENERGII...................................................................................20 ENERGIA W TEORII EKONOMII ZASOBÓW NATURALNYCH.....23 UJĘCIE ENERGII W MODELACH WZROSTU GOSPODARCZEGO................................................................................35 4. ZASOBY ENERGII W PERSPEKTYWIE EKONOMICZNEJ............48 4.1. ZASOBY, NOŚNIKI I PRZEMIANY ENERGII W PRZYRODZIE.......48 4.2. ODNAWIALNE ŹRÓDŁA ENERGII......................................................57 4.3. SŁOMA JAKO PALIWO LUB SUROWIEC ENERGETYCZNY..........63 5. KIERUNKI WYKORZYSTANIA SŁOMY..........................................71 6. WYNIKI BADAŃ I DYSKUSJA...........................................................78 6.1. CHARAKTERYSTYKA STATYSTYCZNA I MODELE TRENDÓW DLA ZMIENNYCH ZALEŻNYCH.........................................................78 6.1.1. Zbiory słomy..................................................................................81 6.1.2. Nadwyżka słomy............................................................................91 6.2. CHARAKTERYSTYKA STATYSTYCZNA I MODELE TRENDÓW DLA ZMIENNYCH NIEZALEŻNYCH...................................................95 6.2.1. Powierzchnia zasiewów..................................................................95 6.2.2. Plon słomy....................................................................................108 6.2.3. Zużycie słomy...............................................................................118 6.3. MODEL PRZYCZYNOWO-SKUTKOWY NADWYŻKI SŁOMY W POLSCE W LATACH 1975–2013.......................................................125 6.4. MODELE PANELOWE NADWYŻKI SŁOMY.....................................133 6.5. PROGNOZY NADWYŻEK SŁOMY DO 2030 ROKU..........................139 6.5.1. Prognozy na podstawie trendu......................................................140 6.5.2. Prognozy na podstawie modelu przyczynowo-skutkowego.........144 7. PODSUMOWANIE I WNIOSKI..........................................................154 8.LITERATURA......................................................................................159 STRESZCZENIE/SUMMARY.................................................................171 Monografie i Rozprawy Naukowe 7 1. WSTĘP W drugiej połowie XX w. coraz mocniej ujawniały się zjawiska zakłócające rozwój cywilizacyjny i jakość życia ludności. Do ich podstawowych przyczyn zaliczano m.in. degradację środowiska oraz wyczerpywanie zasobów naturalnych. Pierwszym ekonomistą, który w 1950 r. dokonał kompleksowej analizy skutków degradacji środowiska w wyniku działalności gospodarczej był Kapp (1960). Jego pionierska książka „Społeczne koszty funkcjonowania przedsiębiorstw prywatnych” nie wzbudziła większego zainteresowania. Dopiero narastające na przełomie lat 60. i 70. symptomy kryzysu surowcowo-energetycznego oraz postępujące w bardzo dużym tempie zanieczyszczenie środowiska przyczyniły się do szerszego zainteresowania tą problematyką. Za przełomową należy uznać koncepcję funkcjonowania Ziemi jako „statku kosmicznego” sformułowaną przez Bouldinga. Autor przeciwstawił „gospodarce kowbojskiej”, w niedostatecznym stopniu uwzględniającej ograniczoność zasobów naturalnych oraz postępujące zanieczyszczenie środowiska, gospodarkę inspirowaną logiką funkcjonowania statku kosmicznego z racjonalnym wykorzystaniem zasobów oraz zagospodarowaniem odpadów (Boulding 1966). Największe znaczenie dla rozwoju badań oraz działalności edukacyjnej w tym zakresie miał jednak Klub Rzymski1. Już I Raport „Granice wzrostu” (Meadows i in. 1973), w którym do analiz stanu świata i perspektyw jego rozwoju wykorzystano cybernetyczne metody modelowania systemów uwzględniające aspekty ekonomiczne, demograficzne, społeczne, ekologiczne i polityczne, wzbudził ogromne zainteresowanie i jak napisał Semkow (1989) „stał się przedmiotem rozlicznych dyskusji, polemik, komentarzy i sprzecznych sądów: od skrajnej negacji i zastrzeżeń do równie skrajnej afirmacji i aprobaty”. Znaczny wkład do rozszerzającej się dyskusji na te tematy wniósł także działający od 1974 r. Worldwatch Institute, przedstawiając interdyscyplinarne raporty o stanie świata. Wśród autorów, którzy dostrzegali potrzebę nowego porządku społeczno-gospodarczego i wywarli znaczący wpływ na środowiska opiniotwórcze znaleźli się także Alvin Toffler (1997) oraz Fritjof Capra (1987). Klub Rzymski powstał w 1968 r. i był początkowo nieformalną organizacją liczącą kilkudziesięciu naukowców (z różnych dyscyplin) i praktyków (szczególnie przemysłowców), podejmujących inicjatywy zobrazowania możliwie wszechstronnie współczesnego etapu rozwoju ludzkości, przede wszystkim zaś dynamiki tego rozwoju do początków trzeciego tysiąclecia, w perspektywie zagrażających ludzkości niebezpieczeństw. Pierwszym prezydentem został wybrany Aurelio Pecci, autor znanej książki „Przyszłość jest w naszych rękach”. Dopiero od 1973 r. Klub Rzymski zarejestrował się jako organizacja międzynarodowa w Genewie i stał się znany dzięki publikacjom kilkunastu Raportów na temat kwestii ogólnoświatowych. Zwykle Raporty opierały się na studiach przeprowadzonych przez członków Klubu lub zlecanych specjalistom z zewnątrz. Dotyczą analiz sytuacji lub problemów o charakterze ogólnoświatowym, zmierzają do pobudzenia świadomości publicznej w zakresie zaangażowania w przyszłość ludzkości, mają na celu wpływ na działalność polityczną państw i społeczności międzynarodowej. 1 8 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Płynące ze środowisk naukowych oraz od opinii publicznej sygnały stanowiły przesłankę dla podejmowania działań przez organizacje międzynarodowe. Jednym z pierwszych był raport Sekretarza Generalnego ONZ U Thanta (1970), w którym została przedstawiona wizja świata w warunkach ograniczonego dostępu do surowców oraz narastającego kryzysu ekologicznego. Po jego prezentacji Zgromadzenie Ogólne ONZ zwołało światową konferencję poświęconą tej problematyce. Odbyła się ona w 1972 r. w Sztokholmie i dała początek międzynarodowemu ruchowi na rzecz ochrony środowiska i poszukiwaniu sposobów rozwiązania podstawowych, globalnych problemów współczesnej cywilizacji (Michajłow 1976). Dalszym wynikiem działań ONZ było powołanie w 1983 r. Światowej Komisji Środowiska i Rozwoju pod przewodnictwem Gro Harlem Brundtland. Komisja ta, w raporcie „Nasza Wspólna Przyszłość” (1991), zdefiniowała zasadę trwałego, zrównoważonego rozwoju (ekorozwoju) jako prawo do zaspokajania aspiracji rozwojowych obecnej generacji, bez ograniczenia prawa przyszłych pokoleń do zaspokojenia ich potrzeb rozwojowych. Podstawową przesłanką tej idei była jednocześnie trwałość ekologiczna, rozwój ekonomiczny, a także sprawiedliwość społeczna między i w obrębie każdego pokolenia. Koncepcja ta nie stanowi obowiązującego prawa, ale w wyniku porozumień zawartych podczas konferencji „Środowisko i Rozwój”, która odbyła się w 1992 r. w Rio de Janeiro, zyskała rangę międzynarodowej normy postępowania (Majewski 2002). Na uwagę zasługuje fakt, że była to największa konferencja w dziejach ludzkości; brało w niej udział około 30 tys. uczestników i delegacje ze 183 państw. Podczas jej trwania przyjęto trzy dokumenty: Deklarację z Rio prezentującą 27 zasad przyszłych praw i obowiązków, Globalny program działań – Agenda 21 oraz wytyczne dla gospodarki lasami2. Do podpisu wyłożona została także Ramowa konwencja ONZ o zmianach klimatu (UNFCCC – United Nations Framework Convention on Climate Change) (Dz.U. nr 53, poz. 238, 1996). Prace nad jej przygotowaniem trwały od 1979 r., kiedy to na I Światowej Konferencji Klimatycznej uznano, że postępujące zmiany klimatu będą w ciągu najbliższego stulecia jednym z największych zagrożeń dla rozwoju cywilizacji. Podczas jej trwania ustanowiono Światowy Program Klimatu, którego kierowanie powierzono Światowej Organizacji Meteorologicznej (WMO), Programowi Narodów Zjednoczonych ds. Ochrony Środowiska (UNEP) i Międzynarodowej Radzie Nauki (ICSU). Organizacje te w 1988 r. powołały Międzyrządowy Zespół ds. Zmian Klimatu (IPCC), którego zadaniem miała być ocena skali i przebiegu zmian klimatycznych w czasie, ich skutków oraz opracowywanie strategii reagowania na te zmiany. Pierwszy Raport Oceniający stan klimatu globalnego przygotowany przez IPCC przedstawiono w 1990 r. podczas II Światowej Konferencji Klimatycznej, w trakcie której powołano Międzyrządowy Komitet Negocjacyjny dla Ramowej Konwencji w sprawie zmian klimatu. Wynikiem jego prac była konwencja UNFCCC, którą do 31 grudnia 2008 r. ratyfikowało Informacje o przyjętych dokumentach można znaleźć między innymi w książce Stefana Kozłowskiego „W drodze do ekorozwoju”, s. 59-94, PWN, Warszawa 1997. 2 Monografie i Rozprawy Naukowe 9 190 państw oraz Unia Europejska. Podstawowym celem konwencji miało być doprowadzenie do ustabilizowania koncentracji gazów cieplarnianych w atmosferze na poziomie, który zapobiegałby niebezpiecznej antropogenicznej ingerencji w system klimatyczny. Szczególne zadanie wyznaczono krajom rozwiniętym i europejskim krajom będącym w procesie przechodzenia do gospodarki rynkowej (Załącznik I Konwencji). Każde z tych państw miało przyjąć narodowe strategie i podejmować odpowiednie środki, tak aby do 2000 r. ustabilizować emisję gazów cieplarnianych na poziomie z 1990 r. Głównym organem konwencji stała się Konferencja Stron (COP – Conference of the Parties), która już od pierwszego zebrania w Berlinie w 1995 r. (COP 1) regularnie dokonuje oceny realizacji postanowień oraz wytycza nowe kierunki działań zmierzające do ograniczania zmian klimatycznych. Podczas Konferencji Stron (COP 2) w Genewie w 1996 r. IPCC zaprezentował Drugi Raport Oceniający stan klimatu globalnego, w którym potwierdzono opinię, że największe zagrożenia dla cywilizacji mogą przynieść zmiany klimatu oraz inne zanieczyszczenia atmosfery, a także pochodne im skażenia gleb i wody oraz degradacja zasobów przyrody. Wskazano, że głównymi sprawcami zmian klimatycznych była wysoka konsumpcja energii wytwarzanej w wyniku spalania paliw kopalnych oraz nadmierny rozwój transportu określony terminem eksplozji motoryzacyjnej. Pomimo zawartych w Agendzie 21 oraz Konwencji UNFCCC deklaracji odnoszących się do konieczności zmian modelu produkcji i konsumpcji energii emisja CO2 – podstawowego gazu odpowiedzialnego za efekt cieplarniany – nie zmalała. Stąd też w 1997 r. w Kioto (COP 3) kraje – Strony Konwencji uznały, iż ustalone w 1992 r. zobowiązania stopniowego zmniejszania emisji gazów cieplarnianych były niewystarczające. W podpisanym protokole do Konwencji UNFCCC (Protokół z Kioto) (Dz.U. nr 203, poz. 1684, 2005) 38 najbardziej uprzemysłowionych państw oraz Unia Europejska zobowiązało się do zredukowania antropogenicznych emisji gazów cieplarnianych (dwutlenek węgla – CO2, metan – CH4, podtlenek azotu – N2O, sześciofluorek siarki – SF6, fluorowęglowodory – HFC oraz perfluorowęglowce – PFC) wyrażonej w ekwiwalencie dwutlenku węgla o przynajmniej 5% w latach 2008–2012 poniżej poziomu emisji z 1990 r. Kraje podlegające procesowi przejścia do gospodarki rynkowej mogły przyjąć inny rok bazowy. Ilościowo określone zobowiązania dla poszczególnych państw zawarto w Załączniku B. Protokół z Kioto wprowadził także kilka mechanizmów regulacji emisji gazów cieplarnianych. Należą do nich: wspólne wypełnianie zobowiązań redukcji (joint implementation) przez kraje wymienione w Załączniku I do Konwencji, współpraca między krajami wymienionymi w Załączniku I i krajami spoza Załącznika (Mechanizm Czystego Rozwoju – CDM), handel nadwyżkami zredukowanej emisji między krajami wymienionymi w Załączniku I. Protokół miał zacząć obowiązywać od 90. dnia po spełnieniu dwóch warunków: ratyfikacji go przez nie mniej niż 55 Stron Konwencji i taką liczbę Stron wymienionych w Załączniku I, aby ich łączna emisja z 1990 r. wynosiła co najmniej 55% całkowitych emisji dwutlenku węgla w tych państwach. Dokument ten zaczął obowiązywać od 16 lutego 2005 r., wygasł z dniem 31 grudnia 2012 r. 10 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Protokół z Kioto choć stanowił pierwszy znaczący krok na drodze do ograniczenia emisji gazów cieplarnianych, to nie rozwiązywał problemu globalnego ocieplenia. Rozumiejąc ten fakt, kraje – Strony Konwencji UNFCCC podczas Konferencji (COP 13) połączonej z III Sesją Konferencji Stron Protokołu z Kioto, które odbyły się na Bali, podjęły przełomowe decyzje w sprawie przeciwdziałania zmianom klimatu i adaptacji do tych zmian po roku 2012. Przedstawiono je w przyjętej Mapie Drogowej, która zawiera trzy krytyczne cele: zgodę na rozpoczęcie negocjacji globalnego porozumienia w sprawie zmian klimatu, zgodę na agendę negocjacji oraz zgodę na zakończenie negocjacji do końca roku 2009. Prace nad nowym porozumieniem zostały rozpoczęte już w styczniu 2008 i były między innymi kontynuowane w dniach 1–12 grudnia tegoż roku w Poznaniu, gdzie odbywały się XIV Konferencja Stron Ramowej Konwencji Narodów Zjednoczonych w sprawie zmian klimatu (UNFCCC) oraz IV Sesja Spotkania Stron Protokołu z Kioto. Strony zaplanowały zakończenie tych prac do grudnia 2009 r., tak aby ich wyniki można było przedstawić na Konferencji (COP XV) w Kopenhadze. Tak jednak się nie stało i mimo kolejnych konferencji: Cancun (2010), Durban (2011), Doha (2012), Warszawa (2013) i Lima (2014) nie udało się osiągnąć kolejnego globalnego porozumienia. Bardzo ważną rolę w działaniach na rzecz ograniczania emisji gazów cieplarnianych odgrywa Unia Europejska, która jest Stroną zarówno Konwencji UNFCCC, jak i Protokołu z Kioto, jednak podejmuje działania znacznie przekraczające zobowiązania wynikające z podpisanych dokumentów. W „Pakiecie klimatyczno-energetycznym UE” przyjętym przez Parlament Europejski 17 grudnia 2008 r. Unia Europejska zobowiązała się, że do 2020 r. zredukuje o 20% emisję gazów cieplarnianych wyrażoną w ekwiwalencie CO2 (w przypadku podjęcia podobnych zobowiązań przez inne kraje rozwinięte redukcja ta może wynieść nawet 30%). W tym samym okresie UE zwiększy też z 8,5 do 20% udział energii odnawialnej w całkowitej produkcji energii, do 10% – udział biopaliw w paliwach wykorzystywanych w transporcie oraz ograniczy zużycie energii o 20%. Z „Pakietu klimatyczno-energetycznego UE” wynika, że największe znaczenie spośród Odnawialnych Źródeł Energii (OZE) w dalszym ciągu będzie miała biomasa, a jej udział w 2020 r. w porównaniu z 2004 r. wzrośnie z 65,8 do 67,5%. Według szacunków ekspertów Europejskiego Stowarzyszenia Biomasy wywoła to trzykrotne zwiększenie popytu na to źródło energii. Aby sprostać temu wyzwaniu, należy zwiększyć blisko trzydziestokrotnie dostawy biomasy z rolnictwa oraz korzystać z importu (Gradziuk 2014). Zainteresowanie surowcami pochodzącymi z rolnictwa wzrosło już po pierwszym kryzysie energetycznym. W USA na początku lat 80. XX w., w ramach programu Growning Industrial Materiale, przetestowano pod względem zawartości poszukiwanych przez przemysł surowców ponad dwa tysiące gatunków roślin, spośród których kilkadziesiąt wybrano i zalecono do uprawy (Bertram 1992). W Europie nasilenie badań sięga roku 1982, kiedy to Komisja Europejska zajmowała się przygotowanym przez XII Dyrekcję Generalną (DG XII) – Nauka, Badania Monografie i Rozprawy Naukowe 11 i Rozwój – raportem zalecającym współpracę rolnictwa i przemysłu. Znamienny jest fakt, że w realizację tych zadań włączyły się dwie kolejne Dyrekcje Generalne: VI (Rolnictwa) i XVII (Rybołówstwa). Badania te kontynuowano w kolejnych programach ramowych. Ich efektem jest długa lista roślin uprawnych, które mogą znaleźć zastosowanie w kilkunastu branżach i gałęziach przemysłu (Nalborczyk 1996). Dominujące znaczenie uzyskał jednak kierunek bioenergetyczny, głównie ze względu na wzrost zainteresowania pozyskiwaniem niewyczerpywalnych, czystych ekologicznie źródeł energii (Gradziuk i Wojtaszek 2002). Pogląd ten znalazł potwierdzenie w rozważaniach Wilkina (2005a) na temat zmieniającej się roli rolnictwa w funkcjonowaniu społeczeństwa oraz mechanizmów wyznaczających funkcje rolnictwa wobec społeczeństwa i społeczeństwa wobec rolnictwa. Określenie tych funkcji „nie może wynikać z prostej ekstrapolacji dotychczas istniejących trendów”. Ten sam autor jedną ze swoich „przepowiedni” co do miejsca rolnictwa i wsi w społeczeństwie przyszłości sformułował następująco: „Wyczerpują się zasoby energetyczne ropy, gazu i węgla, a jednocześnie wzrastać będzie zapotrzebowanie na energię w krajach rozwijających się, zwłaszcza azjatyckich. Realną alternatywą dla nieodnawialnych źródeł energii są biopaliwa dostarczane z roślin wytwarzanych przez rolnictwo. W niektórych krajach produkcja roślin energetycznych może okazać się ważniejsza niż wytwarzanie produktów żywnościowych” (Wilkin 2005b). Również Majewski (2005), pisząc o wizji struktury produkcji w polskim rolnictwie, stwierdza „mogłaby wyglądać następująco…uprawy roślin energetycznych, prawdopodobnie w rozmiarach trudnych do wyobrażenia według dzisiejszych standardów”. Jak do tej pory pozyskiwana tą drogą energia jest jednak w większości zastosowań droższa od konwencjonalnej „aczkolwiek czas pracuje na rzecz odnawialnych surowców rolniczych” (Woś i Zegar 2002), a proces ten na razie powolny, zostanie przyśpieszony przez rozwój nowych technologii (Communication 1998). Teza ta wynika z trzech przesłanek. Pierwsza z nich to stagnacja popytu na surowce rolnicze i produkty żywnościowe, która staje się barierą rozwoju rolnictwa (Woś i Zegar 2002). W krajach o rozwiniętej gospodarce pojawiły się nadwyżki surowców rolniczych, nastąpiło pogorszenie opłacalności i zmniejszenie dochodów rodzin rolniczych, wzrosła powierzchnia odłogów i gruntów czasowo wyłączonych z produkcji rolniczej (Gradziuk i Wojtaszek 2002, Woś 2003). Przesłanka druga to troska o środowisko. Już w 1848 r. Mill (1965a) twierdził: „Poważnym problemem wykorzystywania zasobów nieodnawialnych mogą być środowiskowe efekty uboczne związane z ich wydobywaniem”. Intensywne wykorzystanie i przetwarzanie tradycyjnych surowców energetycznych wywiera bardzo niekorzystny wpływ na zasoby natury. Główne zagrożenie dla środowiska stanowią zmiany klimatyczne powodowane antropogennym podgrzaniem atmosfery w wyniku wzrastającej koncentracji gazów szklarniowych, przede wszystkim CO2. Istnieje uzasadniona obawa, że zjawisko to może stanowić zagrożenie życia dla przeważającej części ludzkości, a nawet całej cywilizacji (Folmer i in. 1996). 12 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Przesłankę trzecią najkrócej można wyrazić, cytując Tofflera (1997): „Warunkiem istnienia każdej cywilizacji – starej czy nowej jest energia”. Według raportu International Energy Outlook (2002) przygotowanego przez Międzynarodową Agencję Energii, w latach 2000–2020 przewidywany jest dalszy znaczny wzrost konsumpcji energii, który wyniesie 60% i zwiększy się z 382 do 612 kwadrylionów (1024) Btu3. Tak więc energia była, jest i będzie główną determinantą działalności gospodarczej i rozwoju cywilizacji, bowiem każdy proces gospodarowania musi być zasilany energetycznie (Soddy 1933, Stern 1997b, Czaja i Becla 2002), a rozporządzanie energią, zwłaszcza ciał nieożywionych, jest kluczem do dostępności zasobów naturalnych (Zimmerman 1951). Zdaniem ekonomistów energia uważana jest za moc sprawczą każdego działania, a kontrolowanie jej przepływów określa siłę panowania człowieka i jego względny wpływ na naturę (Odum 1971, Slesser 1978, Peet 1993, Faucheux 1993, Stern 1997a), kształtuje formę systemów gospodarczych i oddziałuje na indywidualny styl życia (Brown 1982). Znaczenie energii eksponowali już w XIX w. tacy naukowcy, jak: Say (1960), Mill (1965b) i prekursor austriackiej szkoły ekonomii Bastiat (2006). W historii myśli ekonomicznej rozwój różnorodnych metod analizy energetycznej nasilał się w okresach kryzysów energetycznych oraz zagrożeń środowiskowych. W ramach teorii ekonomii rozwinęły się dwa kierunki, z których pierwszy dostarczał nowej interpretacji w ramach tradycyjnych narzędzi i metod badawczych, drugi natomiast stworzył zręby nowego paradygmatu odchodzącego od utrwalonych wzorców tradycyjnego myślenia, wykorzystywał w analizie ekonomicznej osiągnięcia nauk matematyczno-przyrodniczych, w tym prawa zachowania masy i prawa entropii. Ponadto kluczowym pojęciem występującym w definicji ekonomii jest ograniczoność zasobów, która może zmniejszać efektywność działalności gospodarczej czy nawet hamować rozwój gospodarczy. Przykładem są surowce energetyczne, a po raz pierwszy na taką barierę rozwoju gospodarczego wskazywał Jevons (1886), stwierdzając jednocześnie, że nie zmienią tego ani postęp technologiczny, ani inne źródła energii. Pogląd ten został odrzucony przez neoklasycznych ekonomistów, którzy nie dopuszczali możliwości ograniczeń wzrostu w długim okresie. Uważali bowiem, że w optymalnych warunkach rynkowych następuje harmonijne dopasowanie poszczególnych zasobów, zapewniające równowagę, przy pełnym wykorzystaniu potencjału produkcyjnego. Podstawą takiego sądu jest założenie, że wraz z wyczerpywaniem zasobów rosną ich ceny. Uruchamia to bodźce do zwiększenia podaży tych zasobów lub ich substytutów bądź wprowadzenia metod bardziej efektywnego wykorzystania, co obniża na nie popyt. British Thermal Unit, Brytyjska jednostka cieplna, jednostka ilości ciepła stosowana w krajach anglosaskich; jest to ilość ciepła potrzebna do ogrzania 1 lb (funta) wody o 1°F (stopień Fahrenheita) zwykle w określonej temperaturze; np. Btu39 – ilość ciepła potrzebna do ogrzania 1 lb wody od temp. 39°F do 40°F, 1 Btu39 = 1059,52 J; 1 Btu (średnia) = 1055,06 J. 3 Monografie i Rozprawy Naukowe 13 Przykładem tego jest rynek surowców energetycznych. We wszystkich rozpatrywanych scenariuszach przewiduje się, że po 2020 r. następować będzie zmniejszanie udziału paliw konwencjonalnych: ropy naftowej, gazu ziemnego i węgla, stosownie do wyczerpywania ich zasobów i związanego z tym wzrostu cen energii. Miejsce konwencjonalnych zasobów zajmować będą odnawialne źródła energii, spośród których obecnie największe znaczenie przypisuje się surowcom wytwarzanym w rolnictwie. Autor prezentowanej pracy zaangażowany był w latach 1994–2003 w upowszechnianie wdrażania nowych technologii w zakresie wykorzystania produktów roślinnych jako materiału energetycznego4. Projekt ten realizowano poprzez szkolenia dla przedstawicieli samorządów lokalnych, przedsiębiorstw energetyki cieplnej, ośrodków doradztwa rolniczego, uczelni, organizacji pozarządowych, funduszy ochrony środowiska, rolników, nauczycieli szkół rolniczych oraz publikacje naukowe i popularne. Pierwszym efektem tych działań były pilotażowe wdrożenia dotyczące wykorzystania słomy jako surowca energetycznego w ciepłownictwie5. Przykłady te zaskoczyły zarówno energetyków, jak i rolników, bowiem słoma przez wiele lat była zużywana w rolnictwie jako materiał ściołowy, pasza lub nawóz organiczny. Taki sposób jej wykorzystania, jeszcze na początku lat osiemdziesiątych, potwierdziły badania Instytutu Uprawy Nawożenia i Gleboznawstwa (IUNG) w Puławach. Wynikało z nich, że ok. 58% zbieranej słomy zużywano na ściółkę, 36% na paszę, a 6% na inne cele (przykrywanie kopców, przygotowanie mat w gospodarstwach ogrodniczych, ocieplanie budynków) (Kozakiewicz i Nieściór 1984). W okresie niższych zbiorów, jak to miało miejsce w latach 1977–1980, występował wręcz jej deficyt. Od drugiej połowy lat osiemdziesiątych z jednej strony obserwowany jest znaczący spadek pogłowia zwierząt, w tym przede wszystkim bydła, owiec i koni, z drugiej zaś wzrost udziału w strukturze zasiewów zbóż i rzepaku. Przeprowadzone badania (Gradziuk 2002, Kuś i Smagacz 2001) wykazały, że od 1983 r. zbiory słomy zaczęły przewyższać zapotrzebowanie wynikające z produkcji rolniczej, co zaczęło skłaniać teoretyków i praktyków do poszukiwania efektywnego sposobu jej zagospodarowania. Jednym z nich jest energetyka, a w raporcie przygotowanym dla Banku Światowego (Hauff 1996) napisano, że w najbliższych latach słoma będzie zajmowała w Polsce najważniejsze miejsce wśród paliw ze źródeł odnawialnych. Potwierdzone to zostało licznymi przykładami wykorzystania słomy do ogrzewania mieszkań i budynków inwentarskich w gospoProjekt ten był realizowany przez Akademię Rolniczą w Lublinie na zlecenie Ministerstwa Rolnictwa i Rozwoju Wsi w ramach usług świadczonych przez podmioty wykonujące zadania na rzecz rolnictwa. 5 Autor uhonorowany został w 1996 roku Nagrodą IV stopnia przez Fundację Ochrony Powietrza Atmosferycznego. Konkurs zorganizowany był przez Fundację Ochrony Powietrza Atmosferycznego przy współpracy z Energetyką Holenderską i Naczelną Organizację Techniczną, pod patronatem Narodowego Funduszu Ochrony Środowiska i Gospodarki Wodnej, Ministerstwa Ochrony Środowiska, Zasobów Naturalnych i Leśnictwa oraz Przemysłu i Handlu, a dotyczył najlepszych osiągnięć w zakresie ochrony powietrza atmosferycznego i gospodarki odpadami przemysłowymi oraz wykorzystania paliw i energii, wdrożone w latach 1994 i 1995. 4 14 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk darstwach rolnych, ale także osiedli mieszkaniowych oraz budynków użyteczności publicznej (Gradziuk i in. 2001). W Unii Europejskiej słoma wykorzystywana jest coraz częściej jako paliwo w elektroenergetyce, w 13 elektrociepłowniach: 11 w Danii (17 PJ·rok-1), po jednej w Wielkiej Brytanii (2,9 PJ) i Hiszpanii (2,3 PJ). W 2005 r. łącznie na ten cel przeznaczono ponad 1,5 mln t słomy. Z badań przeprowadzonych na zamówienie Komisji Europejskiej wynika, że w 27 krajach UE do produkcji energii elektrycznej można przeznaczyć słomę o wartości energetycznej 820 PJ, to jest ok. 60 mln t słomy rocznie. Najwięcej w Niemczech (204 PJ), Rumunii (180 PJ) i Polsce (80 PJ) (Edwards i in. 2005). Znaczący wpływ na rozwój wykorzystania odnawialnych źródeł energii w Polsce odegrała Fundacja Ekofundusz. Jako jedna z pierwszych zdecydowała się współfinansować inwestycje, w których jako źródło energii wykorzystywano słomę. W latach 1997–2002 udzielono 21 dotacji w kwocie 6,3 mln euro, które pozwoliły na zainstalowanie urządzeń o mocy cieplnej wynoszącej 50,8 MW i wartości 17,0 mln euro. 2. METODYKA BADAŃ 2.1. CEL I HIPOTEZY BADAWCZE Głównym celem badań była ocena potencjału produkcyjnego słomy w Polsce oraz możliwości jej wykorzystania na cele energetyczne wraz z prognozą do 2030 r., przy założeniu, że gospodarka tym surowcem jest zgodna z zapisami wynikającymi z Kodeksu Dobrej Praktyki Rolniczej (2004). Zagadnienie to staje się szczególnie ważne wobec uwarunkowań globalnych oraz wynikających z polityki energetycznej Unii Europejskiej. Postulowana w europejskim programie ramowym Horyzont 2020 i zaakceptowana przez Parlament Europejski (Rezolucja ustawodawcza...2013) oraz Europejski Komitet Ekonomiczno-Społeczny (Opinia Europejskiego Komitetu...2014) nowelizacja dyrektywy 2009/28/WE ma na celu zwiększenie udziału wykorzystania produktów ubocznych, między innymi z rolnictwa, na cele energetyczne, głównie wytwarzania biopaliw kolejnych generacji. Według Smila (1999), więcej niż połowa produkcji globalnej wytwarzanej w rolnictwie to produkty uboczne, stąd też stwierdzenie, że „rolnictwo jest przedsięwzięciem polegającym na produkcji w większości nie nadającej się na spożycie masy roślinnej”. Celowość podjęcia tej tematyki uzasadnia też prezentowany m.in. przez Barnetta i Morse’a (1968) pogląd, iż korzystanie z zasobów odnawialnych w mniejszym stopniu niż byłoby to możliwe jest podwójnym marnotrawstwem. „Jeżeli nie zużywa się tego, co daje stale natura, jest to marnotrawstwo w sensie elementarnym… Drugim typem marnotrawstwa jest nie osiąganie maksymalnej ilości pożytecznych surowców z odnawialnych zasobów naturalnych”. Monografie i Rozprawy Naukowe 15 Ponadto ostatni kryzys gospodarczy wywołał ożywiony spór na temat ekonomii jako nauki (Krugman 2009, Wilkin 2009, Wojtyna 2008). Jeżeli można mówić o zjawiskach kryzysowych we współczesnej ekonomii jako nauce i polityce gospodarczej, to ich przyczyn należy upatrywać w niedostatecznie rozpoznanych fundamentalnych procesach gospodarczych i trendach cywilizacyjnych. Fiedor (2010) wyróżnił siedem takich obszarów, jednym z nich jest „powstanie globalnych zagrożeń dla wzrostu i rozwoju gospodarczego, w tym zwłaszcza związanych z barierami energetycznymi i ekologicznymi tego wzrostu, a także z ogromnym rozwarstwieniem dochodowym i majątkowym świata, „przekładających się” również na globalne zagrożenia polityczne i społeczne (np. groźba, a nawet realne próby „szantażu energetycznego” ze strony głównych dysponentów strategicznych zasobów ener getycznych czy narastające zagrożenie terroryzmem)”. Podstawą osiągnięcia przyjętego celu niniejszej pracy była realizacja następujących zadań badawczych: 1. Oszacowanie w układzie dynamicznym i przestrzennym potencjału produkcyjnego słomy. 2. Zbudowanie oraz weryfikacja modeli tendencji rozwojowych zbiorów i nadwyżek słomy, a także czynników je determinujących. 3. Zbudowanie modeli przyczynowo-skutkowych (w tym panelowych) nadwyżek słomy. 4. Przedstawienie prognoz nadwyżek słomy do 2030 roku. W badaniach postawiono cztery hipotezy badawcze, które zostały zweryfikowane empirycznie. H1: W Polsce istnieją znaczące nadwyżki słomy, które bez naruszania zasad Kodeksu Dobrej Praktyki Rolniczej mogą być wykorzystywane na cele energetyczne. H2: Czynnikami kształtującymi zmienność nadwyżek słomy oprócz plonów i zbiorów są struktura zasiewów oraz pogłowie zwierząt. H3: Nadwyżki słomy charakteryzują się dużymi wahaniami. H4: Jako narzędzie do prognozowania nadwyżek słomy mogą być wykorzystywane modele tendencji rozwojowej oraz modele przyczynowo-skutkowe (w tym panelowe). 2.2. ŹRÓDŁA MATERIAŁÓW I ICH OPRACOWANIE W przeprowadzonej analizie wykorzystano publikowane, jak i niepublikowane informacje Głównego Urzędu Statystycznego (GUS). Z materiałów publikowanych wykorzystano biuletyny statystyczne dotyczące: − produkcji głównych ziemiopłodów rolnych i ogrodniczych, − użytkowania gruntów, powierzchni zasiewów i pogłowia zwierząt gospodarskich. 16 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Na ich podstawie ustalono powierzchnię oraz zbiory słomy zbóż podstawowych wraz z mieszankami w rolnictwie ogółem w latach 1975–2013. W materiałach tych brak jest jednak danych o zbiorach słomy rzepaku i kukurydzy, dlatego też zachodziła potrzeba ich oszacowania. Produkcja słomy tych roślin została obliczona na podstawie zbiorów nasion. Przyjęto, że stosunek nasion do słomy wynosi 1:1 (Gradziuk i in. 2001, Klugmann-Radziemska 2009). Informacje dotyczące zbiorów słomy zbóż podstawowych z mieszankami w układzie wojewódzkim uzyskano w Departamencie Rolnictwa GUS. Taki dobór roślin wynikał stąd, iż słoma zbóż podstawowych wraz z mieszankami, rzepaku oraz kukurydzy stanowi ok. 99% całkowitej produkcji słomy w Polsce i nadaje się do wykorzystania na cele energetyczne. Aby ocenić możliwości wykorzystania słomy na cele energetyczne, należało zbiory słomy pomniejszyć o jej zużycie w rolnictwie. Na podstawie dotychczasowych badań przyjęto założenie, że słoma w pierwszej kolejności ma pokryć zapotrzebowanie produkcji zwierzęcej (ściółka i pasza) oraz cele nawozowe (przyoranie) – aby utrzymać zrównoważony bilans glebowej substancji organicznej. Obliczeń dokonano według następującej formuły: N = P – (Zs + Zp + Zn) gdzie: N – nadwyżka słomy do alternatywnego (energetycznego) wykorzystania, P – produkcja słomy ze zbóż podstawowych z mieszankami oraz rzepaku i kukurydzy, Zs – zapotrzebowanie na słomę przeznaczoną na ściółkę, Zp – zapotrzebowanie na słomę przeznaczoną na pasze, Zn – zapotrzebowanie na słomę przeznaczoną na przyoranie. W materiałach GUS brak jest danych dotyczących rozdysponowania słomy, dlatego też należało je oszacować. Zapotrzebowanie słomy na paszę i ściółkę obliczono na podstawie pogłowia zwierząt gospodarskich i rocznych normatywów dla poszczególnych gatunków i grup użytkowych (tab. 1) według poniższych wzorów: n Zs = ∑ qi si i=1 oraz n Zp = ∑ qi pi i=1 gdzie: Zs – zapotrzebowanie na słomę z przeznaczeniem na ściółkę, Zp – zapotrzebowanie na słomę z przeznaczeniem na paszę, qi – pogłowie i-tego gatunku i grupy użytkowej, si– normatyw zapotrzebowania na słomę z przeznaczeniem na ściółkę i-tego gatunku i grupy użytkowej, pi– normatyw zapotrzebowania na słomę z przeznaczeniem na paszę i-tego gatunku i grupy użytkowej. 17 Monografie i Rozprawy Naukowe Tabela 1 Normatywy rocznego zapotrzebowania na słomę przeznaczoną na paszę i ściółkę oraz produkcji obornika (t·rok-1) (Majewski i in. 1983, Kozakiewicz i Nieściór 1984) Standards of annual demand for straw allocated for fodder and bedding and manure production (t·year-1) (Majewski et al. 1983, Kozakiewicz and Nieściór 1984) Wyszczególnienie; Specification Bydło; Cattle: do 1 roku; less than 1 year old krowy; cows pozostałe; others Trzoda chlewna; Pigs: prosięta i warchlaki do 50 kg; piglets up 50 kg lochy; sows pozostałe; others Owce i kozy; Sheep and goats Konie; Horses Drób; Poultry (1000) Pasza (pi); Fodder Ściółka (si); Bedding Obornik s.m. (oi); Manure dry matter 0,4 1,2 0,9 0,4 1,0 0,6 1,25 2,5 2,0 0,2 0,8 - 0,2 0,5 0,2 0,2 1,0 0,6 0,3 0,625 0,45 0,25 2,0 0,7 W ostatnich latach głównie w wyniku zmniejszenia powierzchni uprawy traw i roślin motylkowatych wieloletnich, które mają istotne znaczenie dla odnowy zapasów substancji organicznej w glebie, oraz dalszego spadku obsady zwierząt i związanej z tym niższej produkcji obornika, zachodzi obawa, że w niektórych rejonach saldo to przyjmie wartości ujemne. Wzrost bądź ubytek substancji organicznej można mierzyć za pomocą współczynników określających jej reprodukcję albo degradację (tab. 2). Tabela 2 Współczynniki reprodukcji i degradacji substancji organicznej w glebie (Maćkowiak 1997) Coefficients of reproduction and degradation of organic matter in soil (Maćkowiak 1997) Rośliny; Plants Okopowe, warzywa korzeniowe (wd1); Root crops and root vegetables Kukurydza, warzywa liściaste (wd2); Maize, green vegetables Zboża, oleiste, włókniste (wd3); Cereals, oil plants, fibre plants Strączkowe (wr1); Pulses Trawy w uprawie polowej(wr2); Grass in the field cultivation Motylkowate wieloletnie i ich mieszanki z trawami (wr3); Papilionaceous plants and their mixtures with grasses Współczynniki wdi i wri dla różnych rodzajów gleb (t s.m. obornika); Coefficients wdi and wri for different soils (t of dry matter of manure) gleby średnie; gleby gleby lekkie; medium-heavy ciężkie; light soil soil heavy soil –3,6 –4,0 –4,4 –2,7 –3,0 –3,3 –1,4 –1,5 –1,6 +0,9 +1,0 +1,1 +2,7 +3,0 +3,3 +5,4 +5,6 +6,0 18 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk W przypadku stwierdzenia ubytku substancji organicznej w glebie, jedną z możliwości zwiększenia w niej zawartości próchnicy staje się przyorywanie słomy. Podjęcie takiej decyzji wymaga przeprowadzenia bilansu. W przeprowadzonych badaniach podstawę rachunku stanowiły współczynniki reprodukcji (wri) i degradacji (wdi) substancji organicznej dla gleb średnich. Znając powierzchnię zasiewów poszczególnych grup roślin oraz ilość produkowanego obornika (na podstawie pogłowia zwierząt – odpowiednie normatywy (oi), określono saldo substancji organicznej według następującej formuły: n n n S = Sri w ri + Sdi w di + Sqi .oi, i=1 i=1 i=1 gdzie: S – saldo substancji organicznej (t), ri – powierzchnia grup roślin zwiększających zawartość substancji organicznej (ha), di – powierzchnia grup roślin zmniejszających zawartość substancji organicznej (ha), wri – współczynnik reprodukcji substancji organicznej dla danej grupy roślin (t·ha-1), wdi – współczynnik degradacji substancji organicznej dla danej grupy roślin (t·ha-1), qi – pogłowie inwentarza żywego w sztukach fizycznych wg gatunków i grup wiekowych (szt. fiz.), oi – normatywy produkcji obornika wg gatunków i grup wiekowych (t·rok-1). Wystąpienie ujemnego salda substancji organicznej oznacza konieczność przyorania określonej ilości słomy dla utrzymania zrównoważonego bilansu próchnicy. Założono, że 1 t suchej masy obornika równoważna jest z 1,54 t słomy, stąd też zapotrzebowanie słomy na przyoranie obliczono w następujący sposób: Zn = 1,54 S gdzie: Zn – zapotrzebowanie słomy na przyoranie, S – saldo substancji organicznej. W oparciu o tak zebrany materiał można było ustalić możliwości energetycznego wykorzystania słomy w skali całego kraju. 2.3. ZASTOSOWANE METODY BADAWCZE W opracowaniu zbudowano i poddano szczegółowej weryfikacji modele tendencji rozwojowej zbiorów słomy zbóż podstawowych z mieszankami, słomy rzepakowej i słomy kukurydzianej oraz nadwyżki słomy, powierzchni zasiewów zbóż podstawowych z mieszankami, rzepaku i kukurydzy, plony słomy zbóż podstawowych z mieszankami, rzepaku i kukurydzy, zużycie słomy na paszę, ściółkę i przeoranie, modele przyczynowo-skutkowe (w tym panelowe) nadwyżki słomy oraz przedstawiono prognozy nadwyżki słomy na lata 2014–2030. Monografie i Rozprawy Naukowe 19 Do badań przyczyn zmian zbiorów słomy przyjęto następujące zmienne: Y1 – zbiory słomy zbóż podstawowych z mieszankami (tys. t), Y2 – zbiory słomy rzepakowej (tys. t), Y3 – zbiory słomy kukurydzianej (tys. t), Y4 – zbiory słomy zbóż podstawowych z mieszankami, słomy rzepakowej i kukurydzianej (Y1 + Y2 + Y3) (tys. t), Y5 – nadwyżki słomy (tys. t), X11 – powierzchnia zasiewów zbóż podstawowych z mieszankami (tys. ha), X21 – powierzchnia zasiewów rzepaku (tys. ha), X31 – powierzchnia zasiewów kukurydzy na ziarno (tys. ha), X123_1 – powierzchnia zasiewów zbóż podstawowych z mieszankami, kukurydzy na ziarno i rzepaku (X11 + X21 + X31) (tys. ha), X12 – plony słomy zbóż podstawowych z mieszankami (t·ha-1), X22 – plony słomy rzepaku (t·ha-1), X32 – plony słomy kukurydzy (t·ha-1), X123_2 – plony słomy zbóż podstawowych z mieszankami, kukurydzy na ziarno i rzepaku (X12 + X22 + X32) (t·ha-1), X41 – zużycie słomy na paszę (tys. t), X42 – zużycie słomy na ściółkę (tys. t), X43 – zużycie słomy na przeoranie (tys. t), X4_12 – zużycie słomy na pasze i ściółkę (X41 + X42) (tys. t), X4_123 – zużycie słomy razem (X41 + X42 + X43) (tys. t). W pierwszej fazie budowania modeli trendu szacowano parametry modeli liniowych oraz nieliniowych (kwadratowych i sześciennych), a następnie wybierano model o najwyższym współczynniku determinacji, pod warunkiem, że wszystkie parametry modelu były istotne. Następnie wybrany model poddawano dalszej weryfikacji w celu określenia (i potwierdzenia) jego jakości. Dla zmiennych, dla których nie udało się zbudować zadowalających modeli trendu, wykonano dodatkowo testy, weryfikując hipotezę o tym, czy zmienne te są realizacją procesu losowego. Dobór zmiennych do modeli przyczynowo-skutkowych wykonano, wykorzystując następującą procedurę: − obliczono wartości współczynników korelacji liniowej i nieliniowej pomiędzy zmienną zależną oraz niezależnymi; − utworzono zbiór potencjalnych zmiennych objaśniających ze zmiennych niezależnych istotnie skorelowanych ze zmienną objaśnianą; − na zbiorze potencjalnych zmiennych objaśniających wykonano regresje obejmujące wszystkie możliwe kombinacje zmiennych i wybrano model z najlepszymi wartościami skorygowanego współczynnika determinacji oraz wskaźnika informacyjnego Akaike; − z uzyskanego modelu usuwano zmienne nieistotne oraz niekoincydentne; − w przypadku wystąpienia zjawiska autokorelacji Reszt do modelu włączano element autoregresyjny. 20 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Otrzymane modele ekonometryczne, których parametry estymowano z wykorzystaniem Klasycznej Metody Najmniejszych Kwadratów, poddawano weryfikacji, oceniając ich jakość oraz poprawność specyfikacji. Ponadto modele te poddawano symulacji stochastycznej, aby potwierdzić ich zdolność wyjaśniania zmienności opisywanego zjawiska oraz właściwości prognostyczne. Testowano również integrację i kointegrację szeregów czasowych w celu wyeliminowania mogącego pojawić się zjawiska tzw. regresji pozornej. Modele panelowe budowano, wykorzystując analogiczną procedurę jak wyżej. Dodatkowo wykonywano dla nich test istotności efektów stałych. Do budowy prognoz wykorzystano modele oszacowane w części pierwszej opracowania, jednakże pod warunkiem, że spełniały dodatkowe kryteria, tj. wykazywały stabilność parametrów oraz rozkładu składnika losowego w czasie. 3. ROLA ENERGII W PROCESACH GOSPODAROWANIA W UJĘCIU EKONOMICZNYM 3.1. POJĘCIE ENERGII Pojęcie energii występuje powszechnie w niemal wszystkich, nierzadko odległych od siebie dziedzinach wiedzy – fizyce, astronomii, chemii, biologii, medycynie, geologii, ochronie środowiska, ale i w ekonomii. Rozległość zastosowań tego pojęcia wynika z jego uniwersalności. Bowiem wszystkim zjawiskom, które mają miejsce w przyrodzie ożywionej i nieożywionej – bez względu na to, czy są to procesy mechaniczne, chemiczne, elektryczne, magnetyczne, cieplne, świetlne lub zachodzące w atomach – towarzyszą przemiany postaci energii (Katscher 1976). Słowo to pochodzi z języka greckiego energeia i w dosłownym tłumaczeniu oznacza: działanie, aktywność, czynność lub ruchliwość (Tokarski 1980). Po raz pierwszy zostało użyte przez Arystotelesa (Metafizyka 1050a) w IV w. p.n.e. do określenia działania zmierzającego ku „entelechii”, czyli pełnego urzeczywistnienia, „nic bowiem nie porusza się przypadkiem, lecz musi istnieć zawsze jakaś określona przyczyna” (Metafizyka 1072), którą określił mianem „poruszyciela” (Metafizyka 1066b). Stwierdził również: „że ruch jest zmianą stanu na inny stan i proces ten będzie szedł w nieskończoność” (Metafizyka 1068b). Autorytet Arystotelesa sprawił, że jego poglądy w zakresie dynamiki ruchu przez długie lata stanowiły inspirację dla badaczy z różnych dziedzin wiedzy (nauki). Problem „pierwszego poruszyciela” stał się impulsem dla św.Tomasza z Akwinu (1980) do przedstawienia pięciu dowodów na istnienie Boga. Polemikę z Arystotelesem podjął dopiero Galileusz (1962), który w dziele „Dialog o dwu najważniejszych układach świata: ptolemeuszowym i kopernikowym” sformułował pierwszą wersję zasady bezwładności. W nieco odmiennej wersji zagadnienie to zostało przedstawione przez Descartesa (1960), który w trzecim prawie natury napisał: „gdy ciało będące w ruchu zderza się z innym, wówczas, Monografie i Rozprawy Naukowe 21 jeżeli mniejszą ma siłę do zdążania po linii prostej aniżeli tamto do stawiania mu oporu, wtedy zawraca w przeciwną stronę i, zachowując swój ruch, traci tylko [pierwotny] jego kierunek”. Ponadto Descartes twierdził, że ciała uzyskują ruch w efekcie oddziaływania zawsze z zewnątrz udzielanej siły, której statecznym źródłem jest Bóg będący jednocześnie gwarantem stałości ilości ruchu w świecie. Jego kwantum jest stałe i daje się wyrazić jako iloczyn masy i prędkości (mv). Te stwierdzenia są uznawane za początek formułowania zasady zachowania energii, pierwotnie zwanej „zasadą zachowania siły”. Rozważania Galileusza i Kartezjusza wywarły znaczący wpływ na działalność Newtona (2011), który przedstawił podstawy dynamiki ruchu w „Matematycznych zasadach filozofii przyrody” i ujął je w trzy zasady dynamiki, później nazywane jego imieniem. W wyjaśnianie zjawiska ruchu włączył się też Leibniz (1686). W eseju opublikowanym na łamach opiniotwórczego czasopisma naukowego „Acta Eruditorum” poddał krytyce formułę matematyczną stosowaną przez Kartezjusza do określania ilości ruchu (mv). Uważał bowiem, że do wyrażania zależności, jakie występują podczas zderzeń ciał stałych należy stosować formułę zaproponowaną przez Huygensa (mv2), którą nazwał siłą żywą (vis viva) (Iltis 1971). Sporu, w który włączył się między innymi Kant (2010), nie rozwiązało nawet stwierdzenie d’Alemberta (1743), w „Traite de dnamique”, że obie wielkości są miarami „ilości ruchu”, tak jak np. wzrost i waga są różnymi miarami wielkości człowieka lub zwierzęcia. Równie ważnym wkładem Leibniza (1695) w dyskurs o energii (ruchu) było dokonanie podziału sił na żywą (vis viva) i martwą (vis mortua), wzorując się prawdopodobnie na arystotelesowskim „bycie aktualnym i potencjalnym” (Badur 2009), które zostały nazwane przez Rankinea (1853) energią aktualną i potencjalną. Zarówno teoria zachowania „ilości ruchu” Kartezjusza (przekształcona następnie w zasadę zachowania pędu), jak i zasada zachowania vis viva Leibniza, mimo iż ograniczały się do wyjaśniania zjawisk związanych z dynamiką ruchu, to wywarły znaczący wpływ na rozwój badań nad pojęciem energii. Według Engelsa (1972) „…filozofia o całe dwieście lat wyprzedziła przyrodoznawstwo formułując wniosek o niestwarzalności i niezniszczalności ruchu”. Dopiero bowiem w połowie XIX w. Mayer (1842) przedstawił wyniki swoich obserwacji, o których napisał: „Ruch, ciepło i jak mamy zamiar wykazać później, elektryczność, to zjawiska, które możemy przypisać jednej sile i które mogą się zmieniać w siebie nawzajem zgodnie z określonymi prawami. Ruch zmienia się w ciepło [...] wytwarzane proporcjonalnie do ruchu, który zanika”. Tymi wywodami wniósł znaczący wkład w formułowanie prawa zachowania energii, mimo iż do jej określania używał niewłaściwej terminologii: „zasada niezniszczalności sił, mechaniczna teoria ciepła czy też zdolność do transformacji sił” (Liszka 2011). Mogło to wynikać z nieznajomości terminu energia, który chociaż we współczesnym znaczeniu został zdefiniowany na początku XIX w. przez Younga (1807) jako iloczyn masy i kwadratu prędkości, to jeszcze pod koniec tego wieku, jak ujął to Engels (1972), używane było w „nowoczesnej fizyce”. 22 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Odkrycie Mayera zostało empirycznie potwierdzone przez Helmholtza (1847) oraz Joule’a (1845). Z teorii zaproponowanej przez Mayera wynika, że energia posiada trzy zasadnicze cechy ilościowe: jest niezniszczalna, przemienna i nieważka. Rankine (1852), Thomson (1854) oraz Clausius (1854) dodatkowo zwrócili uwagę na jej jakość. Te cechy zostały opisane dwoma zasadami termodynamiki. Z pierwszej wynika, że energia nie może być ani stworzona, czyli powstać z niczego, ani zniszczona, to znaczy zniknąć bez śladu. Może tylko ulegać przemianom w inne postacie według ściśle określonych zależności ilościowych. Z drugiej zasady wynika, że przy każdej konwersji energii wszystkie procesy zmierzają w kierunku jej rozproszenia, czyli zmniejszenia tej części, która może ulec przemianie w pracę, na rzecz ciepła. Następuje więc nieuchronna dyssypacja zapasu, czyli spadek dyspozycyjności, a jej miarą jest entropia (Badur 2009). Energia była zawsze postrzegana jako ważna charakterystyka konkretnych procesów zachodzących w przyrodzie, najogólniejszy element wspólny dla wszystkich znanych i nieznanych zjawisk. Jako pojęcie abstrakcyjne jest niemierzalna, a tylko obliczana, dlatego też była łatwym celem spekulacji filozoficznych (Badur 2009). Na uwagę zasługuje stwierdzenie Richarda Feynmana (1988), laureata Nagrody Nobla: „bardzo ważnym jest zdanie sobie sprawy, że nawet w obecnym stanie fizyki, nie mamy pełnej wiedzy czym jest energia”. Pogląd ten podzielają Czaja i Becla (2002), stwierdzając iż „energia stanowi w fizyce jedną z najmniej rozpoznanych i najrzadziej definiowanych kategorii”. Analiza historii pojęcia energii od okresu fizyki perypatetycznej i teologicznej po okres współczesny została przedstawiona przez Badura (2009), który w końcowej części bardzo obszernej monografii, tak przedstawił jej znaczenie: „W historii naszej cywilizacji największe znaczenie mają wielkie pomysły i wynalazki – toteż prawie się nie zdarza, aby nieuchwytna, abstrakcyjna i niemierzalna wielkość robiła tak zawrotną karierę”. Pomimo braku consensusu wśród fizyków w sprawie definicji energii, takich wątpliwości nie wzbudza już jej znaczenie w rozwoju cywilizacji. Dobowe zapotrzebowanie człowieka na energię, w zależności od płci, wieku oraz rodzaju wykonywanej pracy, wynosi 8–15 MJ (Mejro 1982). Podstawowym i historycznie pierwszym jej źródłem była żywność, która poprzez proces metabolizmu utrzymywała funkcje życiowe oraz generowała energię mechaniczną mięśni wykorzystywaną do poruszania się i pracy. Aby zapewnić sobie pożywienie, już ludzie pierwotni nie tylko polegali na sile swoich mięśni, ale także na prostych strategiach, takich jak zbieractwo, myślistwo czy rybołówstwo (Smil 1994). Ponadto gatunek ludzki dzięki intelektowi potrafił wykorzystać na swój użytek energię znajdującą się poza swoim ciałem, doskonalił sztukę konwersji energii, zwiększając zarówno jej ilość, dyspozycyjność, łatwość codziennego wykorzystania, jak również sprawność i koszt. Początkowo w tym celu posługiwano się takimi prostymi narzędziami, jak: kije, kamienne młoty i tasaki, dźwignie, oszczepy oraz łuki (Coles i Higgs 1969, Toth 1987). Rozwój kontrolowanego spalania w różnego rodzaju paleniskach i piecach umożliwił zamianę energii chemicznej drewna, resztek roślin uprawnych, odchodów Monografie i Rozprawy Naukowe 23 zwierzęcych, torfu itp. na energię termiczną i światło. Społeczeństwa prehistoryczne zaczęły używać ognia nie tylko bezpośrednio w gospodarstwach domowych jako źródła ciepła i światła, ale także do odstraszania dzikich zwierząt, wytopu metali, wypalania cegieł oraz obróbki niezliczonej ilości produktów. Mięśnie ludzkie były jedynym źródłem energii mechanicznej do czasów udomowienia zwierząt pociągowych, co nastąpiło ok. 8 tys. lat przed naszą erą. Znaczące zwiększenie sprawności wykorzystania siły pociągowej nastąpiło od momentu wynalezienia koła oraz wprowadzenia nowych metod zaprzęgu. Kolejnymi źródłami energii ujarzmionymi przez człowieka były wiatr wykorzystywany do napędu żaglowców oraz wiatraków, a także spadająca woda zasilająca systemy irygacyjne, młyny wodne i inne urządzenia (Smil 1994). Społeczeństwa pierwszej fali wykorzystywały – jak nazwał to 2 tysiące lat temu Witruwiusz (2004) – „wynalazki niezbędne”, takie jak kołowroty, kliny, katapulty, prasy do winorośli, lewary czy żurawie, które służyły zwielokrotnieniu siły mięśni ludzi i zwierząt. Również Leonardo da Vinci w części swoich prac próbował znaleźć odpowiedź na pytanie: jak za pomocą małej siły można podnosić wielkie ciężary? Zaproponowane rozwiązania stanowiły punkt wyjścia dla badań Pascala (Marcolongo 1932). Od ok. XIV w. człowiek zaczął korzystać z zasobów paliw kopalnych. Początkowo był to węgiel, od XIX w. ropa naftowa i gaz ziemny, a od XX w. pierwiastki służące jako paliwa jądrowe energii rozszczepienia albo syntezy. Wzrost zainteresowania wykorzystaniem kopalnych źródeł energii następował wraz z nowymi wynalazkami techniki, takimi jak: atmosferyczny silnik parowy (Denis Pepin – 1690 r.) udoskonalony w 1769 r. przez Jamesa Watta, a w praktyce zastosowany przez Nicolasa Cugnota do napędu powozu; silnik elektryczny (Michael Faraday – 1831); silniki spalinowe o zapłonie iskrowym (Carl F. Benz – 1878) i samoczynnym (Rudolf Diesel – 1893); turbina parowa (Carl G. P. de Laval – 1883) czy reaktor jądrowy (Enrico Fermi – 1942) po raz pierwszy zastosowany w 1954 r. do napędu w elektrowni atomowej Obnińsk i łodzi podwodnej „Nautilus” (Hrynkiewicz 2002). W wyniku tych odkryć ludzkość uzyskała dostęp do niewykorzystywanych wcześniej zasobów energii, co wywarło bezpośredni wpływ na poprawę dobrobytu społeczeństw, ponieważ we wszystkich procesach produkcji i konsumpcji odgrywa ona rolę siły sprawczej. Każdy proces gospodarowania musi być zasilany energetycznie (Soddy 1933, Stern 1997b, Czaja i Becla 2002), a rozporządzanie energią, zwłaszcza ciał nieożywionych, jest kluczem do dostępności zasobów naturalnych (Zimmerman 1951). 3.2. ENERGIA W TEORII EKONOMII ZASOBÓW NATURALNYCH Ekonomia – według powszechnie akceptowanej definicji (Robbins 1932) – jest nauką zajmującą się problemami alternatywnego wykorzystania różnych, zawsze ograniczonych ilościowo i posiadających niejednakową produktywność czynników wytwórczych (Fiedor 1991). Kluczowym pojęciem w tej definicji jest ograniczoność 24 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk zasobów (Żylicz 2004). W literaturze ekonomicznej początki koncepcji szczupłości zasobów naturalnych, przyjętej w większości teorii wzrostu gospodarczego jako aksjomat, sięgają XVIII w. Jej podstawy zostały stworzone przez Malthusa (1925) i Ricardo (1997), którzy wskazywali na rychły kres ekspansji gospodarczej i ludnościowej spowodowany barierą dostępności zasobów naturalnych. Pierwszemu z nich przypisywane jest autorstwo teorii absolutnej szczupłości zasobów, w której na przykładzie doświadczeń rolnictwa dowodził istnienia nieprzekraczalnej bariery utrzymania rosnącej liczby ludności. Swoją doktrynę oparł na domniemanym prawie naturalnym, z którego wynika, że wielkość zasobów jest stała, a liczba ludności wzrasta, podlegając tylko pewnym biologicznym ograniczeniom. Deterministyczne ujęcie tych problemów przez Malthusa stanowiło podstawę statycznej teorii zasobów naturalnych (Dembowski 1978). Choć w istocie – jak zwracali na to uwagę Marks (1951) czy Barnett i Morse'a (1968) – nie był on pod względem takich poglądów oryginalny. Większość głoszonych wówczas teorii była zgodna, że źródłem bogactwa jest praca, lecz środowisko przyrodnicze stanowi naturalną granicę rozwoju. Już w XVIII w. Adam Smith (1954) stwierdził, że „każdy gatunek zwierząt rozmnaża się naturalnie w zależności od środków do życia i nigdy żaden gatunek nie może rozmnożyć się poza tę granicę”. Przykładem może być też Wiliam Petty (1958), który pisał „matką wartości jest ziemia a jej ojcem praca” czy też przedstawiciele fizjokratyzmu uznający dominację praw przyrody nad zasadami ekonomii (Quesnay 1928). Problem ten nieco inaczej postrzegał Ricardo (1997), któremu przypisywana jest teoria względnej szczupłości zasobów. Opiera się ona na tezie, że rozmiary zasobów naturalnych są nieograniczone, ale za to zróżnicowane pod względem jakości. Powoduje to, że w pierwszej kolejności eksploatowane są bogate złoża i urodzajne gleby, a w miarę ich wyczerpywania sięga się po coraz uboższe zasoby. Podnosi to koszty wzrostu gospodarczego i wyznacza jego granice. Początkowo zasada ta została sformułowana w odniesieniu do rolnictwa, które było w owym czasie dominującym sektorem, a następnie zastosowana również w górnictwie. Ricardo uważał je za typową ilustrację ogólnej teorii, według której zasoby zużywa się w porządku ich zmniejszającej się wydajności i dostępności. Tezy te rozwinął Mill (1965b), odrzucając jednocześnie teorie Malthusa o istniejącej, absolutnej i dającej się przewidzieć granicy dostępności zasobów. Zwiększające się koszty pracy i kapitału na jednostkę produkcji – skutek szczupłości zasobów – przedstawił jako „powszechne prawo produkcji rolnej, które jest najważniejszym twierdzeniem w ekonomii politycznej”. Według Milla znajduje ono również zastosowanie w górnictwie, ponieważ bogatsze zasoby naturalne zaczynają się wyczerpywać niezależnie od wzrostu liczby ludności. Zmusza to do sięgania do coraz głębszych pokładów „szyby muszą być opuszczane głębiej, galerie wybijane dalej”. Energetyczną barierę rozwoju gospodarczego w wyniku kurczących się zasobów węgla oraz wzrastających kosztów wydobycia przedstawił Jevons (1886), stwierdzając jednocześnie, że nie zmienią tego postęp technologiczny ani inne źródła energii. Monografie i Rozprawy Naukowe 25 Poglądy Malthusa, Ricardo oraz Milla, iż dostępność zasobów naturalnych jest ograniczona i tym samym wyznacza górną granicę wzrostu gospodarczego, dały podstawę dla całej teorii ekonomii klasycznej. Doktryna ta oparta została na następujących przesłankach (Barnett i Morse 1968; Woś 1995): − zasoby naturalne są ograniczone i ich szczupłość wzrasta wraz z upływem czasu, − rozwój gospodarczy zależy od zasobów, − rozwój gospodarczy napotyka granice wyznaczane przez dostępność do zasobów. Według teorii klasycznej podstawową przyczyną ubytku zasobów jest ich zużywanie w wyniku rozwoju gospodarczego. Dzieje się to w pewnym logicznym porządku, tj. przechodzi się od zasobów lepszych do gorszych lub w wyniku marnotrawstwa, ekologicznej dewastacji, zniszczenia, obniżenia jakości itp. (Woś 1995). Przyjęcie założeń, że szczupłość zasobów naturalnych może doprowadzić do zmniejszenia efektywności działalności gospodarczej, opóźnienia rozwoju gospodarczego, a nawet do jego zatrzymania, spowodowało, że ekonomia na długie lata zyskała miano nauki ponurej, wulgarnej i katastroficznej (Barnett i Morse 1968, Samuelson i Nordhaus 1995). Wynika to stąd, iż dyskusje nad powyższymi problemami były często zdominowane przez czarne wizje sprowadzające się do prezentacji poglądu, że dalszy rozwój świata natrafiać będzie na barierę surowcową. Najbardziej znamiennym przykładem stał się I Raport dla Klubu Rzymskiego (Meadows i in. 1973), który należy uznać za klasyczne dzieło prezentujące teorię rosnącej szczupłości zasobów. Dużo większe znaczenie dla przyszłego rozwoju teorii szczupłości zasobów naturalnych miało jednak stwierdzenie Milla (1965a), że „to prawo może być zawieszone lub czasowo opanowane przez wszystko, co powiększa ogólną władzę ludzkości nad przyrodą, a szczególnie przez rozszerzanie jej wiedzy o właściwościach i siłach czynników naturalnych i wynikającej stąd władzy nad nimi”. Tym samym Mill wskazał, że postęp techniczny może skutecznie odsuwać zarówno barierę absolutnej, jak i względnej szczupłości zasobów naturalnych, co jest uznawane za aksjomat dynamicznej teorii zasobów. Zasady te zostały przejęte przez neoklasycznych ekonomistów, którzy nie dopuszczali możliwości ograniczeń wzrostu gospodarczego w długim okresie. Uważali bowiem, że w optymalnych warunkach rynkowych następuje harmonijne dopasowanie poszczególnych zasobów zapewniające równowagę, przy pełnym wykorzystaniu potencjału produkcyjnego. Procesy te są stymulowane przez mechanizm cenowy. Podstawą takiego sądu jest założenie, że wraz z wyczerpywaniem się zasobów rosną ich ceny. Uruchamia to bodźce do zwiększenia podaży tych zasobów lub ich substytutów bądź wprowadzenia metod bardziej efektywnego wykorzystania, co obniża na nie popyt. W neoklasycznej teorii równowagi ogólnej przyjmuje się, że w warunkach konkurencji doskonałej podmioty gospodarcze przy alokacji zasobów kierują się zasadą maksymalizacji zysku albo użyteczności w rozumieniu optimum Pareto. 26 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Z ekonomicznej definicji zasobów nieodnawialnych wynika, że międzyokresowa suma usług, jakie możemy czerpać z ich danej wielkości, jest ograniczona (Dasgupta i Heal 1979). Stąd też integralnym elementem teorii neoklasycznej jest ocena społecznych preferencji w zakresie rozłożenia w czasie tempa eksploatacji zasobów i jego wpływu na poziom dobrobytu społecznego generacji teraźniejszych i przyszłych (Czaja i in. 1993). Jej teoretyczne podstawy zostały opracowane przez Hotellinga (1931), który określił problem wykorzystania zasobów nieodnawialnych jako wybór takiego sposobu alokacji pomiędzy różnymi momentami w czasie, aby zmaksymalizować użyteczność lub korzyść wynikającą z konsumpcji zasobu. Przyjmując założenie, że ta wielkość jest stała, to każda wydobyta i skonsumowana jednostka pomniejsza stan zasobów, jest więc kosztem alternatywnym, ponieważ następuje utrata możliwości ich wykorzystania w przyszłości. Liczony jako różnica między ceną a marginalnym kosztem wydobycia nosi nazwę royalty, opłaty koncesyjnej, kosztem użytkownika lub renty górniczej. Koszty te odzwierciedlają szczupłość zasobów, dlatego też w systemie finansowym regulującym wydobywanie kopalin odgrywają jedną z kluczowych ról (Wirth i Wanielista 2012). Koncepcja opłaty koncesyjnej i decyzji optymalnego użytkowania zasobów nieodnawialnych została przedstawiona na rysunku 1. cena, użyteczność krańcowa, koszty krańcowe; price, marginal utility, marginal costs A opłata koncesyjna; royalty koszty stałe; fixed costs B użyteczność krańcowa; marginal utility 0 popyt; demand q* q* poziom zużywania zasobów na jednostkę czasu; the level of resource consumption per unit of time Rys. 1. Opłata koncesyjna a decyzja o optymalnym wykorzystaniu zasobów (Kuuluvainen i Tahvonen 1996) Royalty and the decision on the optimal use of resources (Kuuluvainen and Tahvonen 1996) Z zasady Hotellinga wynika, że zwiększenie zużycia kopaliny w czasie pomnaża korzyści związane z tym wzrostem, ale przy stałych kosztach krańcowych przyrost przypadający na dodatkową jednostkę zużywanego zasobu maleje. Aby wydobycie Monografie i Rozprawy Naukowe 27 kopaliny było efektywne ekonomicznie, użyteczność krańcowa musi być większa od kosztów krańcowych o wartość opłaty eksploatacyjnej. Ponadto Hotelling udowodnił, że w przypadku zasobów nieodnawialnych opłata koncesyjna powinna wzrastać wykładniczo, w tempie wyznaczanym przez stopę procentową, która jest miarą utraconych korzyści (Jakubczyk 2002). Wszystkie przypadki warunków rynkowych eksploatacji rozpatrywane przez Hotellinga z punktu widzenia maksymalizacji korzyści prowadzą do rozwiązania, w którym wydobycie (po osiągnięciu pełnej zdolności produkcyjnej) jest funkcją malejącą asymptotycznie (Kronenberg 2008): q(t) = cRR0e-cRt gdzie: q(t) – wielkość wydobycia w okresie t, R0 – wielkość początkowa zasobów, cR = qt/Rt – relacja wydobycia do wielkości zasobów określonych w okresie t. Hotelling nie wykluczył, że z powodu skończonych zasobów i zanikającej podaży ich cena może teoretycznie rosnąć bez ograniczeń oraz zmieniać się dynamicznie, nawet jeśli rynek miałby być doskonale konkurencyjny. Według Nordhausa (1973) wzrost ceny zasobu jest ograniczony – limitowany kosztem wprowadzenia „technologii cienia (backstop technology). Jest to określony rodzaj surowca lub technologii mającej świadczyć te same usługi co zasób podstawowy, ale przy wyższym koszcie i bez ryzyka wyczerpania się w najbliższym czasie. Koncepcja ta jest ważnym rozwinięciem neoklasycznej teorii optymalnego wykorzystania zasobów naturalnych (Czaja i in. 1993). W przypadku podstawowego nieodnawialnego surowca energetycznego, jakim jest ropa naftowa, przykładem jest rozwój technologii wykorzystujących odnawialne źródła energii czy też umożliwiających pozyskiwanie paliw węglowodorowych ze skał macierzystych. Zgodnie z modelem Hotellinga cena ropy naftowej powinna wzrastać według stopy procentowej, natomiast wydobycie zmniejszać się asymptotycznie. Na podstawie obserwacji jej cen w długim okresie (1861–2014), słuszności teorii Hotellinga nie można potwierdzić. W XX w. dominował trend malejącej ceny, a okresy wzrostu pojawiały się sporadycznie i najczęściej w wyniku kryzysów politycznych lub ekonomicznych, zwłaszcza od 1974 r. (embargo OPEC, rewolucja irańska, wojna w Zatoce Perskiej). Po ich ustąpieniu cena zmniejszała się, a niektóre kryzysy ekonomiczne, takie jak recesja z początku lat 80. XX w., kryzys azjatycki w 1997 r. oraz kryzys na rynku finansowym w 2008 r. powodowały znaczące spadki cen (Potocki 2009). Największe wystąpiły na przełomie lat 2014 i 2015. Z rysunku 2 wynika, że w całym analizowanym okresie ropa naftowa była realnie tańsza niż na początku XX w. 28 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Pensylwański boom naftowy; Pensylvanian oil boom Początek Początek produkcji eksportu na Sumatrze; rosyjskiej Beginning of production ropy naftowej; on Sumatra Beginning Odkrycie Spindle of Russian top, Texas; crude oil Discovery of export Spindle top, Texas Obawa o braku ropy w USA; Fears of shortage of oil in US Wzrost wenezuelskiej produkcji; Growth of Venezuelan production Odkrycie pól East Texas; East Texas field discovered Wojna Yom Kipur; Yom Kipur War Powojenna odbudowa; Post-war reconstruction Utrata irańskich dostaw; Loss of Iranian supplies Kryzys sueski; Suez crisis Retroaktywne ceny netto; Retroactive prices nett Iracka Azjatycki kryzys inwazja finansowy; na Asian financial crisis Kuweit; Inwazja Arabska Iraq Iraku; wiosna; invasion Invasion Arab on of Iraq Spring Kuwait 120 cena (USD); price (USD) 100 ceny realne (2013); real prices ceny bieżące; current prices 80 60 40 20 0 1861-69 1870-79 1880-89 1890-99 1900-09 1910-19 1920-29 1930-39 1940-49 1950-59 1960-69 1970-79 1980-89 1990-99 2000-09 2010-19 lata; years Rys. 2. Ceny nominalne i realne ropy naftowej Brent FOB* w latach 1861–2013 (BP statistics 2014) Nominal and real prices of crude oil Brent FOB in the years 1861–2013 (BP statistics 2014) * w latach 1861–1944 średnie ceny w USA, 1945–1983 ceny Arabian Light posted at Ras Tanura Pozostaje to w rażącym kontraście z regułą Hotellinga, z której wynika, że ceny zasobów nieodnawialnych powinny wzrastać według stałej stopy. Opinia ta znajdowała potwierdzenie w danych empirycznych dotyczących także innych zasobów (Żylicz 1990). Barnett i Morse (1968), posługując się danymi dla USA z lat 1870–1957, nie stwierdzili symptomów wzrastającej ogólnej szczupłości zasobów, a wręcz udowodnili, że w XX wieku nastąpił relatywny spadek cen surowców mineralnych. Zastosowanie testów Barnetta-Morse’a dla danych polskich dało zbliżone wyniki (Żylicz i Pustoła 1973). W obu przypadkach jedynie w leśnictwie wystąpiły niewielkie oznaki spadku. Wnioski z badań Morse’a i Barnetta były niejednokrotnie interpretowane jako negacja teorii ograniczoności zasobów, a Zimmerman (1951) nawet sformułował prawo ich rosnącej obfitości, pisząc, że „zasoby naturalne to pojęcie wysoce dynamiczne i funkcjonalne; one nie są, lecz stają się” ich źródłem jest ludzka wiedza. Na możliwość rozwiązania problemu wyczerpywania się zasobów naturalnych poprzez postęp techniczny wskazywali także Dasgupta i Heal (1974) oraz Stiglitz (1974). Wśród polskich ekonomistów nieograniczoność bogactw i sił przyrody eksponował Taylor (1947). Optymizm ten wynikał z bardzo szybkiego rozwoju nauki i techniki, które umożliwiały odkrywanie nowych złóż, sięganie po niedostępne do tej pory surowce czy też znajdowanie substytutów. Do takich przykładów oprócz wydobycia paliw węglowodorowych ze skał macierzystych należy zaliczyć między innymi uniezależnienie produkcji azotowych nawozów mineralnych od Monografie i Rozprawy Naukowe 29 złóż saletry. Było to możliwe dzięki opracowaniu technologii wykorzystującej azot z atmosfery. Uporano się również z niedoborami miedzi, aluminium czy też siarki, podejmując – dzięki nowym technikom – eksploatację niedostępnych do tej pory zasobów (Kronenberg 2004). W stosunku do niektórych minerałów, w drugiej połowie XX w. osiągnięty został punkt zwrotny, co przejawiało się wzrostem ich cen w porównaniu z innymi zasobami i dobrami. Slade (1982) udowadnia, że coraz częściej funkcje trendu tych cen przyjmują kształt litery U. Oznacza to, że w perspektywie historycznej początkowo następuje ich spadek, a w miarę wyczerpywania zasobów – wzrost. Herrera (1981) tłumaczy ten fakt nienotowanym dotąd w historii tempem wzrostu gospodarczego i industrializacji. W konsekwencji badania naukowe i rozwój technologii nie zawsze nadążają za wzrostem popytu na surowce. Dlatego też Solow (1974), krytykując ideę nieograniczonego postępu technicznego, proponuje wyczerpujące się zasoby naturalne przynajmniej częściowo zastąpić kapitałem odnawialnym. Według zwolenników teorii Keynesa sprawność tego procesu jako czynnika przeciwdziałającego barierom wzrostu staje się problematyczna, gdy uwzględniony zostanie cały system gospodarczy. Substytucje dotyczą nie tylko materiałów, ale także technologii, energii oraz uwarunkowań zachodzących między nimi. Wskutek tego zmniejsza się globalna wielkość czystej nadwyżki w dyspozycji społeczeństwa oraz rosną nakłady pracy na wytworzenie jednostki towaru (Schefold 1985). Stąd też opinia części ekonomistów, że granice dostępności nieodnawialnych zasobów będą wyznaczane raczej przez rosnące koszty wydobycia niż przez fizyczne rozmiary wielkości zasobów (Kuuluvainen i Tahvonen 1996). Simon i Kahn (1984), Dembowski (1989) oraz Woś (1995) przedstawili optymistyczne spojrzenie na Ziemię pełną zasobów, odrzucili tezę o fizycznych granicach wzrostu gospodarczego i wskazali na znaczącą rolę sił rynkowych oraz globalnych uwarunkowań systemowo-politycznych dla dostępności zasobów. Podobne sformułowania zawarto w raportach „The Global Possible” (Repetto 1985) oraz „Our Common Future” (1987). W obu opracowaniach stwierdzono, że światowe zasoby naturalne są wystarczające dla zaspokojenia potrzeb ludzkości na bardzo długie lata, a problemem jest ich nierównomierne rozmieszczenie przestrzenne oraz nieefektywne i nieracjonalne z nich korzystanie. Współczesna gospodarka, oparta w głównej mierze na mechanizmie rynkowym, nie zawsze gwarantuje optymalne wykorzystanie zasobów. Już na początku XIX w. Say (1960) stwierdził, że zarówno produkcja, jak i konsumpcja powodują przekształcanie materii, wskutek czego generowane są odpady i następuje zanieczyszczenie środowiska. Również Mill (1965b) twierdził, że działalność gospodarcza może wywoływać środowiskowe efekty uboczne. Marshall (1925) nazwał je oszczędnościami zewnętrznymi, ponieważ analizował sytuacje, w których przedsiębiorstwa odnosiły korzyści bez swojej „zasługi”. Z czasem przymiotnikiem „zewnętrzne” zaczęto określać także koszty albo niekorzyści. W teorii ekonomii zewnętrznymi nazywa się wszelkie koszty, których nie ponosi ten, kto je spowodował 30 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk (Żylicz 1990). Według Blauga (1994) efekty zewnętrzne występują zawsze wtedy, kiedy „do funkcji produkcji danego przedsiębiorstwa wchodzą zmienne będące skutkiem działalności innych podmiotów”. Z kolei Stiglitz (2004) uznaje, że efekt zewnętrzny powstaje wówczas, gdy jakaś osoba lub firma podejmuje działania, które wywierają wpływ na sytuację innych, a nie są one rekompensowane odpowiednią płatnością w jedną lub drugą stronę. Pojęcie to w znaczeniu współczesnej ekonomii wprowadził Pigou (1938), postulując jednocześnie internalizację, to jest przypisanie negatywnych skutków działalności sprawcom i obarczenie ich ciężarem naprawy szkód. Opłata korekcyjna zwana podatkiem Pigou jest asymetryczną ceną nakładaną na generującego ujemny efekt zewnętrzny, równą co do wartości krańcowemu kosztowi zewnętrznemu obliczonemu dla położenia odpowiadającego optimum Pareto (rys. 3). Wskazane optimum obliguje do zrównania ceny produkowanego dobra z sumą całkowitych marginalnych kosztów jego działalności, tj. zewnętrznych i indywidualnych marginalnych kosztów produkcji (Fiedor 1990). Gdyby efekt zewnętrzny był dodatni, wówczas rolę podatku spełniałaby subwencja. MSC (marginal social cost); krańcowy koszt społeczny cena; price MPC (marginal private cost); krańcowy koszt prywatny B podatek Pigou (krańcowy koszt zanieczyszczeń); Pigouvian tax (marginal cost of pollution) A popyt (społeczna korzyść krańcowa); demand (marginal social benefit) 0 Qc Qm produkcja; production Rys. 3. Równowaga rynkowa przed i po wprowadzeniu podatku Pigou (Stiglitz 2004) Market balance before and after the introduction of a Pigouvian tax (Stiglitz 2004) Powszechne stosowanie podatku Pigou nie jest proste, ponieważ wymaga znajomości trudno osiągalnych informacji obejmujących między innymi: identyfikację sprawcy zanieczyszczenia, wycenę pieniężną efektów zewnętrznych, określenie wysokości podatku oraz jego aktualizację wynikającą ze zmieniających się efektów zewnętrznych. Do najczęściej wymienianych przeszkód towarzyszących wdrażaniu tej metody zaliczano przede wszystkim powstające problemy informacyjne oraz konieczność monitorowania emisji zanieczyszczeń. Główną przyczyną jest jednak obniżenie konkurencyjności gospodarki (Żylicz 2004, Hołuj 2006). W literaturze podatek Pigou traktowany jest jako ogólna przesłanka racjonalizacji ekonomicznej polityki ochrony środowiska (Fiedor 1990). Ponadto, mimo nałożonego podatku na Monografie i Rozprawy Naukowe 31 „truciciela” nie zawsze następuje likwidacja ujemnych efektów zewnętrznych, co nie prowadzi do powrotu optymalności alokacji zasobów w sensie optimum Pareto (Famielec 1999). W praktyce dąży się do takiego wyboru formy regulacji poziomu zanieczyszczeń, aby dany cel osiągnąć przy najniższych kosztach (Fiedor 2002). Odmienny pogląd na internalizację efektów zewnętrznych przedstawił Coase (1960); teoremat, który zaproponował, chociaż początkowo wzbudził wiele kontrowersji, wniósł znaczący wkład do analizy teorii wolnego rynku i praw własności. Wynika z niego, że przedmiotem obrotu rynkowego mogą być nie tylko dobra materialne i usługi, ale także uprawnienia do korzystania z efektów dóbr prywatnych lub publicznych. Coase dowiódł, że rynek może sobie poradzić z dobrami publicznymi, ale pod warunkiem możliwości obrotu prawami własności, z których wynikają uprawnienia do dysponowania określonymi zasobami oraz czerpania zysku z ich wykorzystania (Stiglitz 2004). W przedstawionej koncepcji przyjmuje się założenie, że można precyzyjnie ustalić właściciela każdego składnika zasobów naturalnych (Woś 1995) albo, jak to nazwał North (1992) „istnieje zbiór wykonalnych praw powiązanych z określonymi formami własności”. Prawa do emisji zanieczyszczeń utożsamiane są z czynnikami produkcji, dlatego też ich ilość oraz cena ustalana jest podczas dobrowolnych negocjacji między zainteresowanymi stronami. Można zatem uznać, że tak dokonana alokacja uprawnień zapewnia osiągnięcie, w sensie Pareto, optymalnego poziomu działalności służącej zapobieżeniu lub likwidacji szkód bez potrzeby interwencji państwa (Fiedor 2002, Żylicz 2004). Praktyczne zastosowanie twierdzenia Coase’a jest przedmiotem wielu kontrowersji, np. Hahnen i Sheeran (2009) uważają, że negocjacje nie są procesem rynkowym, dlatego też dla takiego postępowania należałoby używać sformułowania laissez fair, czyli polityka nieingerencji państwa. Stanowisko takie uzasadniają stwierdzeniem, że ustanowienie praw własności nie jest tożsame ze stworzeniem rynku dla efektów zewnętrznych; to tylko warunek konieczny, ale niewystarczający. Poza tym uczestnicy negocjacji nie dysponują pełnymi informacjami niezbędnymi do określenia kosztów i korzyści, a tym samym ustalenia emisji na optymalnym dla obu stron poziomie. Według Żylicza (2004) niespełnione jest założenie o znikomych kosztach transakcyjnych, a ponadto w przypadku zanieczyszczenia środowiska istnieją przesłanki do ingerencji państwa. Nawet Friedman (1964) wskazywał na niezastępowalność rządów w zakresie zinternalizowania kosztów zewnętrznych. Także Pearce (1987) stwierdził, że gospodarka rynkowa – nawet wyposażona w mechanizm internalizacji kosztów zewnętrznych – nie jest w stanie samoistnie zagwarantować trwałości rozwoju. Stąd też pojawia się pytanie, jakimi środkami państwo może tę polityka realizować? Realna polityka jest bowiem mieszaniną trzech komponentów: mechanizmu rynkowego, bodźców ekonomicznych i regulacji prawnych (Woś 1995). Warunek ten spełniają zbywalne pozwolenia na emisję, których pomysłodawcą był Crocker (1966), spopularyzował je Dales (1968), a pełny dowód optymalności przedstawił Montgomery (1972). Koncepcja ta polega na wyznaczaniu dopuszczal- 32 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk nego poziomu emisji z0 dla danego obszaru lub sektora gospodarki, jego podziale na wiele jednostkowych uprawnień oraz administracyjnym rozdysponowywaniu pomiędzy poszczególne podmioty gospodarcze z1,….,zn, tak aby ∑zi = z0, nie ingerując w sposób ich wykorzystania. Nim posłużą do usprawiedliwienia emisji, są traktowane jak towar i podlegają prawom typowych transakcji handlowych. Emitenci o niskich kosztach redukcji będą zmniejszać emisję poniżej wielkości określonej w ich pozwoleniu i odsprzedawać uprawnienia innym zanieczyszczającym, dla których ich nabycie jest korzystniejsze od redukcji emisji. Pozwolenia zbywalne w sposób modelowy umożliwiają rozdzielenie sfery, która powinna być regulowana poza rynkiem od tej poddanej działaniu rynku (Daly 1992). Środowisko jest więc chronione do poziomu, który został określony bez udziału rynku, ale to przez rynek następuje alokacja, co umożliwia minimalizację kosztów przy założonym pułapie emisji (Żylicz 2004). Chociaż problem powstawania efektów zewnętrznych wynika z niedoskonałości rynku, to jednak do ich rozwiązywania wykorzystywane są metody ekonomiczno-rynkowe, co jest zgodne z ogólnym neoklasycznym poglądem na sprawność rynku jako mechanizmu optymalizacji działań podmiotów gospodarczych (Czaja i in. 1993). Rynkowa reglamentacja emisji ma podwójne znaczenie: może służyć internalizacji kosztów zewnętrznych oraz stymulować działania na rzecz ograniczania emisji. Pierwszy system handlu uprawnieniami emisji został w 1977 r. zainicjowany w Stanach Zjednoczonych przez Agencję Ochrony Środowiska (EPA), która zaproponowała wprowadzenie poprawek do ustawy o czystym powietrzu (Clean Air Act), umożliwiających stworzenie takiego rynku i realizację Programu Handlu Emisjami (Emissions Trading Programm). Jego najważniejszym elementem była jednostka uznanej redukcji (Emission Reduction Credit – ERC), a pierwotną formą obrotu mechanizm klosza (bubbles). Wraz z rozwojem rynku opracowano i wdrożono także inne formy handlu: rozliczenia netto (netting), mechanizm kompensat (offset) czy przenoszenia uprawnień na następne okresy (banking) (Tietenberg 1985). Do najbardziej udanych wdrożeń realizowanych w tym okresie, wykorzystujących zbywalne uprawnienia, należał program eliminacji benzyny bezołowiowej (Lead Phasedown Programm) (Hahn i Gordon 1989). Pierwsze formy handlu emisjami były kosztowne i wymagały wzmożonego nadzoru administracyjnego, słabym punktem okazała się także rozbudowana procedura negocjacyjna (Tietenberg 2006). Dopiero zastosowanie mechanizmu „cap and trade”, którego wprowadzenie umożliwiła w 1990 r. poprawka w „Clean Air Act”, znacząco usprawniła ten proces. Całkowity limit emisji (cap) ustalany jest dla grupy zakładów lub sektorów, a następnie uprawnienia do emisji odpowiadające całkowitemu limitowi rozdzielane są między poszczególne źródła emisji zanieczyszczeń. Zakłady mogą wykorzystać uprawnienia do wypełnienia swych celów redukcyjnych, sprzedać na rynku lub zachować na przyszłe okresy rozliczeniowe. Nowatorskim rozwiązaniem w stosunku do tradycyjnych instrumentów polityki ekologicznej było dopuszczenie handlu między poszczególnymi podmiotami (trade). Idea tego mechanizmu Monografie i Rozprawy Naukowe 33 z powodzeniem została zastosowana w realizacji programu „Kwaśne deszcze” (Acid Rain Program) oraz „Regionalnej inicjatywie na rzecz czystego powietrza” (Regional Clean Air Incentives Market) (Burtraw i Bohi 1997). Sukcesem zakończył się także pierwszy międzynarodowy program handlu emisjami wynikający z wypełniania zobowiązań Protokołu Montrealskiego w sprawie substancji zubożających warstwę ozonową (Murdoch i Sandler 1997). Te doświadczenia zostały wykorzystane do opracowania zasad międzynarodowego handlu emisjami (International Emission Trading – IET) w celu realizacji postanowień zawartych w Protokole z Kioto. Taki sam mechanizm zastosowano również w Unii Europejskiej (Unions Emission Trading System – EU ETS). Mechanizm przydziału i handlu „cap and trade‟ sprowadza się do klasycznych metod internalizacji efektów zewnętrznych. W zależności od sposobu pierwotnej alokacji praw, mogą być stosowane rozwiązania równoważne podatkowi Pigou (prawa są pierwotnie licytowane na aukcji) lub dobrowolne transakcje między stronami Coase’a (np.: grandfathering – kryterium przydziału jest historia emisji). Według Liao i in. (2009) każdy emitent uczestniczący w mechanizmie handlu emisjami staje przed wyborem, który może być modelowany za pomocą zadania optymalizacyjnego w postaci: Vc × X + p(B –S) → min (B – S) + X = k S, B ≥ 0 gdzie: Vc – koszt zmienny redukcji emisji, B – liczba zakupionych praw do emisji, S – liczba sprzedanych praw do emisji, k – wymagany poziom redukcji, X – redukcja emisji, p – rynkowa cena praw do emisji. W modelu regulator w ramach bezpłatnego pierwotnego przydziału określa wymagany poziom redukcji k dla każdego z podmiotów według arbitralnego kryterium. Uczestniczący w mechanizmie w celu spełnienia nałożonych pułapów mogą obniżać emisję poprzez proekologiczne inwestycje lub zakupić dodatkowe uprawnienia. Decyzja każdego z podmiotów sprowadza się do minimalizowania kosztów nałożonej regulacji (Hurwicz i Reiter 2006). Stern (2010) argumentuje, że międzynarodowy handel emisjami powinien być zasadniczym mechanizmem ochrony klimatu, a jednocześnie zasadniczym elementem globalnego ładu, ponieważ zawiera trzy zasady, na których opiera się ów ład. Po pierwsze istnieje jasny limit emisji wyznaczający konieczny poziom redukcji, po drugie konkurencja i rynek pozwolą ograniczać koszty, a po trzecie struktura kwot i wykorzystanie najtańszych możliwości redukcji emisji w krajach rozwijających się oddziałują na zwiększenie przepływów finansowych między przedsiębiorcami a tymi krajami. Realizacja trzeciej zasady odbywa 34 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk się w formule „baseline and credit”. Jej działanie zakłada generowanie jednostek redukcji w drodze realizacji działań zmniejszających emisję w stosunku do przewidzianego pułapu, np. poprzez projekty wspólnych wdrożeń (Joint Implementation – JI) i mechanizm czystego rozwoju (Clean Development Mechanizm – CDM). Wprowadzone elastyczne mechanizmy handlu przyczyniają się do osiągnięcia pożądanej redukcji emisji gazów cieplarnianych (GHGs) w skali globalnej, są jednocześnie nową formą aktywizacji współpracy międzynarodowej o bardzo dużym potencjale rozwojowym (Graczyk 2009). Przedmiotem obrotu na rynku uprawnień do emisji są następujące jednostki: przyznanej emisji (Assigned Amount Unit – AAU), redukcji emisji pozyskanych w ramach CDM (Certified Emission Reduction – CER), poświadczonej redukcji emisji pozyskanych w wyniku realizacji JI (Emission Reduction Unit – ERU). W zarządzaniu ryzykiem cenowym wykorzystywane są klasyczne już instrumenty finansowe: kontrakty z dostawą natychmiastową (spot) oraz terminowe – oferowane przez giełdy (futures) lub rynki pozagiełdowe (forward). W 2011 r. globalny wolumen obrotów wyniósł 10,3 mld t ekwiwalentu CO2, a jego wartość osiągnęła 176 mld USD. Zarówno ilościowo, jak i wartościowo był to ponad pięciokrotny wzrost w stosunku do 2006 r. Największy udział w tym rynku miał mechanizm EU ETS, na który w badanych latach przypadało od 63 (2006 r.) do 78% (2010 r.) wolumenu obrotów, a w ujęciu wartościowym wskaźnik ten wahał się od 74 (2008 r.) do 84% (2011 r.). Ważnym elementem działań na rzecz ochrony klimatu jest również zwiększanie produkcji energii ze źródeł odnawialnych. Z uwagi na to, iż koszty jej wytwarzania (głównie energii elektrycznej) są znacznie wyższe niż w źródłach wykorzystujących paliwa nieodnawialne, rozwój tego rynku uzależniony jest od wysokości subwencji (Żylicz 2012). W sposobach ich przydziału wyróżnia się dwa podejścia: cenowe (price system) i kwotowe (quota system). Najczęściej stosowanymi formami wsparcia są taryfy stałe (feed-in tariff) lub zielone certyfikaty (green certificates). Ta pierwsza polega na zawarciu długoterminowego kontraktu z producentem energii z gwarancją ceny ustalanej przez regulatora. Systemy stałych certyfikatów mają opinię kosztownych, ale bardzo skutecznych w promowaniu określonych technologii, np. w Niemczech fotowoltaiki (Olchowik 2011), a w Danii do 2003 r. energetyki wiatrowej (Hansen i in. 2003, Soderholm i Klaassen 2007). W systemie zielonych certyfikatów (Tradable Green Certificates system – TGCs) regulator ustala sposób ich przydziału, a rynkowi pozostawia ustalenie ceny. Taki system obowiązuje od 2005 r. w Polsce. Jest powszechnie krytykowany, ponieważ preferuje duże hydroelektrownie i współspalanie budzące wiele kontrowersji ekologicznych, technicznych, rynkowych i strategicznych (Rączka 2012). Utrzymanie obecnego systemu wsparcia może mieć znaczące implikacje dla struktury rynku, ponieważ przy cenach poniżej 200 zł za świadectwa pochodzenia produkcja energii elektrycznej jest opłacalna tylko w hydroelektrowniach i instalacjach współspalania (rys. 4). 35 Monografie i Rozprawy Naukowe cena (PLN); price (PLN) 300 250 200 150 100 50 0 2010 2010 2011 2011 2011 2011 2012 2012 2012 2012 2013 2013 2013 2013 rok; year świadectwo pochodzenia; certificate of origin MWh Rys. 4. Ceny świadectw pochodzenia i energii elektrycznej w latach 2010–2013 (Urząd Regulacji Energetyki i Towarowa Giełdy Energii) Prices of certificates of origin and electric energy in the years 2010–2013 (The Energy Regulatory Office and the Power Exchange) 3.3. UJĘCIE ENERGII W MODELACH WZROSTU GOSPODARCZEGO Od czasów twórcy klasycznej ekonomii Adama Smitha przyjmuje się, że produkcja jest funkcją trzech zmiennych – zasobów pracy, kapitału i ziemi utożsamianej z naturą. W czasach, gdy ta ostatnia przestała być w obfitości i gdy trzeba ją ujmować – częściowo jako nieodnawialne zasoby naturalne – waga tej zmiennej jest daleko większa niż wtedy, kiedy ziemię postrzegano głównie przez pryzmat pastwisk dla owiec i uprawnych pól oraz gruntów kryjących pokłady węgla (Kołodko 2008). Smith, twórca teorii wartości opartej na pracy, uważał produkty ziemi za bardzo ważne źródło przychodów i bogactwa każdego kraju, a rolnictwo uznawał za bardziej produktywne od innych sfer produkcji materialnej (Blaug 1994). Również neoklasycy, poczynając od Marshalla (1925), który za przykładem Saya (1960) i Milla (1965b), uznał ziemię za element klasycznej triady czynników produkcji. Jednak już następcy czynnik ten pomijają lub włączają do kapitału (Schultz 1951). Wynika to z istoty modeli neoklasycznych poszukujących odpowiedzi na pytanie o optymalną alokację zasobów i rolę ceny w tym procesie alokacji. Aby domknąć całość rozumowania dotyczącego równowagi ogólnej potrzebne było założenie o braku odmienności kapitału, pracy i ziemi jako czynników produkcji. W przeciwnym razie akceptacja tezy o nieodnawialności zasobu ziemi i jej specyficznym charakterze ograniczałaby możliwość alokowania jej do zastosowań gospodarczych poprzez rynek. Stąd modele neoklasyczne starały się traktować ziemię podobnie jak kapitał czy siłę roboczą. Tego typu podejście jako pierwszy zastosował Walras (1874), ale za twórcę koncepcji jednolitego traktowania zasobów produkcji uznawany jest Fisher (1892). Jedynym sektorem gospodarki narodowej, w którym ziemia (gleba) pozostała zasadniczym czynnikiem wytwórczym jest rolnictwo (Timmer 2002). Wynika 36 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk to z jego specyfiki, którą Alam (2006), nawiązując do Smitha, opisał „natura trudzi się wraz z człowiekiem”, natomiast poza rolnictwem „natura nie robi nic; człowiek robi wszystko”. Współcześnie w rozważaniach dotyczących równowagi ogólnej nie uwzględnia się więc ziemi jako „trzeciego” czynnika produkcji. „W długookresowej równowadze stacjonarnej całkowity produkt roztapia się w płacach i procencie jako wynagrodzeniu pracy i kapitału” (Blaug 1994). Jednym z instrumentów wykorzystywanych w analizie przestrzeni ekonomicznej prowadzących do ustalenia hierarchii siły oddziaływania najczęstszych zjawisk towarzyszących działalności gospodarczej jest modelowanie ekonomiczne. W praktyce modele pozwalają na wskazanie roli, jaką mają pełnić w procesach gospodarczych. Szczególnie interesujące są modele dotyczące ujęć długookresowych, gdyż z istoty rzeczy wzrost produkcji, a zwłaszcza rozwój nie jest procesem krótkookresowym. Wyodrębnia się przy tym modele keynesowskie (neokeynesowskie) podkreślające znaczenie przyrostu autonomicznego popytu, zwłaszcza inwestycyjnego, oraz mające dłuższą od nich tradycję modele klasyczne (neoklasyczne). Do najczęściej uwzględnianych parametrów należą: poziom kapitału, zasoby pracy, akumulacja czy zdrowotność czynnika ludzkiego. W prawie wszystkich, mniej czy bardziej rozwiniętych ujęciach teoretycznych dostrzega się znaczenie techniki w procesach wytwórczych. I słusznie, bo jak twierdził Schumpeter (1935), siłą napędową wzrostu gospodarczego był, jest i będzie postęp techniczny, bez którego nie ma postępu ekonomicznego i cywilizacyjnego. Dlatego też współcześnie tak bardzo podkreśla się znaczenie nauki jako bezpośredniej siły wytwórczej i fundamentalną wręcz rolę technologii opartych na wiedzy, a tym samym znaczenie badań i wdrożeń. One są z kolei źródłem pchającym do przodu postęp techniczny, a wraz z nim ilość i jakość produktów oraz usług, inwencji i innowacji (Kołodko 2008). W dotychczasowych modelach ekonomicznych pomijano natomiast energię (Aghion i Howitt 2009), która uważana jest za siłę sprawczą każdego działania, a kontrolowanie jej przepływów określa siłę panowania człowieka i jego względny wpływ na naturę (Odum 1971, Slesser 1978, Faucheux 1993, Peet 1993, Stern 1997a), kształtuje formę systemów gospodarczych i oddziałuje na indywidualny styl życia (Brown 1982). Według Milla (1965b) „przyroda dostarcza nie tylko materiałów ale także mocy. Materia kuli ziemskiej nie jest bezczynnym odbiorcą form i właściwości odciśniętych na niej przez ręce człowieka – dysponuje także aktywnymi energiami, poprzez które współpracuje z ludzką pracą a może ją nawet zastępować”. Również Say (1960) pisał, że „ziemia nie jest jedynym produkcyjnym czynnikiem natury, ale jest to jedyny, albo prawie jedyny czynnik, jaki człowiek mógł sobie przywłaszczyć. Wody mórz i rzek przez to, że mają zdolność wprowadzania w ruch machin naszych, karmienia ryb, noszenia statków naszych, mają także moc produkcyjną”. Znaczenie energii eksponował też Bastiat (2006) – prekursor austriackiej szkoły ekonomii, wskazując na jej niedowartościowanie „elektryczność, związki chemiczne, wiatr, deszcz, światło, ciepło, życie stopniowo i nie- Monografie i Rozprawy Naukowe 37 raz bez wiedzy naszej zajęte są przenoszeniem, przerabianiem, zbliżaniem, dzieleniem, łączeniem tych pierwiastków a cudowny ten przemysł, którego czynność i użyteczność usuwa się nie tylko z przed ocenienia naszego, ale nawet z przed naszej fantazji, nie ma jednakże żadnej wartości”. Społeczeństwa, które mają skąpe zasoby energetyczne, muszą siłą rzeczy żyć w bliskim powiązaniu z ziemią, ponieważ nie dysponują dostateczną ilością energii na przetwarzanie i transport żywności, jak też na jej produkcję (Brown 1982). Stern (2011), analizując wzrost gospodarczy, stawia pytanie: „czy energia jest ważną siłą napędową wzrostu gospodarczego i rozwoju, a jeśli tak, to jakie czynniki wpływają na siłę związku między energią i wzrostem?”. W historii myśli ekonomicznej rozwój różnorodnych metod analizy energetycznej datuje się na lata 70. XX w. Głównym powodem tego zainteresowania były kryzysy energetyczne oraz zagrożenia środowiskowe. W ramach teorii ekonomii rozwinęły się dwa kierunki, z których pierwszy dostarczał nowej interpretacji w ramach tradycyjnych narzędzi i metod badawczych, w tym optymalnego wykorzystania zasobów naturalnych, energochłonności gospodarek, elastyczności energetycznej produktu społecznego oraz zachowania, zanieczyszczenia i ochrony środowiska. Drugi natomiast stworzył zręby nowego paradygmatu, odchodzącego od utrwalonych wzorców tradycyjnego myślenia, wykorzystując w analizie ekonomicznej osiągnięcia nauk matematyczno-przyrodniczych, w tym prawa zachowania masy i prawa entropii. Prekursorem, który podejmował próby zastosowania nowych pojęć do analizy procesu gospodarczego był marksista Sergiusz Podoliński (Martinez-Alier 1987). W swoich pracach wyjaśniał, że energia słoneczna na powierzchni ziemi ulega przemianom, a człowiek jest jednym z ogniw jej konwersji. W toku produkcji wydatkuje pracę, która stanowi tylko niewielką część energii, jaką uprzednio skonsumował wraz z pożywieniem, natomiast reszta przyczynia się do wzrostu entropii. Ponadto zwrócił uwagę na umiejętność wykorzystywania w procesach produkcyjnych energii znacznie przewyższającej nie tylko jej ilość wydatkowaną przez człowieka, ale nawet tę, która została przezeń w tym celu skonsumowana. Dostrzegając paralelę między tymi wielkościami a produktem dodatkowym, dowodził możliwości zintegrowania zasad termodynamiki z teorią wartości bazującej na pracy (Martinez-Alier 1987). Koncepcja Podolińskiego została skrytykowana przez Engelsa (1977), który w liście do Marksa pisał „Jego rzeczywiste odkrycie polega na tym, że praca ludzka jest w stanie utrzymać na powierzchni ziemi energię słoneczną i zmusić ją do działania dłużej, aniżeliby to bez pracy miało miejsce. Wszystkie wyprowadzone stąd przez niego wnioski ekonomiczne są błędne”. Głównym powodem krytyki tej idei były problemy z szacowaniem wartości zużywanej energii „Wartość energii młotka, śruby, igły do szycia jest wielkością niewymierną według kosztów produkcji” (Engels 1977). Określenie dokładnej ilości energii użytkowanej w formach pośredniej i bezpośredniej w poszczególnych procesach produkcyjnych jest niezwykle trudne pomimo znaczącego rozwoju aparatury badawczej. Ponadto pomijanie jej w neoklasycznych modelach wzrostu gospodarczego wynika z mechanistycznej 38 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk w swojej istocie sayowskiej koncepcji czynników produkcji (Costanza 1980) oraz złożoności powiązań i przepływów energetycznych, jak i z niedostatecznym rozpoznaniem fizycznej istoty procesów transformacji energii (Czaja i Becla 2002). Od drugiej połowy XIX w. twórcy ekonomii neoklasycznej, po sformułowaniu zasady zachowania energii, podejmowali próby opisu rzeczywistości gospodarczej za pomocą zdefiniowanych pojęć fizycznych, takich jak np.: idea pola sił i energii jako analogów umysłu człowieka i użyteczności (Kwaśnicki 2008). Tego rodzaju metafory były fundamentem rewolucji marginalistycznej. Jevons (1871), Menger (1871) i Walras (1874) niezależnie od siebie sformułowali zasadę użyteczności krańcowej, która jest analogiem szybkości w fizyce (matematyczna pochodna). Stwierdzenie to było podstawą bardzo sofistycznego i sformalizowanego sposobu pojmowania rzeczywistości gospodarczej w ekonomii neoklasycznej i ograniczało się do wyjaśniania logiki wyboru i zwykle mechanicznego procesu alokacji zasobów (Czaja i Becla 2002). Mirowski (1989), analizując relacje pomiędzy rozwojem fizyki i ekonomii, stwierdził, że ta druga uzyskała w końcu status nauki poprzez zastosowanie w analizie procesów gospodarczych fizycznej idei energii zdefiniowanej w połowie XIX w. Rozważania o możliwościach analizy ekonomicznej z punktu widzenia nauki o energii były dla Herynga (1896) impulsem do sformułowania definicji ekonomii: „Ekonomia to nauka traktująca o zjawiskach zachodzących pod wpływem świadomego dążenia społecznych układów, aby przy możliwie najmniejszych wysiłkach zachować lub wzmóc właściwą tym układom społeczną energię przez odpowiednie zużytkowanie własności i energii układów otoczenia”. Podstawowe równania fizyki zostały „przetłumaczone na język ekonomiczny” w 1892 r. przez Irwinga Fishera. Punkty materialne zostały przekształcone w podmioty gospodarcze, siłę przemianowano na krańcową użyteczność, energia netto posłużyła do określenia zysku, natomiast układ zamknięty, który dążył do stanu równowagi termodynamicznej zdeterminował myślenie ekonomiczne, co zapoczątkowało stosowanie modeli matematycznych równowagi ogólnej i hipotez racjonalnych oczekiwań. Mirowski (1988) dzieli badaczy, którzy stosują metafory energii w ekonomii na dwie grupy: neosymulatorów (neo-simulators) i neoenergetyków (neo-energeticists). Pierwsi z nich uważają, że fizyka jest źródłem metafor i mitologicznym „rogiem obfitości”, z którego płyną gotowe do użycia modele matematyczne; dla drugich energia jest tożsama z wartością w ekonomii. Do pierwszej grupy należeli uczeni reprezentujący bardzo różne dziedziny naukowe, dla których najlepszym miernikiem oceny funkcjonowania procesów przyrodniczych, społecznych, kulturowych i ekonomicznych jest energia. Może być użyteczna do wyjaśnienia, systematyzowania i interpretowania zachodzących pod jej wpływem zjawisk. Początki idei propagowanej przez neosymulatorów związane są z Helmem (1887) i Ostwaldem (1909), twórcami koncepcji nazwanej energetyzmem. Pierwszy z nich wskazywał, że w świecie nieożywionym główną formą energii jest energia fizyczna, w świecie żywym – energia życiowa, a w społeczeństwie ludzkim – energia społeczna, która Monografie i Rozprawy Naukowe 39 wykazuje skłonność do przyjmowania uporządkowanej postaci, czego wyrazem są np. formy wymiany handlowej. Stwierdził też, że cena towaru jest proporcjonalna do energii potrzebnej do jego wyprodukowania. W rozważaniach o „termodynamice ekonomicznej” napisał, że pieniądz i wymiana pieniężna są charakterystyczne dla społeczeństw o niskiej entropii. Według Boltzmanna (1905) życie jest rywalizacją o użyteczne formy energii. Podobną opinię wyrażał Winiarski (1900) „W ten sposób ceny dóbr (czy to według definicji Jevonsa jako stosunek zadowolenia, czy też Ricarda jako stosunek pracy – co stanowi jedno i to samo) nie przedstawiają nic innego, jak tylko relatywne współczynniki energii biologicznej… złoto jest przeto powszechnym ekwiwalentem społecznym, czystym uosobieniem i wcieleniem energii społeczno-biologicznej”. Ostwald (1909) w prezentowanych koncepcjach naukowych wskazywał na zależności pomiędzy metodami wytwarzania energii a rozwojem kulturowo-cywilizacyjnym „najbardziej abstrakcyjne odkrycie naukowe z powodu swej ogólności i prostoty oznacza odpowiednią ekonomię wykorzystania energii dla wszystkich przyszłych pokoleń”. Ponadto był autorem imperatywu energetycznego: „nie trwoń energii – wykorzystaj ją”. Idee energetyzmu propagował też Ruch Technokratyczny (Technocratic Movement) powstały na przełomie XIX i XX w., skupiający naukowców i inżynierów, który rozpoczął w latach 20. XX w. Przegląd Energetyczny (Energy Survey) Ameryki Północnej. Jego członkowie inspirowani przez Thorsteina Veblena głosili idee możliwości przekształcenia społeczeństw w harmonijnie funkcjonujące organizmy na wzór regulacji stosowanych w układach elektrycznych (Elsner 1967). Warto nadmienić, że najwybitniejszym przedstawicielem tego ruchu był King Hubbert (1957) – twórca teorii „peak oil” (Teoria Hubberta). Do grupy neosymulatorów zaliczany jest także Alfred Lotka (1925), który w sformułowanym prawie o maksimum energii pisał „selekcja naturalna ma tendencję do zwiększania całkowitej masy systemu organicznego ale warunkiem jej przebiegu jest dostępność energii”. Uzależnienie ludzi od coraz to większych przepływów energii może być postrzegane jako nieunikniona kontynuacja procesu ewolucji. Taki związek został potwierdzony przez antropologa Leslie White'a (1943), który nazwał tę zależność pierwszym prawem rozwoju kulturowego: „pomiędzy innymi równie ważnymi czynnikami, stopień rozwoju kulturowego różni się ilością energii per capita na rok, wytwarzanej i wykorzystywanej przez daną społeczność”. Również Ronald Fox (1988), prowadząc badania z tego zakresu, stwierdził: „każdemu przeskokowi jakościowemu w mechanizmach kulturowych towarzyszyło znaczące zwiększenie ilościowe przepływów energii”. Capra (1987), analizując przyczyny rozkwitu i upadku poszczególnych cywilizacji w historii ludzkości, wskazał, iż dostęp do źródeł energii, uwarunkowany umiejętnościami ich wykorzystania, wyznaczał początek i kres każdej cywilizacji. Także Toffler (1997) twierdził, iż „warunkiem istnienia każdej cywilizacji – starej czy nowej jest energia”. Tak więc energia była, jest i będzie główną determinantą działalności gospodarczej i rozwoju cywilizacji. 40 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Pomysł, aby zarówno przepływy przyrodnicze, jak i gospodarcze mierzyć za pomocą ujednoliconego podejścia i tych samych jednostek fizycznych był inspiracją dla Oduma (1971), twórcy energetycznej teorii wartości. Jej istota sprowadza się do oszacowania wielkości strumieni energii słonecznej docierającej do geobiosfery, tzw. emergii (ang. emergy – EMbodied solar enERGY), która podlega transformacji. Zgodnie z drugą zasadą termodynamiki w kolejnych przemianach uczestniczą coraz mniejsze jej strumienie. Na podstawie analizy energetycznej ocenić można, jak w procesach biologicznych i technologicznych udało się dokonać transferu energii słonecznej do gospodarki, czyli jak racjonalnie energia słoneczna została wykorzystana. Brown i Ugliati (1997 i 1999) na tej podstawie opracowali metodologię określania wskaźników trwałego rozwoju, a Odum i Odum (2003) sformułowali dodatkowe prawa termodynamiki. Tilley (2004), odnosząc się do tych propozycji, określił je jako kontrowersyjne. Teoria Oduma chociaż ma swoich zwolenników, to jak pisał Żylicz (1990) „dziedziczy krytykę jaką Engels sformułował niegdyś wobec Podolińskiego”. Znacznie większy wpływ na rozwój teorii ekonomii i wywarła działalność neoenergetyków. Za głównego ich przedstawiciela uznaje się Georgescu-Roegena (1971), który określił proces ekonomiczny jako nieustanne i nieodwołalne przekształcanie niskiej entropii w wysoką (rys. 5) i jak napisał „konsekwencje tego winny być oczywiste dla każdego, kto byłby skłonny zejść na chwilę z wyżyn mozolnie budowanych modeli wzrostu na poziom elementarnych zdarzeń”. Zasób kapitału użyty do produkcji energii; Capital Stock used for production of energy Zasób kapitału użyty do produkcji pozostałego produktu krajowego; Rozproszenie Capital Stock used for production zasobów: CO2, of other GDP Ogólny produkt emisja cząstek krajowy; radioaktywnych Deprecjacja; Zasoby energii: węgla, General domestic Energia o długim okresie Depreciation ropy, gazu, uranu; product ogólna; rozpadu; Stocks of energy: coal, Ubytki, ogrzewanie; Building up of stocks: General energy oil, gas, uranium Losses, heating CO2, emission Tworzenie pozostałego Ogólny produkt of particles with produktu krajowego; krajowy; long period of Production other GDP General domestic disintegradation product (GDP) Trwałe dobra Zmniejszenie konsumpcyjne; Inna konsumpcja; zasobów; Durables Other consumption Docrease of consumer goods Zanieczyszczenia stocks Konsumpcja; termiczne; Deprecjacja; Consumption Thermal pollutions Depreciation Praca; Ubytki, ogrzewanie; Labour Zmniejszenie energii: Losses, heating promieniowanie słoneczne, energia geotermiczna, pływy; Decrease of energy: solar Użyteczność z konsumpcji; radiation, geothermal energy, Utility from consumption tidcs Kierunek wzrostu entropii; Direction of increasing entropy Wzrost entropii w wyniku fizycznej deprecjacji (=deorganizacja struktury); Building up and temporary storage of negentropy (=ordered trueturei) Rozwinięcia okresowe składowania negentropii (=uporządkowanie struktury); Increasing entropy by physical depreciation (=loss of trueture) Rys. 5. Zużycie energii, produkcja i wzrost entropii (Czaja 1993) Energy use, production and increase of entropy (Czaja 1993) Monografie i Rozprawy Naukowe 41 Jest to o tyle istotne, że rozwijana dotychczas teoria ekonomii nie doceniała faktu nieodwracalności właściwej zjawiskom termodynamicznym i nie wykształciła odpowiedniego aparatu analitycznego (Czaja i Jakubczyk 1991, Daly 1997). Te spostrzeżenia spowodowały, że system gospodarczo-społeczny zaczęto traktować jako globalny układ otwarty (Capra 1987), którego przetrwanie zależy od działań antyentropijnych oraz procesów opóźniających entropię (Kamiński i Okólski 1979). Druga zasada termodynamiki stanowi też podstawę ekonomii złożoności (Beinhocker 2006), nowego nurtu ukierunkowanego na transdyscyplinarność (Wojtyna 2008), w której dowodzi się, że „gospodarka w rzeczywistości nie jest zamkniętym systemem równowagowym (jak zakładała tradycyjna ekonomia), lecz złożonym systemem adaptacyjnym, dalekim od równowagi, którego dynamiką rządzą procesy o charakterze ewolucyjnym” (Hardt 2009). Oznacza to, że w takim systemie nie ma równowagi, a jedynie mniejsza lub większa entropia, czyli samorzutne, spontaniczne przechodzenie od jednego do drugiego stanu równowagi, bez udziału czynników zewnętrznych. Konsekwencją uwzględniania praw zachowania masy i energii oraz entropii w naukach ekonomicznych było wprowadzanie nowych metod i narzędzi, które nazwano analizą energetyczną (Gilliland 1975 i 1978, Gushee 1976, Slesser 1978). Jednym z pierwszych zastosowań było określenie całkowitej ilości energii niezbędnej bezpośrednio i pośrednio do produkcji dóbr i usług, tzw. energii ucieleśnionej (embodied energy). Do jej obliczenia Hannon (1973) oraz Herendeen i Bullard (1974) zaadaptowali stworzoną przez Leontiefa (1941) metodę przepływów międzygałęziowych (Input-Output). Przeprowadzone z jej wykorzystaniem badania (Gever i in. 1986, Hall i in. 1986, Costanza 1978, 1979 i 1980, Kaufmann 1987) wykazały, że pieniężne wartości produkcji determinowane przez rynek były wprost proporcjonalne do wartości energii ucieleśnionej dla całej gospodarki, z wyjątkiem sektorów dostarczających pierwotnych nośników energii. Oznacza to, że fizycznego wymiaru działalności gospodarczej nie da się oddzielić od ograniczeń w podaży energii. Podobne wnioski przedstawiał Slesser (1992), który był pionierem uwzględniania w modelach wzrostu gospodarczego warunków i ograniczeń ekologicznych. W tym celu opracował metodologię ECCO (Evaluation of Capital Creation Options), której głównym miernikiem była ilość zużytej energii z paliw kopalnych. Proponował też wprowadzenie jednolitego systemu podatkowego (Unitax), którego podstawę naliczeń stanowiłaby zużyta energia (Slesser 1989). Jego wprowadzenie przyczyniłoby się do redukcji kosztów pracy, emisji CO2 oraz wyeliminowałoby szereg paradoksów, jak chociażby międzykontynentalny handel biomasą na cele energetyczne (w Polsce jej import w 2013 r. wyniósł 2,9 mln t, o łącznej wartości 1,2 mld zł, w tym ok. 0,5 mln t z Indonezji). W tę dyskusję włączali się także geografowie i historycy gospodarczy (Wrigley 1988, Smil 1994, Allen 2009), uznając kluczową rolę energii w rozwoju gospodarczym, jak również jej wagę w wyjaśnianiu przyczyn i skutków rewolucji przemysłowej. Na przykładzie Wielkiej Brytanii, Holandii i Belgii, państw o najbar- 42 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk dziej rozwiniętych instytucjach i gospodarkach ze względu na dominującą pozycję w światowym handlu u progu rewolucji przemysłowej, dokonali analizy jej przebiegu. W Belgii i Holandii był znacznie wolniejszy z uwagi na ograniczone możliwości dostępu do zasobów energii, głównie drewna. W Wielkiej Brytanii ta przeszkoda została zniwelowana poprzez rozwój eksploatacji węgla kamiennego. Jevons (1886) twierdził, że ówczesna wyższość ekonomiczna Anglii opierała się na zasobnych kopalniach węgla. Według Halla i in. (1986) to przejście z paliw odnawialnych na kopalne było głównym bodźcem rewolucji przemysłowej, ponieważ energia słoneczna jest bardzo rozproszona, a rośliny i pośrednio zwierzęta są mało efektywnymi jej konwerterami. Długofalowy model wykorzystania energii w krajach uprzemysłowionych został więc zdominowany przez substytucję energii z drewna i wody węglem, ropą naftową, gazem ziemnym i energią elektryczną (Hall i in. 1986, Smil 1991). Wskaźnik zwrotu energii z inwestycji (energy return on investment – EROI), który jest miernikiem efektywności pozyskiwania energii w społeczeństwach preindustrialnych, był bardzo niski. Wzrost EROI poprzez przejście z biomasy i innych źródeł energii odnawialnej do paliw kopalnych (rys. 6) przyczynił się do rewolucji przemysłowej i przyśpieszenia wzrostu gospodarczego, który po niej nastąpił (Cleveland i in. 1984, Hall i in. 1986, Murphy i Hall 2010). Od 1850 do 2000 r. wykorzystanie energii na świecie zwiększyło się 20-krotnie, w tym paliw kopalnych ponad 150-krotnie (Holdren 2008). 30000 biliard BTU; Quadrilion BTU 25000 20000 15000 10000 5000 0 1860 1870 1880 1890 1900 1910 192019301940 1950 1960 1970 198019902000 2010 rok; year Nośnik energii; Energy carrier: gaz; natural gas węgiel; coal ropa naftowa; crude oil energia jądrowa; nuclear energy biomasa; biomass energia wodna; hydro energy energia wiatrowa; wind energy energia geotermalna; geothermal energy energia słoneczna; solar energy Rys. 6. Struktura pozyskania energii pierwotnej w USA według jej nośników w latach 1850–2010 The structure of primary energy acquiring in USA according to its carriers 1850–2010 Monografie i Rozprawy Naukowe 43 O znaczącej roli energii świadczą współzależności pomiędzy jej zużyciem a wzrostem gospodarczym. Z przeprowadzonych badań wynika, że występuje istotna pozytywna korelacja między konsumpcją energii a aktywnością gospodarczą mierzoną zarówno w skali makro, jak i mikro (Cleveland i in. 1984 i 2000, Hall i in. 1986, Cleveland i Ruth 1997, Ayres i in. 2003). Również analiza szeregów czasowych świadczy, że energia i PKB są ze sobą skorelowane, a zużycie energii w sensie przyczynowości Grangera (1969) powoduje zwiększenie PKB. Na rysunku 7 przedstawiono ilościowe związki między zużyciem energii a poziomem rozwoju gospodarczego (PKB) per capita w 220 krajach w latach 1980–2003 (Brown i in. 2011). zużycie energii per capita (W·rok-1); energy consumption per capita (W·year-1) y = 4,06 x0,76, r2 = 0,76 10000 1000 100 100 1000 10000 PKB per capita (USD, ceny stałe z 2000 r.); GDP per capita (USD, contant prices from 2000) Rys. 7. Zależności pomiędzy zużyciem energii a PKB per capita w wybranych krajach w latach 1980–2003 (Brown i in. 2011) The relationship between per capita energy use and GDP per capita in the selected countries in the 1980–2003 (Brown et al. 2011) Zależność ta charakteryzowała się wysokim współczynnikiem determinacji (r2 = 0,76) i występowała we wszystkich badanych krajach, pomimo znaczącego zróżnicowania pod względem PKB, jak i konsumpcji energii. Z nachylenia linii regresji wynoszącego 0,76 wynika, że średnie zużycie energii wzrastało wolniej niż PKB; dotyczy to szczególnie państw o innowacyjnych gospodarkach. Dokonując ekstrapolacji trendu, oszacowano zapotrzebowanie na energię w 2050 r., przy założeniu, że poziom jej konsumpcji będzie taki jak w Chinach. Oznaczałoby to ok. 2,5-krotny wzrost w stosunku do 2008 r., przyjęcie standardu USA spowodowałoby ponad 15-krotny wzrost popytu. Wynika to z rosnącego zapotrzebowania na różnorodne dobra i usługi (rys. 8). 44 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Zlogarytmowane zużycie energii per capita (w watach); Logged energy consumption per capita (watts) ślad ekologiczny (ha); ecological footprint 2 3 4 5 1 1,0 r = 0,74 0,5 0,0 0,0 odpady (kg); waste 3,0 1,0 0,5 r = 0,71 3,5 3,0 2,8 0,5 2,6 0,0 2,4 –0,5 3,0 2,5 2,0 1,5 odpady (kg); waste –1 2,6 –2 –2 2,0 –6 –7 r = –0,85 0,0 narodowe ubóstwo; national poverty 2,0 kalorie; calories 3,5 3,4 1,0 3,3 0,5 1 r = 0,79 3,6 1,5 r = –0,64 2 3 4 5 4 3 –3 2 –4 aluminium (tys. t); aluminium (k tons) 0 r = 0,63 –5 r = 082 1 nagrody Nobla na 1 milion; Nobel prizes per million 1 0 –1 –2 –4 r = 0,7 –5 energia elektryczna (kWh); electricity 5 2 r = 0,79 3 4 5 –3 0 3 –1 1 r = 0,75 nagrody Nobla na 1 milion; Nobel prizes per million 1 4 –2 2 3,2 3,1 1 aluminium (tys. t); aluminium (k tons) –3 –5 0,5 3,2 r = 0,59 3,1 energia elektryczna (kWh); electricity 5 r = 0,72 –2 –4 1,0 3,4 3,3 –1 –3 1,5 0 2,8 2,4 1,0 2,2 0,5 r = 0,74 r = 0,77 0,0 2,0 śmiert. niemowląt na 100 tys.; telewizory na 1000; TVa per 1000 infant mortality per 100k 2,5 –1 3,6 r = –0,41 kalorie; calories 3,5 1,0 0,5 0,0 r = 0,67 2,0 lekarze na 100 tys.; doctors per 100k 0,5 telewizory na 1000; TVs per 1000 2,5 2,0 1,5 2,2 r = 0,85 1,0 r = –0,65 Zlogarytmowane zmienne per capita; Logged variables per capita ślad ekologiczny (ha); ecological footprint 1,5 1,0 1,0 –0,5 śmiert. niemowląt na 100 tys.; narodowe ubóstwo; infant mortality per 100k national poverty 1 2 3 4 5 1 2 3 4 5 2,5 2,0 2,0 1,5 1,5 0,0 3,0 lekarze na 100 tys.; doctor per 100k 2 3 4 5 2,0 0,5 Zlogarytmowane zmienne per capita; Logged variables per capita 1 3,0 2,5 r = 087 1 2 3 4 5 –3 1 r = 0,73 2 3 4 5 Zlogarytmowane PKB per capita; Logged GDP per capita Rys. 8. Zmienne odzwierciedlające stan społeczno-gospodarczy i poziom życia w zależności od konsumpcji energii (Brown i in. 2011) Variables reflecting socioeconomic status and standard of living, depending on the energy consumption (Brown et al. 2011) Przejście z paliw odnawialnych na kopalne było możliwe dzięki innowacjom, początkowo w technologie węglowe, a od początku XX w. także węglowodorowe (Nordhaus 1973, Durlauf i in. 2004). Obecnie można wyróżnić dwie teorie głównego nurtu, które wyjaśniają procesy wzrostu gospodarczego zarówno w okresie przedindustrialnym, jaki i industrialnym oraz przyczyny rewolucji przemysłowej. Do pierwszej grupy należą teorie wzrostu endogeniczne Galor i Weila (2000) oraz Lucasa (2002). Teorie te identyfikują główne czynniki gospodarcze (postęp technologiczny, populację ludności oraz jakość zasobów pracy), które doprowadziły do Monografie i Rozprawy Naukowe 45 wyjątkowego w ciągu ostatnich dwóch stuleci przejścia od epoki stagnacji gospodarczej do trwałego wzrostu gospodarczego. Uwypuklają ich rolę w zrozumieniu współczesnych procesów wzrostu gospodarczego zarówno w rozwiniętych, jak i rozwijających się krajach. Drugi kierunek, reprezentowany przez model Hansena i Prescotta (2002), uwzględnia egzogeniczny wpływ postępu technicznego. Autorzy wyodrębnili dwa sektory: tradycyjny – uwzględniający nakłady ziemi, charakteryzujący się malejącymi zwrotami z połączenia pracy i kapitału oraz nowoczesny (Sektor Solowa) – nieuwzględniający ziemi, mający stałe zwroty z połączenia kapitału i pracy. Przejście rozpoczyna się, gdy zmiany techniczne sprawiają, że funkcjonowanie nowoczesnej technologii staje się dochodowe. Z biegiem czasu nowoczesny sektor rośnie, a sektor tradycyjny kurczy się w tempie, w jakim postęp technologiczny coraz bardziej zmniejsza koszty produkcji w sektorze nowoczesnym. Choć Hansen i Prescott nie uwzględnili energii w modelu, to w jego opisie eksponowali jej źródła w obu sektorach. Jednym z pierwszych ekonomistów, który za nieuwzględnienie zasobów naturalnych i energii poddał w wątpliwość tradycyjną dwuskładnikową funkcję produkcji był Slesser (1978). Zaproponował poszerzenie tradycyjnej funkcji produkcji o nakłady materiałowe (M) oraz energię (E): Y = f(K, L, M, E), gdzie: K – kapitał, L – zasób pracy. Wszystkie wymienione czynniki są od siebie zależne, ale największy wkład w system gospodarczy według Slessera wnoszą energia i zasób pracy. Zasób pracy jest ciągle odtwarzany, a nawet zwiększa swoje możliwości pod wpływem nowych technologii. Natomiast energia powinna być rozpatrywana jako zasób bezpośrednio używany w procesie produkcji (E) lub pośrednio do wytwarzania innych czynników produkcji (E’). W związku z tym funkcję produkcji można opisać następującym wzorem: Y = f(E, E’, L, L’), gdzie: L – zasób pracy odpowiadający za podejmowanie decyzji, L’ – zasób tradycyjnie zaangażowany. W literaturze polskiej takim przykładem jest czteroczynnikowa funkcja produkcji przedstawiona przez Fiedora i in. (1995). Wzrost gospodarczy wyjaśniany jest kapitałem (K) traktowanym jako homogeniczny wewnątrz poszczególnych roczników, zasobem siły roboczej bezpośrednio związanym z populacją (L) oraz energią 46 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk określoną jako relację między zasobem a strumieniem (R). Kapitał, wiedza technologiczna oraz energia traktowane są w tym modelu jako zasoby negentropii, czyli czynniki produkcji przyczyniające się do zmniejszenia entropii. Jest to możliwe tylko przez odpowiedni wzrost entropii w otoczeniu systemu. Funkcja produkcji uwzględniająca powyższe czynniki przyjmuje postać: Q = F (K, L, R) gdzie: F – miara ilości użytecznej energii ucieleśnionej w dochodzie narodowym. Podobnie postąpił Stern (2011), który zaproponował integrację różnych podejść do wyjaśnienia wpływu energii na wzrost gospodarczy. W tym celu zmodyfikował model wzrostu Solowa (1956), dodając wartość nakładów energii. Uzasadniał to Resztą Solowa, czyli tą częścią wzrostu PKB, która jest powodowana innymi czynnikami niż uwzględnione w modelu. Tradycyjnie przyjmuje się, że odzwierciedla ona wpływ nieucieleśnionego postępu technicznego, nazywana też całkowitym wzrostem produktywności czynników produkcji (total factor productivity – TPF). Ta różnica w stopie wzrostu produkcji niewyjaśniona przez stopy wzrostu zaangażowanych czynników produkcji, czyli postęp techniczny, jest – jak sądzą Vaizey (1964) oraz Rembisz i Floriańczyk (2014) – wyrazem ignorancji, bo nie jesteśmy w stanie objaśnić mechanizmu jej powstania. W literaturze najczęściej wzrost ten przypisuje się poprawie jakości czynników, kulturze organizacyjnej itp. Nie jest to jednak jednoznacznie określone czy to wynik postępu technicznego, czy technologicznego rozumianego jako zmiana krzywej produkcji w następstwie innowacji (Schumpeter 1935). Podobnie czynili to już Mankiw i in. (1992), wykorzystując rozszerzony model Solowa do wyjaśnienia różnic w poziomie dochodów między krajami oraz zjawiska konwergencji warunkowej. Model Sterna składa się z dwóch równań, pierwsze (1) zostało wyrażone za pomocą funkcji produkcji Cobba-Douglasa o stałej elastyczności substytucji (Constant Elasticity of Substitution – CES): Y=[(1- γ)(ALβLβK1-β)φ + γ(AEE)φ]1/φ (1) Równanie (2) przedstawia przepływy kapitału: ΔK = s(Y – pEE) – δK gdzie: Y – produkcja, L – zasoby pracy, K – zasoby kapitału, E – zasoby energii, pE – cena energii, AL i AE – postęp techniczny i jakość zasobów energii, γ – względny udział energii w produkcji, β – elastyczność produkcji względem kapitału, zasobów pracy i postępu tech., (2) Monografie i Rozprawy Naukowe 47 δ – elastyczność produkcji względem energii, φ – elastyczność substytucji energii względem zagregowanej wartości dodanej δ–1 φ = —— δ . Stern zakłada (podobnie jak Solow), że część produkcji brutto przeznaczona jest na akumulację kapitału s (stopa oszczędności), który deprecjonuje się według stałej stopy równej δ. Przy takiej funkcji produkcji zmieniają się wagi czynników wzrostu. Następuje substytucja nie tylko w relacji czynnik kapitału i pracy, ale także w relacjach między tymi czynnikami a energią. Wpływa to na relacje pomiędzy produktywnością tych czynników oraz między ich stopami zmian jako źródłami wzrostu gospodarczego. Przy σ > 1 i γ > 0 mamy szczególny przypadek modelu Solowa, w którym w stanie równowagi K i Y rosną w tempie poprawy produktywności pracy wynikającej z postępu technologicznego. Przy danej elastyczności substytucji, gdy energia jest w nadmiarze, zasoby kapitału oraz produkt w stanie równowagi zależą, oprócz czynnika skali, od funkcji tych samych czynników, czyli stopy oszczędności, poziomu efektywnej technologii pracy oraz odwrotnie od stopy deprecjacji. Jeżeli natomiast energia jest dobrem relatywnie rzadkim, stan równowagi zależy od podaży energii oraz poziomu efektywności jej wykorzystania (Stern i Kander 2010). W związku z tym, w erze przedindustrialnej, kiedy energia była dobrem rzadkim wielkość produktu w stanie równowagi zależała od umiejętności jej konwersji. Po rewolucji przemysłowej, w miarę jak energia stawała się coraz bardziej dostępna, zależności pomiędzy wzrostem gospodarczym a tymi czynnikami produkcji w długim okresie były zbliżone do opisu przedstawionego w modelu Solowa. Ponadto udział kosztów energii w całkowitych kosztach maleje wraz z czasem, więcej zasobów pracy może być wykorzystanych do wytworzenia finalnego produktu, powodując wzrost stopy wzrostu PKB na godzinę pracy. Również Ayres i Warr (2005) uważają, że historyczne spadki poziomu cen energii są głównymi czynnikami wzrostu gospodarczego. Substytucja między kapitałem a zasobami oraz postępem technologicznym może odgrywać jedynie ograniczoną rolę w łagodzeniu niedoborów zasobów (Stern 1997a). W literaturze wyróżnia się najczęściej trzy przyczyny tych ograniczeń: termodynamiczne (Dasgupta i Heal 1979, Islam 1985, Ruth 1993), materiałowe (Daly 1991) i fizyczne (Georgescu-Roegen 1979, Cleveland i in. 1984, Ayres i Nair 1984, Kaufmann 1992, Daly 1997, Stern 1997a). Również Cleveland i in. (1984) oraz Hall i in. (1986 i 2003) umniejszają rolę zmian technologicznych, argumentując to tym, że innowacje zwiększają wydajność, ale wzmagają zapotrzebowanie na energię. Do takich wniosków doszedł Jevons (1886), ponieważ bardziej efektywne wykorzystywanie węgla prowadzi – wbrew temu, czego można by się spodziewać – jedynie do zwiększonego popytu na ten surowiec. Wraz ze wzrostem wydajności następuje bowiem dalsza ekspansja ekonomiczna „To wielkie nieporozumienie przypuszczać, że oszczędne wykorzystywanie paliwa równa się jego zmniejszonemu zużyciu. Jest wprost odwrotnie. Nowe, bardziej ekonomiczne sposoby gospodarowania prowadzą 48 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk do zwiększonego zużycia danego zasobu. Pokazują to doświadczenia z wielu podobnych przypadków. […] Tym bardziej tyczy się to tak powszechnie wykorzystywanego surowca jak węgiel. To właśnie bardziej efektywne gospodarowanie węglem prowadzi do jego zwiększonego zużycia”. Z przeprowadzonych badań wynika również, że przy ograniczonej podaży surowców energetycznych gwałtownie spada stopa zwrotu z zaangażowanego kapitału. Spadek EROI zagrozić może nie tylko wzrostowi, ale także poziomowi produkcji gospodarki, a tym samym trwałości wzrostu. Murphy i Hall (2010), dokumentując EROI dla wielu źródeł energii, potwierdzają, że zmniejsza się on z upływem czasu. Energia wiatru i bezpośrednia energia słońca mają korzystniejsze EROI niż paliwa z biomasy, ale gorsze wskaźniki niż większość paliw kopalnych. Jednakże, w przeciwieństwie do paliw kopalnych, EROI tych źródeł energii zazwyczaj poprawia się wraz z postępem technicznym (Kubiszewski i in. 2010). Slesser (1992) stawia pytanie „Czy jest wystarczająco dużo czasu na transformację do systemu zasilanego odnawialnymi źródłami energii przed nadejściem kryzysu?‟. 4. ZASOBY ENERGII W PERSPEKTYWIE EKONOMICZNEJ 4.1. ZASOBY, NOŚNIKI I PRZEMIANY ENERGII W PRZYRODZIE Pojęcie zasobów jest bardzo pojemne i niejednoznaczne. Według Wosia (1995) można je definiować tylko w ramach danej techniki. Zasoby uprzednio bezużyteczne lub niedostępne, dzięki postępowi nauki i techniki stają się powszechnie używanymi surowcami (Barnett i Morse 1968). Zimmerman (1951) ujął to następująco: „Zasoby naturalne to pojęcia wysoce dynamiczne i funkcjonalne; one nie są, lecz stają się, rozwijają się pod jednoczesnym działaniem trzech czynników: natury, człowieka i kultury, przy czym natura wyznacza granice zewnętrzne tego działania, człowiek zaś i kultura w znacznej mierze odpowiadają za tę część fizycznej całości, która została udostępniona do użytku człowieka. […] W tej nie dającej się rozwikłać pajęczynie sił i warunków człowiek zjawia się jako czynnik odpowiedzialny. Problem wystarczających zasobów dla czasów przyszłych będzie zależał od mądrości ludzkiej bardziej niż od granic wyznaczonych przez naturę”. Współcześnie najczęściej podaje się, że „zasoby naturalne to bogactwa mineralne (minerały, gleby, wody, powietrze, roślinność i zwierzęta), siły przyrody oraz walory środowiska, decydujące o jakości życia człowieka (przestrzeń geograficzna, piękno krajobrazu, mikroklimat)” (Jakubczyk 1993) lub „dane pierwotnie przez Naturę dobra materialne i związane z nimi użyteczności, które stają się obiektem gospodarowania” (Woś 1995). W literaturze w zależności od przyjętego kryterium wyróżnia się wiele sposobów ich klasyfikacji (Kuciński 1994). Dembowski (1989) zaproponował podział na materię (tworzywo konstrukcyjne w procesach produkcyjnych, 49 Monografie i Rozprawy Naukowe biologicznych, chemicznych) i energię (siła motoryczna tych procesów), ponieważ odgrywają one odmienne role w funkcjonowaniu świata. Podstawowa trudność w wymodelowaniu tych funkcji polega na tym, że materialne nośniki energii mogą spełniać obie te funkcje jednocześnie. Posługując się nomenklaturą stosowaną w ekonomice zasobów, zasoby naturalne, w tym także energetyczne, można klasyfikować (rys. 9) ze względu na rodzaj procesów w nich zachodzących (I), miejsce występowania (II), ruchliwość (III), dostępność (IV), stopień rozpoznania (V), odnawialność (VI), cykl reprodukcji (VII) oraz obfitość (VIII) (Jakubczyk 1993). Zasoby; Resourcers biotyczne; biotic I II atmosfery; atmosphere V zidentyfikowane; identified rezerwa potencjalna; reserve potential wymierzone; targeted rozpoznane; recognized odnawialne; renewable wspólne; common VIII litosfery; lithosphere posiadające właściciela; owner having geologiczny; sekularny; geological secular kosmosfery; cosmosphere stabilne; stable rezerwa bieżąca; current reserve VI VII hydrosfery; hydrosphere labilne; labile III IV abiotyczne; abiotic wieloletni; long-term wolne; free zapas surowcowy; supply of raw materials nieodkryte; unexplored spekulatywne; speculative nieodnawialne (wyczerpywalne); non-renewable podlegające recyklingowi; recyclable niepodlegające recyklingowi; not recyclable roczny; annual krótkookresowy; short-term sezonowy; seasonal ograniczone; limited Rys. 9. Klasyfikacja zasobów naturalnych (Jakubczyk 1993) Classification of natural resources (Jakubczyk 1993) Z punktu widzenia ekonomii za najważniejszą uznaje się odnawialność. Kuuluvainen i Tahvonen (1996) taki podział uważają za umowny, ponieważ wszyst- 50 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk kie zasoby odnawiają się w tym sensie, że są częścią naturalnych cykli przyrodniczych (biologicznych, geologicznych, hydrologicznych itp.). Proces odnowienia może mieć bardzo różny horyzont czasowy. Cykle te jednak w przypadku zasobów uznawanych za nieodnawialne, z punktu widzenia życia człowieka odnawiają się w tempie bliskim zeru. W naszych rozważaniach można więc przyjąć, że główną cechą zasobów odnawialnych jest to, że ich użycie nie wpływa na ilość, która może być wykorzystana w przyszłości, pod warunkiem, że korzysta się z nich racjonalnie, nie naruszając równowagi środowiska (Woś 1995). Na rysunku 10 przedstawiono klasyfikację zasobów energii według kryterium odnawialności i pochodzenia. ZASOBY ENERGII; ENERGY RESOURCES nieodnawialne; non-renewable odnawialne; renewable nieorganiczne; inorganic energia słoneczna; solar energy energia wiatru; wind energy energia wód lądowych; energy inland waters energia geotermalna; geothermal energy energia wód morskich; ocean energy cieplna; thermal nieorganiczne; inorganic organiczne; organic siła mięśni ludzi i zwierząt; human and animal muscle power paliwa pochodzenia roślinnego; plant origin fuels paliwa pochodzenia zwierzęcego; animal origin fuels minerały; minerals rozszczepienie; fission kinetyczna; kinetic energia pływów; tidal energy synteza; synthesis organiczne; organic stałe: węgiel, torf; solid: coal, peat płynne: ropa naftowa; liquid: crude oil gazowe: gaz ziemny; gaseous: natural gas łupki i piaski bitumiczne; shale and tar sands energia falowania; wave energy Rys. 10. Klasyfikacja zasobów energii według kryterium odnawialności i źródeł pochodzenia Classification of energy resources according to the criterion of renewability and sources of origin Z wyjątkiem energii przypływów i odpływów mórz – 85,15 EJ·a-1, które powodowane są oddziaływaniem grawitacyjnym, głównie Księżyca oraz energii wnętrza Ziemi – 672 EJ·a-1, wszystkie pozostałe jej źródła biorą początek z pochłoniętego promieniowania słonecznego – 3,93·106 EJ·a-1 (rys. 11) (Odum 1996). Dopływająca do geobiosfery energia słoneczna umożliwia przebieg procesów hydrologicznych, Monografie i Rozprawy Naukowe 51 biologicznych, chemicznych i fizycznych, w wyniku których przetwarzana jest na energię cieplną, wodną, wiatrową oraz biomasę. Również kopalne paliwa węglowodorowe są wynikiem oddziaływania słońca, ponieważ powstały z powolnej przemiany biomasy pod ciśnieniem i przy wysokiej temperaturze. Wiek tych paliw zawiera się w przedziale od przynajmniej kilku tysięcy lat dla młodych pokładów torfu do setek milionów lat dla węgla kamiennego. wnętrze Ziemi; interior of Earth słońce, księżyc; sun, moon energia przypływów; tidal energy atmosfera; atmosphere energia słoneczna; solar energy ciepło; heat ciepło; heat deszcz; rain litosfera; lithosphere paliwa kopalne, minerały; fuels, minerals zasoby nieodnawialne; non-renewable uses cywilizacja; civilization ocean; ocean Rys. 11. Źródła i sieć transformacji energii w systemie geobiosfery (Odum i in. 2000) Sources and transformation network of energy in the system of geo-biosphere (Odum et al. 2000) Tylko niewielka część dostępnej energii wykorzystywana jest w sposób bezpośredni; Dembowski (1989) nazywa ją energią czystą. W praktyce ogranicza się to do naturalnego suszenia produktów rolnych (siano, owoce, mięso), runa leśnego oraz otrzymywania soli przez odparowanie wody morskiej. Natomiast w większości podlega przemianom energetycznym polegającym na przetwarzaniu energii z jednej postaci na inną (tab. 3) lub na zmianie parametrów nośników energii (np. w wymiennikach ciepła, transformatorach). W literaturze wymienia się zwykle sześć jej postaci: chemiczną, cieplną, elektromagnetyczną, jądrową, mechaniczną i promieniowania (Katscher 1976, Smil 1994, Marecki 1995). Jądrowa; Nuclear Promieniowania; Radiation Elektryczno-magnetyczna; Electromagnetic Chemiczna; Chemical Cieplna; Thermal Kinetyczna; Kinetic Rodzaje energii fala uderzeniowa; shock wave dysocjacja przez radiolizę; dissociation by radiolysis zjawisko Comptona; Compton scattering przyśpieszacz ładunków; accelerating charges fotografia; photography reakcje chemiczne; chemical processes spalanie; combustion metabolizm; metabolism Chemiczna; Chemical reaktory atomowe; nuclear reactors radiacja termiczna; chemiluminescencja; thermal radiation chemiluminescence napromieniowanie; irradiation spalanie; combustion wymiana cieplna; heat exchange rozszerzalność cieplna; thermal expansion maszyny proste, dźwięk; simple machines, sound tarcie; friction Cieplna; Thermal Kinetyczna; Kinetic transformator; transformer promieniowanie gamma; Gamma radiation promieniowanie słoneczne; sunlight fotokomórka; photocell fotosynteza; photosynthesis termoelektryczność; thermoelectricity piezoelektryczność; piezoelectricity Elektryczno-magnetyczna; Electromagnetic fale radiowe; radio waves fluorescencja; fluorescence luminescencja; luminescence żarówki; light bulbs tryboluminescencja; triboluminescence Promieniowania; Radiation Matryca konwersji energii (opracowanie własne na podstawie: Smil 1994, Katscher 1976) Matrix of energy conversions (own study based on: Smil 1994, Katscher 1976) synteza jądrowa; nuclear synthesis bomba jądrowa; nuclear bomb rozszczepienie, synteza; fission, fusion radioaktywność; radioactivity Jądrowa; Nuclear Tabela 3 52 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Monografie i Rozprawy Naukowe 53 Poszczególne rodzaje energii mogą przyjmować formę nośników, które w metodyce sprawozdawczości GUS (Zasady... 2006) zostały zdefiniowane jako wyroby uczestniczące bezpośrednio lub pośrednio w procesach przekazywania różnych postaci energii ze źródeł jej pozyskiwania do sfery użytkowania. Nośniki energii pozyskiwane bezpośrednio z zasobów naturalnych odnawialnych i nieodnawialnych nazywane są pierwotnymi, a suma energii (Dz.U. nr 94, poz. 551, 2011) w nich zawarta, która nie podlegała jakiejkolwiek formie przetworzenia „energią pierwotną”. Natomiast nośniki otrzymywane w wyniku konwersji lub transformacji nośników energii pierwotnej lub innej wtórnej w bardziej dogodną formę z punktu widzenia użytkownika (Ciechanowicz 1997) nazywane są wtórnymi, a energię otrzymaną z ich przemian określa się jako wtórną (rys. 12). W zależności od sposobu wykorzystania danej postaci energii w gospodarce energetycznej wyróżnia się jej następujące rodzaje: bezpośrednią i użytkową. Bezpośrednia, zwana też finalną, to energia lub paliwa zużyte przez odbiorcę końcowego (Dz.U. nr 94, poz. 551, 2011). Przy czym przez końcowe zużycie energii należy rozumieć – nośniki energii dostarczone do celów energetycznych łącznie ze stratami energii elektrycznej i ciepła powstającymi podczas ich przesyłania lub dystrybucji (Dz.U. poz 348, 1997). Na tej podstawie można wnosić, że energia bezpośrednia to energia pierwotna pomniejszona o sumę strat powstających w toku przemian energetycznych i przesyłania jej do miejsca przeznaczenia i może być determinowana techniką i technologią. Umiejętność korzystania z różnych nośników i form energii jest traktowana jako kryterium sprawności i efektywności gospodarowania oraz determinanta wzrostu i rozwoju społeczno-gospodarczego. Ciechanowicz (1997) poszukiwanie możliwie najkorzystniejszych rozwiązań problemów dotyczących gospodarowania energią i związaną z jej użytkowaniem ochroną środowiska w różnych skalach czasowych nazywa ekonomią energii. Swoim zakresem obejmuje między innymi takie zagadnienia, jak: wyczerpywanie się zasobów paliw kopalnych, przeciwdziałanie zmianom klimatycznym, wykorzystanie odnawialnych źródeł energii i efektywność energetyczna. Wszystkie te czynniki wywierają znaczący wpływ na poziom, strukturę i przestrzenne zróżnicowanie pozyskania i zużycia energii. W ciągu ostatnich 50 lat nastąpił ponad trzykrotny wzrost rocznego zużycia energii pierwotnej z 4094,9 toe w 1965 r. do 13646 toe w 2013 r. (tab. 4), przy czym jego dynamika była zróżnicowana. Najwyższa była w latach 1965–1980 i zawierała się w granicach od 3 do ponad 6%, a od 2000 r. tempo wzrostu wynosiło ok. 2% rocznie. Pozyskiwanie; Obtains Przenoszenie i przesyłanie; Transfer and transmission Przetwarzanie; Processing wodne; geotermiczne; biomasy; hydro geothermal biomass wiatru; wind Słońca; Solar Energia wtórna; Secondary energy para; vapour stałe; solid ciepłownie; heating plants woda; water gaz ziemny; natural gas stałe; solid ciekłe; liquid gazowe; gas paliwa wtórne; secondary fuels brykietownie, rafinerie; gazownie; koksownie; peletownie; refineries gas-works cokings briquetting, pelleting ropa naftowa; crude oil ciekłe; liquid gazowe; gas pierwotne organiczne; organic primary węgiel węgiel biokamienny; brunatny; masa; coal lignite biomass energia cieplna; thermal energy elektrociepłownie; thermal-electric power station uran; uranium jądrowe; nuclear Zasoby nieodnawialne; Non-renewable resources Rys. 12. Schemat przemian energii (opracowanie własne na podstawie: Mejro 1980, Marecki 1995) Schematic energy conversion (own study based on: Mejro 1980, Marecki 1995) energia elektryczna; electric energy Przetwórnie elektrownie elektrownie elektrownie elektrownie wodne; energii; cieplne; wiatrowe; fotowoltaiczne; hydro Energie photovoltaic thermal power wind electric lants turbines factories plants stations Energia pierwotna; Primary energy Energia pierwotna; Primary energy Źródła energii; Energy source Zasoby odnawialne; Renewable resources 54 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 4094,9 5372,0 6264,0 7206,9 7797,6 8829,1 9256,0 10034,0 11223,3 11433,9 11740,0 12029,7 12267,4 12150,2 12717,2 13101,0 13371,0 13634,0 1970 1975 1980 1985 1990 1995 2000 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 mtoe 1965 Rok; Year 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 % Energia pierwotna; Total primary energy 3881,4 3878,5 3767,8 3475,8 3299,5 3314,2 3186,3 3053,5 2892,1 2775,7 2342,9 2236,1 2214,6 2072,1 1805,8 1591,7 1504,9 1431,7 mtoe % 28,47 29,01 28,76 27,33 27,16 27,02 26,49 26,01 25,29 24,73 23,35 24,16 25,08 26,57 25,06 25,41 28,01 34,96 Węgiel; Coal 4196,0 4204,1 4036,0 4107,5 3987,5 4059,1 4090,4 4028,8 4002,0 3954,6 3583,7 3293,4 3162,5 2817,0 2975,3 2692,6 2257,2 1529,7 mtoe 30,78 31,44 30,81 32,30 32,82 33,09 34,00 34,32 35,00 35,24 35,72 35,58 35,82 36,13 41,28 42,98 42,02 37,36 % Ropa naftowa; Crude oil 3020,4 2843,6 2914,7 2727,6 2540,2 2591,1 2519,9 2407,8 2361,5 2307,0 2177,0 1924,9 1769,5 1484,9 1293,9 1064,0 892,0 588,0 mtoe 22,15 21,27 22,25 21,45 20,91 21,12 20,95 20,51 20,65 20,56 21,70 20,80 20,04 19,04 17,95 16,99 16,61 14,36 % Gaz ziemny; Natural gas 645,9 642,1 680,6 719,0 703,3 712,2 709,1 728,4 721,8 714,1 584,3 525,9 453,1 335,3 161,0 82,4 17,5 5,8 mtoe 4,74 4,80 5,20 5,65 5,79 5,81 5,89 6,20 6,31 6,36 5,82 5,68 5,13 4,30 2,23 1,32 0,33 0,14 % Energia jądrowa; Nuclear energy 1890,3 1802,7 1701,9 1687,3 1619,7 1590,8 1524,0 1521,5 1456,5 1471,9 1346,1 1275,7 1229,4 1088,3 970,9 833,3 700,4 539,7 mtoe 13,86 13,48 12,99 13,27 13,33 12,97 12,67 12,96 12,74 13,11 13,42 13,78 13,92 13,96 13,47 13,30 13,04 13,18 % OZE (odnawialne źródła energii); RES (renewable energy sources) Struktura pozyskania energii pierwotnej w latach 1965–2013 (opracowanie własne na podstawie: Key Word EnergyStatistic 2014) Share of total primary energy supply in 1965–2013 (own study based on: Key Word Energy Statistic 2014) Tabela 4 Monografie i Rozprawy Naukowe 55 56 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Zmianom ulegała także struktura zużycia poszczególnych paliw. W okresie 1965–2013 dominującym źródłem energii była ropa naftowa, ale jej udział po wzroście do 42,98% w 1975 r. stopniowo spadał i w 2013 r. wyniósł 30,78%. Podobną tendencją charakteryzowało się wykorzystanie energii jądrowej, po znaczącym zwiększeniu jej potencjału, od 2004 r. jej udział systematycznie zmniejszał się. Odmiennie od energii jądrowej kształtował się udział węgla, który w początkowym okresie ulegał redukcji, by w 2011 r. osiągnąć poziom z 1970 r. Wynika to ze stabilności cen tego surowca, a także największych rezerw udokumentowanych i rozpoznanych jako możliwe do pozyskania w przyszłości przy obecnych oraz przewidywanych warunkach techniczno-ekonomicznych (rys. 13). Od 2007 r. znacząco powyżej średniej wzrastała dynamika pozyskiwania energii ze źródeł odnawialnych. 400 lata; years 300 200 100 0 OECD; OECD Paliwo kopalne; Fossil fuel: poza OECD; non-OECD Unia Europejska; European Union ropa naftowa; oil były ZSRR; former Soviet Union gaz ziemny; natural gas świat; world węgiel; coal Rys. 13. Wskaźniki rezerw paliw kopalnych (R/P) według stanu na koniec 2013 r. (BP Statistical...2014) Fossil fuel reserves-to-production (R/P) ratios according to the state on the end of 2013 (BP Statistical...2014) Jednym z największych dylematów naszej cywilizacji są bardzo duże różnice w zużyciu energii per capita pomiędzy krajami rozwiniętymi a rozwijającymi się (rys. 14). W krańcowych przypadkach wskaźniki te w najbiedniejszych krajach (Bangladesz, Etiopia, Jemen, Senegal) są nawet kilkadziesiąt razy niższe od zużycia krajów wysoko rozwiniętych (USA, Kanada, Szwecja). Głównymi przyczynami takiej sytuacji są: poziom rozwoju gospodarczego i dostęp do zasobów energetycznych. Monografie i Rozprawy Naukowe 57 Zużycie energii (toe); Energy consumption (toe): 0–1,5 1,5–3,0 3,0–4,5 4,5–6,0 >6,0 Rys. 14. Zużycie energii pierwotnej na 1 mieszkańca (BP Statistical...2014) Primary energy consumption per capita 2013 (BP Statistical...2014) Według najbardziej prawdopodobnego scenariusza (Current Policies) opracowywanego przez IEA (2014) globalne zapotrzebowanie na energię pierwotną do 2035 r. wzrośnie o ok. 30% w stosunku do 2011 r. Ponad 90% wzrostu tego zapotrzebowania przypadnie na kraje azjatyckie i Bliski Wschód, a najwyższą dynamiką charakteryzować się będzie podaż energii z odnawialnych źródeł i w stosunku do roku bazowego wyniesie 77%. 4.2. ODNAWIALNE ŹRÓDŁA ENERGII Zmniejszanie udziału tradycyjnych, kopalnych nośników energii jest charakterystyczną cechą współczesnej polityki energetycznej w krajach rozwiniętych. Ich miejsce zajmują „odnawialne źródła energii – odnawialne, niekopalne źródła energii obejmujące energię wiatru, energię promieniowania słonecznego, energię aerotermalną, energię geotermalną, energię hydrotermalną, hydroenergię, energię fal, prą-dów i pływów morskich, energię otrzymywaną z biomasy, biogazu, biogazu rolniczego oraz z biopłynów” (Dz.U. poz. 478, art. 2, pkt 22, 2015). Do najczęściej wymienianych zalet OZE należą: znacznie mniejszy zakres oddziaływania na środowisko przyrodnicze i zwiększenie dywersyfikacji zaopatrzenia 58 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk w energię, co sprzyja wzrostowi konkurencji oraz poprawia bezpieczeństwo energetyczne (Czaja i Becla 2002). Kłos (2012) do potencjalnych korzyści zalicza także: − zmniejszenie skutków dużych awarii elektrowni systemowych; − tworzenie i rozwój lokalnych rynków energii; − ograniczenie strat mocy czynnej i biernej na przesył i dystrybucję (źródło zainstalowane blisko odbiorcy); − poprawę parametrów jakościowych energii elektrycznej i wynikającą z tego poprawę obsługi odbiorców końcowych; − uniknięcie lub odsunięcie w czasie modernizacji bądź rozbudowy linii elektroenergetycznych WN i NN; − zacieśnianie więzi pomiędzy nauką a przemysłem – różnorodność techniczna powinna przełożyć się na potrzebę opracowywania i wdrażania innowacyjnych rozwiązań technologicznych i kształcenie w tej dziedzinie nowoczesnej, wszechstronnej kadry inżynierskiej (transfer technologii i wiedzy); − stymulację nowej gałęzi gospodarki (mikrosieci elektroenergetyczne wraz z zapleczem organizacyjno-technicznym); − aktywny udział odbiorcy w rynku energii. Odnawialne źródła energii z zasady poprawiają bezpieczeństwo energetyczne. Przede wszystkim uniezależniają odbiorców od importu – co szczególnie ważne – z regionów niestabilnych politycznie. Ponadto z racji rozproszenia utrudniają ewentualną zmowę i próby manipulowania podażą w celu szantażowania odbiorców. Eksploatacja niezależnych źródeł mocy przynosi korzyści zarówno ich użytkownikom, jak i zakładom energetycznym. Rozmieszczenie rozproszonych źródeł w pobliżu odbiorców zmniejsza straty przesyłu, obniża koszty dostawy energii, ogranicza bądź odracza potrzeby rozbudowy sieci, a także redukuje ewentualne deficyty mocy w szczycie energetycznym. Natomiast odbiorca zasilany z niezależnego źródła uzyskuje obniżenie kosztów pobieranej energii z jednoczesną poprawą jej jakości i niezawodności dostawy. Dodatkowe korzyści ekonomiczne występują przy skojarzonym wytwarzaniu energii elektrycznej i cieplnej oraz sprzedaży nadwyżek energii do sieci. Mimo iż niejednokrotnie niezależne elektrownie korzystają z miejscowego, łatwo dostępnego i taniego paliwa, to nie są nadal konkurencyjne ekonomicznie dla wielkich wytwórców energii elektrycznej lub cieplnej. Niemniej jednak coraz częściej wyżej wymienione korzyści i zalety zdecentralizowanej energetyki przesądzają o jej wyborze przez potencjalnych inwestorów i użytkowników. Trend ten ujawnia się z narastającą siłą nawet na zliberalizowanym amerykańskim rynku energetycznym (Smith 2002). Ze struktury pozyskania energii ze źródeł odnawialnych wynika, że dotychczas największe znaczenie miała biomasa wykorzystywana głównie w ciepłownictwie, elektroenergetyce, biogazowniach oraz do wytwarzania biopaliw (tab. 5). 59 Monografie i Rozprawy Naukowe Tabela 5 Struktura pozyskania energii ze źródeł odnawialnych w latach 1965–2013 (opracowanie własne na podstawie: Key World... 2014) Share of energy production from renewable sources in 1965–2013 (own study based on: Key World... 2014) Rok; Year 1965 1970 1975 1980 1985 1990 1995 2000 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 OZE; RES mtoe 539,7 700,4 833,3 970,9 1088,3 1229,4 1275,7 1346,1 1471,9 1456’5 1521,5 1524,0 1590,8 1619,7 1687,3 1701,9 1802,7 1890,3 % 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 Biomasa; Biomass mtoe % 459,1 85,07 596,9 85,22 705,5 84,66 818,1 84,26 905,5 83,20 1014,5 82,52 1024,2 80,29 1065,2 79,13 1173 79,69 1146,7 78,73 1184,9 77,88 1176,4 77,19 1224,8 76,99 1237,7 76,42 1278 75,74 1310,9 77,03 1343,7 74,54 1395,7 73,83 Energia wodna; Hydro energy mtoe % 79,5 14,73 101,1 14,43 123,6 14,83 146 15,04 170,5 15,67 186,3 15,15 214,1 16,78 229,1 17,02 241,5 16,41 251,3 17,25 261,1 17,16 264,7 17,37 275,9 17,34 279,6 17,26 295,6 17,52 305,7 17,96 315,8 17,52 324,2 17,15 Pozostałe; Others mtoe % 1,1 0,20 2,4 0,34 4,2 0,50 6,8 0,70 12,3 1,13 28,6 2,33 37,4 2,93 51,8 3,85 57,4 3,90 58,5 4,02 75,5 4,96 82,9 5,44 90,1 5,66 102,4 6,32 113,7 6,74 128,5 7,55 143,2 7,94 170,4 9,01 W badanym okresie udział biomasy zmniejszał się, a coraz większego znaczenia nabierała energia wiatrowa i słoneczna (tab. 6). Głównym powodem było subsydiowanie rozwoju tego sektora energetycznego oraz coraz niższe koszty i wyższa efektywność energetyczna instalacji fotowoltaicznych i solarnych (rys. 15). W Polsce tylko w 2013 r. w stosunku do roku poprzedniego ceny hurtowe paneli monokrystalicznych były niższe o 25, a polikrystalicznych o 38% (Rosołek i in. 2013). Tabela 6 Struktura pozyskania energii z pozostałych źródeł odnawialnych w latach 2004–2013 (opracowanie własne na podstawie: Key World... 2014) Share of energy production from other renewable sources in 2004–2013 (own study based on: Key World... 2014) Rok; Year 2004 2005 Pozostałe OZE; Other RES mtoe % 76,0 100,00 85,1 100,00 Energia wiatru; Wind energy mtoe % 19,4 25,53 23,6 27,73 Energia słoneczna; Solar energy mtoe % 0,6 0,79 0,8 0,94 Biopaliwa; Biofuels mtoe % 16,4 21,58 19,7 23,15 Inne; Others mtoe % 39,7 52,11 41,0 48,18 60 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk cd. tab. 6 Pozostałe OZE; Other RES mtoe % 95,3 100,00 108,4 100,00 123,7 100,00 142,5 100,00 168,0 100,00 204,9 100,00 240,8 100,00 279,3 100,00 Rok; Year 2006 2007 2008 2009 2010 2011 2012 2013 Energia wiatru; Wind energy mtoe % 30,1 31,58 38,6 35,61 49,6 40,10 62,9 44,14 77,7 46,25 98,6 48,12 118,1 49,04 142,2 50,91 Energia słoneczna; Solar energy mtoe % 1,1 1,15 1,5 1,38 2,5 2,02 4,3 3,02 6,9 4,11 13,4 6,54 21,3 8,85 28,2 10,10 250 kraje rozwijające się; developing countries 200 150 100 50 kraje rozwinięte; developed countries 0 2000 2004 rok; year 2012 koszt produkcji energii elektrycznej (USD·MWh); cost of power generation ($ per MWh) wartość inwestycji w OZE (mld USD); value of investment in renewable energy ($bn) 300 Biopaliwa; Biofuels mtoe % 25,7 26,97 34,8 32,10 46,5 37,67 51,9 36,42 59,6 35,48 60,7 29,62 61,8 25,66 65,3 23,38 Inne; Others mtoe % 38,4 40,29 33,5 30,90 25 20,21 23,4 16,42 23,9 14,17 32,2 15,71 39,6 16,45 43,6 15,61 energia słoneczna; LNG; Europa*; solar (range) LNG: Europe* gaz ziemny; ropa naftowa; natural gas oil (brent crude) Azja*; Asia* 800 600 400 200 0 2000 2004 2008 2012 2014+ rok; year * ceny w kontraktach długoterminowych; long-term contract prices + listopad; November Rys. 15. Wartość inwestycji w odnawialne źródła energii i koszty wytwarzania energii elektrycznej w wybranych źródłach (Renewable Energy 2015) The value of investments in renewable energy and of sosts electricity generation in selected sources (Renewable Energy 2015) Oprócz korzyści, jakie energetyka odnawialna niesie dla środowiska naturalnego upatruje się w niej również czynnika stymulującego rozwój gospodarczy i społeczny na poziomie regionalnym i lokalnym. Firmy inwestujące w zieloną energię wprowadzają nowe technologie, tworzą lokalne rynki pracy, wzmacniają rynek usług, przyczyniając się bezpośrednio do wzrostu innowacyjności danej jednostki terytorialnej, promocji jej wizerunku i w rezultacie do rozwoju lokalnego (Pracując dla klimatu 2011). Monografie i Rozprawy Naukowe 61 Za jeden z najbardziej przyszłościowych kierunków wykorzystania OZE uznaje się produkcję energii oraz paliw płynnych i gazowych z biomasy (Ekonomiczne... 2000). W dyrektywie 2009/28/WE w sprawie promowania stosowania energii ze źródeł odnawialnych podkreślono, że „wykorzystanie surowców rolnych, takich jak nawóz pochodzenia zwierzęcego czy mokry obornik oraz innych odpadów zwierzęcych i organicznych do wytwarzania biogazu, dzięki wysokiemu potencjałowi oszczędności w emisji gazów cieplarnianych, daje znaczne korzyści dla środowiska zarówno przy wytwarzaniu energii cieplnej i elektrycznej, jak i stosowaniu jako biopaliwo. Instalacje na biogaz dzięki zdecentralizowanemu charakterowi i regionalnej strukturze inwestycyjnej mogą wnieść znaczący wkład w zrównoważony rozwój obszarów wiejskich i stwarzać nowe perspektywy zarobku dla rolników”. Z tego dokumentu wynika też, że największe znaczenie spośród odnawialnych źródeł energii w dalszym ciągu będzie miała biomasa, chociaż jej udział w bilansie energii finalnej z OZE w 2020 r. w porównaniu z 2010 r. zmniejszy się z 62,9 do 60,7%. W Polsce udział biomasy był jeszcze wyższy i w 2012 r. wynosił 95%. Główne korzyści z energetycznego wykorzystania biomasy według Korycińskiej (2009) to: − rozwój lokalny i regionalny, gdyż wykorzystuje zasoby lokalne, a wartość dodana z produkcji OZE pozostaje w regionie (dodatkowe miejsca pracy, niższe koszty pozyskania energii elektrycznej i cieplnej); − szansa na zagospodarowanie odpadów czy produktów ubocznych z produkcji rolnej; − zapewnienie własnego i niezależnego źródła energii elektrycznej i cieplnej (uniezależnienie od dużych dostawców), dywersyfikacja źródeł wytwarzania energii elektrycznej i cieplnej; − brak konieczności rozbudowywania sieci elektrycznych – możliwość dostarczania energii do obszarów bez rozbudowanej sieci elektrycznej; − czystsze środowisko: ograniczenie emisji metanu i podtlenku azotu, zmniejszenie efektu cieplarnianego, zmniejszenie zanieczyszczenia wód podziemnych i gruntowych (produkcja nawozu organicznego), zmniejszenie emisji odorów, rozwiązanie problemu odpadów organicznych; − dodatkowe źródło dochodów w gospodarstwie rolnym lub źródło zmniejszenia wydatków na energię (stabilne ceny energii); − uprawa roślin dla celów energetycznych przyczyni się do pełnego wykorzystania potencjału ziemi uprawnej (zagospodarowanie gruntów odłogowanych); − rozwój energetyki rozproszonej: zmniejszanie strat przesyłu energii elektrycznej; − zrównoważony rozwój rolnictwa. W przyjętym przez Radę Ministrów w 2010 r. dokumencie „Kierunki rozwoju biogazowni rolniczych w Polsce w latach 2010–2020” zapisano, że realizacja tego programu pozwoli na osiągnięcie następujących celów prorozwojowych 62 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk (Kierunki... 2010): − poprawę bezpieczeństwa energetycznego kraju przez zwiększenie zaopatrzenia w energię na odnawialnych nośnikach energii wytwarzanych z surowców krajowych; − oparcie znaczącej części dostaw gazu, energii elektrycznej i energii cieplnej oraz biogazu rolniczego jako paliwa transportowego na wielu lokalnych wytwórniach biogazu; − tworzenie tzw. lokalnych łańcuchów wartości dodanej m.in. przez aktywizację gospodarczą wsi oraz zwiększenie zatrudnienia wśród społeczności lokalnej oraz jednostek gospodarczych branży rolniczej i związanej z energetyką odnawialną (green jobs); − pobudzenie rozwoju lokalnej przedsiębiorczości związanej z wykorzystaniem lokalnie generowanego ciepła; − poprawę infrastruktury energetycznej i wzrost konkurencyjności polskiego rolnictwa (tzw. rozproszona infrastruktura energetyczna); − wytwarzanie istotnych ilości energii elektrycznej i cieplnej z surowców niekonkurujących z rynkiem żywności, określanych jako produkty uboczne rolnictwa oraz pozostałości przemysłu rolno-spożywczego; − wykorzystanie możliwości rolnictwa przyjaznego środowisku na obszarach Natura 2000 w celu rozwoju wykorzystania odnawialnych źródeł energii; − wzrost dochodów własnych samorządów gminnych; − pozyskanie znacznych ilości wysokiej jakości przyjaznych dla środowiska nawozów organicznych w formie pozostałości pofermentacyjnych substratu pochodzenia rolniczego oraz w formie granulatu; − energetyczne wykorzystanie pozostałości organicznych, które emitują do środowiska gazy cieplarniane. Ponadto biomasa należy do tych źródeł OZE, które nie wymagają utrzymywania tzw. „gorącej rezerwy” w systemie dyspozycji mocy, tak jak w przypadku farm fotowoltaicznych czy wiatrowych. Konieczność utrzymywania „gorącej rezerwy” jest od wielu lat przedmiotem sporów w energetyce i powodem rozwiązań prawnych o kluczowym znaczeniu dla rozwoju źródeł odnawialnych (Żylicz 2012). Znaczenie wykorzystania OZE dla rozwoju lokalnego, w tym przede wszystkim biomasy, bardzo dobrze odzwierciedla pogląd Schumachera (1981), który pisał: − „miejsca pracy trzeba tworzyć na obszarach, gdzie dziś właśnie żyją ludzie, a nie w miastach, do których emigrują, − stosowane metody wytwarzania powinny być na tyle proste, by minimalizować popyt na wysokie kwalifikacje, i to nie tylko w bezpośredniej produkcji, ale i w sferze podaży surowcowej, w systemie organizacyjnym, finansowaniu, marketingu itp., − towary należy produkować głównie z surowców lokalnych i na potrzeby rynków lokalnych”. Monografie i Rozprawy Naukowe 63 4.3. SŁOMA JAKO PALIWO LUB SUROWIEC ENERGETYCZNY Parametry techniczne paliw uzależnione są od składu chemicznego i właściwości fizycznych, takich jak: stan skupienia, gęstość oraz wilgotność. Ich znajomość wpływa na wybór odpowiednich technologii pozyskiwania energii, które zapewniałyby wysoką sprawność, niską emisję zanieczyszczeń atmosfery oraz małą ilość odpadów. Czynniki te mają również wpływ na najważniejsze parametry termofizyczne paliw: wartość opałową oraz ciepło spalania, nazywane też dolną wartością opałową. Ciepło spalania (zgodnie z normą PN-73/G-04513) jest to ilość ciepła uzyskana podczas spalenia jednostki masy paliwa stałego w atmosferze tlenu, natomiast wartość opałowa jest to ciepło spalania pomniejszone o ciepło parowania wody uzyskanej z paliwa w procesie spalania oraz wilgoci higroskopijnej. Wartości te wyrażane są w MJ·kg-1 lub GJ·Mg-1. Analiza elementarna suchej masy substancji organicznych pochodzenia roślinnego w porównaniu ze składem węgla kamiennego i gazu wykazuje niższą zawartość węgla, a znacznie wyższą tlenu (tab. 7). Hall i in. (1993) wykazują, że skład chemiczny substancji organicznych pochodzenia roślinnego, a więc i słomy, może być przedstawiony za pomocą następującego wzoru sumarycznego CH1,45O0,7, podczas gdy skład typowego węgla kamiennego zapisuje się jako CH0,8O0,08. Tak więc łatwo jest zauważyć, że biomasa zawiera prawie dwukrotnie więcej atomów wodoru i ponad osiem razy więcej atomów tlenu niż węgiel kamienny. To powoduje, że jej wartość kaloryczna jest prawie dwukrotnie niższa od kaloryczności węgla kamiennego, niezależnie od tego, czy biomasa ma postać słomy, drewna czy ziarna (Schulze Lamers i Hellwig 1986). Ponadto biomasa w swoim składzie w porównaniu z węglem zawiera znacznie mniejsze ilości siarki i azotu, a więc w trakcie jej spalania emisja zwłaszcza szkodliwych związków siarki do środowiska jest wielokrotnie niższa (Kowalik 1997). W tabeli 7 zawarte są także podstawowe parametry termofizyczne słomy oraz takich paliw, jak zrębki drzewne, węgiel i gaz, a w tabeli 8 podstawowe charakterystyki słomy różnych zbóż. Wyniki te pochodzą z wieloletnich obserwacji prowadzonych przez Centrum Technologii Biomasy dla Duńskiej Agencji Energetycznej, Instytut Technologiczno-Przyrodniczegy o/Warszawa oraz Katedrę Produkcji Roślinnej i Agrobiznesu Uniwersytetu Przyrodniczego w Lublinie. Oznaczenia te wykonano dla słomy świeżej, zbieranej tuż za kombajnem, zwanej w literaturze żółtą oraz słomy szarej, którą uzyskuje się poprzez więdnięcie tej pierwszej. W trakcie więdnięcia słomy zmienia się dość istotnie jej skład chemiczny. Zakres zmian zależy od czasu pozostawania na pokosach, temperatury otoczenia, a przede wszystkim od częstotliwości i intensywności opadów. Zmiany w składzie chemicznym dotyczą głównie zmniejszenia zawartości chloru (nawet ok. 3–4-krotnie) oraz pierwiastków alkalicznych: potasu (spadek o 10–50%), wapnia i magnezu (spadek 64 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk o 10–30%). Badania przeprowadzone w Kopenhadze przez Biotechnologist Institut na słomie jęczmiennej wykazały, że gdy podczas więdnięcia suma opadów wyniosła 150 mm, to zawartość chloru obniżyła się z 0,49 do 0,05%, a potasu z 1,18 do 0,22% (Straw for Energy Production 1998). W konsekwencji tych zmian słoma szara ma niższą zawartość chloru, potasu, wapnia i magnezu, a więc tych pierwiastków, które powodują korozyjność i zażużlanie elementów kotła w procesie spalania. Słoma szara jest więc bardziej przydatna dla celów energetycznych niż żółta. Tabela 7 Skład chemiczny oraz podstawowe parametry termofizyczne słomy na tle wybranych źródeł energii (Straw for Energy Production 1998) Chemical composition and basic thermophysical parameters of straw compared to the selected energy sources (Straw for Energy Production 1998) Parametr; Parameter Wilgotność; Humidity Składniki lotne; Volatile components Popiół; Ash Węgiel; Carbon Tlen; Oxygen Wodór; Hydrogen Chlor; Chlorine Azot; Nitrogen Siarka; Sulphur Wartość opałowa; Calorific effect Ciepło spalania; Heat of combustion Temperatura topnienia popiołu; Ashes melting temperature % Słoma żółta; Yellow straw 10–20 Słoma szara; Grey straw 10–20 % 70 % % % % % % % Zrębki drzewne; Wood chips Węgiel; Coal Gaz; Natural gas 40 12 0 73 70 25 100 4 42 37 5,0 0,75 0,35 0,16 3 43 38 5,2 0,20 0,41 0,13 0,6–1,5 50 43 6 0,02 0,3 0,05 12 59 7,3 3,5 0,08 1,0 0,8 0 75 0,9 24 0,9 0,0 MJ·kg-1 14,4 15 10,4 25 48 MJ·kg-1 18,2 18,7 19,4 32 48 °C 800–1000 950–1100 1000–1400 1100–1400 - Jednostka; Unit 65 Monografie i Rozprawy Naukowe Tabela 8 Skład chemiczny oraz podstawowe parametry termofizyczne słomy pszenicznej, żytniej, rzepakowej i kukurydzianej (Gradziuk i Kaczor 2010) Chemical composition and basic thermophysical parameters of wheat, rye, rape and corn straw (Gradziuk and Kaczor 2010) Parametr; Parameter Węgiel; Carbon Wodór; Hydrogen Azot; Nitrogen Siarka; Sulphur Chlor; Chlorine Fluor; Fluorine Wilgoć analityczna; Analitical moisture Wilgoć całkowita; Total moisture Popiół; Ash Części lotne; Volatiles Ciepło spalania; Heat of combustion Wartość opałowa; Calorific effect Węgiel; Carbon Wodór; Hydrogen Azot; Nitrogen Siarka; Sulphur Chlor; Chlorine Fluor; Fluorine Wilgoć analityczna; Analitical moisture Wilgoć całkowita; Total moisture Popiół; Ash Części lotne; Volatiles Ciepło spalania; Heat of combustion Wartość opałowa; Calorific effect Jednostka; Unit r a słoma pszenna; wheat straw % 41,60 48,03 % 4,78 5,52 % 0,44 0,44 % 0,04 0,05 % 0,03 0,03 % 0,00 0,00 d daf 49,23 5,66 0,45 0,05 0,03 0,00 50,68 5,82 0,46 0,05 0,03 0,00 % - 2,40 - - % 15,50 2,40 - - % % 2,40 78,00 2,80 78,00 2,90 79,90 82,30 kJ·kg-1 16 088 18 557 19 039 19 600 kJ·kg-1 14 660 17 306 17 799 18 323 słoma żytnia; rye straw 42,59 47,82 4,93 5,54 0,67 0,67 0,07 0,08 0,03 0,03 0,00 0,00 48,85 5,66 0,68 0,08 0,03 0,00 50,75 5,88 0,71 0,08 0,03 0,00 % % % % % % % - 2,10 - - % 12,80 2,10 - - % % 3,30 77,40 3,70 77,40 3,70 79,10 82,20 kJ·kg-1 16 528 18 556 18 954 19 692 kJ·kg-1 15 131 17 289 17 713 18 403 66 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk cd. tab. 8 Parametr; Parameter Węgiel; Carbon Wodór; Hydrogen Azot; Nitrogen Siarka; Sulphur Chlor; Chlorine Fluor; Fluorine Wilgoć analityczna; Analitical moisture Wilgoć całkowita; Total moisture Popiół; Ash Części lotne; Volatiles Ciepło spalania; Heat of combustion Wartość opałowa; Calorific effect Jednostka; Unit r a słoma rzepakowa; rape straw % 43,07 48,39 % 6,94 5,57 % 0,84 0,84 % 0,13 0,15 % 0,07 0,07 % 0,00 0,00 d daf 49,28 5,67 0,86 0,15 0,07 0,00 51,56 5,94 0,90 0,16 0,16 0,00 % - 1,80 - - % 12,60 1,80 - - % % 3,90 77,10 4,30 77,10 4,40 78,50 82,10 kJ·kg-1 16 848 18 929 19 277 20 169 kJ·kg-1 15 452 17 662 18 033 18 867 słoma kukurydziana; corn straw Węgiel; Carbon Wodór; Hydrogen Azot; Nitrogen Siarka; Sulphur Chlor; Chlorine Fluor; Fluorine Wilgoć analityczna; Analitical moisture Wilgoć całkowita; Total moisture Popiół; Ash Części lotne; Volatiles Ciepło spalania; Heat of combustion Wartość opałowa; Calorific effect % % % % % % 44,01 6,87 0,81 0,19 0,06 0,00 48,89 5,41 0,87 0,18 0,06 0,00 49,97 5,55 0,88 0,18 0,07 0,00 51,89 5,72 0,91 0,19 0,11 0,00 % - 2,70 - - % 19,60 2,80 - - % % 4,70 73,05 4,90 74,10 5,10 73,30 79,20 kJ·kg-1 15 951 18 111 18 451 19 673 kJ·kg-1 15 267 17 121 17 834 18 345 Objaśnienia; Explanation: r – stan roboczy; operating status, a – stan analityczny; analitical condition, d – stan suchy; dry matter, daf – stan suchy i bezpopiołowy; dry matter and ash-free Monografie i Rozprawy Naukowe 67 Słoma charakteryzuje się także pięciokrotnie niższą zawartością siarki i czterokrotnie niższą popielnością w porównaniu z węglem, a ponadto popiół może być wykorzystany jako nawóz mineralny bez żadnych dodatkowych przygotowań. Z 1 t słomy uzyskuje się zwykle od 30 do 40 kg popiołu. Jego ilość zależy od rodzaju spalanej słomy. Dla przykładu słoma żytnia zawiera 3,90% popiołu, pszenna – 4,85%, jęczmienna – 4,50%, a kukurydziana 4,37%. Badania przeprowadzone w Hiszpanii przez Agricultural Management Research Institute na słomie pszennej i jęczmiennej wykazały, że ilość popiołu jest ujemnie skorelowana (R2 = 0,9284) z wartością opałową (Allica i in. 2001). W tabeli 9 podano obliczone wartości średnie popiołu dla słomy pszennej, jęczmiennej, owsianej, kukurydzianej i rzepakowej. W popiele uzyskanym ze spalenia słomy szarej zawartość potasu może być niższa od zawartości w popiele słomy świeżej od 10 do 50%, natomiast magnezu i wapnia o 10–30%. Jednakże w niektórych przypadkach (dłuższe pozostawanie słomy na polu, częste opady) zawartość tych składników może stanowić nie więcej niż 30–40% w stosunku do popiołu uzyskanego ze słomy żółtej. Zawartość fosforu jest stosunkowo stabilna i nie ma liczącej się różnicy w zawartości tego pierwiastka w popiele uzyskanym ze słomy żółtej i szarej. Z danych zamieszczonych w tabeli 9 wynika, że popiół uzyskany po spaleniu słomy jest nawozem potasowo-fosforowym z domieszką magnezu, wapnia i krzemionki. Ponieważ związki magnezu i wapnia występują w popiele w formie tlenkowej, mają one właściwości odkwaszające. Popiół zawiera także w swoim składzie mikroelementy (miedź, cynk, mangan, molibden, bor), ale również metale ciężkie (kadm, rtęć, nikiel, ołów, chrom, cynk, miedź). Zabezpieczeniem przed wprowadzeniem do środowiska glebowego nadmiernych ilości metali ciężkich jest kontrola ich zawartości w nawozach i we wszelkich odpadach stosowanych do użyźniania gleb, w tym w popiele uzyskanym ze słomy (Kaczor 2004). Istotny wpływ na wartość energetyczną paliw ma też stopień ich uwilgotnienia. Zależność tę można wyrazić za pomocą wzoru (Pabis 1965): 100 – F – 2442 ×F Hnv= Hn (————) ———— 100 100 gdzie: Hnv – wartość opałowa (kJ·kg-1), Hn – wartość opałowa suchej masy paliwa (kJ·kg-1), F – zawartość wody w masie całkowitej (%), 2442 – współczynnik ciepła parowania wody o temperaturze 25°C (kJ·kg-1). 68 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 9 Skład chemiczny popiołu uzyskanego ze spalenia słomy żółtej wybranych roślin (Kaczor 2004) Chemical composition of ash obtained from burning of yellow straw of selected plants (Kaczor 2004) Pierwiastek; Element Potas; Potassium Fosfor; Phosphorus Magnez; Magnesium Wapń; Calcium Potas; Potassium Fosfor; Phosphorus Magnez; Magnesium Wapń; Calcium Potas; Potassium Fosfor; Phosphorus Magnez; Magnesium Wapń; Calcium Potas; Potassium Fosfor; Phosphorus Magnez; Magnesium Wapń; Calcium Potas; Potassium Fosfor; Phosphorus Magnez; Magnesium Wapń; Calcium Potas; Potassium Fosfor; Phosphorus Magnez; Magnesium Wapń; Calcium Zawartość tlenku (%); Zawartość pierwiastka (%) Content of oxide (%) Content of element (%) słoma pszenna; wheat straw 26,0 21,6 4,8 2,1 2,7 1,6 7,6 5,4 słoma owsiana; oat straw 33,0 27,4 5,7 2,5 3,0 1,8 10,1 7,2 słoma jęczmienna; barley straw 32,5 27 5,7 2,5 3,0 1,8 10,1 7,2 słoma roślin zbożowych; cereal straw 14,1–30,2 11,7–25,1 4,0–6,0 9,2–13,7 1,0–4,0 1,7–6,6 6,0–14,1 8,4–19,7 słoma kukurydziana; corn straw 51,6 42,8 10,5 4,6 10,6 6,4 12,9 9,2 słoma rzepakowa; rape straw 31,3 26,0 4,6 2,0 3,3 2,0 35,7 25,5 Wartość energetyczną słomy w zależności od wilgotności przedstawiono na rysunku 16. Według Tymińskiego (1997) wilgotność słomy świeżej najczęściej zawiera się między 12 a 22%, ale może być także znacznie wyższa. Zależy to od rodzaju rośliny oraz warunków atmosferycznych w jakich odbywa się zbiór. Potwierdziły to badania przeprowadzone przez Denisiuka (2003) w Zakładzie Energetyki Cieplnej „Ekolog” w Zielonkach (pow. sztumski, woj. pomorskie), gdzie od 1996 r. funkcjonuje komunalna kotłownia opalana słomą o mocy 1 MW (tab. 10). Z badań tych 69 Monografie i Rozprawy Naukowe wartość opałowa; calorific value (MJ·kg-1) wynika również to, iż istotny wpływ na wartość energetyczną tego paliwa wywiera także poziom zachwaszczenia łanu, z którego zbierana jest słoma. 20 18 16 14 12 10 8 6 4 2 0 0 5 10 15 20 25 30 35 40 45 50 wilgotność; humidity (%) słoma pszenna; wheat straw słoma rzepakowa; rape straw słoma jęczmienna; barley straw Rys.16. Zależność wartości energetycznej od wilgotności słomy The dependence of energy value on straw humidity calorific Tabela 10 Wartość opałowa wybranych rodzajów słomy w zależności od wilgotności (Densiuk 2003) Calorific effects of selected types of straw in dependence on humidity (Densiuk 2003) Słoma pszenna; Wheat straw Słoma rzepakowa; Rape straw Wyszczególnienie; Specification świeża; fresh szara; grey świeża; fresh szara; grey Wilgotność (%); 9,3 14,6 19,9 9,1 13,4 17,2 9,1 12,8 15,9 8,6 13,3 18,8 Humidity (%) -1 Wartość opałowa (MJ·kg ); 16,0 15,4 14,2 15,9 15,8 13,9 16,0 15,9 15,4 16,8 15,1 14,8 Calorific effect (MJ·kg-1) Zbyt wysoka wilgotność słomy zmniejsza nie tylko wartość uzyskanej energii, ale wpływa również na przebieg samego spalania, powodując podwyższoną emisję zanieczyszczeń w spalinach. Poza tym znacząca wilgotność może powodować problemy w jej magazynowaniu, transporcie i rozdrabnianiu podczas zadawania do pieca. Maksymalna dopuszczalna zawartość wilgoci jest różna dla różnych instalacji, ale na ogół waha się w granicach 18–25%. W energetyce może być użyta słoma praktycznie wszystkich rodzajów zbóż oraz rzepaku i gryki. Jednak ze względu na właściwości najczęściej używana jest słoma żytnia, pszenna, rzepakowa i gryczana oraz słoma i osadki kukurydzy. Słoma owsiana ze względu na bardzo niską temperaturę topnienia popiołu nie jest zalecana jako paliwo. W porównaniu z innymi powszechnie stosowanymi nośnikami energii jest ona dość uciążliwym w użyciu paliwem. Wynika to stąd, iż jest to materiał niejed- 70 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk norodny, o bardzo niskiej wartości energetycznej odniesionej do jednostki objętości (tab.11). Tabela 11 Fizyczne właściwości słomy jako materiału energetycznego na tle wybranych paliw stałych (Kamler 1979, Tymiński 1997, Straw for Energy Production 1998) Physical properties of straw as an energetic material compared to selected solid fuels (Kamler 1979, Tymiński 1997, Straw for Energy Production 1998) Rodzaj i postać materiału; Kind and form of material Słoma; Straw: – luźna; loose – pocięta; cut – sprasowana (wymiary w cm); pressed (dimensions in cm): bele prostopadłościenne; cuboid bales: 46-36-80 bele cylindryczne; cylindrical bales: 120-150 bele prostopadłościenne; cuboid bales: 80-80-240 bele prostopadłościenne; cuboid bales: 120-120-240 – brykiety; briquettes Drewno; Wood: – szczapy; logs – zrębki; cuttings – wióry; shavings – trociny; sawdust – brykiety; briquettes Węgiel kamienny; Coal: – orzech i groszek; nut and pea coal – drobny; fine-grained Koks; Coke Masa; Mass (kg·m-3) Wartość opałowa; Calorific effect MW·m-3 GJ·m-3 20–50 40–60 0,07–0,16 0,13–0,19 0,25–0,58 0,47–0,68 90–100 110 140 165 300–450 0,29–0,32 0,35 0,45 0,53 0,99–1,48 1,04–1,15 1,26 1,62 1,91 3,56–5,33 200–500 250–350 200–300 150–200 600–800 0,86–2,15 1,07–1,51 0,86–1,29 0,65–0,86 2,53–3,44 3,09–7,74 3,85–5,43 3,09–4,64 2,34–3,06 9,11–12,38 700–825 800–925 350–570 4,86–5,73 17,50–20,63 5,56–6,43 20,00–23,13 2,92–4,75 10,50–17,10 Z tabeli 11 wynika, iż 1 m3 słomy luźnej ma ponad dziesięciokrotnie niższą wartość od takiej jednostki drewna i około pięćdziesięciokrotnie niższą od węgla, dlatego też dla celów energetycznych jest poddawana procesom zagęszczania. Najprostszym z nich jest prasowanie, które odbywa się najczęściej na polu, bezpośrednio z pokosów. W wyniku tego zabiegu masa właściwa balotów może być nawet ośmiokrotnie wyższa od takiej wartości dla słomy luźnej. Zależy to od rodzaju zastosowanych pras i stopnia zgniotu. Surowiec ten może być także brykietowany (φ 40–80 mm) lub granulowany (φ 8–10 mm), przez co zwiększa się jego gęstość nawet piętnastokrotnie. W Polsce do tej pory parametry charakteryzujące słomę jako materiał energetyczny nie zostały znormalizowane. Ustalają je poszczególni odbiorcy, głównie w zależności od konstrukcji kotłów, w których będzie wykorzystywana. W przypadku słomy prasowanej największe znaczenie mają: kształt i wielkość bel, wilgotność, stopień uwiądu oraz jej rodzaj (gatunek rośliny, z której pochodzi). Monografie i Rozprawy Naukowe 71 5. KIERUNKI WYKORZYSTANIA SŁOMY Według Małej Encyklopedii Rolniczej (Berger i Fijałkowska 1963) słoma to „dojrzałe lub wysuszone źdźbła roślin zbożowych; określenia tego używa się również w stosunku do wysuszonych łodyg roślin strączkowych, lnu, rzepaku”. Podstawowym składnikiem słomy jest włókno surowe i związki bezazotowe wyciągowe. Ponadto charakteryzuje się wysoką zawartością suchej masy (ok. 85%), zdolnością do chłonięcia wody i gazów. Te czynniki przez wiele lat decydowały o kierunkach jej wykorzystania. Słoma jest najczęściej używanym materiałem ściołowym. Stosuje się ją w chowie wszystkich rodzajów zwierząt gospodarskich, zwłaszcza w gospodarstwach posiadających tradycyjne budynki inwentarskie. Ilość stosowanej ściółki jest różna. Zależy od rodzaju zwierząt (np. bydło potrzebuje jej więcej niż konie), jakości paszy, konstrukcji budynków. Roczne zapotrzebowanie na słomę ściołową zależy też od liczby dni przebywania zwierząt w pomieszczeniach. Mimo niskiej wartości pokarmowej słoma stanowi często niezbędny składnik pasz, zwłaszcza dla bydła i owiec. Wypełniając przewód pokarmowy, stwarza poczucie sytości, uzupełnia suchą masę pasz soczystych, równoważy nadmiar białka. Słoma może być również dodawana do zakiszonej masy roślinnej lub wysłodków buraczanych. Czynione były też próby uzdatniania słomy za pomocą ługu sodowego, amoniaku, mocznika, węglanu amonowego, kwasu siarkowego, drożdży. Taki sposób wykorzystania słomy jeszcze na początku lat 80. XX w. potwierdziły badania IUNG w Puławach. Wynika z nich, że ok. 58% zbieranej słomy zużywano na ściółkę, 36% na paszę, a 6% na inne cele (przykrywanie kopców, przygotowanie mat w gospodarstwach ogrodniczych, ocieplanie budynków) (Kozakiewicz i Nieściór 1984). Słoma może służyć jako materiał budowlany. Już w Starożytnym Egipcie dodawana była do gliny przy wyrobie cegieł (Pismo Święte, Ex 5.10-5.13). Od drugiej połowy lat 80. z jednej strony obserwowany jest znaczący spadek pogłowia zwierząt, w tym przede wszystkim bydła, owiec i koni, z drugiej zaś wzrost udziału w strukturze zasiewów zbóż i rzepaku. Przy tym należy zwrócić uwagę, że wprowadzane do uprawy nowe odmiany, przede wszystkim zbóż, są sztywno- i krótkosłome. Wskutek tego stosunek plonu słomy do plonu ziarna zmniejsza się. Wyniki opracowane na podstawie doświadczeń COBORU w latach 1956–1978 wykazały spadek tego stosunku od ok. 4% w przypadku owsa do 27% dla pszenicy. Wprowadzenie do uprawy krótkosłomych odmian zbóż nie spowodowało zmniejszenia plonów słomy, wprost przeciwnie – nastąpił 20% wzrost, podczas gdy plony ziarna zbóż zwiększyły się o ok. 50% (Kozakiewicz i Nieściór 1984). Teza, iż plony słomy wzrastają, ale nie wprost proporcjonalnie do plonów ziarna, potwierdzona została wynikami wieloletnich badań przeprowadzonych w warunkach produkcyjnych w 14 Rolniczych Zakładach Doświadczalnych IUNG w Puławach (tab. 12). 72 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 12 Stosunek plonu słomy do plonu ziarna* zbóż (średnie z 14 RZD IUNG z lat 1984–1989) (Harasim 1994) Straw yield ratio to grain yield* of cereals (average of 14 RZD IUNG in 1984–1989) (Harasim 1994) Zboża ozime; Winter cereals pszenica; pszenżyto; żyto; jęczmień; wheat triticale rye barley 2,01–3,0 0,86 1,18 1,45 0,94 3,01–4,0 0,91 1,13 1,44 0,80 4,01–5,0 0,91 1,14 1,35 0,70 5,01–6,0 0,92 1,13 1,24 0,71 6,01–7,0 0,90 0,94 7,01–8,0 0,83 *plon ziarna; grain yield = 1 Plon ziarna; Grain yield Zboża jare; Spring cereals pszenica; jęczmień; owies; wheat barley oat 1,13 0,78 1,05 0,94 0,86 1,08 0,83 0,77 1,05 0,81 0,72 1,01 0,68 0,67 - Ponadto głównie na gruntach po byłych PGR-ach w większości gospodarstw prowadzona jest gospodarka bezinwentarzowa. W tej sytuacji pojawił się problem nadwyżek słomy (Gradziuk 1995), które początkowo prawie w całości wykorzystywano na cele nawozowe poprzez jej przyorywanie bądź spalanie na pokosach. Nawożenie słomą zwiększa zawartość makro- i mikroelementów oraz wpływa dodatnio na bilans składników pokarmowych w glebie (tab. 13 i 14). Tabela 13 Przeciętna zawartość suchej masy (s.m.) i podstawowych makroskładników w słomie wybranych gatunków roślin uprawnych (Popławski 1996) Average dry mass (dm) content and of content basic macroelements components in straw of selected crops (Popławski 1996) Roślina; Plant Pszenica; Wheat Żyto; Rye Jęczmień; Barley Owies; Oat Kukurydza; Maize Rzepak; Rape Groch i bobik; Pea and bean s.m.; dm 86 86 86 86 86 86 86 N 0,7 0,5 0,6 0,8 0,7 0,7 1,5 Zawartość; Content (%) P 2O 5 K 2O MgO 0,2 1,4 0,3 0,2 1,2 0,1 0,3 2,0 0,2 0,3 2,7 0,2 0,6 2,0 0,3 0,3 2,5 0,2 0,2 1,3 0,2 CaO 0,4 0,3 0,7 0,7 0,6 0,5 0,2 S 0,2 0,2 0,3 0,3 0,2 0,1 0,4 73 Monografie i Rozprawy Naukowe Tabela 14 Przeciętna zawartość suchej masy (s.m.) i podstawowych mikroskładników w słomie wybranych gatunków roślin uprawnych (Popławski 1996) Average dry mass (dm) content of content and basic microelements components in straw of crops (Popławski 1996) Roślina; Plant Pszenica; Wheat Żyto; Rye Jęczmień; Barley Owies; Oat Kukurydza; Maize Rzepak; Rape Groch i bobik; Pea and bean s.m.; dm (%) 86 86 86 86 86 86 86 B 2,8 1,8 4,8 4,0 14,0 17,8 13,0 Zawartość; Content (mg·kg-1) Zn Mn Cu Mo 9,7 25,4 5,1 0,33 8,1 70,0 1,8 0,26 22,0 40,9 4,2 0,28 48,2 129,5 3,6 0,31 27,0 81,1 15,0 10,6 22,5 2,5 0,23 28,3 44,0 4,0 - Fe 125 50 117 156 Słoma wykorzystywana na cele nawozowe może być bardzo ważnym źródłem substancji organicznej, która istotnie wpływa na strukturę gleby i równowagę stosunków powietrzno-wodnych. Przyorywanie słomy ma również duże znaczenie w walce z chwastami. Część nasion chwastów po przyoraniu bardzo szybko kiełkuje, ale dość łatwo je zniszczyć innymi zabiegami odchwaszczającymi. Te natomiast, które zostaną przykryte grubą warstwą gleby, utracą zdolność kiełkowania (Popławski 1996). Nawożenie słomą wbrew pozorom nie jest zabiegiem tanim, ponieważ wymaga bardzo starannych, terminowych zabiegów agrotechnicznych (w tym zastosowania drogiego nawożenia azotowego) oraz pocięcia słomy na sieczkę i równomiernego rozrzucenia na polu. W niepomyślnych warunkach termicznych i wilgotnościowych przyorana słoma może powodować obniżkę plonów. Ponadto słoma jako nawóz organiczny nie powinna być stosowana na tym samym polu częściej niż co 2–4 lata. Zadowalające efekty nawożenia słomą przez jej przyoranie uzyskuje się na sprawnych biologicznie i nieprzesuszonych glebach. Brak wilgoci bądź jej nadmiar w glebie może bowiem wpływać niekorzystnie na przebieg rozkładu substancji organicznej słomy (Włodarz 2001). Również spalanie słomy nie okazało się tanim sposobem stosowania jej jako nawozu. W RFN stwierdzono, że przyorywanie spalonej słomy wymaga zbliżonych nakładów pieniężnych jak takie samo użycie słomy rozdrobnionej, ale jest czynnością znacznie bardziej pracochłonną. Duża różnica w nakładach pracy wynika stąd, że palenie słomy na polu musi być wykonywane zgodnie z odpowiednimi przepisami (Buhtz i in. 1976). Spalanie słomy jest jednak bardzo szkodliwe dla środowiska przyrodniczego. Materia organiczna, którą stanowi słoma, zamiast wracać do gleby i brać udział w procesach mikrobiologicznego rozkładu, tak niezbędnego dla prawidłowego funkcjonowania agroekosystemu, ulega przez ogień całkowitemu zniszczeniu, a zawarty w niej azot ulatnia się do atmosfery. Ogień powodujący powstawanie wysokich temperatur prowadzi do nadmiernego nagrzewania się górnych warstw 74 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk gleby oraz ich dezaktywację biologiczną. Giną liczne drobnoustroje glebowe, które uczestniczą w procesach rozkładu i mineralizacji materii organicznej, a także część fauny glebowej. W wyniku tego funkcjonowanie ekosystemu może zostać na pewien czas przyhamowane, co niekorzystnie odbija się na produkcji. Inną niekorzyścią ekologiczną powstającą w wyniku spalania słomy pokombajnowej na polach jest fakt, iż prowadzi do destrukturyzacji gleby, zmniejszania retencji wodnej, ale też porowatości, co uniemożliwia napowietrzanie się gleby. Procesy tlenowe przechodzą wówczas w beztlenowe, a to jest zjawisko bardzo niekorzystne dla wszelkiego rodzaju procesów biochemicznych zachodzących w glebach. Spalanie słomy chociaż jest zabiegiem sanitarnym i odchwaszczającym dla gleb, to jednak niszczy nie tylko populacje osobników szkodliwych (szkodniki i patogeny oraz chwasty), ale też biocenozy korzystne. W bilansie strat i korzyści wynikających ze spalania słomy pożniwnej zdecydowanie przeważają straty (Kostuch 1995). Dlatego też Kodeks Dobrej Praktyki Rolniczej (część E, punkt 9) zabrania wypalania roślinności na łąkach, pastwiskach, nieużytkach, rowach, pasach przydrożnych oraz ścierni, słomy i łętów ziemniaczanych. Niezastosowanie się do tych przepisów może skutkować pozbawieniem gospodarstwa rolnego dopłat bezpośrednich zarówno w Polsce, jak i innych krajach UE. Reguluje to § 3.2 rozporządzenia Ministra Rolnictwa i Rozwoju Wsi z dnia 7 kwietnia 2004 r. w sprawie minimalnych wymagań utrzymywania gruntów rolnych w dobrej kulturze rolnej (Dz.U. nr 65, poz. 600, 2004). W państwach, które mają mało inwentarza, a wysoką produkcję zbóż i rzepaku poszukiwane są alternatywne sposoby zagospodarowania słomy. Pierwsze dogłębne studium interdyscyplinarne dotyczące słomy i możliwości jej zagospodarowania zostało sporządzone przez Staintfortha (1979) i dotyczyło rolnictwa USA. W Kanadzie stosowana jest w przemyśle drzewnym do produkcji płyt. Run-Cang (2010) dowodzi, że słoma może być bardzo dobrym surowcem do produkcji biopaliw kolejnych generacji. W Unii Europejskiej słoma wykorzystywana jest głównie w rolnictwie, jako materiał ściołowy w chowie bydła, owiec i koni, nawóz organiczny oraz coraz częściej w energetyce, w tym jako paliwo w kilkunastu elektrociepłowniach. Z informacji uzyskanych w European Bioamass Association (AEBIOM) w 2010 r. łącznie na ten cel przeznaczono ponad 5 mln t słomy. Z badań przeprowadzonych na zamówienie Komisji Europejskiej wynika, że w 27 krajach UE do produkcji energii elektrycznej można przeznaczyć słomę o wartości energetycznej 820 PJ, to jest ok. 60 mln t słomy rocznie (Edwards i in. 2005). Na rysunku 17 przedstawiono proponowane lokalizacje elektrociepłowni oraz potencjalne zasoby słomy możliwe do wykorzystania w tych zakładach, zaś rysunek 18 przedstawia przestrzenne rozmieszczenie tych zasobów w układzie regionalnym (w Polsce w układzie wojewódzkim). Zbliżone wartości zasobów słomy do energetycznego wykorzystania w Europie przedstawia też rysunek 19. 75 Monografie i Rozprawy Naukowe proponowane lokalizacje elektrowni; proposed location of thermal power plants 7,5 potencjał słomy do energetycznego wykorzystania (PJ); straw available for energy (PJ) 45 1,9 7,5 51 80 204 51 10 50 23 42 9 180 66 Rys. 17. Proponowana lokalizacja elektrociepłowni oraz potencjał słomy do energetycznego wykorzystania w tych zakładach (Edwards i in. 2005) Proposed location of thermal power plants and potential of straw resources to energy use in these factories (plants) (Edwards et al. 2005) 76 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Potencjał słomy do energetycznego wykorzystania (tys. t); Straw available for energy (1000 tonnes): 0–250 251–500 501–1000 1001–2000 2001–4000 Rys. 18. Potencjał możliwości wykorzystania słomy w elektrowniach w wybranych regionach (Edwards i in. 2005) Potential possibilities of using straw in thermal power plants in selected regions (Edwards et al. 2005) 77 Monografie i Rozprawy Naukowe Słoma; Straw: 0,0 (kt) (TJ) < 10,0 < 0,13 10,1–45,0 0,13–0,59 45,1–160,0 0,60–2,09 160,1–450,0 450,1–1000,0 1000,1–1449,2 2,10–5,89 5,90–13,10 13,11–18,98 największy potencjał; the highest potential 3 MT – 0 CY – 0 2 1 4 FR614 Rys. 19. Potencjał techniczny nadwyżek słomy (Pudełko 2013) Technical potential of surplus of straw (Pudełko 2013) 78 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 6. WYNIKI BADAŃ I DYSKUSJA 6.1. CHARAKTERYSTYKA STATYSTYCZNA I MODELE TRENDÓW DLA ZMIENNYCH ZALEŻNYCH Jednym z głównych czynników determinujących możliwości wykorzystania słomy w energetyce jest wolumen i stabilność jej produkcji. W badanych latach (1975–2013) średnioroczne zbiory słomy ogółem (Y4) w Polsce wynosiły 27,7 mln t i pod względem masy były zbliżone do zbiorów ziarna zbóż, co potwierdza tezę wysuniętą przez Smila (1999), że znaczna część produkcji globalnej wytwarzanej w rolnictwie to produkty uboczne. A w krajach o podobnych warunkach przyrodniczo-glebowych do Polski największe znaczenie spośród produktów ubocznych ma słoma (Staniforth 1979). Najwyższe zbiory, sięgające 33,4 mln t, odnotowano w latach 1990 i 2009, najniższe zaś w 1979 r. (17,8 mln t), co świadczy, że charakteryzowały się one znacznymi wahaniami (rys. 20). W strukturze zbiorów największy udział miała słoma zbóż podstawowych z mieszankami (92,6%), której produkcja od połowy lat 90. oscylowała wokół średniej wynoszącej 25,6 mln t, najniższy zaś kukurydziana (3,2%). Zbiory słomy kukurydzianej (Y3), stosunkowo niewielkie jeszcze w latach 80., od lat 90. zaczęły bardzo szybko wzrastać i już w 2001 r. przekroczyły poziom zbiorów słomy rzepakowej, a w 2013 r. wyniosły 4 mln t. Zbiory słomy rzepakowej (Y2) charakteryzowały się powolnym trendem rosnącym do 2003 r. i znaczącym wzrostem od 2004 r. Najniższe zbiory wystąpiły na przełomie lat 70. i 80. oraz w połowie lat 90. i wyniosły 234 tys. t w 1979 r. oraz 449 tys. t w 1996 r., po którym stosunkowo szybko wzrastały i osiągnęły największą wartość w roku 2013 (2,6 mln t). W latach 1983–1990 średnioroczna nadwyżka ponad zużycie w rolnictwie (Y5) wyniosła 5119 tys. t, a w latach 2007–2013 już 17047 tys. t. Wykorzystanie ich na cele energetyczne pozwoliłoby na zaspokojenie 5% zapotrzebowania na energię pierwotną. Zwiększające się nadwyżki słomy są spowodowane spadkiem pogłowia zwierząt gospodarskich, a tym samym zmniejszającym się zapotrzebowaniem głównie na ściółkę. Niekorzystnym zjawiskiem, choć charakterystycznym dla rolnictwa, były występujące fluktuacje w zbiorach słomy, co nie pozostawało bez wpływu na poziom jej nadwyżek, które w 2000 r. wyniosły tylko 6348 tys. t, a w 2001 r. ponad dwukrotnie więcej, bo aż 15042 tys. t. Tak znaczne wahania, choć występujące co kilka lat, są jedną z barier hamujących wykorzystanie słomy poza rolnictwem. Podstawowe statystyki opisowe zmiennych zależnych przedstawiono na rysunkach 20 i 21 oraz w tabeli 15. 79 nadwyżka słomy (tys. t); straw harvest ( thous. t) zbiór słomy (tys. t); straw harvest ( thous. t) 300000 25000 20000 1975 1980 1985 1990 1995 2000 2005 2010 rok; year Y3 – zbiory słomy kukurydzianej; maize straw harvest 4000 3000 2000 1000 0 1975 1980 1985 1990 1995 2000 2005 2010 rok; year zbiór słomy (tys. t); straw harvest ( thous. t) Y1 – zbiory słomy zbóż podstawowych z mieszankami; harvest of cereals straw with mixtures zbiór słomy (tys. t); straw harvest ( thous. t) zbiór słomy (tys. t); straw harvest ( thous. t) Monografie i Rozprawy Naukowe Y2 – zbiory słomy rzepakowej; rape straw harvest 2500 2000 1500 1000 500 0 1975 1980 1985 1990 1995 2000 rok; year 30000 25000 20000 1975 1980 1985 1990 1995 rok; year 20000 15000 10000 5000 1980 1985 1990 1995 2000 2010 Y4 – zbiory słomy zbóż podstawowych z mieszankami, słomy rzepakowej i kukurydzianej; cereals, rape, and maize straw harvest Y5 – nadwyżki słomy; surplus of straw 0 1975 2005 2005 2010 rok; year Rys. 20. Zbiory słomy oraz jej nadwyżki w latach 1975–2013 Straw harvests and its surplus in 1975–2013 2000 2005 2010 80 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 15 3393,7 603,3 1063,0 3752,0 6449,4 −0,309 0,787 1,462 –0,612 0,145 2,350 2,870 4,530 2,560 1,730 P dla testu JB; P for the JB test 31875,0 2678,0 4040,0 33397,3 19987,5 Kurtoza; Kurtosis Minimum; Minimum 17422 234 57 17838 0 Skośność; Skewness 26589 1064 290 29306 7767 Odchylenie. stand.; Standard deviation 25616,9 1167,3 890,1 27674,3 8277,1 Maksimum; Maximum Y1 Y2 Y3 Y4 Y5 Średnia; Average Zmienna; Variable Mediana; Median Podstawowe statystyki zbiorów słomy oraz jej nadwyżki w latach 1975–2013 Basic straw harvest statistics and its surplus in the years 1975–2013 0,427 0,087 0,006 0,144 0,141 zmienna; variable Y5 Y4 Y3 Y2 Y1 0 10000 20000 30000 zbiór słomy (tys. t); straw harvest (thous t) Rys. 21. Wykres Box-and-Whisker dla rozkładu zbiorów słomy oraz jej nadwyżki w latach 1975–2013 Box-and-Whisker chart for distribution of straw harvest and its surplus in the years 1975–2013 Na podstawie wykonanych testów Jarque-Bera (Spiegel i Stephens 2008) ustalono, że zmienne zależne – za wyjątkiem zbiorów słomy kukurydzianej (Y3) – posiadają rozkład normalny (wartości p dla poszczególnych statystyk podano w tab. 15 i na rys. 21). Rozkłady te są lekko spłaszczone, za wyjątkiem zbiorów słomy rzepakowej (Y2), dla której kurtoza jest prawie równa 3 oraz zbiorów słomy 81 Monografie i Rozprawy Naukowe kukurydzianej (Y3) – powyżej 4,5, i niesymetryczne: Y1 i Y4 – lewostronnie, pozostałe zmienne – prawostronnie (rys. 22). obserwowana dystrybuanta; obserwed cumulative distribution 1,0 0,8 Y1 0,6 Y2 Y3 Y4 0,4 Y5 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 teoretyczna dystrybuanta; theoretical cumulative distribution Rys. 22. Skumulowane rozkłady empiryczne zbiorów słomy względem rozkładu normalnego Cumulative empirical distributions of straw harvest with respect to the normal distribution 6.1.1. Zbiory słomy Dla zbiorów słomy zbóż podstawowych z mieszankami (Y1) nie udało się zbudować trendu (liniowego bądź nieliniowego) o istotnych współczynnikach. W tabeli 16 przedstawiono modele trendu, gdzie poziom istotności parametrów (dla modelu liniowego wynoszący 0,923 oznacza brak trendu liniowego w zachowaniu zmiennej) znacznie przewyższa „klasyczną” wartość 0,05, co świadczy o nieistotności zmiennych w tych modelach (Wooldridge 2012). 82 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 16 Parametry modeli trendów dla zbiorów słomy zbóż podstawowych z mieszankami (Y1) Parameters of models trends for the straw harvest of cereals (Y1) with mixtures 1 t 1 t t2 1 t t2 t3 Estymator; Estimator 25711,740 –4,743 Estymator; Estimator 23758,047 281,162 –7,147 Estymator; Estimator 22227,045 713,346 –33,820 0,444 Błąd standardowy; Standard error 1122,824 48,926 Błąd standardowy; Standard error 1712,207 197,407 4,786 Błąd standardowy; Standard error 2398,648 512,772 29,586 0,486 Statystyka t; t-Statistic 22,899 –0,096 Statystyka t; t-Statistic 13,875 1,424 –1,493 Statystyka t; t-Statistic 9,266 1,391 –1,143 0,913 Wartość p; Probability 1,903x10-23 0,923 Wartość p; Probability 5,107x10-16 0,162 0,144 Wartość p; Probability 5,985x10-11 0,172 0,260 0,367 Dodatkowo wykonany test Ljunga-Boxa potwierdził brak istotnej korelacji pomiędzy obserwacjami Y1, aż do opóźnienia rzędu czwartego (tab. 17). Tabela 17 Wyniki testu autokorelacji dla zbiorów słomy zbóż podstawowych z mieszankami (Y1) Autocorrelation test results for the straw harvest of cereals (Y1) with mixtures Test; Test Ljung-Box Statystyka; Statistic 7,777 Wartość p; Probability 0,100 Poszukiwano zatem modelu zmienności Y1 wśród klasy modeli szeregów czasowych (tab. 18). 83 Monografie i Rozprawy Naukowe Tabela 18 Wybrane (najlepiej dopasowane) modele szeregów czasowych dla zbiorów słomy zbóż podstawowych z mieszankami (Y1) Selected (best fit) models for time series for the harvests of cereals straw (Y1) with mixtures Model; Model AR(1) MA(1) AR(2) MA(0) ARMA(2,1) ARMA(1,1) Kryterium A/C; Criterion A/C 633,345 634,326 635,273 637,101 637,198 641,249 Najkorzystniejszymi parametrami charakteryzował się model opisujący proces autoregresyjny AR(1); jego parametry zestawiono w tabeli 19. Tabela 19 Parametry procesu autoregresyjnego AR(1) dla zbiorów słomy zbóż podstawowych z mieszankami (Y1) Parameters of the autoregressive process AR(1) for the straw harvest of cereals (Y1) with mixtures α1 Estymator; Estimator 0,370 Błąd standardowy; Standard error 0,148 Statystyka t; t-Statistic 2,490 Wartość p; Probability 0,008 Model ten charakteryzuje się jednak bardzo niską wartością współczynnika determinacji (0,14), zaś jego własności prognostyczne sprowadzają się do generowania linii prostej o wartości średniej Y1, czyli 25,6 mln t zbiorów słomy zbóż podstawowych z mieszankami (rys. 23). Bardzo niska wartość współczynnika determinacji oraz nieistotne parametry zarówno modelu liniowego, jak i nieliniowego zmiennej (Y1) były wynikiem występujących wahań zbiorów słomy zbóż podstawowych z mieszankami. Przyczyn niskich wartości współczynnika determinacji oraz pozostałych parametrów modelu należy upatrywać w zmienności głównie plonów, a w mniejszym stopniu powierzchni zasiewów, co zostało opisane w kolejnym podrozdziale. Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk zbiór słomy (tys. t); straw harvest (thous. t) 84 ARProcess(1) Se = 3111 30000 25000 20000 1980 1985 1990 1995 2000 2005 2010 rok; year Y1 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 23. Zbiory słomy zbóż podstawowych z mieszankami (Y1) – symulacja stochastyczna na podstawie procesu autoregresyjnego AR(1) (średnia ± 2 odch. stand.) Harvest of cereal straw with mixture (Y1) – stochastic simulation based on the autoregressive process AR(1) (mean ± 2 standard deviation) Dla zbiorów słomy rzepakowej (Y2) zbudowano trend liniowy z elementem autoregresyjnym AR(1) dla procesu resztowego, gdyż Reszty modelu liniowego wykazywały istotną autokorelację – test Ljunga-Boxa (tab. 20–22 i rys. 24–26). Tabela 20 Parametry modelu trendu liniowego dla zbiorów słomy rzepakowej (Y2) Linear trend model parameters for rape straw harvest (Y2) 1 t t Reszty; Residuals Razem; Total Estymator; Estimator 381,270 39,299 Błąd standardowy; Standard error 133,696 5,825 Statystyka t; t-Statistic 2,851 6,745 DF SS MS 7629416,489 6203406,236 1,3×107 7629416,489 167659,628 1 37 38 Wartość p; Probability 0,007 6,198×10-8 Statyka F; F-Statistic 45,505 Wartość p; Probability 6,198×10-8 85 Monografie i Rozprawy Naukowe Tabela 21 Wyniki testu autokorelacji Reszt dla zbiorów słomy rzepakowej (Y2) Residuals of the autocorrelation test results for rape straw harvest (Y2) Test; Test Ljung-Box Statystyka; Statistic 26,470 Wartość p; Probability 0,00002 Tabela 22 Parametry procesu autoregresyjnego AR(1) dla Reszt modelu liniowego trendu dla zbiorów słomy rzepakowej (Y2) Parameters of the autoregressive process AR(1) model for the residuals of the linear trend for rape straw harvest (Y2) α1 Estymator; Estimator 0,567 Statystyka t; t-Statistic 4,300 Wartość p; Probability 0,00005 Y2 = 39,2991 t + 381,271 2500 zbiór słomy rzepakowej (tys. t); rape straw harvest (thous. t) Błąd standardowy; Standard error 0,131 R2 = 0,551544 Se = 409,463 2000 1500 1000 500 0 1975 1980 1985 1990 1995 2000 2005 rok; year Y2 trend; trend Rys. 24. Model trendu dla zbiorów słomy rzepakowej (Y2) Trend model for rape straw harvest (Y2) 2010 86 Reszty modelu (tys. t); residuals of the model (thous. t) Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 500 1980 1985 1990 1995 2000 2010 2005 –500 Rys. 25. Reszty modelu trendu dla zbiorów słomy rzepakowej (Y2) Residuals of the model trend for rape straw harvest (Y2) funkcja autokorelacji reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej reszt; partial autocorrelation function of residuals 0,4 0,4 0,2 0,2 2 4 6 8 2 10 4 6 8 10 –0,2 –0,2 przesunięcie; shift przesunięcie; shift Rys. 26. Reszty modelu trendu liniowego oraz ich funkcje autokorelacji i autokorelacji cząstkowej dla zbiorów słomy rzepakowej (Y2) Residuals of the linear trend model and their autocorrelation functions and partial autocorrelation for rape straw harvest (Y2) Końcowy model jest dopasowany do zjawiska w 70% i wskazuje na istotną tendencję wzrostową zbiorów słomy rzepakowej – współczynnik kierunkowy trendu wyniósł 39,29 (rys. 27). 87 Monografie i Rozprawy Naukowe zbiór słomy rzepakowej (tys. t); rape straw yield (thous. t) Y2 = 39,2991 t + 381,271 R2 = 0,551544 Se = 409,463 2500 et = ARProcess(1) 2000 1500 1000 500 1980 1985 1990 –500 1995 2000 2005 2010 rok; year Y2 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 27. Zbiory słomy rzepakowej (Y2) – symulacja stochastyczna na podstawie trendu i procesu resztowego AR(1) (trend ± 2 odch. stand.) Harvest of rape straw (Y2) – stochastic simulation based on the trend and residual process AR(1) (trend ± 2 standard deviation) Dla zbiorów słomy kukurydzianej (Y3) zbudowano trend liniowo-kwadratowy z elementem autoregresyjnym AR(2) dla procesu resztowego, gdyż Reszty modelu liniowego wykazywały istotną autokorelację, aż do opóźnienia rzędu drugiego (tab. 23–25 i rys. 28–29). Tabela 23 Parametry modelu trendu liniowego dla zbiorów słomy kukurydzianej (Y3) Linear trend model parameters for the maize straw harvest (Y3) 1 t t2 t t2 Reszty; Residuals Razem; Total Estymator; Estimator 419,101 –80,813 3,963 Błąd standardowy; Standard error 193,503 22,309 0,540 Statystyka t; t-Statistic 2,165 –3,622 7,326 DF SS MS 2,983×107 7846739,280 5262338,350 4,294×107 2,983×107 7846739,280 146176,065 1 1 36 38 Wartość p; Probability 0,0370 0,0008 1,229×10-8 Statyka F; F-Statistic 204,080 53,680 Wartość p; Probability 2,094×10-16 1,229×10-8 88 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 24 Wyniki testu autokorelacji Reszt dla zbiorów słomy kukurydzianej (Y3) Residuals of the autocorrelation test results for the maize straw harvest (Y3) Test; Test Ljung-Box Statystyka; Statistic 19,974 Wartość p; Probability 0,0005 Tabela 25 Parametry procesu autoregresyjnego AR(2) dla Reszt modelu nieliniowego trendu słomy kukurydzianej (Y3) Parameters of the autoregressive process AR(2) for the residuals model of the nonlinear trend of maize straw harvest (Y3) α1 α2 Estymator; Estimator 0,755 –0,319 Błąd standardowy; Standard error 0,151 0,151 Statystyka t; t-Statistic 4,977 –2,104 Wartość p; Probability 0,000006 0,020 zbiór słomy kukurydzianej (tys. t); maize straw harvest (thous. t) 4000 Y3 = 3,96309 t2 – 80,8139 t + 419,102 R2 = 0,877451 Se = 382,33 3000 2000 1000 0 1975 1980 1990 1985 1995 2000 2005 2010 rok; year Y3 trend; trend Rys. 28. Model trendu dla zbiorów słomy kukurydzianej (Y3) Trend model for the maize straw harvest (Y3) 89 Monografie i Rozprawy Naukowe Reszty modelu trendu; model residuals Reszty modelu (tys. t); residuals of the model (thous. t) 1000 500 1980 1985 1990 1995 2000 2005 2010 –500 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,4 0,4 0,2 0,2 2 4 6 –0,2 8 10 2 4 6 8 10 –0,2 –0,4 –0,4 przesunięcie; shift przesunięcie; shift Rys. 29. Reszty modelu liniowo-kwadratowego oraz ich funkcje autokorelacji i autokorelacji cząstkowej dla słomy kukurydzianej (Y3) Residuals of the linear-quadratic trend model and their autocorrelation and partial autocorrelation functions for the maize straw (Y3) Model jest dopasowany do zjawiska w 92% i wskazuje na bardzo szybki wzrost zbiorów słomy kukurydzianej (rys. 30). 90 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Y3 = 3,96309 t2 – 80,8139 t + 419,102 zbiór słomy kukurydzianej (tys. t); maize straw harvest (thous. t) 4000 R2 = 0,929714 Se = 302,968 et = ARProcess(2) 3000 2000 1000 1980 1985 –1000 1990 1995 2000 2005 2010 rok; year Y3 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 30. Zbiory słomy kukurydzianej (Y3) – symulacja stochastyczna na podstawie trendu i procesu resztowego AR(2) (trend ± 2 odch. stand.) Maize straw harvests of (Y3) – stochastic simulation based on the trend and residual process AR(2) (trend ± 2 standard deviation) Z uwagi na przedstawioną wyżej charakterystykę statystyczną zmiennej Y1 oraz fakt, że zmienna Y4 jest sumą zmiennych Y1, Y2 i Y3 – gdzie wolumeny zbiorów słomy rzepakowej i kukurydzianej stanowią tylko 8% zbiorów słomy 4 zbóż – można było pominąć budowę trendu dla zmiennej Y4. Jednak zwrócono uwagę, że wartości zmiennej Y4 najlepiej modeluje proces SARIMA o opóźnieniu średniej ruchomej MA(1) i cyklu sezonowości równym 4, co oznacza, że występujące wahania zbiorów słomy w Polsce powtarzały się w czteroletnich okresach (tab. 26). Ponadto w przypadku tej zmiennej wystąpił niewielki trend rosnący (rys. 31). Tabela 26 Wybrane (najlepiej dopasowane) modele szeregów czasowych dla zbiorów słomy zbóż podstawowych z mieszankami, rzepaku i kukurydzy (Y4) Selected (best fited) models of time series for the straw harvest of cereals, rape and maize (Y4) Model; Model SARIMA({2,0,0},{0,1,1}4) SARIMA({1,0,0},{0,1,1}4) SARIMA({0,0,1},{0,1,1}4) SARIMA({1,0,0},{0,1,2}4) SARIMA({3,0,0},{0,1,1}4) SARIMA({1,0,0},{1,1,1}4) SARIMA({2,0,0},{0,1,2}4) SARIMA({2,0,1},{0,1,1}4) SARIMA({1,0,0},{1,1,2}4) SARIMA({2,0,0},{1,1,1}4) Kryterium A/C; Criterion A/C 657,349 657,954 658,009 658,801 659,092 659,406 659,617 660,673 661,384 661,416 91 zbiór słomy (tys. t); straw harvest (thous. t) Monografie i Rozprawy Naukowe 30000 25000 Y4 = 112,265 t + 25428,9 R2 = 0,116389 Se = 3574,23 20000 1980 2000 1990 2020 2010 2030 rok; year Y4 SARIMA ({2,0,0}, {0,1,1}4) prognoza; forecast trend; trend Rys. 31. Model SARIMA dla zbiorów słomy zbóż podstawowych z mieszankami, rzepaku i kukurydzy (Y4) SARIMA model for the straw harvest of cereals with mixtures, rape and maize (Y4) 6.1.2. Nadwyżka słomy Najlepszym modelem dla nadwyżki słomy Y5 okazał się model nieliniowy z kwadratem i sześcianem zmiennej czasowej w roli zmiennych objaśniających (tab. 27 i rys. 32). W modelu pominięto pierwszych 8 lat obserwacji, ponieważ w latach 1975–1982 nadwyżka słomy nie występowała. Główną tego przyczyną było zużycie słomy na cele produkcji zwierzęcej, bowiem do 1982 r. utrzymywał się bardzo wysoki stan pogłowia zwierząt. Tabela 27 Parametry modelu trendu liniowego dla nadwyżki słomy (Y5) Linear trend model parameters for the surplus of straw (Y5) 1 t2 t3 t2 t3 Reszty; Residuals Razem; Total Estymator; Estimator 3771,608 36,641 –0,714 Błąd standardowy; Standard error 1013,584 10,148 0,337 Statystyka t; t-Statistic 3,721 3,610 –2,115 DF SS MS 1 1 28 30 6,452×108 3,387×107 2,119×108 8,910×108 6,452×108 3,387×107 7568564,710 Wartość p; Probability 0,0008 0,0010 0,043 Statyka F; F-Statistic 85,260 4,475 Wartość p; Probability 5,427×10-10 0,043 92 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 20000 Y5 = 0,714472 t2 + 36,6414 t2 + 3771,61 nadwyżka słomy (tys. t); surplus straw (thous. t) R2 = 0,762179 Se = 2751,1 15000 10000 5000 0 1985 1990 1995 2000 2005 2010 rok; year Y5 trend; trend Rys. 32. Model trendu dla nadwyżki słomy (Y5) Trend model for the surplus of straw (Y5) Na podstawie wyników testu Ljunga-Boxa (tab. 28) i Cramera von Milesa (tab. 29) można wnosić, że składniki resztowe nie wykazują autokorelacji i charakteryzują się rozkładem normalnym (rys. 33–34). Tabela 28 Wyniki testu autokorelacji Reszt dla nadwyżki słomy (Y5) The results of autocorrelation test of residuals for the surplus of straw (Y5) Test; Test Ljung-Box Statystyka; Statistic 3,728 Wartość p; Probability 0,443 Tabela 29 Wyniki testu normalności Reszt dla nadwyżki słomy (Y5) The results of normal test of residuals for the surplus of straw (Y5) Test; Test Kramer von Mises Statystyka; Statistic 0,093 Wartość p; Probability 0,134 93 Monografie i Rozprawy Naukowe Reszty modelu trendu; model residuals Reszty modelu (tys. t); residuals of the model (thous. t) 4000 2000 1990 1985 1995 2000 2005 2010 –2000 –4000 –6000 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,1 2 4 6 8 10 –0,05 2 4 6 8 10 –0,10 –0,15 –0,1 –0,20 –0,2 –0,25 –0,30 –0,3 przesunięcie; shift przesunięcie; shift Rys. 33. Reszty modelu trendu dla nadwyżki słomy (Y5) oraz ich funkcje autokorelacji i autokorelacji cząstkowej Residuals of the trend model for the surplus of straw (Y5) and their autocorrelation and partial autocorrelation functions 94 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk gęstość prawdopodobieństwa; probability density 0,00015 0,00010 0,00005 0,00000 –6000 –4000 –2000 2000 0 4000 6000 Reszty modelu trendu (tys. t); residuals of the trend model (thous. t) Rys. 34. Rozkład Reszt modelu trendu dla nadwyżki słomy (Y5) Distribution of the trend model residuels for the surplus of straw (Y5) Model trendu jest dopasowany do danych empirycznych w 74%. Od 2000 r. tempo wzrostu nadwyżek słomy uległo spowolnieniu (rys. 35), a jego przyczyny zostaną wyjaśnione w rozdziale 6.3. nadwyżka słomy (tys. t); surplus straw (thous. t) Y3 = 0,714472 t3 + 36,6414 t2 + 3771,61 20000 R2 = 0,762179 Se = 2751,1 15000 10000 5000 1980 1985 1990 1995 2000 2005 2010 rok; year Y3 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 35. Nadwyżka słomy (Y5) – symulacja stochastyczna na podstawie modelu trendu (trend ± 2 odch. stand.) Surplus straw (Y5) – stochastic simulation based on the trend model (trend ± 2 standard deviation) Z przeprowadzonych analiz wynika, że w latach 1983–1990 średnioroczna nadwyżka ponad zużycie w rolnictwie wyniosła 5,1 mln t, a w latach 2007–2013 już 17,0 mln t, co stanowi równowartość ok. 10 mln t średniej jakości węgla kamienne- Monografie i Rozprawy Naukowe 95 go. Nadwyżki słomy występują w tych państwach, których rolnictwo charakteryzuje się znaczącym udziałem zbóż w strukturze zasiewów (ponad 60%) i małym pogłowiem zwierząt (Straw 1998, Denisuk 2003, Edwards i in. 2005, Run-Cang 2010). 6.2. CHARAKTERYSTYKA STATYSTYCZNA I MODELE TRENDÓW DLA ZMIENNYCH NIEZALEŻNYCH 6.2.1. Powierzchnia zasiewów Powierzchnie zasiewów zbóż podstawowych z mieszankami (X11), rzepaku (X21) oraz kukurydzy (X31) przedstawiono na rysunku 36. Powierzchnia zasiewów zbóż podstawowych z mieszankami osiągnęła maksymalną wartość 8,7 mln ha w roku 1997, po czym spadła gwałtownie o 602 tys. ha w roku 2002 i o 169 tys. ha w roku 2003, osiągając areał 7,8 mln ha, czyli poziom z drugiej dekady lat 70. Kolejne lata przyniosły powolny wzrost – do 8,2 mln ha, po czym nastąpił kolejny gwałtowny spadek powierzchni zasiewów – w 2013 r. wynosiła ona już 6,7 mln ha. Wzrost powierzchni zasiewów zbóż podstawowych z mieszankami (X11) w początkowych latach badanego okresu spowodowany był zmniejszeniem pogłowia zwierząt, a tym samym i powierzchni zasiewów roślin pastewnych, głównie uprawianych na zieloną masę. Ponadto zmianie ulegał model żywienia zwierząt, w którym coraz większe znaczenie miały pasze treściwe (Maćkowiak 1997, Kuś i Smagacz 2001). Przyczyną zmniejszania się powierzchni zasiewów zbóż podstawowych na przełomie XX i XXI w. było przygotowanie i realizacja polityki energetycznej UE, w której początkowo zalecano, a następnie zobowiązano kraje członkowskie do zwiększania produkcji biopaliw, głównie biodiesla (Communication 1998, Majewski 2005, Wilkin 2005, Dyrektywa 2009/28/WE). Stad też wzrastała powierzchnia zasiewów rzepaku od 309 tys. ha w roku 1975 do 921 tys. ha w roku 2013. Powierzchnia zasiewów kukurydzy, stosunkowo niewielka jeszcze w latach 80., od lat 90. bardzo szybko wzrastała i w 2013 r. przekroczyła 600 tys. ha (rys. 36). W tabeli 30 i na rysunku 37 przedstawiono podstawowe informacje statystyczne o powierzchni zasiewów badanych zmiennych. Na podstawie wykonanych testów Jarque-Bera ustalono, że zmienne – za wyjątkiem powierzchni zasiewów kukurydzy (X31) – posiadają rozkład normalny (wartości p dla poszczególnych statystyk podano w tabeli 30). Rozkłady te są lekko wysmuklone (za wyjątkiem powierzchni zasiewów rzepaku – X21, dla której kurtoza jest prawie równa 3) i niesymetryczne: powierzchnia zasiewów zbóż podstawowych z mieszankami (X11) – lewostronnie, pozostałe zmienne – prawostronnie (rys. 38). 96 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk powierzchnia zasiewów (tys. ha); sown area (thous ha) powierzchnia zasiewów (tys. ha); sown area (thous ha) X11 – powierzchnia zasiewów zbóż podstawowych z mieszankami; sown area of cereals with mixtures 8500 8000 7500 7000 1975 1980 1985 1990 1995 2000 rok; year 2005 2010 600 powierzchnia zasiewów (tys. ha); sown area (thous ha) powierzchnia zasiewów (tys. ha); sown area (thous ha) X31 – powierzchnia zasiewów kukurydzy na ziarno; sown area of maize 500 400 300 200 100 0 1975 1980 1985 1990 1995 rok; year X21 – powierzchnia zasiewów rzepaku; sown area of rape 800 600 400 200 0 1975 1985 1990 1995 2000 2005 rok; year 2010 X1231 – powierzchnia zasiewów zbóż podstawowych z mieszankami, kukurydzy na ziarno i rzepaku; sown area of cereals, maize, and rape 9000 8500 8000 1975 2000 2005 2010 1980 1980 1985 1990 1995 rok; year 2000 2005 2010 Rys. 36. Powierzchnia zasiewów zbóż podstawowych z mieszankami (X11), rzepaku (X21) oraz kukurydzy (X31) w latach 1975–2013 Sown area of cereals with mixtures (X11), rape (X21) and maize (X31) in the period 1975–2013 Tabela 30 Minimum; Minimum Maksimum; Maximum Odchylenie. stand.; Standard deviation Skośność; Skewness Kurtoza; Kurtosis P dla testu JB; P for the JB test X11 X21 X31 X1231 Mediana; Median Zmienna; Variable Średnia; Average Podstawowe statystyki powierzchni zasiewów zbóż podstawowych z mieszankami (X11), rzepaku (X21) oraz kukurydzy (X31) w latach 1975–2013 Basic statistics for sown area of cereals with mixtures (X11), rape (X21) and maize (X31) in the years 1975–2013 8058,5 492,7 150,4 8551,3 8094 466 59 8615 6753 180 15 7674 8780 946 614 9181 454,7 190,3 160,5 418,9 −0,788 0,779 1,202 −0,265 3,590 2,920 3,510 1,920 0,062 0,088 0,030 0,182 97 Monografie i Rozprawy Naukowe zmienna; variable X1231 X31 X21 X11 0 2000 4000 8000 6000 10000 powierzchnia zasiewów (tys. ha); sown area (thous. ha) Rys. 37. Wykres Box-and-Whisker dla rozkładu powierzchni zasiewów zbóż podstawowych z mieszankami (X11), rzepaku (X21) oraz kukurydzy (X31) w latach 1975–2013 Box-and-Whisker chart for the distribution of sown area of cereals with mixtures (X11), rape (X21) and maize (X31) in the period 1975–2013 obserwowana dystrybuanta; obserwed cumulative distribution 1,0 0,8 0,6 X11 X21 X31 0,4 X1231 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 teoretyczna dystrybuanta; theoretical cumulative distribution Rys. 38. Skumulowane rozkłady empiryczne powierzchni zasiewów zbóż podstawowych z mieszankami (X11), rzepaku (X21) oraz kukurydzy (X31) w latach 1975–2013 względem rozkładu normalnego Cumulative empirical distributions of sown area of cereals with mixtures (X11), rape (X21) and maize (X31) in the period 1975–2013 with respect to normal distribution 98 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk powierzchnia zasiewów (tys. ha); sown area (thous. ha) Z uwagi na występujące w niektórych latach gwałtowne spadki powierzchni zasiewów zbóż podstawowych z mieszankami (rys. 39), utworzono sztuczną zmienną (SHIFT) o wartościach 1 dla lat, w których ten spadek występował i wartościach 0 dla pozostałych lat. Zmienną tę wprowadzono do modelu trendu. 8500 8000 7500 7000 1980 1985 1990 1995 rok; year 2000 2005 2010 Rys. 39. Powierzchnia zasiewów zbóż podstawowych z mieszankami (X11) w latach 1974–2013 (na czerwono zaznaczono lata o gwałtownych spadkach powierzchni zasiewów) Sown area of cereals with mixtures (X11) in the years 1974–2013 (years of rapid declines in crop area marked in red) Na podstawie danych empirycznych zbudowano model trendu nieliniowego z elementem autoregresyjnym AR(2) dla procesu resztowego, ponieważ Reszty modelu liniowego wykazywały istotną autokorelację, aż do opóźnienia rzędu drugiego (rys. 40 i 41). Parametry modelu zmieszczono w tabelach 31–33. Tabela 31 Parametry modelu trendu liniowego dla powierzchni zasiewów zbóż podstawowych z mieszankami (X11) Linear trend model parameters for the sown area of cereals with mixtures (X11) 1 t t3 shift t t3 shift Reszty; Residuals Razem; Total Estymator; Estimator 7473,328 72,398 −0,050 −444,639 Błąd standardowy; Standard error 76,454 6,220 0,004 87,371 Statystyka t; t-Statistic 97,748 11,639 −12,309 −5,089 DF SS MS 1 1 1 35 38 204004,705 5853933,074 765303,000 1034257,160 7857497,941 204004,705 5853933,074 765303,000 29550,204 Wartość p; Probability 2,931×10-44 1,382×10-13 2,838×10−14 0,00001 Statyka F; F-Statistic 6,903 198,101 25,898 Wartość p; Probability 0,012 5,613×10−16 0,00001 99 Monografie i Rozprawy Naukowe Tabela 32 Wyniki testu autokorelacji Reszt dla powierzchni zasiewów zbóż podstawowych z mieszankami (X11) The residuals of the autocorrelation test results for the sown area of cereals with mixtures (X11) Test; Test Ljung-Box Statystyka; Statistic 16,274 Wartość p; Probability 0,002 Tabela 33 Parametry procesu autoregresyjnego AR(2) dla Reszt modelu nieliniowego trendu powierzchni zasiewów zbóż podstawowych z mieszankami (X11) Parameters of the autoregressive process AR(2) model for the residuals of the nonlinear trend for the sown area of cereals with mixtures (X11) powierzchnia zasiewów (tys. ha); sown area (thous. ha) α1 α2 Estymator; Estimator 0,627 –0,281 Błąd standardowy; Standard error 0,153 0,153 Statystyka t; t-Statistic 4,081 –1,832 Wartość p; Probability 0,0001 0,037 8500 8000 7500 7000 1975 X11 = –444,639 shift – 0,0509207 t3 + 72,3989 + 7473,33 R2 = 0,868373 Se = 171,902 1980 1990 1985 1995 2000 2005 2010 rok; year X1 trend; trend Rys. 40. Model trendu dla powierzchni zasiewów zbóż podstawowych z mieszankami (X11) Trend model for the sown area of cereals with mixtures (X11) 100 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Reszty modelu trendu; model residuals Reszty modelu (tys. t); residuals of the model (thous. t) 400 200 1980 1985 1990 2000 1995 2005 2010 –200 –400 funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals funkcja autokorelacji Reszt; autocorrelation function of residuals 0,4 0,4 0,2 0,2 2 4 6 –0,2 8 10 2 4 6 8 10 –0,2 przesunięcie; shift przesunięcie; shift Rys. 41. Reszty modelu trendu nieliniowego oraz ich funkcje autokorelacji i autokorelacji cząstkowej powierzchni zasiewów zbóż podstawowych z mieszankami (X11) Residuals of the non-linear trend model and their autocorrelation and partial autocorrelation functions for the sown area of cereals with mixtures (X11) Model ten jest dopasowany do zjawiska w 92% (rys. 42), a jego trend charakteryzuje się bardzo znacznym spadkiem powierzchni zasiewów od lat 90. XX w. (w roku 2013 była ona mniejsza o 2 mln ha w porównaniu z powierzchnią największą w 1997 r.). 101 powierzchnia zasiewów (tys. ha); sown area (thous. ha) Monografie i Rozprawy Naukowe 8500 8000 7500 7000 X11 = –444,639 shift – 0,0509207 t3 + 72,3989 t + 7473,33 R2 = 0,935265 Se = 126,251 et = ARProcess(2) 6500 1980 1990 1985 1995 2000 2005 2010 rok; year X11 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 42. Powierzchnia zasiewów zbóż podstawowych z mieszankami X11– symulacja stochastyczna na podstawie modelu trendu i procesu resztowego AR(2) (trend ± 2 odch. stand.) Sown area of cereals (X11) – stochastic simulation based on the trend and residual process AR(2) (trend ± 2 standard deviation) Dla powierzchni zasiewów rzepaku (X21) zbudowano model trendu nieliniowego z elementem autoregresyjnym AR(1) dla procesu resztowego, gdyż Reszty modelu liniowego wykazywały istotną autokorelację (tab. 34–36, rys. 43 i 44). Tabela 34 Parametry modelu trendu liniowego dla powierzchni zasiewów rzepaku (X21) Linear trend model parameters for sown area of rape (X21) 1 t3 t3 Reszty; Residuals Razem; Total Estymator; Estimator 350,964 0,009 Błąd standardowy; Standard error 22,072 0,0009 Statystyka t; t-Statistic 15,900 9,647 DF SS MS 1 37 38 984422,578 391342,227 1375764,805 984422,578 10576,816 Wartość p; Probability 4,025×10−18 1,209×10−11 Statyka F; F-Statistic 93,073 Wartość p; Probability 1,209×10−11 102 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 35 Wyniki testu autokorelacji Reszt dla powierzchni zasiewów rzepaku (X21) Residuals of the autocorrelation test results for sown area of rape (X21) Test; Test Ljung-Box Statystyka; Statistic 12,296 Wartość p; Probability 0,015 Tabela 36 Parametry procesu autoregresyjnego AR(1) dla Reszt modelu nieliniowego trendu dla powierzchni zasiewów rzepaku (X21) Parameters of the autoregressive process AR(1) model for the residuals of the nonlinear trend for sown area of rape (X21) powierzchnia zasiewów rzepaku (tys. ha); sown area of rape (thous. ha) α1 Estymator; Estimator 0,443 Błąd standardowy; Standard error 0,143 Statystyka t; t-Statistic 3,090 Wartość p; Probability 0,001 800 600 400 200 X21 = 0,00908849 t3 + 350,964 0 1975 R2 = 0,715546 Se = 102,844 1980 1985 1990 1995 2000 2005 2010 rok; year X21 trend; trend Rys. 43. Model trendu dla powierzchni zasiewów rzepaku (X21) Trend model for sown area of rape (X21) 103 Monografie i Rozprawy Naukowe Reszty modelu trendu; model residuals Reszty modelu (tys. t); residuals of the model (thous. t) 400 200 1980 1985 1990 2000 1995 2005 2010 –200 –400 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,4 0,4 0,2 0,2 2 4 6 –0,2 8 10 2 4 6 8 10 –0,2 przesunięcie; shift przesunięcie; shift Rys. 44. Reszty modelu trendu nieliniowego dla powierzchni zasiewów rzepaku (X21) oraz ich funkcje autokorelacji i autokorelacji cząstkowej Residuals of the nonlinear trend model and their autocorrelation functions and partial autocorrelation for sown area of rape (X21) Model jest dopasowany do zjawiska w 75%, co świadczy o coraz szybszym przyroście powierzchni zasiewów rzepaku (rys. 45). Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk powierzchnia zasiewów rzepaku (tys. ha); sown area of rape (hous. ha) 104 8500 8000 7500 7000 6500 1980 1985 1990 1995 2000 2005 2010 rok; year X21 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 45. Powierzchnia zasiewów rzepaku X21– symulacja stochastyczna na podstawie modelu trendu i procesu resztowego AR(1) (trend ± 2 odch. stand.) Sown area of rape (X21) – stochastic simulation based on the trend and residual process AR(1) (trend ± 2 standard deviation) Dla powierzchni zasiewów kukurydzy (X31) zbudowano trend liniowo-kwadratowy (rys. 46 i 47) z elementem autoregresyjnym AR(2) dla procesu resztowego, albowiem Reszty modelu liniowego wykazywały istotną autokorelację, aż do opóźnienia rzędu drugiego (tab. 37–39). Tabela 37 Parametry modelu trendu liniowego dla powierzchni zasiewów kukurydzy (X31) Linear trend model parameters for the sown area of maize (X31) 1 t t2 t t2 Reszty; Residuals Razem; Total Estymator; Estimator 62,002 −9,991 0,547 Błąd standardowy; Standard error 30,290 3,492 0,084 Statystyka t; t-Statistic 2,046 −2,860 6,464 DF SS MS 1 1 36 38 699767,616 149663,007 128944,966 978375,589 699767,616 149663,007 3581,804 Wartość p; Probability 0,048 0,006 1,673×10−7 Statystyka F; F-Statistic 195,367 41,784 Wartość p; Probability 4,087×10−16 1,673×10−7 105 Monografie i Rozprawy Naukowe Tabela 38 Wyniki testu autokorelacji Reszt dla powierzchni zasiewów kukurydzy (X31) Residuals of the autocorrelation test results for the sown area of maize (X31) Test; Test Ljung-Box Statystyka; Statistic 29,421 Wartość p; Probability 0,000006 Tabela 39 Parametry procesu autoregresyjnego AR(2) dla Reszt modelu nieliniowego trendu dla powierzchni zasiewów kukurydzy (X31) Parameters of the autoregressive process AR(2) model for the residuals of the nonlinear trend for the sown area of maize (X31) powierzchnia zasiewów kukurydzy (tys. ha); sown area of maize (thous. ha) α1 α2 Estymator; Estimator 0,883 –0,307 Błąd standardowy; Standard error 0,152 0,152 Statystyka t; t-Statistic 5,801 –2,021 Wartość p; Probability 4,888×10-7 0,025 800 600 400 200 0 1975 1980 1985 1990 1995 2000 2005 2010 rok; year X31 trend; trend Rys. 46. Model trendu dla powierzchni zasiewów kukurydzy (X31) Trend model for the sown area of maize (X31) 106 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Reszty modelu trendu; model residuals Reszty modelu (tys. t); residuals of the model (thous. t) 200 100 1980 1985 1990 2000 1995 2005 2010 –100 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,4 0,4 0,2 0,2 0,3 0,1 2 4 6 8 10 –0,1 –0,2 2 4 6 8 10 –0,2 –0,3 przesunięcie; shift przesunięcie; shift Rys. 47. Reszty modelu trendu liniowo-kwadratowego dla powierzchni zasiewów kukurydzy (X31) oraz ich funkcje autokorelacji i autokorelacji cząstkowej Residuals of the linear-quadratic trend model and their autocorrelation functions and partial autocorrelation for the sown area of maize (X31) Model jest dopasowany do zjawiska w 94% i wskazuje na bardzo szybki wzrost powierzchni zasiewów kukurydzy od 2003 r. (rys. 48). Jednym z czynników wpływających na wzrost powierzchni uprawy kukurydzy w Polsce, oprócz wzrastających potrzeb rynkowych i dostępności wysoko plonujących odmian są zmiany klimatyczne sprzyjające dojrzewaniu kukurydzy. Należy oczekiwać, że jeśli nastąpi dalszy wzrost średnich temperatur w Polsce, wzrastał będzie również udział tej rośliny w strukturze zasiewów (Michalski 2004, Kozyra i Górski 2004, Dubas i Michalski 2005). 107 powierzchnia zasiewów kukurydzy (tys. ha); sown area of maize (thous. ha) Monografie i Rozprawy Naukowe X21 =0,00908849 t3 + 350,964 1000 R2 = 0,767499 Se = 94,3868 et = ARProcess(1) 800 600 400 200 1980 1985 1990 2000 1995 2005 2010 rok; year X31 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 48. Powierzchnia zasiewów kukurydzy (X31) – symulacja stochastyczna na podstawie modelu trendu i procesu resztowego AR(2) (trend ± 2 odch. stand.) Sown area of maize(X31) – stochastic simulation based on the trend and residual process AR(2) (trend ± 2 standard deviation) Ponieważ powierzchnia zasiewów zbóż podstawowych z mieszankami, kukurydzy na ziarno i rzepaku jest sumą zmiennych X11, X21 i X31 – oraz szereg jej obserwacji nie wykazuje żadnych charakterystycznych „zachowań” – pominięto budowę modelu trendu dla tej zmiennej (tab. 40). Tabela 40 Parametry modelu trendu liniowego dla powierzchni zasiewów zbóż podstawowych z mieszankami, rzepaku i kukurydzy (X1231) Linear trend model parameters for the sown area of cereals, rape and maize (X1231) 1 t2 t3 t2 t3 Reszty; Residuals Razem; Total Estymator; Estimator 3771,608 36,641 –0,714 Błąd standardowy; Standard error 1013,584 10,148 0,337 Statystyka t; t-Statistic 3,721 3,610 –2,115 DF SS MS 1 1 28 30 6,452×108 3,387×107 2,119×108 8,910×108 6,452×108 3,387×107 7568564,710 Wartość p; Probability 0,0008 0,0010 0,043 Statystyka F; F-Statistic 85,260 4,475 Wartość p; Probability 5,427×10-10 0,043 108 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 6.2.2. Plon słomy W latach 1975–2013 średnie plony słomy zbóż podstawowych z mieszankami, plony słomy rzepakowej oraz słomy kukurydzianej wynosiły odpowiednio: 3,18; 2,26 oraz 5,14 t·ha-1. Najwyższe plony słomy zbóż podstawowych z mieszankami zanotowano w latach 80. i na początku lat 90. XX w. oraz w roku 2010. Najwyższe plony słomy rzepakowej zaobserwowano pod koniec lat 90. XX w. oraz w latach 2004–2009 (rys. 49). X22 – plony słomy rzepaku; straw yields of rape 3,0 2,5 1975 plon słomy; straw yield (t·ha–1) plon słomy; straw yield (t·ha–1) 3,5 1980 1985 1990 1995 2000 2005 1,5 1,0 0,5 1980 1985 1990 1995 2000 2005 2010 rok; year X32 – plony słomy kukurydzy; straw yields of maize X1232 – plony słomy zbóż podstawowych z mieszankami, kukurydzy na ziarno i rzepaku; straw yields of cereals, maize, and rape 6 5 4 3 2 1 1980 2,5 2,0 rok; year 7 0 1975 3,0 0,0 1975 2010 plon słomy; straw yield (t·ha–1) plon słomy; straw yield (t·ha–1) X12 – plony słomy zbóż podstawowych z mieszankami; straw yields of cereals 1985 1990 1995 rok; year 2000 2005 2010 3,5 3,0 2,5 1975 1980 1985 1990 1995 2000 2005 2010 rok; year Rys. 49. Plony słomy zbóż podstawowych z mieszankami (X12), rzepaku (X22) oraz kukurydzy (X32) w latach 1975–2013 Straw yields of cereals (X12), rape (X22) and maize (X32) in the years 1974–2013 Zaobserwowano powolny wzrost plonów słomy ogółem od 1975 r. Plony słomy kukurydzianej w badanym okresie zwiększyły się o ok. 50% – z 4 t·ha-1 w latach 80. do 6 t·ha-1 w pierwszej dekadzie XX w. Najwyższe plony słomy kukurydzianej zanotowano w roku 2012 (7,4 t·ha-1). Na rysunku 50 i w tabeli 41 przedstawiono podstawowe informacje statystyczne o tych zmiennych. 109 Monografie i Rozprawy Naukowe zmienna; variable X1232 X32 X22 X12 1 2 3 4 5 7 6 8 plon słomy; straw yield (t·ha ) -1 Rys. 50. Wykres Box-and-Whisker dla rozkładu plonów słomy zbóż podstawowych z mieszankami (X12), rzepaku (X22) oraz kukurydzy (X32) w latach 1975–2013 Box-and-Whisker chart for distribution straw yields of cereals with mixtures (X12), rape (X22) and maize (X32) in the period 1975–2013 Tabela 41 Minimum Minimum Maksimum; Maximum Odchylenie. stand.; Standard deviation Skośność; Skewness Kurtoza; Kurtosis P dla testu JB; P for the test JB X12 X22 X32 X1232 Mediana; Median Zmienna; variable Średnia; Average Podstawowe statystyki plonów słomy zbóż podstawowych z mieszankami (X12), rzepaku (X22) oraz kukurydzy (X32) w latach 1975–2013 Basic statistics for straw yields of cereals with mixtures (X12), rape (X22) and maize (X32) in the years 1975–2013 3,18 2,26 5,14 3,24 3,26 2,30 5,10 3,31 2,25 1,30 3,50 2,25 3,78 3,08 7,40 3,88 0,40 0,41 1,04 0,42 –0,44 –0,12 0,27 –0,44 2,34 2,61 2,18 2,21 0,244 0,874 0,348 0,196 Ze Statystyki Jarque-Bera wynika, że wszystkie zmienne mają rozkład normalny, lekko spłaszczony; zmienne X12 i X22 – lewostronnie asymetryczny, X32 – prawostronnie asymetryczny (tab. 41 i rys. 51). 110 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk obserwowana dystrybuanta; obserwed cumulative distribution 1,0 0,8 0,6 X12 X22 X32 0,4 X1232 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 teoretyczna dystrybuanta; theoretical cumulative distribution Rys. 51. Skumulowane rozkłady empiryczne plonów słomy zbóż podstawowych z mieszankami (X12), rzepaku (X22) oraz kukurydzy (X32) w latach 1975–2013 względem rozkładu normalnego Cumulative empirical distributions for straw yields of cereals (X12), rape (X22) and maize (X32) with respect to normal distribution in the years 1975–2013 Dla plonów słomy zbóż podstawowych z mieszankami (X12) nie udało się zbudować dobrego modelu trendu liniowego ani nieliniowego. Współczynniki kierunkowe modeli okazały się nieistotne (tab. 42). Tabela 42 Parametry modelu trendu liniowego dla plonów słomy zbóż podstawowych z mieszankami (X12) Linear trend model parameters for the straw yields of cereals with mixtures (X12) 1 t t Reszty; Residuals Razem; Total Estymator; Estimator 3,130 0,002 Błąd standardowy; Standard error 0,132 0,005 Statystyka t; t-Statistic 23,600 0,436 DF SS MS 1 37 38 0,031 6,106 6,138 0,031 0,165 Wartość p; Probability 6,686×10-24 0,664 Statyka F; t-Statistic 0,190 Wartość p; Probability 0,664 111 Monografie i Rozprawy Naukowe Dodatkowo wykonany test Ljunga-Boxa potwierdził brak istotnej korelacji pomiędzy obserwacjami X12, aż do opóźnienia rzędu czwartego (tab. 43). Tabela 43 Wyniki testu autokorelacji Reszt dla plonów słomy zbóż podstawowych z mieszankami (X12) Residuals of the autocorrelation test results for the straw yields of cereals with mixtures (X12) Test; Test Ljung-Box Statystyka; Statistic 16,274 Wartość p; Probability 0,002 Poszukiwano zatem modelu zmienności X12 wśród klasy modeli szeregów czasowych, bez zmiennych objaśniających (tab. 44). Tabela 44 Wybrane (najlepiej dopasowane) modele szeregów czasowych dla plonów słomy zbóż podstawowych z mieszankami (X12) Selected (best fit) models for time series for the straw yields of cereals with mixtures (X12) Model; Model AR(1) MA(1) AR(2) MA(0) ARMA(2,1) ARMA(1,1) Kryterium A/C; Criterion A/C –71,1935 –70,1886 –69,4092 –68,1132 –65,6900 –64,1628 Najkorzystniejszymi parametrami statystycznymi charakteryzował się model opisujący proces autoregersyjny AR(1) (tab. 45 i rys. 52). Tabela 45 Parametry procesu autoregresyjnego AR(1) dla Reszt modelu nieliniowego trendu dla plonów słomy zbóż podstawowych z mieszankami (X12) Parameters of the autoregressive process AR(1) for the straw yields of cereals with mixtures (X12) α1 Estymator; Estimator 0,349 Błąd standardowy; Standard error 0,150 Statystyka t; t-Statistic 2,329 Wartość p; Probability 0,012 112 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk plon słomy (t·ha-1); straw yield (t·ha-1) 4,0 ARProcess(1) Se = 0,372 3,5 3,0 2,5 1980 1985 1990 1995 2000 2005 2010 rok; year X12 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 52. Plony słomy zbóż podstawowych z mieszankami (X12) – symulacja stochastyczna na podstawie procesu autoregresyjnego AR(1) (trend ± 2 odch. stand.) Straw yields of cereals with mixtures (X12) – stochastic simulation based on the autoregressive process AR(1) (mean ± 2 standard deviation) Dla plonów słomy rzepakowej (X22) zbudowano trend nieliniowy z elementem autoregresyjnym AR(1) dla procesu resztowego, ponieważ Reszty modelu nieliniowego wykazywały istotną autokorelację (tab. 46–48, rys. 53 i 54). Tabela 46 Parametry modelu trendu liniowego dla plonów słomy rzepakowej (X22) Linear trend model parameters for the straw yields of rape (X22) 1 t2 t2 Reszty; Residuals Razem; Total Estymator; Estimator 2,021 0,0004 Błąd standardowy; Standard error 0,085 0,0001 Statystyka t; t-Statistic 23,520 3,698 DF SS MS 1 37 38 1,723 4,660 6,383 1,723 0,125 Wartość p; Probability 7,522×10-24 0,0007 Statyka F; F-Statistic 13,679 Wartość p; Probability 0,0007 113 Monografie i Rozprawy Naukowe Tabela 47 Wyniki testu autokorelacji Reszt dla plonów słomy rzepakowej (X22) Results of the autocorrelation test of residuals for the straw yields of rape (X22) Test; Test Ljung-Box Statystyka; Statistic 5,364 Wartość p; Probability 0,020 Tabela 48 Parametry procesu autoregresyjnego AR(1) dla Reszt modelu kwadratowego dla plonów słomy rzepakowej (X22) Parameters of the autoregressive process AR(1) model for the residuals of the quadratic trend for the straw yields of rape (X22) α1 Estymator; Estimator 0,357 Błąd standardowy; Standard error 0,149 Statystyka t; t-Statistic 2,387 Wartość p; Probability 0,010 plon słomy rzepakowej; straw yield of rape (t·ha-1) 3,0 2,5 2,0 1,5 1,0 X22 = 0,000452811 t2 + 2,02158 0,5 R2 = 0,269916 Se = 0,354912 0,0 1975 1980 1990 1985 1995 2000 2005 2010 rok; year X22 trend; trend Rys. 53. Model trendu dla plonów słomy rzepakowej (X22) Trend model for the straw yields of rape (X22) 114 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Reszty modelu trendu; model residuals Reszty modelu; residuals of the model (t·ha-1) 0,6 0,4 0,2 1980 1985 1990 1995 2000 2010 2005 –0,2 –0,4 –0,6 –0,8 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,3 0,1 0,2 0,1 –0,1 5 5 10 15 20 25 10 15 20 25 –0,1 –0,2 –0,2 –0,3 –0,3 –0,4 przesunięcie; shift przesunięcie; shift Rys. 54. Reszty modelu trendu kwadratowego dla plonów słomy rzepakowej (X22) oraz ich funkcje autokorelacji i autokorelacji cząstkowej Residuals of the quadratic trend model and their autocorrelation functions and partial autocorrelation for the straw yields of rape (X22) Końcowy model jest dopasowany do zjawiska w 34% (ta stosunkowo niska wartość współczynnika determinacji jest wynikiem dużej zmienności X22) i oznacza istotną tendencję wzrostową plonów słomy rzepakowej (rys. 55). 115 Monografie i Rozprawy Naukowe plon słomy rzepakowej; straw yield od rape (t·ha-1) 8 6 4 X22 =0,000452811 t2 + 2,02158 2 R2 = 0,381168 Se = 0,335744 et = ARProcess(1) 1980 1985 1990 1995 2000 2005 2010 rok; year X22 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 55. Plony słomy rzepakowej (X22 ) – symulacja stochastyczna na podstawie modelu trendu i procesu resztowego AR(1) (trend ± 2 odch. stand.) Straw yields of rape (X22) – stochastic simulation based on the trend and residual process AR(1) (trend ± 2 standard deviation) Dla plonów słomy kukurydzy (X32) zbudowano trend nieliniowy z sezonowym elementem autoregresyjnym SAR(12) dla procesu resztowego, który opisano symbolicznie jako SARIMA (0,0)(1,0)12. Reszty modelu nieliniowego wykazywały znaczącą autokorelację, ale dopiero dla opóźnienia 12 (tab. 49–51). Tabela 49 Parametry modelu trendu liniowego dla plonów słomy kukurydzianej (X32) Linear trend model parameters for the yields of maize straw X32 1 t2 t2 Reszty; Residuals Razem; Total Estymator; Estimator 4,181 0,001 Błąd standardowy; Standard error 0,143 0,0002 Statystyka t; t-Statistic 29,082 8,921 DF SS MS 1 37 38 28,054 13,041 41,095 28,054 0,352 Wartość p; Probability 4,338×10-27 9,352×10-11 Statyka F; F-Statistic 79,594 Wartość p; Probability 9,352×10-11 116 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 50 Wyniki testu autokorelacji Reszt (opóźnienie:12) dla plonów słomy kukurydzianej (X32) Results of the autocorrelation test of residuals (delay:12) for the straw yields of maize (X32) Test; Test Ljung-Box Statystyka; Statistic 11,344 Wartość p; Probability 0,078 Tabela 51 Parametry procesu autoregresyjnego SARIMA ((0,0)(1,0)12) dla Reszt modelu trendu kwadratowego plonów słomy kukurydzianej (X32) Autoregressive process parameters SARIMA ((0.0 ) (1.0 ) 12) for the quadratic trend model residuals of the maize straw yields (X32) Estymator; Estimator 0,532 α1 Błąd standardowy; Standard error 0,136 Statystyka t; t-Statistic 3,824 Wartość p; Probability 0,0002 plon słomy kukurydzianej; straw yield of maize (t·ha-1) 7 6 5 4 3 2 X32 =0,00182713 t2 + 4,1813 1 R2 = 0,682662 Se = 0,59369 0 1975 1980 1985 1990 1995 2000 2005 2010 rok; year X32 trend; trend Rys. 56. Model trendu dla plonów słomy kukurydzianej (X32) Trend model for the straw yields of maize (X32) 117 Monografie i Rozprawy Naukowe Reszty modelu trendu; model residuals Reszty modelu; residuals of the model (t·ha-1) 1,0 0,5 1980 1985 1990 1995 2000 2010 2005 –0,5 –1,0 –1,5 –2,0 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,3 0,1 0,2 0,1 5 5 10 15 20 25 10 15 20 25 –0,1 –0,1 –0,2 –0,2 –0,3 –0,3 –0,4 przesunięcie; shift przesunięcie; shift Rys. 57. Reszty modelu trendu kwadratowego dla plonów słomy kukurydzianej (X32) oraz ich funkcje autokorelacji i autokorelacji cząstkowej Residuals of the quadratic trend model and their autocorrelation functions and partial autocorrelation for the straw yields of maize (X32) Końcowy model jest dopasowany do danych w ok. 60%, co świadczy o istotnej tendencji wzrostowej plonów słomy kukurydzianej oraz cyklicznych wahaniach tej zmiennej o okresie 12 lat (rys. 58; tab. 52). 118 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk plon słomy kukurydzianej; straw yield of maize (t·ha-1) 8 6 4 X32 =0,00182713 t2 + 4,1813 2 R2 = 0,682662 Se = 0,59369 et = SARMAProcess[(0,0)(1,0)12] 1980 1985 1990 1995 2000 2005 2010 rok; year X32 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 58. Plony słomy kukurydzianej X32– symulacja stochastyczna na podstawie modelu trendu i procesu resztowego SAR(12) (trend ± 2 odch. stand.) Straw yields of maize X32 – stochastic simulation based on the trend and residual process SAR(12) (trend ± 2 standard deviation) Tabela 52 Wybrane (najlepiej dopasowane) modele szeregów czasowych dla plonów słomy kukurydzianej (X32) Selected (best fit) models for time series of the maize straw yields (X32) Model; Model SARIMA((2,1,0),(1,1,0)7) SARIMA((3,1,0),(1,1,0)7) SARIMA((1,1,0),(1,1,0)7) SARIMA((0,1,0),(1,1,0)7) SARIMA((2,1,0),(2,1,0)7) SARIMA((1,1,0),(2,1,0)7) SARIMA((0,1,0),(2,1,0)7) SARIMA((2,1,0),(2,1,1)7) SARIMA((0,1,0),(0,1,1)7) SARIMA((1,1,0),(2,1,1)7) Kryterium A/C; Criterion A/C –25,4624 –24,8445 –24,3298 –23,2633 –22,6716 –22,3265 –21,3130 –19,8510 –16,3062 –16,0301 6.2.3. Zużycie słomy Zużycie słomy w rolnictwie uzależnione jest przede wszystkim od pogłowia zwierząt i jego struktury (Kozakiewicz i Nieściór 1984). Wynika to stąd, iż może 119 Monografie i Rozprawy Naukowe być wykorzystywana jako materiał ściołowy w chowie wszystkich zwierząt gospodarskich lub jako pasza dla przeżuwaczy. W badanym okresie zużycie słomy, w obu przypadkach zmniejszyło się o ok. 60%, z tym że jej zapotrzebowanie na cele ściołowe (X42) malało nieprzerwanie w ciągu całego okresu 1975–2013 (rys. 59). Natomiast zużycie słomy na pasze (X41) po latach spadku, od 2002 r. utrzymuje się na poziomie ok. 5,5 mln t. Te tendencje są wynikiem zmniejszania się pogłowia zwierząt ogółem oraz stabilizacji od 2002 r. populacji przeżuwaczy, głównie bydła. X42 – zużycie słomy na ściółkę; bedding straw 14000 12000 10000 8000 6000 4000 2000 0 1975 1980 1985 1990 1995 2000 2005 2010 zużycie słomy (tys. t); wear straw (thous. t) zużycie słomy (tys. t); wear straw (thous. t) X41 – zużycie słomy na paszę; feeding straw 15000 10000 5000 0 1975 1980 1985 1990 rok; year 1995 2000 2005 2010 rok; year Rys. 59. Zużycie słomy na paszę (X41) i ściółkę (X42) w latach 1975–2013 Usefulness of straw on feeding (X41) and bedding (X42) in the years 1975–2013 zmienna; variable Na rysunku 60 i w tabeli 53 przedstawiono podstawowe informacje statystyczne o zmiennych dotyczących zużycia słomy. X42 X41 4000 6000 8000 10000 12000 14000 16000 18000 zużycie słomy (tys. t); wear straw (thous. t) Rys. 60. Wykresy Box-and-Whisker dla zużycia słomy na paszę (X41) i ściółkę (X42) w latach 1975–2013 Box-and-Whisker chart for distribution of feeding (X41) and bedding (X42) straw in the years 1975–2013 120 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 53 Minimum; Minimum Maksimum; Maximum Odchylenie. stand.; Standard deviation Skośność; Skewness Kurtoza; Kurtosis P dla testu JB; P for the test JB X41 X42 Mediana; Median Zmienna; Variable Średnia; Average Podstawowe statystyki zużycia słomy na paszę (X41) i ściółkę (X42) w latach 1975–2013 Basic feeding (X41) and bedding (X42) straw in the years 1975–2013 8804,8 11851,6 7475,9 10963,1 5264,0 6857,0 13850,0 17276,6 3235,7 3357,0 0,34 0,21 1,47 1,63 0,074 0,103 obserwowana dystrybuanta; obserwed cumulative distribution Zmienne X41 i X42 posiadają rozkład normalny, lekko spłaszczony, prawostronnie asymetryczny (rys. 61). 1,0 0,8 0,6 X41 X42 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 teoretyczna dystrybuanta; theoretical cumulative distribution Rys. 61. Skumulowane rozkłady empiryczne zużycia słomy na paszę (X41) i ściółkę (X42) w latach 1975–2013 względem rozkładu normalnego Cumulative empirical distributions for feeding (X41) and bedding (X42) of straw in the years with respect to normal distribution Z uwagi na fakt, że zużycie słomy na paszę (X41) od roku 2002 pozostaje na stałym poziomie, zdecydowano się na zastosowanie dwu modeli dla następujących 121 Monografie i Rozprawy Naukowe okresów: 1975–2001 i 2002–2013. Dla pierwszego z nich najlepszym okazał się model nieliniowy (tab. 54), a dla drugiego – ponieważ nie udało się znaleźć modelu z istotnym trendem (tab. 55; rys. 62) – konieczne okazało się znalezienie parametrów procesu autoregresyjnego, w tym przypadku rzędu drugiego (tab. 56; rys. 63). Tabela 54 Parametry trendu nieliniowego (TREND_A) dla okresu 1975-2001 zużycia słomy na pasze (X41) Parameters of a nonlinear trend (TREND_A) for the period 1975–2001 of feeding straw (X41) 1 t2 t3 Estymator; Estimator 14059,617 −25,557 0,526 Błąd standardowy; Standard error 161,137 2,113 0,080 Statystyka t; t-Statistic 87,252 −12,092 6,540 Wartość p; Probability 1,497×10−31 1,066×10−11 9,156×10−7 Tabela 55 Parametry trendu liniowego (TREND_B) dla okresu 2002–2013 zużycia słomy na paszę (X41) Parameters of a linear trend (TREND_B) for the period 2002–2013 of feeding straw (X41) zużycie słomy (tys. t); wear straw (thous. t) 1 t Estymator; Estimator 5527,014 −8,901 Błąd standardowy; Standard error 71,882 9,766 Statystyka t; t-Statistic 76,890 −0,911 Wartość p; Probability 3,380×10−15 0,383 14000 12000 10000 8000 6000 X41 a =0,526724 t3 – 25,5571 t2 + 14059,6 R2 = 0,980632 Se = 406,562 x41 b = 5527,01 – 8,90106 t R2 = 0,0766873 Se = 116,794 4000 2000 0 1975 1980 1985 1990 1995 2000 2005 2010 rok; year X41 trend–a; trend–a trend–b; trend–b Rys. 62. Modele trendu zużycia słomy na paszę (X41) Models of straw use on fodder (X41) 122 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Tabela 56 Parametry procesu autoregresyjnego AR(2) trendu zużycia słomy na paszę (X41) dla okresu 2002–2013 Parameters of the autoregressive process AR(2) of feeding straw (X41) trend for the period 2002–2013 zużycie słomy (tys. t); wear straw (thous. t) α1 α2 Estymator; Estimator 0,697 –0,477 Błąd standardowy; Standard error 0,253 0,253 Statystyka t; t-Statistic 2,751 –1,883 Wartość p; Probability 0,008 0,042 8000 ARProcess[2] Se = 85,93 7000 6000 5000 4000 1975 1980 1985 1990 1995 2000 2005 2010 rok; year X41 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 63. Zużycie słomy na paszę X41– symulacja stochastyczna na podstawie procesu autoregresyjnego AR(2) w latach 2002–2013 (trend ± 2 odch. stand.) Use of straw for feeding (X41) – stochastic simulation based on the autoregressive process AR(2) in years 2002–2013 (mean ± 2 standard deviation) Dla zużycia słomy na ściółkę (X42) zbudowano trend nieliniowy z elementem autoregresyjnym AR(1) dla procesu resztowego, bowiem Reszty modelu liniowego wykazywały istotną autokorelację (tab. 57 i 58; rys. 64 i 65). 123 Monografie i Rozprawy Naukowe Tabela 57 Parametry modelu trendu liniowego dla zużycia słomy na ściółkę (X42) Linear trend model parameters for the bedding straw (X42) 1 t t2 Estymator; Estimator 18340,208 −392,234 2,574 Błąd standardowy; Standard error 287,720 33,172 0,804 Statystyka t; t-Statistic 63,743 −11,824 3,201 DF SS MS 1 1 36 38 4,132×108 3312215,173 1,163×107 4,282×108 4,132×108 3312215,173 323176,813 t t2 Reszty; Residuals Razem; Total Wartość p; Probability 1,280×10−38 5,893×10−14 0,002 Statyka F; F-Statistic 1278,812 10,248 Wartość p; Probability 1,000×10−29 0,002 Tabela 58 Wyniki testu autokorelacji Reszt dla zużycia słomy na ściółkę (X42) Residuals of the autocorrelation test results for the bedding straw (X42) zużycie słomy (tys. t); wear straw (thous. t) Test; Test Ljung-Box Statystyka; Statistic 20,477 Wartość p; Probability 0,0004 15000 10000 X42 =2,57483 t2 – 392,234 t + 18340,2 R2 = 0,972831 Se = 568,486 5000 0 1975 1980 1985 1990 1995 2000 2005 rok; year X42 trend; trend Rys. 64. Model trendu dla zużycia słomy na ściółkę (X42) Trend model for the use of straw for bedding (X42) 2010 124 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Reszty modelu trendu; model residuals 1000 Reszty modelu (tys. t); residuals of the model (thous. t) 500 1980 1985 1990 2000 1995 2010 2005 –500 –1000 funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,6 0,6 0,4 0,4 0,2 0,2 2 4 6 –0,2 8 10 2 4 6 8 10 –0,2 przesunięcie; shift przesunięcie; shift Rys. 65. Reszty modelu trendu nieliniowego dla zużycia słomy na ściółkę (X42) oraz ich funkcje autokorelacji i autokorelacji cząstkowej Residuals of the nonlinear trend model and their autocorrelation functions and partial autocorrelation for the bedding straw (X42) Końcowy model jest dopasowany do zjawiska w 98% i wskazuje na istotną tendencję spadkową zużycia słomy na ściółkę w badanym okresie (rys. 66). 125 zużycie słomy (tys. t); wear straw (thous. t) Monografie i Rozprawy Naukowe 20000 15000 10000 X42 =2,57483 t2 – 392,234 t + 18340,2 5000 R2 = 0,983555 Se = 438,76 et = ARProcess[1] 1980 1985 1990 1995 2000 2005 2010 rok; year X42 średnia; mean średnia ± 2s; mean ± 2 s.d. Rys. 66. Zużycie słomy na ściółkę (X42) – symulacja stochastyczna na podstawie modelu trendu i procesu resztowego AR(1) (trend ± 2 odch. stand.) Use of straw for bedding (X42) – stochastic simulation based on the trend and residual process AR(1) (trend ± 2 standard deviation) 6.3. MODEL PRZYCZYNOWO-SKUTKOWY NADWYŻKI SŁOMY W POLSCE W LATACH 1975–2013 Na podstawie wykonanych testów niezależności6 – przy wykorzystaniu korelacji Pearsona, korelacji Spearmana oraz statystyki Hoeffdinga D – stwierdzono, że nadwyżka słomy (Y5) jest istotnie skorelowana z następującymi zmiennymi: zbiorami słomy rzepakowej (Y2) i kukurydzianej (Y3), powierzchnią zasiewów i plonami zbóż podstawowych z mieszankami (X11; X12), rzepaku (X21; X22), kukurydzy (X31; X32) a także zużycia na paszę (X41) oraz ściółkę (X42)7. Zgodnie z oczekiwaniami zależności (korelacje) są dodatnie ze zmiennymi opisującymi zbiory słomy, wolumeny zasiewów zbóż i rzepaku oraz plonów, a ujemne ze zmiennymi opisującymi zużycie słomy na paszę i ściółkę8 (rys. 67; tab. 59). Statystyki Pearsona i Spearmana wykrywają zależność liniową, natomiast statystyka Hoeffdinga pozwala wykryć wiele postaci zależności nieliniowych pomiędzy zmiennymi. 7 W analizie pominięto zmienne będące kombinacją liniową innych zmiennych, tj. Y4, X123_1, X123_2, X4_12 i X4_123. 6 8 Ujemna liniowa korelacja ze zmienną X11 jest nieistotna. 126 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Statystyka; Statistic Korelacja Pearsona; Pearson Correlation 0,0185405 Korelacja Pearsona; Pearson Correlation Statystyka; Statistic Statystyka; Statistic 0,716737 Spearman Rank 0,890614 Y5 Y1 Korelacja rang Spearmana; Spearman Rank Statystyka; Statistic –0,334274 Y2 Korelacja Pearsona; Pearson Correlation Statystyka; Statistic 0,668548 Y3 Korelacja Pearsona; Pearson Correlation Statystyka; Statistic 0,837181 Y5 X11 Statystyka; Statistic Korelacja Pearsona; Pearson Correlation 0,240385 X21 Statystyka; Statistic Korelacja Pearsona; Pearson Correlation 0,504625 X31 Korelacja Pearsona; Pearson Correlation Y5 X12 Korelacja Pearsona; Pearson Correlation Statystyka; Statistic –0,835887 X22 Korelacja Pearsona; Pearson Correlation Statystyka; Statistic X32 –0,908468 Y5 X41 X42 Rys. 67. Korelacje między nadwyżką słomy (Y5) i pozostałymi zmiennymi Correlations between the surplus of straw (Y5) and the other variables Statystyka; Statistic 0,834536 127 Monografie i Rozprawy Naukowe Tabela 59 Zależności pomiędzy nadwyżką słomy (Y5) a pozostałymi zmiennymi Relationships between the surplus of straw (Y5) and other variables Statystyka; Statistic Pearsona Hoeffdinga D P Y1 0,018 –0,011 0,921 0,715 X11 Pearsona -0,334 0,066 Hoeffdinga D 0,074 0,007 X12 Pearsona 0,240 0,192 Hoeffdinga D 0,044 0,033 X41 Pearsona –0,835 < 0,001 Hoeffdinga D 0,331 < 0,001 Statystyka; Statistic P Pearsona Hoeffdinga D Y2 0,716 < 0,001 0,158 < 0,001 X21 Spearmana 0,668 Hoeffdinga D 0,138 X22 Pearsona 0,504 Hoeffdinga D 0,042 X42 Spearmana –0,908 Hoeffdinga D 0,473 < 0,001 < 0,001 0,003 0,036 Statystyka; Statistic P Y3 Spearmana 0,890 Hoeffdinga D 0,417 X31 Spearmana 0,837 Hoeffdinga D 0,365 X32 Pearsona 0,834 Hoeffdinga D 0,335 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 Z uwagi na możliwość występowania regresji pozornej zbadano także stopień zintegrowania zmiennych (Charemza i Deadman 1997). Dla oryginalnych szeregów czasowych zastosowano test uwzględniający możliwość występowania niezerowej średniej i trendu deterministycznego, dla szeregów zróżnicowanych – podstawowy test integracji (tab. 60). Tabela 60 Wyniki testu integracji zmiennych Results of the integration of variables test Zmienna; Variable Y1 Y2 Y3 Y5 X11 X21 X31 X12 X22 X32 F Dickeya-Fullera dla szeregu oryginalnego; for original series –24,993 –10,815 –4,715 –31,308 –4,766 –11,702 –3,540 –18,566 –17,478 –28,864 P 0,004 0,303 0,819 < 0,001 0,815 0,248 0,001 0,038 0,054 0,001 F Dickeya-Fullera dla szeregu zróżnicowanego; for diverse series –37,967 –34,858 –23,003 –38,849 –31,330 –35,317 –17,785 –37,829 –36,992 –44,093 P < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 < 0,001 Stopień integracji zmiennej; Degree of variable integration 0 1 1 0 1 1 0 0 1 0 128 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk cd. tab. 60 Zmienna; Variable X41 X42 F Dickeya-Fullera dla szeregu oryginalnego; for original series –0,612 –6,173 P 0,989 0,692 F Dickeya-Fullera dla szeregu zróżnicowanego; for diverse series –9,129 –18,057 P 0,025 < 0,001 Stopień integracji zmiennej; Degree of variable integration 1 1 Nadwyżka słomy (Y5) jest zmienną stacjonarną (z uwzględnieniem niezerowej stałej i trendu deterministycznego), natomiast pozostałe zmienne są stacjonarne bądź zintegrowane w stopniu 1 (tab. 60). Dlatego też konieczne było sprawdzenie skointegrowania zmiennych po oszacowaniu parametrów modelu (Gruszczyński i Podgórska 2003, Wooldridge 2012). Za potencjalne zmienne objaśniające przyjęto zmienne poddane powyższej analizie, za wyjątkiem tych oznaczonych literą Y (tj. zbiorów słomy). Wynika to stąd, iż nadwyżka słomy jest kombinacją liniową zbiorów słomy oraz zużycia słomy, ponadto plony słomy są kombinacją liniową powierzchni zasiewów i zbiorów słomy. Wykorzystując 8 pozostałych zmiennych, estymowano parametry równań ze wszystkimi możliwymi kombinacjami tych zmiennych i wybrano równanie o najwyższym skorygowanym współczynniku determinacji i najniższej wartości kryterium informacyjnego Akaike (AIC). Następnie usunięto z modelu zmienną nieistotną (X22). Do modelu ostatecznie wprowadzono 6 następujących zmiennych: X11 – powierzchnia zasiewów 4 zbóż z mieszankami (tys. ha), X21 – powierzchnia zasiewów rzepaku (tys. ha), X31 – powierzchnia zasiewów kukurydzy na ziarno (tys. ha), X12 – plony słomy 4 zbóż z mieszankami (t·ha-1), X41 – zużycie słomy na paszę (tys. t), X42 – zużycie słomy na ściółkę (tys. t), Parametry otrzymanego modelu przedstawiono w tabeli 61, a jego kształt na rysunkach 68–70. Tabela 61 Parametry modelu nadwyżki słomy (Y5) w latach 1983–2013 Model parameters for surplus of straw (Y5) in the years 1983–2013 1 X11 X21 X31 X12 X41 X42 Estymator; Estimator −34512,477 4,019 3,297 9,571 8169,866 −0,668 −1,185 Błąd standardowy; Standard error 1963,258 0,202 0,371 0,808 159,183 0,102 0,099 Statystyka t; t-Statistic −17,579 19,854 8,870 11,843 51,323 −6,512 −11,893 Wartość p; Probability 3,273×10−15 2,113×10−16 4,832×10−9 1,639×10−11 4,750×10−26 9,808×10−7 1,501×10−11 129 Monografie i Rozprawy Naukowe cd. tab. 61 X11 X21 X31 X12 X41 X42 Reszty; Residuals Razem; Total Estymator; Estimator Błąd standardowy; Standard error Statystyka t; t-Statistic DF SS MS 1 1 1 1 1 1 24 30 1,588×108 2,971×108 2,819×108 7,085×107 7,476×107 6356684,089 1078425,492 8,910×108 1,588×108 2,971×108 2,819×108 7,085×107 7,476×107 6356684,089 44934,395 Wartość p; Probability Statyka F; F-Statistic 3535,567 6613,951 6275,239 1576,937 1663,764 141,465 Wartość p; Probability 1,427×10−27 8,056×10−31 1,510×10−30 2,091×10−23 1,109×10−23 1,501×10−11 Y5 = –34512 + 4,0 x11 + 3,3x21 + 9,6x31 + 8169,9x12 – 0,7x41 – 1,2x42 R2 = 0,99879 Se = 211,977 nadwyżka słomy (tys. t); surplus straw (thous. t) 20000 15000 10000 5000 1985 1990 1995 2000 2005 2010 rok; year Y5 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 68. Model nadwyżki słomy (Y5) w latach 1983–2013 Surplus of straw (Y5) model in the years 1983–2013 130 Reszty modelu (tys. t); residuals of the model (thous. t) Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Reszty modelu trendu; model residuals 400 200 1990 1985 1995 2000 2010 2005 –200 –400 gęstość prawdopodobieństwa; probability density 0,00020 0,00015 0,00010 0,00005 0,00000 –400 –200 200 0 600 400 Reszty modelu (tys. t); residual of the model (thous. t) funkcja autokorelacji Reszt; autocorrelation function of residuals funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals 0,05 0,1 2 4 6 8 10 –0,05 2 4 6 –0,1 8 10 –0,10 –0,15 –0,20 –0,2 –0,25 przesunięcie; shift przesunięcie; shift Rys. 69. Reszty modelu nadwyżki słomy (Y5), ich histogram oraz funkcje autokorelacji i autokorelacji cząstkowej Residual of the surplus of straw (Y5) model, its histogram and autocorrelation functions and partial autocorrelation 131 Monografie i Rozprawy Naukowe 20000 przewidywane; fitted 15000 10000 5000 0 0 5000 10000 15000 20000 obserwowane; observed Rys. 70. Wartości obserwowane i teoretyczne dla modelu nadwyżki słomy (Y5) Observed and theoretical values for the model of surplus of straw (Y5) Na podstawie przeprowadzonych obliczeń dokonano weryfikacji modelu nadwyżki słomy w latach 1983–2013, a jej wyniki przedstawiono poniżej: − parametry modelu są istotne na poziomie 10–6; − model jest bardzo dobrze dopasowany do danych empirycznych, skorygowany współczynnik determinacji R2 wyniósł 0,99. Istotność wpływu poszczególnych zmiennych na wyjaśnianie wariancji nadwyżki słomy potwierdzają wysokie wartości statystyki F (tab. 61); − Reszty modelu oraz ich graficzną analizę przedstawiono na rysunku 69. Test Cramera-von Misesa (p = 0,489) potwierdza normalny rozkład Reszt. Test Breuscha-Pagana-Godfrey’a potwierdza (p = 0,100), że nie ma podstaw do odrzucenia hipotezy o homoskedastyczności składnika losowego (Breusch i Pagan 1979). Nie występuje również zjawisko autokorelacji Reszt rzędu pierwszego ani wyższych rzędów (test Ljunga-Boxa, p = 0,634 dla opóźnienia równego 4) (Ljung i Box 1979). Podstawowy, tj. zakładający średnią = 0 i brak trendu, test Dickeya-Fullera na pierwiastek jednostkowy potwierdził, że szereg otrzymanych Reszt jest stacjonarny (p = 7,965 x 10–7), zatem wybrane do modelu zmienne są skointegrowane. 132 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk nadwyżka słomy (tys. t); surplus straw (thous. t) Stąd też na podstawie oszacowanego modelu stwierdzono, że: − wzrost powierzchni zasiewów 4 zbóż z mieszankami o 1 tys. ha powodował wzrost nadwyżki słomy o 4 tys. t; − wzrost powierzchni zasiewów rzepaku o 1 tys. ha powodował wzrost nadwyżki słomy o 3,2 tys. t; − wzrost powierzchni zasiewów kukurydzy na ziarno o 1 tys. ha powodował wzrost nadwyżki słomy o 9,5 tys. t; − wzrost plonów słomy 4 zbóż z mieszankami o 0,1 t·ha-1 powodował wzrost nadwyżki słomy o 816 tys. t; − wzrost zużycia słomy na paszę o 1 tys. t powodował spadek nadwyżki słomy o 0,7 tys. t; − wzrost zużycia słomy na ściółkę o 1 tys. t powodował spadek nadwyżki słomy o 1,2 tys. t. Próba zbudowania porównywalnego modelu nadwyżki słomy w oparciu o zmienne zbiory słomy rzepakowej (Y2) i kukurydzianej (Y3) nie powiodła się. Najlepszy uzyskany model charakteryzował się m.in. niskim współczynnikiem determinacji (0,66), a co za tym idzie, dużym błędem prognoz (rys. 71 i 72) oraz niestacjonarnością procesu resztowego (Greene 2002). Kryterium informacyjne Akaike AIC wyniosło znacznie więcej, bo aż 571 (w modelu opartym na zmiennych X – 428). 30000 Y5 = 3,13268 py2 + 2,70954 py3 + 3358,39 R2 = 0,674814 Se = 3216,98 25000 20000 15000 10000 5000 1985 1990 1995 2000 2005 2010 rok; year Y5 95% przedział ufności prognozy punktowej; 95% of single prediction confidence interval Rys. 71. Model nadwyżki słomy na podstawie zbiorów słomy zbóż podstawowych z mieszankami (Y1) i rzepakowej (Y2) jako zmienne objaśniające oraz element autoregresyjny AR(1) Model of surplus of straw on the basis of straw harvest of cereals (Y1) and rape (Y2) as illustration of variables and an autoregressive component AR(1) 133 Monografie i Rozprawy Naukowe 20000 przewidywane; fitted 15000 10000 5000 0 0 5000 10000 15000 20000 obserwowane; observed Rys. 72. Wartości obserwowane i teoretyczne dla modelu nadwyżki słomy w oparciu o zbiory słomy zbóż podstawowych z mieszankami (Y1) i rzepakowej (Y2) jako zmienne objaśniające oraz element autoregresyjny AR(1) Observed and theoretical values for model of straw surplus on the base of harvests of the main cereals with mixtures (Y1) and oilseed rape (Y2) as illustration variables and an autoregressive element AR(1) 6.4. MODELE PANELOWE NADWYŻKI SŁOMY Przeprowadzona analiza w układzie regionalnym wykazała, że możliwości alternatywnego wykorzystania słomy są znacznie mniejsze od nadwyżek obliczonych w skali Polski, ponieważ w niektórych województwach część tych nadwyżek należy przeznaczyć na przyoranie, dla utrzymania zrównoważonego bilansu substancji organicznej w glebie. W 1999 r. różnica ta wyniosła 3279 tys. t, a w 2013 r. 5104 tys. t. Należy jednak dodać, że z opracowanego bilansu słomy dla Polski taka konieczność nie wynikała, świadczy to o tym, że decyzje dotyczące możliwości alternatywnego zagospodarowania tego surowca winny być poprzedzone sporządzeniem lokalnego bilansu słomy (Kuś i Smagacz 2001, Denisiuk 2003). W naszym opracowaniu taki bilans sporządzony został w układzie wojewódzkim. Wynikało to przede wszystkim z możliwości uzyskania wiarygodnych danych liczbowych do przeprowadzenia takiego rachunku. 134 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Wielkość nadwyżek słomy jest zróżnicowana regionalnie, gdyż zależy od struktury użytkowania gruntów, struktury zasiewów, wielkości gospodarstw oraz obsady i sposobu chowu zwierząt gospodarskich. Największymi możliwościami energetycznego wykorzystania słomy charakteryzowały się województwa: wielkopolskie, kujawsko-pomorskie, lubelskie, zachodniopomorskie, dolnośląskie, mazowieckie (rys. 73). Uzyskane wyniki są zbliżone do szacunków przedstawionych przez Edwardsa i innych (2005) oraz Pudełko (2013). Niewielkie możliwości zagospodarowania słomy na cele energetyczne w badanych latach występowały w województwach: lubuskim, małopolskim, podkarpackim i świętokrzyskim, a w podlaskim wręcz niedobory. Nie oznacza to jednak, że w skali lokalnej, gminnej czy nawet powiatowej i w tych regionach słoma nie mogła by być wykorzystywana na cele energetyczne. Wymaga to jednak prowadzenia rachunku w mikroskali, można byłoby wówczas z większą precyzją określić zapotrzebowanie słomy na cele rolnicze, uwzględniając przy tym różne sposoby utrzymania zwierząt (systemy ściołowe czy bezściołowe) i żywienia (pasze treściwe czy objętościowe). pomorskie warmińsko-mazurskie zachodniopomorskie podlaskie kujawsko-pomorskie mazowieckie wielkopolskie Nadwyżka słomy (tys. t); Surplus of straw (thous. t): lubuskie łódzkie lubelskie dolnośląskie opolskie śląskie świętokrzyskie 1500 1250 1000 małopolskie podkarpackie 750 500 250 0 Rys. 73. Średnioroczna nadwyżka słomy w układzie wojewódzkim w latach 1999–2013 Average-year surplus of straw in particular voivodeships in the years 1999–2013 135 Monografie i Rozprawy Naukowe Na podstawie danych panelowych z 16 województw z lat 1999–2013 zbudowano dwa modele: − ze stałymi efektami czasowymi (rys. 74), − ze stałymi efektami przekrojowymi (rys. 75). Procedura poszukiwania najlepiej dopasowanego modelu była analogiczna jak dla modelu czasowo-przekrojowego. Ostatecznie do modelu ze stałymi efektami przekrojowymi wprowadzono 5 następujących zmiennych: X11 – powierzchnia zasiewów 4 zbóż z mieszankami (tys. ha), X21 – powierzchnia zasiewów rzepaku (tys. ha), X31 – powierzchnia zasiewów kukurydzy na ziarno (tys. ha), X12 – plony słomy 4 zbóż z mieszankami (t·ha-1), X42 – zużycie słomy na ściółkę (tys. t). Parametry otrzymanego modelu przedstawiono w tabeli 62. nadwyżka słomy (tys. t); surplus straw (thous. t) 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 dolnośląskie 2000 2005 2010 łódzkie 2000 2005 2010 podkarpackie 2000 2005 2010 świętokrzyskie 2000 2005 2010 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 kujawsko-pomorskie 2000 2005 2010 małopolskie 2000 2005 2010 podlaskie 2000 2005 2010 warmińsko-mazurskie 2000 2005 2010 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 lubelskie 2000 2005 2010 mazowieckie 2000 2005 2010 pomorskie 2000 2005 2010 wielkopolskie 2000 2005 2010 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 3000 2500 2000 1500 1000 500 0 –500 lubuskie 2000 2005 2010 opolskie 2000 2005 2010 śląskie 2000 2005 2010 zachodniopomorskie 2000 rok; year Rys. 74. Nadwyżka słomy w układzie wojewódzkim w latach 1999–2013 Surplus of straw in particular voivodeships in the years 1999–2013 2005 2010 136 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 1999 3000 2000 2000 1000 1000 1000 0 0 5 10 15 2002 3000 0 0 5 10 15 2003 3000 0 2000 2000 1000 1000 1000 0 0 3000 2500 2000 1500 1000 500 0 –500 5 10 2005 0 5 10 3000 5 10 0 15 2006 3000 2000 1000 1000 0 0 0 5 10 15 2009 3000 2000 2000 1000 1000 0 0 10 15 2011 3000 5 10 15 2012 3000 2000 1000 1000 0 0 15 10 5 15 dolnośląskie kujawsko-pomorskie lubelskie lubuskie łódzkie małopolskie mazowieckie opolskie podkarpackie podlaskie pomorskie śląskie świętokrzyskie warmińsko-mazurskie wielkopolskie zachodniopomorskie 10 15 2013 3000 1000 10 15 2010 0 2000 5 Województwo; Voivodship: 0 0 2000 0 10 5 3000 1000 5 15 2007 0 2000 0 5 3000 2000 15 2008 10 2004 0 0 15 5 3000 2000 0 2001 3000 2000 0 nadwyżka słomy (tys. t); surplus straw (thous. t) 2000 3000 0 0 5 10 15 0 5 10 15 województwo; voivodeship Rys. 75. Nadwyżka słomy w poszczególnych województwach (w układzie przekrojowym) Surplus of straw in particular voivodeships (in the sectional profile) Tabela 62 Parametry modelu nadwyżki słomy (Y5) w latach 1983–2013 Model parameters for surplus straw (Y5) in the years 1983–2013 1 X11 X21 X31 X12 X42 Estymator; Estimator efekt; effect 2,545 3,984 5,542 423,682 −0,916 Błąd standardowy; Standard error Statystyka t; t-Statistic Wartość p; Probability - - - 0,453 1,023 1,402 24,913 0,254 5,611 3,894 3,952 17,006 −3,605 6,037×10−8 0,0001 0,0001 6,594×10−42 0,0003 137 Monografie i Rozprawy Naukowe nadwyżka słomy (tys. t); surplus straw (thous. t) Otrzymany model jest dobrze dopasowany do danych empirycznych, skorygowany współczynnik determinacji wyniósł 0,86 (rys. 76). Zmienne objaśniające są istotne na poziomie 0,0005. Wszystkie efekty stałe dla poszczególnych województw również są istotne na poziomie 0,005. Efekty stałe możemy interpretować jako stałe, nieznane czynniki różnicujące wielkość nadwyżki słomy w poszczególnych województwach, niezależne od wartości zmiennych objaśniających. 3000 2000 1000 50 100 obserwowane; observed 150 200 przewidywane; fitted Rys. 76. Dopasowanie modelu panelowego do obserwacji nadwyżki słomy Matching the panel model to the observations of surplus of straw Reszty modelu nie wykazują korelacji (rys. 77) (w obrębie szeregów czasowych województw ani pomiędzy województwami) i dla poszczególnych województw – poza woj. warmińsko-mazurskim – posiadają rozkład normalny (rys. 78). Wartości estymatorów oszacowanego modelu (tab. 62) wskazują, o ile wzrastała (zmniejszała się) nadwyżka zbiorów słomy (Y5), gdy zmienne niezależne zmieniały się o jednostkę. Na podstawie estymowanego modelu stwierdzono: − wzrost powierzchni zasiewów zbóż podstawowych z mieszankami o 1 tys. ha powodował wzrost nadwyżki słomy o 2,545 tys. t, przy założeniu niezmienności pozostałych zmiennych; − wzrost powierzchni zasiewów rzepaku o 1 tys. ha powodował wzrost nadwyżki słomy o 3,984 tys. t, przy złożeniu niezmienności pozostałych zmiennych; − wzrost powierzchni zasiewów kukurydzy na ziarno o 1 tys. ha powodował wzrost nadwyżki słomy o 5,542 tys. t, przy złożeniu niezmienności pozostałych zmiennych; − wzrost plonów słomy 4 zbóż z mieszankami o 0,1 t·ha-1 powodował wzrost nadwyżki słomy o 42,368 tys. t, przy złożeniu niezmienności pozostałych zmiennych; − wzrost zużycia słomy na ściółkę o 1 tys. t powodował spadek nadwyżki słomy o 0,916 tys. t, przy założeniu niezmienności pozostałych zmiennych. 138 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Reszty modelu trendu; model residuals Reszty modelu (tys. t); residuals of the model (thous. t) 400 200 100 50 200 150 –200 –400 funkcja autokorelacji cząstkowej Reszt; partial autocorrelation function of residuals funkcja autokorelacji Reszt; autocorrelation function of residuals 0,10 0,10 0,05 0,05 –0,05 20 40 60 80 100 120 20 –0,10 –0,10 –0,15 –0,15 –0,20 40 60 80 100 –0,05 –0,20 przesunięcie; shift przesunięcie; shift Rys. 77. Reszty oraz autokorelacja i autokorelacja cząstkowa Reszt modelu panelowego Residuals and autocorrelation and partial autocorrelation of residuals of model panel 120 139 Monografie i Rozprawy Naukowe kujawsko-pomorskie Kolmogorov Smirnov 0,191504; p = 0,158218 dolnośląskie Kolmogorov Smirnov 0,15092; p = 0,489657 8 10 6 8 6 4 4 2 obserwacja; obserwation –100 7 6 5 4 3 2 1 0 200 łódzkie Kolmogorov Smirnov 0,155667; p = 0,438961 –100 0 100 200 300 400 małopolskie Kolmogorov Smirnov 0,121017; p = 0,816365 3 2 1 100 200 300 podkarpackie Kolmogorov Smirnov 0,139915; p = 0,613009 –100 0 100 –100 7 6 5 4 3 2 1 8 0 100 0 100 7 6 5 4 3 2 1 200 8 4 6 4 4 2 2 0 50 100 150 200 200 400 8 100 200 300 400 0 0 200 400 600 opolskie Kolmogorov Smirnov 0,220341; p = 0,0562334 6 4 2 0 200 400 pomorskie Kolmogorov Smirnov 0,193267; p = 0,149253 –400 –200 8 0 200 400 śląskie Kolmogorov Smirnov 0,138938; p = 0,623977 6 4 2 0 100 200 –200 0 200 400 zachodniopomorskie Kolmogorov Smirnov 0,156143; p = 0,434014 7 6 5 4 3 2 1 2 0 –100 –200 wielkopolskie Kolmogorov Smirnov 0,168392; p = 0,31737 6 –50 0 mazowieckie Kolmogorov Smirnov 0,112247; p = 0,891715 –100 warmińsko-mazurskie Kolmogorov Smirnov 0,289454; p = 0,00224979 8 6 2 1 –200 200 podlaskie Kolmogorov Smirnov 0,179317; p = 0,232151 –200 –100 200 świętokrzyskie Kolmogorov Smirnov 0,137909; p = 0,635551 6 5 4 3 –200 6 5 4 3 2 1 5 0 lubuskie Kolmogorov Smirnov 0,109231; p = 0,912816 7 6 5 4 3 2 1 4 –100 6 5 4 3 2 1 100 2 0 lubelskie Kolmogorov Smirnov 0,17698; p = 0,248729 –500 0 500 1000 1500 2000 –400 –200 0 200 400 600 Reszty nadwyżek słomy (tys. t); residual of surplus straw (thous. t) Rys. 78. Rozkład Reszt dla poszczególnych województw Distribution for particular voivodeships 6.5. PROGNOZY NADWYŻEK SŁOMY DO 2030 ROKU Prognozy długookresowe wymagają spełnienia określonych założeń predykcji. Najważniejsze z nich to: − stabilność (lub prawie stabilność) prawidłowości ekonomicznej w czasie, − stabilność (lub prawie stabilność) parametrów modelu w czasie, − stabilność (lub prawie stabilność) rozkładu składnika losowego w czasie (Zeliaś 1997). Otrzymane modele dla zmiennej Y5 poddano więc dodatkowej analizie w celu sprawdzenia ich stabilności strukturalnej w czasie. Prognozy nadwyżek słomy sporządzono dwoma metodami: − na podstawie trendu, − na podstawie modelu przyczynowo-skutkowego. 140 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 6.5.1. Prognozy na podstawie trendu Do sporządzenia prognozy nadwyżek słomy na podstawie trendu wykorzystano model nieliniowego trendu o równaniu: Y5 = 3771,608 + 36,641 t2 – 0,714 t3 Jego właściwości omówiono w podrozdziale 6.1.2 (tab. 27–29; rys. 32–35). Należy wspomnieć, że składniki resztowe nie wykazały autokorelacji i charakteryzowały się rozkładem normalnym (wyniki testu Ljunga-Boxa i Cramera von Milesa). Dodatkowo wykonany test Ramseya RESET, umożliwiający wykrycie błędów specyfikacji modeli, dla których klasyczne miary weryfikacji dopasowania (współczynnik determinacji, testy autokorelacji składnika losowego itd.) dają zadowalające wyniki, potwierdził, że model jest prawidłowo wyspecyfikowany (Ramsey 1969): Test RESET: F = 0,104; p = 0,982. Wykonane testy stabilności w czasie parametrów modelu (Johnston i DiNardo 1998) wykazały, że parametry są liniowo niezależne od czasu oraz stabilne w czasie (rys. 79). Szczegółowe testy dotyczące obserwacji odstających i wpływowych również potwierdzają dobre dopasowanie modelu do szeregu czasowego (rys. 80): − statystyka DFFITS (difference in fit, standarized), − statystyka DFBETAS, − Cook’s D (Cook’s distance), − COVRATIO (Freund i Wilson 2006). Należy przy tym zauważyć, że trzy ostatnie obserwacje znacznie zwiększają precyzję estymacji parametrów modelu. Na podstawie oszacowanego modelu trendu obliczono prognozę punktową i przedziałową – z 95% przedziałem ufności – nadwyżki słomy do roku 2030. Wyniki liczbowe przedstawiono w tabeli 63, a wizualizację prognozy na rysunku 81. 141 Monografie i Rozprawy Naukowe 15000 10000 estymator parametru a0; estimate of a0 5000 przedział ufności; confidence interval 5 10 15 20 25 parametr estymatora; parameter estimation –5000 600 400 estymator parametru a1; estimate of a1 200 5 10 15 20 25 przedział ufności; confidence interval –200 –400 20 5 10 15 20 25 estymator parametru a2; estimate of a2 przedział ufności; confidence interval –20 –40 liczebność próby; sample size Rys. 79. Stabilizowanie się wartości parametrów modelu trendu w miarę wzrostu długości próby (estymacja rekursywna) Stabilizing of values of trend model parameters as the sample lenght arises (recursive estimation) 142 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk DFFITS a0 0,6 DFBETAS a1 a2 0,4 0,4 0,2 parametr Reszt; parameter residuals 0,2 1988 1903 1908 2003 2008 2013 –0,2 1988 1903 1908 2003 2008 2013 2008 2013 –0,2 –0,4 –0,6 –0,4 Cook’s D COVRATIO 0,14 1,5 0,12 0,10 1,0 0,08 0,06 0,5 0,04 0,02 1988 1903 1908 2003 2008 2013 1988 1903 1908 2003 rok; year Rys. 80. Statystyki jakości modelu oparte o Reszty Statistics of model quality based on the residuals Tabela 63 Prognoza punktowa i przedziałowa nadwyżki słomy na podstawie modelu trendu nieliniowego (tys. t) Point and interval forecast of surplus of straw on the basis of a non-linear trend model (thous. t) Rok; Year Prognoza; Forecast Przedział ufności; Confidence interval 2014 17880 10967* 24793** 2015 17998 10587 25408 2016 18047 10010 26084 2017 18024 9226 26822 2018 17924 8224 27624 2019 17743 6999 28487 2020 17477 5546 29408 2021 17121 3859 30383 2022 16671 1934 31409 2023 16123 −234 32482 2024 15473 −2652 33599 2025 14716 −5325 34757 2026 13847 −8259 35954 2027 12864 −11460 37189 2028 11761 −14936 38458 2029 10533 −18694 39761 2030 9178 −22740 41097 * wersja pesymistyczna; pessimistic version, ** wersja optymistyczna; optimistic version 143 nadwyżka słomy (tys. t); surplus straw (thous. t) Monografie i Rozprawy Naukowe 40000 30000 20000 10000 0 1990 2010 2000 2020 2030 rok; year Y5 trend; trend prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 81. Prognoza punktowa i przedziałowa nadwyżki słomy na podstawie modelu trendu nieliniowego Point and interval forecast for surplus of straw on the basis of a non-linear trend model Z przedstawionej prognozy nadwyżek słomy opracowanej na podstawie modelu trendu nieliniowego wynika, że po początkowym wzroście do ponad 18 mln t w latach 2016 i 2017, nastąpi ich systematyczny spadek. W 2030 r. nadwyżki te wyniosą 9,2 mln t, najwyższe będą w województwach: wielkopolskim, lubelskim, dolnośląskim, kujawsko-pomorskim i zachodniopomorskim, a najniższe w: lubuskim, małopolskim, podkarpackim oraz świętokrzyskim (rys. 82). W dalszym ciągu utrzymywać się będzie niedobór słomy w woj. podlaskim wynikający ze stosunkowo niskiego udziału zbóż i rzepaku w strukturze zasiewów oraz dużej skali chowu bydła. W tabeli 63 i na rysunku 81 przedstawiono także prognozę dla górnej i dolnej granicy przedziału ufności. W przypadku ukształtowania się trendu w dolnych granicach tego przedziału od 2023 r. zbiory słomy byłyby niższe od zapotrzebowania.Ten wariant jest mało prawdopodobny, podobnie jak przebieg trendu w górnych granicach przedziału ufności. W tym wariancie nadwyżki słomy byłyby wyższe od jej zbiorów w 2013 r. Teoretycznie byłoby to możliwe, gdyby w strukturze zasiewów zboża podstawowe z mieszankami były zastępowane uprawą kukurydzy na ziarno. Wynika to stąd, iż plony słomy kukurydzianej są około dwukrotnie wyższe od uzyskiwanych w produkcji zbóż podstawowych. 144 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk pomorskie warmińsko-mazurskie zachodniopomorskie podlaskie kujawsko-pomorskie mazowieckie wielkopolskie lubuskie łódzkie lubelskie dolnośląskie opolskie śląskie świętokrzyskie Nadwyżka słomy (tys. t); Surplus of straw (thous. t): 1500 1250 1000 małopolskie podkarpackie 750 500 250 0 Rys. 82. Prognoza nadwyżki słomy w układzie wojewódzkim w 2030 r. oszacowana na podstawie modelu trendu nieliniowego Forecast of surplus of straw in particular voivodeships in the 2030 year estimated on the basis of a non-linear trend model 6.5.2. Prognozy na podstawie modelu przyczynowo-skutkowego Do sporządzenia prognozy nadwyżek słomy na podstawie modelu przyczynowo-skutkowego wykorzystano równanie: Y5 = −34 512,477 +4,019 X11 + 8 169,866 X12 + 3,297 X21 + 9,571 X31 − 0,668 X41 − 1,185 X42 Jego właściwości omówiono w podrozdziale 6.3 (tab. 61 i rys. 68–70). Należy wspomnieć, że składniki resztowe nie wykazały autokorelacji i charakteryzowały się rozkładem normalnym. Potwierdził to także wykonany test Ramseya RESET: Test RESET: F = 0,588, p = 0,302 Również wykonane testy stabilności w czasie parametrów modelu wykazały, że są one liniowo niezależne od czasu oraz stabilne w czasie (rys. 83). 145 Monografie i Rozprawy Naukowe 5 10 15 20 –10000 przedział ufności; confidence interval –20000 –30000 9000 –40000 –50000 6000 parametr estymatora; parameter estimation 8 estymator parametru a1; estimate of a1 przedział ufności; confidence interval 4 przedział ufności; confidence interval 8000 7000 6 estymator parametru a4; estimate of a4 10000 estymator parametru a0; estimate of a0 5 10 15 20 15 20 0,5 5 10 –0,5 estymator parametru a5; estimate of a5 –1,0 –1,5 2 przedział ufności; confidence interval –2,0 5 10 15 20 6 –2,5 estymator parametru a2; estimate of a2 przedział ufności; confidence interval 4 5 10 15 20 –0,5 estymator parametru a6; estimate of a6 –1,0 przedział ufności; confidence interval 2 –1,5 5 10 15 20 20 –2,0 estymator parametru a3; estimate of a3 15 przedział ufności; confidence interval 10 5 5 10 15 20 –5 liczebność próby; sample size Rys. 83. Stabilizowanie się wartości parametrów modelu trendu w miarę wzrostu długości próby Stabilizing the values of model parameters trend as the length of the sample increases Szczegółowe testy dotyczące obserwacji odstających i wpływowych również potwierdzają dobre dopasowanie modelu do szeregu czasowego: statystyka DFFITS, statystyka DFBETAS, Cook’s D, COVRATIO (rys. 84). Prognozowanie na podstawie modelu przyczynowo-skutkowego wymaga znajomości wartości zmiennych objaśniających na prognozowany okres. W oszacowanym modelu przedstawionym na rysunku 84 występuje 6 zmiennych objaśniających: X11 – powierzchnia zasiewów 4 zbóż z mieszankami (tys. ha), X21 – powierzchnia zasiewów rzepaku (tys. ha), X31 – powierzchnia zasiewów kukurydzy na ziarno (tys. ha), X12 – plony słomy 4 zbóż z mieszankami (t·ha-1), X41 – zużycie słomy na paszę (tys. t). X42 – zużycie słomy na ściółkę (tys. t). Istniała zatem konieczność obliczenia prognoz dla tychże zmiennych na lata 2014–2030. Na rysunkach 85–91 zilustrowano prognozowane wartości dla tych zmiennych wraz z 95% przedziałem ufności. 146 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk DFFITS a0 1,0 0,4 0,5 0,2 1988 1908 1903 2003 2008 2013 –0,5 1988 a1 1903 a2 DFBETAS a3 a4 1908 a5 a6 2003 2008 2013 2003 2008 2013 –0,2 –1,0 –0,4 –1,5 Cook’s D COVRATIO 1,2 2,0 1,0 1,5 0,8 0,6 1,0 0,4 0,5 0,2 1988 1908 1903 2003 2008 2013 1988 1903 1908 rok; year Rys. 84. Statystyki jakości modelu uwzględniające Reszty Statistics of model quality taking into account the residuals powierzchnia zasiewów (tys. ha); sown area (thous. ha) parametr Reszt; parameter residuals 1,5 8000 6000 4000 2000 0 1980 1990 2000 2010 2020 2030 rok; year X11 trend; trend prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 85. Prognoza powierzchni zasiewów zbóż podstawowych z mieszankami (X11) Forecast for sown area of cereals with mixtures (X11) 147 powierzchnia zasiewów (tys. ha); sown area (thous. ha) Monografie i Rozprawy Naukowe 2000 1500 1000 500 0 1980 1990 2000 2010 2020 2030 rok; year X21 prognoza; forecast trend; trend 95% przedział ufności prognozy punktowej; single prediction confidence intervals powierzchnia zasiewów (tys. ha); sown area (thous. ha) Rys. 86. Prognoza powierzchni zasiewów rzepaku (X21) Forecast for sown area of rape (X21) 1400 1200 1000 800 600 400 200 0 1980 1990 2000 2010 2020 2030 rok; year X31 trend; trend prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 87. Prognoza powierzchni zasiewów kukurydzy (X31) Forecast for sown area of maize (X31) Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk plon słomy; straw yield (t·ha-1) 4,0 3,5 3,0 2,5 1980 1990 2010 2000 2030 2020 rok; year X12 średnia (symulacja stochastyczna); mean (stochastic simulation) prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 88. Prognoza plonów słomy 4 zbóż z mieszankami (X12) Forecast for sown area of cereals (X12) 14000 zużycie słomy (tys. t); wear straw (thous. t) 148 12000 10000 8000 6000 4000 2000 0 1980 1990 2010 2000 2020 2030 rok; year X41 średnia (symulacja stochastyczna); mean (stochastic simulation) prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 89. Prognoza zużycia słomy na paszę (X41) Forecast for feeding straw (X41 ) 149 zużycie słomy (tys. t); wear straw (thous. t) Monografie i Rozprawy Naukowe 15000 10000 5000 0 1980 1990 2000 2010 2020 2030 rok; year X42 trend; trend prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 90. Prognoza zużycia słomy na ściółkę (X42 ) Forecast of use of straw for bedding (X42 ) Wykorzystując prognozowane wartości zmiennych objaśniających, zbudowano prognozę nadwyżki słomy na podstawie modelu przyczynowo-skutkowego. Błąd MAPE dla tego modelu wyniósł 2,52%. Na podstawie obliczonego współczynnika Theila, którego wartość wyniosła 0,00025, można było stwierdzić, że własności prognostyczne modelu są bardzo dobre (Hamilton 1994). Prognozę nadwyżki słomy – z wykorzystaniem prognoz punktowych zmiennych objaśniających – do roku 2030 przedstawiono w tabeli 64 i na rysunku 91. Tabela 64 Prognoza punktowa i przedziałowa nadwyżki słomy na podstawie modelu przyczynowo-skutkowego (tys. t) Point and interval forecast of surplus of straw on the basis model of cause and effect (thous. t) Rok; Year 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 Prognoza; Forecast 17799 17039 16670 16452 16271 16078 14066 15590 13495 13138 14518 Przedział ufności; Confidence interval 17228* 18369** 16457 17622 16076 17264 15844 17059 15643 16898 15424 16732 13362 14770 14873 16306 12712 14278 12311 13966 13688 15348 150 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk cd. tab. 64 Rok; Year Prognoza; Forecast 2025 14061 2026 13554 2027 12988 2028 12392 2029 11735 2030 9237 * wersja pesymistyczna; pessimistic version ** wersja optymistyczna; optimistic version Przedział ufności; Confidence interval 13184 14937 12626 14482 12014 13982 11347 13438 10623 12847 7968 10505 nadwyżka słomy (tys. t); surplus straw (thous. t) 20000 15000 10000 5000 0 1990 2000 2010 2020 2030 rok; year Y5 prognoza; forecast 95% przedział ufności prognozy punktowej; single prediction confidence intervals Rys. 91. Prognoza punktowa i przedziałowa nadwyżki słomy na podstawie modelu przyczynowo-skutkowego Point and interval forecast of surplus of straw on the basis of a causal model Wykonano także prognozę nadwyżki słomy, wykorzystując prognozowane wartości zmiennych objaśniających z górnej i dolnej granicy przedziału ufności (poza X12, gdyż uznano ten przedział za zbyt szeroki do niniejszej symulacji). W ten sposób uzyskano przedział prognozy dla nadwyżki słomy ukazujący, jak mogłaby się ona kształtować w przypadku korzystnych wartości zmiennych X (prognoza optymistyczna) oraz niekorzystnych wartości zmiennych X (prognoza pesymistyczna) w przyszłości. Wyniki przedstawiono w tabeli 65 i na rysunku 92. 151 Monografie i Rozprawy Naukowe Tabela 65 Prognoza punktowa (neutralna) i przedziałowa (wersja optymistyczna i pesymistyczna) nadwyżki słomy na podstawie modelu przyczynowo-skutkowego (tys. t) Point forecast (neutral) and interval forecast (optimistic and pessimistic version) of surplus of straw on the basis model of cause and effect (thous. t) Rok; Year Prognoza; Forecast 2014 17799 2015 17039 2016 16670 2017 16452 2018 16271 2019 16078 2020 14066 2021 15590 2022 13495 2023 13138 2024 14518 2025 14061 2026 13554 2027 12988 2028 12392 2029 11735 2030 9237 * wersja pesymistyczna; pessimistic version ** wersja optymistyczna; optimistic version Przedział ufności; Confidence interval 11271* 23491** 10609 23210 10228 23204 9891 23297 9505 23393 9041 23465 6709 21504 7884 23558 5426 21562 4673 21571 5602 23590 4678 23559 3672 23506 2583 23431 1410 23332 152 23210 −2938 21036 nadwyżka słomy (tys. t); surplus straw (thous. t) 25000 20000 15000 10000 5000 0 1990 2000 2010 2020 2030 rok; year Y5 prognoza optymistyczna; optimistic forecast prognoza neutralna; neutral forecast prognoza pesymistyczna; pessimistic forecast Rys. 92. Prognoza punktowa (neutralna) i przedziałowa (wersja optymistyczna i pesymistyczna) nadwyżki słomy na podstawie modelu przyczynowo-skutkowego Point forecast (neutral) and interval forecast (optimistic and pessimistic version) of surplus of straw on the basis of a causal model 152 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk W 2030 r. nadwyżki te wyniosą 9,2 mln t, najwyższe będą w województwach: wielkopolskim, lubelskim, dolnośląskim, kujawsko-pomorskim i zachodniopomorskim, a najniższe w lubuskim, małopolskim, podkarpackim oraz świętokrzyskim (rys. 93). W dalszym ciągu utrzymywać się będzie niedobór słomy w woj. podlaskim, czego przyczyną będą stosunkowo niski udział zbóż i rzepaku w strukturze zasiewów oraz duża skala chowu bydła. pomorskie warmińsko-mazurskie zachodniopomorskie podlaskie kujawsko-pomorskie mazowieckie wielkopolskie lubuskie Nadwyżka słomy (tys. t); Surplus of straw (thous. t): łódzkie lubelskie dolnośląskie opolskie śląskie świętokrzyskie 1500 1250 1000 małopolskie podkarpackie 750 500 250 0 Rys. 93. Prognoza nadwyżki słomy w układzie wojewódzkim w 2030 r. oszacowana na podstawie modelu przyczynowo-skutkowego Forecast of surplus of straw in particular voivodeships in the 2030 year on the basis of a causal model Główną przyczyną prognozowanego spadku nadwyżki słomy w latach 2014–2030 jest prognozowany drastyczny spadek powierzchni zasiewów zbóż podstawowych z mieszankami. Jeśli jednak założymy, że spadek ten zatrzyma się i powierzchnia zasiewów zostanie utrzymana na poziomie 7000 tys. ha, prognoza nadwyżki słomy będzie przedstawiać się inaczej – szczegóły w tabeli 66 i na rysunku 94. 153 Monografie i Rozprawy Naukowe Tabela 66 Prognoza punktowa (neutralna) i przedziałowa (wersja optymistyczna i pesymistyczna) nadwyżki słomy na podstawie modelu przyczynowo-skutkowego (tys. t) Point forecast (neutral) and interval forcast (optimistic and pessimistic version) of surplus of straw on the basis model of cause and effect (thous. t) Rok; Year Prognoza; Forecast 2014 17642 2015 17403 2016 17686 2017 18268 2018 18980 2019 19730 2020 20492 2021 21263 2022 22047 2023 22842 2024 22842 2025 24467 2026 25298 2027 26143 2028 26143 2029 26143 2030 28768 * wersja pesymistyczna; pessimistic version ** wersja optymistyczna; optimistic version Przedział ufności; Confidence interval 12576* 21241** 12724 21649 13212 22377 13805 23248 14410 24168 14995 25111 15566 26080 16134 27085 16703 28125 17269 29199 17829 30303 18382 31435 18930 32597 19475 33791 20019 35016 20562 36272 21103 37559 nadwyżka słomy (tys. t); surplus straw (thous.t) 40000 30000 20000 10000 0 1990 2000 2010 2020 2030 rok; year Y5 prognoza optymistyczna; optimistic forecast prognoza neutralna; neutral forecast prognoza pesymistyczna; pessimistic forecast Rys. 94. Prognoza punktowa (neutralna) i przedziałowa (wersja optymistyczna i pesymistyczna) nadwyżki słomy na podstawie modelu przyczynowo-skutkowego przy założeniu ustabilizowania się powierzchni zasiewów zbóż podstawowych z mieszankami Point forecast (neutral) and interval forecast (optimistic and pessimistic version) of surplus ofstraw on the basis of a causal model assuming a stabilization of the sown area of cereals with mixtures 154 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk Z przedstawionych powyżej obu prognoz wynika, że do 2030 r. słoma stanowić będzie jedno z głównych źródeł energii odnawialnej w Polsce. Uwzględniając prognozy bilansu energetycznego kraju (Duda i in. 2009), pełne wykorzystanie nadwyżek słomy w 2030 r. pokryłoby w ok. 4% zapotrzebowanie na energię finalną. Rozwój nowych technologii produkcji biopaliw kolejnych generacji (Pawlak i Grzybek 2012) oraz transformacja w Polityce Energetycznej UE (Rezolucja 2013) spowodują jednak zmiany sposobu energetycznego jej wykorzystania; z tradycyjnej konwersji na ciepło lub energię elektryczną, do postaci paliw ciekłych. 7. PODSUMOWANIE I WNIOSKI Jednym z najważniejszych czynników determinujących rozwój i wzrost gospodarczy jest energia, bowiem każdy proces gospodarowania musi być zasilany energetycznie. Znaczenie energii eksponowali już w XIX w. Say, Mill czy prekursor austriackiej szkoły ekonomii Bastiat. W wielu koncepcjach naukowych wskazywano na zależności między zużyciem energii a wzrostem gospodarczym, metodami jej wytwarzania a postępem kulturowo-cywilizacyjnym, podkreślając wpływ energii na rozwój gospodarczy, jak również wagę w wyjaśnianiu przyczyn i skutków rewolucji przemysłowej. Z badań prowadzonych zarówno przez ekonomistów, geografów i historyków zajmujących się gospodarką wynika, że występowała istotna pozytywna korelacja między konsumpcją energii a aktywnością gospodarczą, mierzoną zarówno w skali makro jak i mikro. Umiejętność korzystania z różnych nośników i form energii jest traktowana jako kryterium sprawności oraz efektywności gospodarowania, a także determinanta wzrostu i rozwoju społeczno-gospodarczego. Podstawowym i historycznie pierwszym źródłem energii była żywność, która poprzez proces metabolizmu utrzymywała funkcje życiowe oraz generowała energię mechaniczną mięśni wykorzystywaną do poruszania się i pracy. Ponadto gatunek ludzki dzięki intelektowi potrafił wykorzystać na swój użytek energię znajdującą się poza swoim ciałem, doskonalił sztukę jej konwersji, zwiększając zarówno ilość, dyspozycyjność, łatwość codziennego wykorzystania, jak też sprawność i koszt. Od ok. XIV w. zaczęto korzystać z zasobów paliw kopalnych. Początkowo był to węgiel, od XIX w. ropa naftowa i gaz ziemny, a od XX w. pierwiastki służące jako paliwa jądrowe energii rozszczepienia albo syntezy. Wzrost zainteresowania wykorzystaniem kopalnych źródeł energii następował wraz z nowymi wynalazkami techniki, takimi jak: silnik parowy, elektryczny, spalinowy, turbina parowa czy reaktor jądrowy. W wyniku tych odkryć ludzkość uzyskała dostęp do niewykorzystywanych wcześniej zasobów energii, co wywarło bezpośredni wpływ na poprawę dobrobytu, ponieważ we wszystkich procesach produkcji i konsumpcji odgrywa ona rolę siły sprawczej. Długofalowy model wykorzystania energii w krajach uprzemysłowionych został zdominowany przez substytucję energii z drewna i wody węglem, ropą naftową, gazem ziemnym i energią elektryczną. Od 1850 do 2000 r. wykorzy- Monografie i Rozprawy Naukowe 155 stanie energii na świecie zwiększyło się 20-krotnie, w tym paliw kopalnych ponad 150-krotnie. W wyniku bardzo wysokiej i ciągle rosnącej konsumpcji energii, na przełomie lat 60. i 70. XX w. zaczęły się pojawiać symptomy kryzysu energetycznego oraz postępujące zmiany klimatu wywołane antropogeniczną ingerencją w formie spalania paliw kopalnych i nadmiernego rozwoju transportu. W historii myśli ekonomicznej rozwój różnorodnych metod analizy energetycznej datuje się na lata 70. XX w., a głównym powodem tego zainteresowania były kryzysy energetyczne oraz zagrożenia środowiskowe. W teorii ekonomii rozwinęły się dwa kierunki, z których pierwszy dostarczał nowej interpretacji w ramach tradycyjnych narzędzi i metod badawczych, w tym optymalnego wykorzystania zasobów naturalnych, energochłonności gospodarek, elastyczności energetycznej produktu społecznego oraz zachowania, zanieczyszczenia i ochrony środowiska. Drugi natomiast stworzył zręby nowego paradygmatu odchodzącego od utrwalonych wzorców tradycyjnego myślenia, wykorzystując w analizie ekonomicznej osiągnięcia nauk matematyczno-przyrodniczych, w tym prawa zachowania masy i prawa entropii. Poszukiwanie możliwie najkorzystniejszych rozwiązań problemów dotyczących gospodarowania energią i związaną z jej użytkowaniem ochroną środowiska w różnych skalach czasowych nazwano ekonomią energii. Swoim zakresem obejmuje między innymi takie zagadnienia, jak: wyczerpywanie się zasobów paliw kopalnych, przeciwdziałanie zmianom klimatycznym, efektywność energetyczną i wykorzystanie odnawialnych źródeł energii, które we wszystkich rozpatrywanych przez Międzynarodową Agencję Energetyki (IEA) scenariuszach będą zastępować paliwa konwencjonalne, stosownie do wyczerpywania się ich zasobów i związanego z tym wzrostu cen energii. Do głównych zalet odnawialnych źródeł energii należą: znacznie mniejszy zakres oddziaływania na środowisko przyrodnicze oraz zwiększenie dywersyfikacji zaopatrzenia w energię, co sprzyja wzrostowi konkurencji i poprawia bezpieczeństwo energetyczne kraju. Przede wszystkim uniezależniają odbiorców od importu – co szczególnie ważne – z regionów niestabilnych politycznie. Ponadto z racji rozproszenia utrudniają ewentualną zmowę i próby manipulowania podażą w celu szantażowania odbiorców. Eksploatacja niezależnych źródeł mocy przynosi korzyści zarówno ich użytkownikom, jak i zakładom energetycznym. Rozmieszczenie rozproszonych źródeł w pobliżu odbiorców zmniejsza straty przesyłu, obniża koszty dostawy, ogranicza bądź odracza potrzeby rozbudowy sieci, a także redukuje ewentualne deficyty mocy w szczycie energetycznym. Dodatkowe korzyści ekonomiczne występują przy skojarzonym wytwarzaniu energii elektrycznej i cieplnej. Odnawialne źródła energii stymulują także rozwój gospodarczy i społeczny na poziomie regionalnym i lokalnym. Ze struktury pozyskania energii ze źródeł odnawialnych wynika, że dotychczas największe znaczenie miała biomasa wykorzystywana głównie w ciepłownictwie, elektroenergetyce, biogazowniach oraz do wytwarzania biopaliw. Od początku drugiej dekady XXI w. jej udział zmniejszał się, a coraz większego znaczenia nabierała 156 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk energia wiatrowa i słoneczna. Głównym powodem było subsydiowanie rozwoju tego sektora energetycznego oraz coraz niższe koszty i wyższa efektywność energetyczna instalacji fotowoltaicznych i solarnych. Tego rodzaju źródła wymagają jednak utrzymywania tzw. „gorącej rezerwy” w systemie dyspozycji mocy, co jest od wielu lat przedmiotem sporów w energetyce, między innymi co do sposobów wspierania rozwoju wytwarzania energii z zasobów odnawialnych. Za jeden z najbardziej przyszłościowych kierunków wykorzystania OZE uznaje się produkcję energii oraz paliw płynnych i gazowych z biomasy, głównie z masy ubocznej, która stanowi więcej niż połowę produkcji globalnej wytwarzanej w rolnictwie. W dyrektywie 2009/28/ WE w sprawie promowania stosowania energii ze źródeł odnawialnych podkreślono, że wykorzystanie surowców rolnych, takich jak nawóz pochodzenia zwierzęcego czy mokry obornik oraz innych odpadów zwierzęcych i organicznych do wytwarzania biogazu dzięki wysokiemu potencjałowi oszczędności w emisji gazów cieplarnianych daje znaczne korzyści dla środowiska zarówno przy wytwarzaniu energii ciepła i elektrycznej, jak i stosowaniu jako biopaliwo. Instalacje na biogaz dzięki zdecentralizowanemu charakterowi i regionalnej strukturze inwestycyjnej mogą wnieść znaczący wkład w zrównoważony rozwój obszarów wiejskich i stwarzać nowe perspektywy dochodów dla rolników. Z tego dokumentu wynika też, że największe znaczenie spośród odnawialnych źródeł energii w dalszym ciągu będzie miała biomasa. Sporządzona analiza oraz przeprowadzone badania pozwoliły na zweryfikowanie postawionych w pracy hipotez badawczych. Na tej podstawie sformułowano także kilka wniosków i opinii dotyczących postawionych problemów badawczych. 1. Energia była zawsze postrzegana jako ważna charakterystyka konkretnych procesów zachodzących w przyrodzie. Rozporządzanie energią, zwłaszcza ciał nieożywionych, jest kluczem do dostępności zasobów naturalnych i siłą sprawczą każdego działania. Kontrolowanie jej przepływów określa siłę panowania człowieka i jego względny wpływ na naturę, kształtuje formę systemów gospodarczych oraz oddziałuje na indywidualny styl życia. Pomimo to nie była uwzględniana w większości ekonomicznych modeli wzrostu gospodarczego, co wynika ze złożoności powiązań oraz przepływów energetycznych, jak i z niedostatecznego rozpoznania fizycznej istoty procesów transformacji energii. W opracowaniu dokonano oceny miejsca energii w teoriach ekonomicznych, modelach wzrostu gospodarczego oraz zasobów energii z perspektywy ekonomicznej. 2. Narastające na przełomie lat 60. i 70. XX w. symptomy kryzysu surowcowo-energetycznego oraz postępujące w bardzo dużym tempie zanieczyszczenie środowiska przyczyniły się do szerszego zainteresowania problematyką substytucji nieodnawialnych zasobów naturalnych odnawialnymi. Znajduje to uzasadnienie w prezentowanym w literaturze ekonomicznej poglądzie, iż korzystanie z zasobów odnawialnych w mniejszym stopniu niż byłoby to możliwe jest marnotrawstwem. Przykładem jest rynek surowców energetycznych. Dlatego też we wszystkich rozpatrywanych scenariuszach przewiduje się, że po roku 2020 na- Monografie i Rozprawy Naukowe 157 stępować będzie zmniejszanie udziału paliw konwencjonalnych: ropy naftowej, gazu ziemnego oraz węgla, stosownie do wyczerpywania ich zasobów i związanego z tym wzrostu cen energii. Miejsce konwencjonalnych zasobów zajmować będą odnawialne źródła energii. Wykorzystując literaturę przedmiotu oraz wyniki badań własnych, zaproponowano klasyfikacje zasobów naturalnych, w tym podział według kryterium odnawialności źródeł pochodzenia, a także schemat przemian energii. 3. Zmniejszanie udziału tradycyjnych, kopalnych nośników energii jest cechą charakterystyczną współczesnej polityki energetycznej w krajach rozwiniętych. Ich miejsce zajmują odnawialne źródła energii, spośród których największe znaczenie ma biomasa. Wykorzystanie produktów rolniczych na cele energetyczne budzi wiele kontrowersji, stąd też postulat Parlamentu Europejskiego dotyczący nowelizacji dyrektywy w sprawie promowania stosowania energii ze źródeł odnawialnych (2009/28/WE), aby zwiększać udział zwłaszcza produktów ubocznych. Do takich surowców należy słoma, ale możliwości jej energetycznego wykorzystania powinny być zgodne z zapisami wynikającymi z Kodeksu Dobrej Praktyki Rolniczej. 4. Badania potwierdziły powszechnie głoszoną tezę o znaczących nadwyżkach słomy w Polsce, które można wykorzystać na cele energetyczne. W latach 1983–1990 średnioroczna nadwyżka zbiorów słomy ponad zużycie w rolnictwie wyniosła 5,1 mln t, a w latach 2007–2013 już 17,0 mln t. Jednak z analizy w układzie regionalnym wynika, że możliwości alternatywnego wykorzystania słomy są znacznie mniejsze, ponieważ w niektórych województwach część tych nadwyżek należy przeznaczyć na przyoranie dla utrzymania zrównoważonego bilansu substancji organicznej w glebie. W 1999 r. różnica ta wyniosła 3,3 mln t, a w 2013 r. 5,1 mln t. Z bilansu słomy dla Polski taka konieczność nie wynikała, co świadczy o tym, że decyzje dotyczące możliwości alternatywnego zagospodarowania tego surowca powinny być poprzedzone sporządzeniem bilansu słomy na poziomie lokalnym. W przeprowadzonych badaniach taki bilans sporządzony został w układzie wojewódzkim. Największe jej nadwyżki były dostępne w województwach: dolnośląskim, kujawsko-pomorskim, lubelskim, wielkopolskim i zachodniopomorskim. 5. Średnioroczna wartość energetyczna uzyskiwanych w latach 2007–2013 nadwyżek słomy wynosiła 5,7 Mtoe. Przeznaczenie jej na cele energetyczne pozwoliłoby na pokrycie 8,5% zapotrzebowania na energię pierwotną w Polsce, co oznacza między innymi równowartość 10 mln t węgla kamiennego średniej jakości lub, inaczej ujmując, umożliwia ograniczenie emisji dwutlenku węgla o 22 mln t, a więc wielkość znaczną w skali kraju. 6. Na podstawie wykonanych testów niezależności – przy wykorzystaniu korelacji Pearsona, korelacji Spearmana oraz statystyki Hoeffdinga D – stwierdzono, że nadwyżka słomy jest istotnie skorelowana z następującymi zmiennymi objaśniającymi: zbiorami słomy rzepakowej i kukurydzianej, powierzchnią zasiewów 158 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk i plonami zbóż podstawowych z mieszankami, rzepaku, kukurydzy, a także zużyciem na paszę oraz ściółkę. Aproksymowany model jest bardzo dobrze dopasowany do danych empirycznych, skorygowany współczynnik determinacji R2 wyniósł 0,99. Istotność wpływu poszczególnych zmiennych na wyjaśnianie wariancji nadwyżki słomy potwierdziły wysokie wartości statystyki F. Zgodnie z oczekiwaniami zależności (korelacje) są dodatnie ze zmiennymi opisującymi zbiory słomy, wolumeny zasiewów zbóż i rzepaku oraz plonów, a ujemne ze zmiennymi opisującymi zużycie słomy na paszę i ściółkę. 7. Niekorzystnym zjawiskiem, chociaż charakterystycznym dla rolnictwa, były występujące wahania nadwyżek słomy. W latach 2000–2013 trzykrotnie ich poziom obniżał się o ok. 40% w stosunku do średniej wynoszącej 14,8 mln t (w 2000, 2003 i 2006 r.). Ich główną przyczyną była niestabilność plonów słomy zbóż podstawowych z mieszankami. Współczynnik regresji cząstkowej dla tej zmiennej wyniósł 816 tys. t, co oznacza, że o taki wolumen zmieni się nadwyżka słomy przy zmianie plonu o jednostkę (0,1 t·ha-1). 8. Do zbudowania prognozy nadwyżek słomy posłużono się oszacowanymi modelami trendu oraz modelami przyczynowo-skutkowymi. Do sporządzenia prognozy nadwyżek słomy na podstawie trendu wykorzystano model nieliniowego trendu o równaniu: Y5 = 3 771,608 + 36,641 t2 – 0,714 t3. Składniki resztowe nie wykazały autokorelacji i charakteryzowały się rozkładem normalnym (wyniki testu Ljunga-Boxa i Cramera von Milesa). Dodatkowo wykonany test Ramseya RESET, umożliwiający wykrycie błędów specyfikacji, potwierdził, że model jest prawidłowo wyspecyfikowany. Wykonane testy stabilności w czasie parametrów modelu wykazały, że parametry są liniowo niezależne od czasu oraz stabilne w czasie. Na podstawie oszacowanego modelu trendu obliczono prognozę punktową i przedziałową – z 95% przedziałem ufności – nadwyżki słomy do roku 2030. W prognozowanym okresie nadwyżki słomy po początkowym wzroście do ok. 18 mln t (2017 r.) będą zmniejszały się i w 2030 r. wyniosą 9,2 mln t. 9. Zbliżone wyniki otrzymano na podstawie modelu przyczynowo-skutkowego opisanego równaniem: Y5 = −34512,477 + 4,019 X11 + 8169,866 X12 + 3,297 X21 + 9,571 X31 − 0,668 X41 − 1,185 X42. Błąd MAPE dla tego modelu wyniósł 2,52%. Na podstawie obliczonego współczynnika Theila, którego wartość wyniosła 0,00025, stwierdzono, że własności prognostyczne modelu są bardzo dobre, a oszacowana na jego podstawie nadwyżka słomy w 2030 r. wyniesie 9,2 mln t. Monografie i Rozprawy Naukowe 159 8. LITERATURA 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. A g h i o n P., H o w i t t P.: The economics of growth. MIT Press. Cambridge, MA, 2009, pp. 475. A l a m M.: Economic growth with energy. MPRA Paper, 2006, 1260: 1-27. A l l e n R.: The British industrial revolution in global perspective. Cambridge University Press. Cambridge, 2009, pp. 342. A l l i c a J., M i t r e A., B u s t a m a n t e J., I t o i z C., B la n c o F., A l k o r t a I., C a r i b i s u C. : Straw quality for its combustion in a straw-fired power plant. Biomass Bioenerg., 2001, 21: 249-258. A r y s t o t e l e s: Metafizyka. PWN, 1983, ww. 1050-1072. A y r e s R., W a r r B.: Accounting for growth: the role of physical work. Structural Change and Economic Dynamics, 2005, 16: 181-209. A y r e s R., A y r e s L., W a r r B.: Exergy, power and work in the US economy, 1900–1998. Energy, 2003, 28: 219-273. A y r e s R., N a i r I.: Thermodynamics and economics. Physics Today, 1984, 35: 62-71. B a d u r J.: Rozwój pojęcia energii. Instytut Maszyn Przepływowych PAN, Gdańsk, 2009, s. 12-20. B a r n e t t H., M o r s e C.: Ekonomika zasobów naturalnych. Książka i Wiedza, Warszawa, 1968, s. 2-121. B a s t i a t F.: Harmonie ekonomiczne, Instytut Ludwiga von Milesa, 2006, s. 289. B e i n h o c k e r E.: The origin of wealth. Evolution, complexity, and the radical remaking of economics. Harvard Business School Press, Cambridge, Mass, 2006, pp. 527. B e r g e r S., F i j a ł k o w s k a W. (red.): Mała encyklopedia rolnicza. PWRiL, Warszawa 1963, s. 732-733. B e r t r a m R.: New Crops and the International Agricultural Research Centers. W: New crops, J. Willey and Sons (ed.), New York, 1992, pp. 11-22. B l a u g M.: Teoria ekonomii. Ujecie retrospektywne. PWN, Warszawa 1994, s. 60-102. B o l t z m a n n L.: Der zweite Hauptsatz der mechanischen Warmetheorie. W: Populare Schriften, L. Boltzmann (ed.). Leipzig, 1905, p. 26-46. B o u l d i n g K.: Ekonomika ziemi – statku kosmicznego nadchodzącej przyszłości. Środowisko – Społeczeństwo – Gospodarka, Kraków, 1966, s. 29-32. BP Statistical Review of World Energy, June 2014, pp. 48. B r e u s c h T., P a g a n A.: A simple test for heteroskedasticity and random coefficient variation. Econometrica, 1979, 48: 1287-1294. B r o w n J., B u r n s i d e W., D a v i d s o n A., Delong J., D u n n W., H a m i l t o n M., N e k o l a J., O k i e J., M e r c a d o-S i l va N., W o o d r u f f W., Z u o W.: Energetic limits to economic growth. BioScience, 2011, 61(1): 19-26. B r o w n L.: Jutro może być za późno. PWE Warszawa, 1982, s. 111-112. B r o w n M., U l g i a t i S.: Emergy based indices and ratios to evaluate sustainability: monitoring economies and technology toward environmentally sound innovation. Ecol. Eng., 1997, 9(1-2): 51-69. B r o w n M., U l g i a t i S.: Emergy evaluation of the biosphere and natural capital. Ambio, 1999, 28: 486-493. B u h t z E., L u b i s c h H., L u b a d e l O.: Hohe bei der Strohdűngung durch zweckmassige Verteileinrichtungen und sachgemasse Einbrindung. Feld, 1976, 17(6): 261-264. 160 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 25. B u r t r a w D., B o h i D.: SO2 allowance trading: how experience and expectations measure up. Resources for the Future, Discussion Paper, Washington D.C. 1997, 24: 1-19. 26. C a p r a F.: Punkt zwrotny. PIW Warszawa, 1987, ss. 571. 27. C h a r e m z a W., D e a d m a n D.: Nowa ekonometria. PWE, Warszawa 1997, ss. 292. 28. C i e c h a n o w i c z W.: Energia, środowisko i ekonomia. Instytut Badań Systemowych PAN, Warszawa 1997, s. 13. 29. C l a u s i u s R.: Ueber eine veränderte form des zweiten Hauptsatzes der mechanischen Wärmetheoriein. Annalen der Physik und Chemie, Leipzieg, 1854, 169(93): 481-506. 30. Clean Air Act: USA42 U.S.C. §7401 et seq. (1970). 31. C l e v e l a n d C., C o s t a n z a R., H a l l C., K a u f m a n n R.: Energy and the U.S. economy: A biophysical perspective. Science, 1984, 225: 890-897. 32. C l e v e l a n d C., K a u f m a n n R., S t e r n D.: Aggregation and the role of energy in the economy. Ecol. Econ., 2000, 32: 301-318. 33. C l e v e l a n d C., R u t h M.: Capital humano, capital naturale limites biofísicos no processo economico, W: Meio ambiente, C. Cavalcanti (ed.). Desenvolvimento Sustentávele Políticas Públicas, Sao Palo, 1997, p. 131-164. 34. C o a s e R.: The problem of social cost. J. Law Econ., 1960, 3: 1-44. 35. C o l e s J., H i g g s E.: The archaeology of early man. Faber, London, 1969, p. 220. 36. C o o m m u n i c a t i o n from the Commission energy for the future: renewable sources of energy. European Commision, 1998, s. 48-52. 37. C o s t a n z a R.: Energy costs and goods and servces in 1967 including solar energy inputs and labor and government service feedbacks. Document 262, Center for Advenced Computation, University of Iliinois, Champing-Urbana, 1978, p. 8-12. 38. C o s t a n z a R.: The case for a constant embodied energy to dollar ratio. J. Geophys. Res., 1979, 1: 320-327. 39. C o s t a n z a R. Embodied energy and economic valuation. Science, 1980, 210: 1219-1224. 40. C r o c k e r Th.: The Structuring of atmospheric pollution control systems. W: The economics of air pollution, H. Wolozin (ed.). W.W. Norton and Co., New York, 1966, pp. 61-86. 41. C z a j a S.: Entropijno-energetyczna analiza funkcjonowania i dynamiki systemów społeczno-ekonomicznych. W: Ekologiczne uwarunkowania wzrostu gospodarczego w ujęciu współczesnej teorii ekonomii, S. Czaja, B. Fiedor i Z. Jakubczy (red.). Ekonomia i Środowisko, 1993, s. 96. 42. C z a j a S., B e c l a A.: Ekologiczne podstawy procesów gospodarowania. Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, 2002, s. 72-109. 43. C z a j a S., J a k u b c z y k Z.: Spory wokół przedmiotu badań ekonomii politycznej (sayowskolangowskie a ekologiczne ujęcie związków człowiek-przyroda). Prace Naukowe Akademii Ekonomicznej we Wrocławiu, 1991, 572: 15-22. 44. C z a j a S., F i e d o r B., J a k u b c z y k Z.: Ekologiczne uwarunkowania wzrostu gospodarczego w ujęciu współczesnej teorii ekonomii. Ekonomia i Środowisko, Białystok, 1993, ss. 269. 45. D’A l a m b e r t M.: Traite de dnamique. Paris, 1743, p. 25-26. 46. D a l e s J.: Pollution, property and prices. Toronto University Press, Toronto 1968, pp. 111. 47. D a l y H.: Elements of an environmental macroeconomics. W: Ecological economics New York, R. Costanza (ed.). Oxford University Press, 1991, pp. 32-46. 48. D a l y H.: Allocation, distribution, and scale: Towards an economics that is efficient, just, and sustainable. Ecol. Econ., 1992, 6: 185-193. 49. D a l y H.: Georgescu-Roegen versus Solow/Stiglitz. Ecol. Econ., 1997, 22: 261-266. 50. D a s g u p t a P., H e a l G.: The optimal depletion of exhaustible resources. Review and Economic Studies, Symposium Volume, 1974, pp. 3-28. Monografie i Rozprawy Naukowe 161 51. D a s g u p t a P., H e a l G.: Economic theory and exhaustible resources. Cambrige Economic Handbooks. Camonbridge: Cambridge University Press, 1979, pp. 501. 52. D e m b o w s k i J.: Światowa gospodarka surowcami mineralnymi. PWE Warszawa, 1978, s. 33. 53. D e m b o w s k i J.: Zarys ogólnej teorii zasobów naturalnych. PWN Warszawa, 1989, s. 28-85. 54. D e n i s i u k W.: Techniczne i ekologiczne aspekty wykorzystania słomy na cele grzewcze. Rozprawa doktorska. UWM Olsztyn, Wydział Nauk Technicznych, 2003, s. 74. 55. D e s c a r t e s R.: Zasady filozofii. PWN, Warszawa, 1960, s. 67-97. 56. D u b a s A., M i c h a l s k i T.: Kukurydza. W: Rynki i technologie produkcji roślin uprawnych. J. Chotkowski (red.). PWN Warszawa, 2005, s. 224–237. 57. D u d a M., M i k o ł a j u k H., O k r a s a S.: Prognoza bilansu energetycznego Polski do 2030 roku. Materiały XXIII Konferencji z cyklu: Zagadnienia surowców energetycznych i energii w gospodarce krajowej. Dylematy polskiej polityki energetycznej. Instytut GSMiE PAN, Kraków 2009, s. 7-20. 58. D u r l a u f S., J o h n s o n P., T e m p l J.: Growth econometrics. University of Wisconsi, 2005, ss. 182. 59. Dyrektywa Parlamentu Europejskiego i Rady (2009/28/WE) z dnia 23 kwietnia 2009 r. w sprawie promowania stosowania energii ze źródeł odniawialnych zmieniająca i w następstwie uchylająca dyrektywy 2001/77/WE oraz 2003/30/WE. 60. Dz.U. nr 53, poz. 238, 1996: Ramowa konwencja Narodów Zjednoczonych w sprawie zmian klimatu sporządzona w Nowym Jorku dnia 9 maja 1992 r. 61. Dz.U. nr 203, poz. 1684, 2005: Protokół z Kioto do Ramowej konwencji Narodów Zjednoczonych w sprawie zmian klimatu, sporządzony w Kioto dnia 11 grudnia 1997 r. 62. Dz.U., poz. 478, art. 2, pkt 22, 2015: Ustawa z dnia 20 lutego 2015 r. o odnawialnych źródłach energii. 63. Dz.U. nr 94, poz. 551, 2011: Ustawa z dnia 15 kwietnia 2011 r. o efektywności energetycznej. 64. Dz.U. poz. 348, 1997, z późn. zm.: Ustawa z dnia 10 kwietnia 1997 – Prawo energetyczne. 65. Dz.U. nr 65, poz. 600, 2004: Rozporządzenie Ministra Rolnictwa i Rozwoju Wsi z dnia 7 kwietnia 2004 r. w sprawie minimalnych wymagań utrzymywania gruntów rolnych w dobrej kulturze rolnej. 66. E d w a r d s R., S u r i M., H u l d M., D a l l e m a n d J.: GIS-Based assessment of cereal straw energy resource in the european union. Proceedings of the 14th European Biomass Conference & Exhibition. Biomass for Energy, Industry and Climate Protection, Paris, 2005, p. 17-21. 67. Ekonomiczne i prawne aspekty wykorzystania odnawialnych źródeł energii w Polsce. Europejskie Centrum Energii Odnawialnej oraz Instytut Budownictwa, Mechanizacji i Elektryfikacji Rolnictwa, Warszawa 2000, s. 109-114. 68. E l s n e r Jr. H.: The technocrats. Prophets of Automation. Syracuse, 1967, pp. 252. 69. E n g e l s F.: Listy do Marksa z 19 i 22 grudnia. W: Dzieła, K. Marks K. i F. Engels (red.). T. 35, Książka i Wiedza, Warszawa, 1977, s. 155-156. 70. E n g e ls F.: Dialektyka przyrody. W: Dzieła, Dzieła, K. Marks K. i F. Engels (red.). T. 20, Książka i Wiedza, Warszawa, 1972, s. 420-424. 71. F a m i e l e c J.: Straty i korzyści ekologiczne w gospodarce narodowej, PWN WarszawaKraków, 1999, s. 249. 72. F a u c h e u x S.: The role of energy in production functions. Int. J. Global Energy, Special Issue on energy analysis, 1993, S(1): 44-55. 73. F e y n m a n R.: The Feynman lectures on physics. Addison-Wesley, Reading, Mass, 1988, pp. 1552. 74. F i e d o r B. (red.): Podstawy ekonomii środowiska i zasobów naturalnych. C.H. Beck, Warszawa 2002, ss. 86. 162 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 75. F i e d o r B.: Przyczynek do ekonomicznej teorii zanieczyszczenia i ochrony środowiska. PAN, Wrocław, 1990, s. 8-9. 76. F i e d o r B., C z a j a S., J a k u b c z y k Z.: Próba skonstruowania makroekonomicznej, energetycznej funkcji produkcji. W: Produktywność pracy – wzrost gospodarczy, J. Jagas (red.). UO, Opole, 1995, s. 32-35. 77. F i e d o r B.: Ekonomia jako logika wyboru ekonomicznego. Ekonomia pozytywna a normatywna. W: Kierunki rozwoju współczesnej ekonomii, B. Fiedor (red.). Wrocław, 1991, s. 210-216. 78. F i e d o r B.: Kryzys gospodarczy a kryzys ekonomii jako nauki. Ekonomista, 2010, 4: 453-466. 79. F i s h e r I.: Mathematical investigations in the theory of value and prices. Yale College, New Haven, 1892, pp. 106. 80. F o l m e r H., G a b e l L., O p s c h o o r H.: Ekonomia środowiska i zasobów naturalnych. Krupski i S-ka, Warszawa 1996, s. 308. 81. F o x R.: Energy and the evolution of life. W.H. Freeman, New York 1988, p. 166. 82. F r e u n d R., W i l s o n W.: Regression analysis. Statistical modeling of a response variable. Elsevier/Academic Press, Amsterdam 2006, p. 120. 83. F r i e d m a n M.: Capitalism and freedom. University of Chicago Press, 1964, p. 27-32. 84. G a l o r O., W e i l D.: Population, technology and growth: from the malthusian regime to the demographic transition. American Economic Review, 2000, 110: 806-828. 85. G a l i l e i G.: Dialog o dwu najważniejszych układach świata: ptolemeuszowym i kopernikowym, PWN Warszawa, 1962, s. 314-316. 86. G e o r g e s c u-R o e g e n G.: The entropy Law and the economic process. Harvard University Press, Cambridge, Mass, 1971, pp. 457. 87. G e o r g e s c u-R o e g e n N.: Energy and matter in mankind’s technological circuit. J. Bus. Administratio, 1979, 10: 107-127. 88. G e v e r J., K a u f m a n n R., S k o l e D, V ö r ö s m a r t y D.: Beyond oil: the threat to food and fuel in the coming decades. Cambridge, MA: Ballinger, 1986, pp. 304. 89. G i l l i l a n d M.: Energy analysis and public policy. Science, 1975, 185: 1051-1055. 90. G i l l i l a n d M.: (red.) Energy analysis: A new public policy tool. Westiew Press, Boulder, Colo, 1978, p. 613-619. 91. G r a c z y k A.: Rozwój handlu pozwoleniami na emisję CO2 w Unii Europejskiej. Acta Energetica, 2009, 1: 43-49. 92. G r a d z i u k P.: Analiza możliwości wykorzystania słomy na cele energetyczne w Polsce. Ekspertyza wykonana na zlecenie Fundacji Ekofundusz. Akademia Rolnicza w Lublinie, Instytut Nauk Rolniczych w Zamościu, 2002, ss. 62. 93. G r a d z i u k P.: Możliwości energetycznego wykorzystania słomy. Postępy Nauk Rolniczych, 1995, 5: 31-39. 94. G r a d z i u k P. (red. naukowa wyd. polskiego): Bioenergia w Europie 2013. Raport statystyczny. Biblioteka Polskiego Towarzystwa Biomasy POLBIOM, 2014, 1: 1-128. 95. G r a d z i u k P., G r z y b e k A., K o w a l c z y k K.: Słoma energetyczne paliwo. Wieś Jutra, Warszawa 2001, ss. 71. 96. G r a d z i u k P., K a c z o r A.: Zasady nawożenia popiołem ze słomy. Autobusy-Technika, Eksploatacja, Systemy Transportowe, 2010, 11: 145-150. 97. G r a d z i u k P., W o j t a s z e k Z.: Alternatywne wykorzystanie gruntów rolniczych na cele niezwiązane z produkcją żywności. W: Procesy dostosowawcze produkcji roślinnej w Polsce w kontekście integracji z Unią Europejską, B. Klepacki (red.). SGGW Warszawa, 2002, ss. 213-228. Monografie i Rozprawy Naukowe 163 98. G r a n g e r C.: Investigating causal relations by econometric models and crossspectral methods. Econometrica, 1969, 37: 424-438. 99. G r e e n e W.: Econometric Analysis. Prentice Hall, 2002, s. 159. 100. G r u s z c z y ń s k i M., P o d g ó r s k a M.: Ekonometria. Wyd. SGH, Warszawa 2003, s. 18-64. 101. G u s h e e D.: Energy acouting as a policy tool. CRS Washington, D.C. 1976, pp. 284. 102. H a h n R., G o r d o n L.: Marketable permits: lessons for theory and practice. Ecology Law Quarterly, 1989, 16: 380-391. 103. H a h n e l R., S h e e r a n K.: Misinterpreting the coase theorem. J. Econ. Issues, 2009, 43(1): 215-238. 104. H a l l C., C l e v e l a n d C., K a u f m a n n R.: Energy and resource quality: The Ecology of the Economic Process. New York: Wiley Interscience, 1986, pp. 577. 105. H a l l C., T h a r a k a n P., H a l l o c k J., C l e v e l a n d C., J e f f e r s o n M.: Hydrocarbons and the evolution of human culture. Nature, 2003, 426: 318-322. 106. H a l l D., R o s i l l o-C a l l e F., W i l l i a m s R., W o o d s J.: Biomass for energy: supply prospects, in renewable energy: sources for fuels and electricity, T.B. Johansson, H. Kelly, A.K.N. Reddy and R.H. Williams (eds). Washington, DC, Island Press, 1993, p. 593-651. 107. H a m i l t o n J.: Time series analysis. Princeton University Press, 1994, pp. 816. 108. H a n n o n B.: The structure of ecosystems. J. Theor. Biol., 1973, 41(3): 535-546. 109. H a n s e n G., P r e s c o t t E.: Malthus to solow. The American Economic Review, 2002, 92(4): 1205-1217. 110. H a n s e n J., J e n s e n C., M a d s e n E.: The establishment of the Danish windmill industry – Was it worth-while? Reviev of World Economics, 2003, 2: 324-347. 111. H a r a s i m A.: Relacja między plonem słomy i ziarna u zbóż. Pamiętnik Puławski, 1994, 104: 51-59. 112. H a r d t Ł.:The history of transaction cost economics and its recent developments. Erasmus Journal for Economics and Philosophy, 2009, 2(1): 29-51. 113. H a u f f J.: Renewable energy in Poland. Report to the World Bank. Public Version. Warsaw, 1996, p. 8-16. 114. H e l m G.: Die Lehre von der Energie, historisch-kritisch entwickelt. Nebst Beiträgen zu einer allgemeinen Energetik, A. Felix, Leipzig, 1887, p. 71. 115. H e l m h o l t z H.: Über die Erhaltung der Kraft eine physikalische Abhandlung. Druck und Verlag von G. Reimer, Berlin, 1847, pp. 72. 116. H e r e n d e e n R., B u l l a r d C.: Energy cost of commerce goods, 1963 and 1967. CAC Document No. l40. Center for Advanced Confutation, University of Illinois, Urbana-Chanpaign, Ilinois, 1974, pp. 32. 117. H e r r e r a A.: Teorie ekonomii a granice zasobów naturalnych. W: Teorie ekonomiczne a współczesne społeczeństwo, B. Kamiński i J. Kulig (red.). PWE, Warszawa 1981, ss. 230-247. 118. H e r y n g Z.: Logika ekonomii. Zasadnicze pojęcia ekonomiczne ze stanowiska nauki o energii. Wyd. Głos. Warszawa 1896, s. 170. 119. H o l d r e n J.: Science and technology for sustainable well-being. Science, 2008, 319: 424-434. 120. H o ł u j A.: Teoretyczne podstawy ochrony środowiska naturalnego w Polsce. Zesz. Nauk. Wyższej Szkoły Ekonomicznej w Bochni, 2006, 4: 29-45. 121. H o t e l l i n g H.,: The economics of exhaustible resources. J. Polit. Econ., 1931, 39: 137-175. 122. H r y n k i e w i c z A.: Energia. Wyzwania XXI wieku. Uniwersytet Jagieloński, Kraków, 2002, s. 65-66. 123. H u b b e r t K.: Nuclear energy and the fossil fuels. Publication No. 95, Shell Development Company, 1957, p. 6-36. 164 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 124. H u r w i c z L., R e i t e r S.: Designing economic mechanisms, Cambridge University Press, 2006, p. 14-62. 125. I l t i s C.: Leibniz and the Vis Viva Controversy. Isis, 1971, 62(1): 21-35. 126. International Energy Outlook 2002. Energy Information Agency, U.S. Department of Energy, Washington, s. 1. 127. I s l a m S.: Effects of an essential input on isoquants and substitution elasticities. Energ. Econ., 1985, 7: 194-196. 128. J a k u b c z y k Z.: Ogólne podstawy analizy wykorzystania zasobów naturalnych w procesie wzrostu. W: Ekologiczne uwarunkowania wzrostu gospodarczego w ujęciu współczesnej teorii ekonomii, S. Czaja, B. Fiedor i Z. Jakubczyk (red.). Ekonomia i Środowisko, 1993, ss.191-217. 129. J a k u b c z y k Z.: Teoretyczne podstawy gospodarowania zasobami naturalnymi. W: Podstawy ekonomii środowiska i zasobów naturalnych, B. Fiedora. i C.H. Beck (red.). Warszawa 2002, s. 143. 130. J e v o n s S.: The theory of political economy. Macmillan & Co., London 1871, p. 37-43. 131. J e v o n s S.: The coal question: an inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. Macmillan & Co., London, 1886, p. 196. 132. J o h n s t o n J., D i N a r d o J.: Econometric methods. McGraw Hill, 1998, s. 117. 133. J o u l e J.: On the existence of an equivalent relation between heat and the ordinary forms of mechanical power. Philosophical Magazine, 1845, 27(ser. 3): 205-207. 134. K a c z o r A.: Zasady nawożenia popiołem ze słomy. AR Lublin, 2004, s. 5. 135. K a m l e r W.: Ciepłownictwo. PWN, Warszawa 1979, s. 265. 136. K a m i ń s k i B., O k ó l s k i M.: Teoria ekonomii a entropia. Ekonomista, 1979, 2: 345-372. 137. K a n t I. 1746: Kant Dzieła zebrane. T. 1, Pisma przedkrytyczne, Toruń 2010, s. 132-168. 138. K a p p K.: Społeczne koszty funkcjonowania przedsiębiorstw prywatnych. PWN, Warszawa 1960, ss. 404. 139. K a t s c h e r F.: Fizyka popularna. Wiedza Powszechna, Warszawa 1976, s. 67-76. 140. K a u f m a n n R.: Biophysical and Marxist economics: learning from each other. Ecological Modelling, 1987, 38: 91-105. 141. K a u f m a n n R.: A biophysical analysis of the energy/real GDP ratio: implications for substitution and technical change. Ecol. Econ., 1992, 6: 35-56. 142. Key Word Energy Statistic 2006–2014. International Energy Agency; BP Statistical Review of Word Energy, June 2014, pp. 48. 143. Kierunki rozwoju biogazowni rolniczych w Polsce w latach 2010–2020. Urząd Rady Ministrów, Warszawa 2010, ss. 24. 144. K l u g m a n n-R a d z i e m s k a E.: Odnawialne źródła energii – przykłady obliczeniowe. Politechnika Gdańska, 2009, ss. 100. 145. K ł o s M.: Generacja rozproszona w krajowym systemie elektroenergetycznym – korzyści i problemy. W: Generacja rozproszona w nowoczesnej polityce energetycznej – wybrane problemy i wyzwania, J. Rączka, M. Swora i W. Stawiany (red.). Narodowy Fundusz Ochrony Środowiska i Gospodarki Wodnej, 2012, s. 29-33. 146. Kodeks Dobrej Praktyki Rolniczej. MRiRW, Warszawa 2004, ss. 98. 147. K o ł o d k o G.: Wędrujący Świat. Prószyński i Spółka, 2008, s. 285. 148. K o r y c i ń s k a A.: Stan rozwoju sektora bioenergii. W: Odnawialne źródła energii nowym wyzwaniem dla obszarów wiejskich w Polsce, B. Kucharska (red.). Fundacja Programów Pomocy dla Rolnictwa FAPA, Warszawa 2009, s. 6-16. 149. K o s t u c h R.: Palenie słomy. Aura, 1995, 8: 10. Monografie i Rozprawy Naukowe 165 150. K o w a l i k P.: Światowe tendencje w wykorzystaniu biomasy do produkcji ciepła, elektryczności i paliw samochodowych. Gospodarka paliwami i energią, 1997, 1: 2-5. 151. K o z a k i e w i c z J., N i e ś c i ó r E.: Słoma i sposoby jej użytkowania w gospodarstwach rolniczych. IUNG, Puławy 1984, s. 3-18. 152. K r o n e n b e r g T.: The curse of natural resources in the transition economies, economics of transition, 2004, 12: 399-426. 153. K r o n e n b e r g T.: Should we worry abort the failure of the Hotelling rule? Journal of Economic Surveys, 2008, 22: 774-793. 154. K r u g m a n KP.: The increasing returns revolution in trade and geography. The American Economics Review, 2009, 99: 561-571. 155. K u b i s z e w s k i I., C l e v e l a n d C., E n d r e s P.: Meta-analysis of net energy return for wind power systems. Renewable Energy, 2010, 35: 218-225. 156. K u c i ń s k i K.: Ekonomika zasobów: przewodnik metodyczny. Zeszyty Dydaktyczne PWSBiA, Warszawa 1994, 17: 75-79. 157. K u ś J., S m a g a c z J.: Regionalne zróżnicowanie bilansu słomy. Pamiętnik Puławski, 2001, 124: 289-295. 158. K u u l u v a i n e n J., T a h v o n e n O.: Ekonomika wykorzystania zasobów naturalnych. W: Ekonomia środowiska i zasobów naturalnych, H. Folmer, L. Gabel i H. Opschoor (red.). Krupski i S-ka, Warszawa 1996, ss. 119-149. 159. K w a ś n i c k i W.: Metafory i analogie w modelowaniu procesów gospodarczych. W: Metody symulacyjne w badaniu organizacji i w dydaktyce menedżerskiej, A. Balcerak i W. Kwaśnicki (red.). Politechnika Wrocławska, 2008, ss. 15-25. 160. H a r d t Ł.: Recenzja książki: Eric D. Beinhocker, The Origin of wealth. Evolution complexity, and the radical remaking of economics, Harvard Business Scholl Press, Boston MA 2006. Gospodarka Narodowa, 2009, 1-2: 163-167. 161. L e i b n i z G.: Brevis demonstratio erroris memorabilis Cartesi. Acta Eruditorum, 1686, p. 161-163. 162. L e i b n i z G.: Specimen dynamicum pro admirandis naturae legibus circa corporum vires et mutuas actiones detegendis et ad suas causas revocandis. Acta Eruditorum, 1695, p. 145-157. 163. L e o n t i e f W.: The structure of American economy, 1919–1929: An empirical application of equilibrium analysis. Cambridge, MA: Harvard University Press, 1941, p. 24-68. 164. L i a o C., Ö n a l H., C h e n M.: Average shadow price and equilibrium price: A case study of tradable pollution permit markets. European Journal of Operational Research, 2009, 196: 12071213. 165. L i s z k a D.: Metafizyczne korzenie „zasady zachowania energii” i jej wpływ na naukę i filozofię nowożytną. Czasopismo Filozoficzne, 2011, 7: 79-91. 166. L j u n g G., B o x A.: On a measure of lack of fit in time series models. Biometrika, 1979, 66: 265-270. 167. L o t k a A.: Elements of physical biology. Baltimore Williams & Wilkins Company, 1925, p. 356. 168. L u c a s R.: Lectures on economic growtha. Harvard University Press, 2002, p. 97-108. 169. M a ć k o w i a k C.: Bilans substancji organicznej w glebach Polski. Biul. Inf. IUNG, Puławy 1997, 5: 4-5. 170. M a j e w s k i E.: Ekonomiczno-organizacyjne uwarunkowania rozwoju Systemu Integrowanej Produkcji Rolniczej (SIPR) w Polsce. SGGW, 2002, s. 15-25. 171. M a j e w s k i E.: Miejsce rolnictwa w ekonomicznej i społecznej strukturze wsi. W: Polska wieś 2025. Wizja rozwoju pod redakcją J. Wiklina. Fundusz Współpracy, 2005, ss. 91-97. 166 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 172. M a j e w s k i E., W o j t k i e w i c z M., Z a b r z e w s k a W.: Ćwiczenia z organizacji i ekonomiki gospodarstw rolniczych – zbiór danych liczbowych. SGGW-AR, Warszawa 1983, ss. 151. 173. M a l t h u s T.: Prawo Ludności. Nakł. Gebethnera i Wolffa, Warszawa 1925, s. 11-66. 174. M a n k i w N., R o m e r G., W e i l D.: A Contribution to the empirics of economic growth. Q. J.Econ., 1992, 107: 407-437. 175. M a r e c k i J.: Podstawy przemian energetycznych. WNT, Warszawa 1995, s. 15-17. 176. M a r c o l o n g o R.: La mecanica di Leonardo da Vinci. Napoli, SIEM, 1932, pp. 147. 177. M a r k s K.: Kapitał. Krytyka ekonomii politycznej. T.. I, Książka i Wiedza, Warszawa 1951, s. 665-666. 178. M a r s h a l l A.: Zasady ekonomiki. T. 1, M. Arct. Warszawa 1925, s. 258. 179. M a r t i n e z-A l i e r J.: Ecological economics. Energ. Envion. Soc., Balcwell, London 1987, p. 45-63. 180. M a y e r R.: Bemerkungen űber die Krȁfte der unbelebten Nature. Annalen der Chemie und Pharmacie, 1842, 43: 233-240. 181. M e a d o w s D.H., M e a d o w s D.L., R a n d e r s J., B e h r e n s W.: Granice wzrostu. PWE Warszawa, 1973, ss. 212. 182. M e j r o C.: Podstawy gospodarki energetycznej. WNT, Warszawa 1980, s. 14. 183. M e j r o C.: Wybrane zagadnienia polityki energetycznej. Zakład Narodowy im. Ossolińskich, Wrocław, 1982, s. 7. 184. M e n g e r C.: Grundsätze der Volkswirtschaftslehre. Wilhelm Barumuller, Wien, 1871, p. 31-76. 185. M i c h a j ł o w W.: Środowisko i polityka. Zakład Narodowy im. Ossolińskich, Wrocław 1976, ss. 166. 186. M i c h a l s k i T.: Kierunki uprawy i wykorzystania kukurydzy w świecie i w Polsce. W: Technologia produkcji kukurydzy, A. Dubas (red.). Wieś Jutra, 2004, s. 7-15. 187. M i l l J.: Zasady ekonomii politycznej. T. I, PWN, Warszawa 1965a, s. 286-304. 188. M i l l J.: Zasady ekonomii politycznej. T. II, PWN, Warszawa 1965b, s. 488-489. 189. M i r o w s k i P.: Energy and energetics in economic theory: a review essay. J. Econ. Issues, 1988, 22(3): 811-816. 190. M i r o w s k i P.: More heat than light: economics as social physics, physics as nature’s economics. Cambridge University Press, Cambridge, 1989, p. 196. 191. M o n t g o m e r y W.: Markets in licenses and efficient pollution control programs. J. Econ. Theory, 1972, 5: 395-418. 192. M u r d o c h J., S a n d l e r T.: The voluntary provision of a pure public good: the case of reduced CFC emissions and the Montreal Protocol. J. Public Econ., 1997, 63: 331-349. 193. M u r p h y D., H a l l C.: Year in review – EROI or energy return on (energy) invested. Annals of the New York Academy of Sciences, 2010, 1185: 102-118. 194. N a l b o r c z y k E.: Nowe rośliny uprawne i perspektywy ich wykorzystania. W: Nowe rośliny uprawne na cele spożywcze, przemyslowe i jako odnawialne źródła energii, E. Nalborczyk (red.). SGGW, 1996, ss. 5-20. 195. Nasza Wspólna Przyszłość,: Raport światowej komisji do spraw środowiska i rozwoju. PWE, Warszawa, 1991, ss. 491. 196. N e w t o n I.: Matematyczne zasady filozofi przyrody. Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie, 2011, ss. 728. 197. N o r d h a u s W.: The Allocation of energy reserves. Brookings Papers on Economic Activity, 1973, 3: 529-570. Monografie i Rozprawy Naukowe 167 198. N o r t h G.: The coase theorem. A Study in Economic Epistemology. Institute for Christian Economics, Tyler, Texas 1992, p. 36-47. 199. O d u m H.: Environment, power, and society. John Wiley & Sons, 1971, pp. 331. 200. O d u m H.: Environmental accounting, emergy and decision making. Wiley, New York 1996, pp. 370. 201. O d u m H., B r o w n M.T., B r a n d t-W i l l i a m s S.: Handbook of emergy evaluation. Folio 1 - Introduction and Global Budget. Center for Environmental Policy Environmental Engineering Sciences, University of Florida, 2000. 202. O d u m H., O d u m E.: Concepts and methods of ecological engineering. Ecol. Eng., 2003, 20: 339-361. 203. O l c h o w i k J.: Trendy rozwoju fotowoltaiki w Europie i na świecie. Fotowoltaika, 2011, 1: 9-11. 204. Opinia Europejskiego Komitetu Ekonomiczno-Społecznego w sprawie wniosku dotyczącego dyrektywy Parlamentu Europejskiego i Rady zmieniającej dyrektywę 2009/28/WE w sprawie promowania stosowania energii ze źródeł odnawialnych COM(2012) 595 final – 2012/0288 (COD) (2013/C 198/09). 205. Os t w a l d W.: Energetische Grundlagen der Kulturwissenschaft. Alfred Kroner, Leipzig, 1909, pp. 250. 206. Our Common Future. The world Commission on Environment and Development. Oxford University Press, 1987, ss. 399. 207. P a b i s S.: Suszenie płodów rolnych. PWRiL, Warszawa 1965, s. 19. 208. P a w l a k J., G r z y b e k A.: Potencjał energii odnawialnej, w tym pochodzącej z rolnictwa w całkowitym zużyciu energii, w perspektywie do 2030 r. W: Odnawialne źródła energii, J. Seremak-Bulge (red.). Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej PIB, Warszawa 2012, s. 125-142. 209. P e a r c e D.: Foundations of an ecological economics. Ecol. Modal., 1987, 38: 9-18. 210. P e e t N.: Input-output methods of energy analysis. Int. J. Global Energy. Special Issue on Energy Analysis, 1993, 5(1): 10-18. 211. P e t t y W.: Traktat o podatkach i daninach. W: Merkantylizm i początki szkoły klasycznej. Wybór pism ekonomicznych XVI i XVII wieku., E. Lipiński (red.). PWN, Warszawa 1958, s. 445-555. 212. P i g o u A.: The Economics of Welfare. Macmillan. London 1938, s. 134-242. 213. Pismo Święte Starego i Nowego Testamentu w przekładzie Jakuba Wujka. Wyd. Apostolstwa Modlitwy, Kraków 1962, Ex 5.10-5.13. 214. Polski Komitet Normalizacyjny: PN-C-04375-2:2013-07 – Badanie paliw stałych i ciekłych – oznaczanie ciepła spalania w bombie kalorymetrycznej i obliczanie wartości opałowej. Część 2: Metoda z zastosowaniem kalorymetru izoperibolicznego lub kalorymetru z płaszczem statyczym. ss. 14. 215. P o p ł a w s k i Z.: Słoma – jako nawóz organiczny. IUNG, Puławy 1996, s. 5. 216. P o t o c k i W.: Mechanizmy kształtujące cenę ropy naftowej w teorii i rzeczywistości. Gospodarka Narodowa, 2009, 10: 1-32. 217. Pracując dla klimatu. Zielone miejsca pracy w Polsce. Greenpeace Polska, 2011, s. 9-36. 218. P u d e ł k o R.: Ocena potencjałów biomasy ubocznej i odpadowej w UE-27 i Szwajcarii oraz ich regionalizacja. Monografie i Rozprawy Naukowe, IUNG-PIB Puławy, 2013, 39: 1-154. 219. Q u e s n a y F.: Pisma wybrane, Gebethner i Wolff, Warszawa 1928, s. 95-118. 220. R a m s e y J.: Tests for specification errors in classical linear least-squares regression analysis. J. Roy. Stat. Soc., Series B, 1969, 31: 350-371. 221. R a n k i n e W.: On the reconcentration of the mechanical energy of the universe. Philos. Mag. J. Sci., 1852, 4(26): 358-360. 168 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 222. R a n k i n e W.: On the general law of the transformation of energy. Philos. Mag. J. Sci., 1853, 5(30): 106-117. 223. R ą c z k a J.: OZE – Regulatory fiction. W: Generacja rozproszona w nowoczesnej polityce energetycznej – wybrane problemy i wyzwania, J. Rączka, M. Swora i W. Stawiany (red.). NFOŚiGW, 2012, s. 51-55. 224. R e m b i s z W., F l o r i a ń c z y k Z.: Modele wzrostu gospodarczego w rolnictwie. IERiGŻPIB, Warszawa 2014, s. 13-39. 225. Renewable Energy. Not a toy. The Economist, April 11th-17th, 2015, s. 55-56. 226. R e p e t t o R. (red.): The Global Possible. Yale University Press, New Haven, 1985, p. 14-64. 227. Rezolucja ustawodawcza Parlamentu Europejskiego z dnia 11 września 2013 r. w sprawie wniosku dotyczącego dyrektywy Parlamentu Europejskiego i Rady zmieniającej dyrektywę 2009/28/WE w sprawie promowania stosowania energii ze źródeł odnawialnych (COM(2012)0595 – C70337/2012 – 2012/0288(COD). 228. R i c a r d o D.: Zasady ekonomii politycznej i opodatkowania. PWN, Warszawa 1997, ss. 520. 229. R o b b i n s L.: An assay on the significance and nature of economic science. London, 1932, p. 16. 230. R o s o ł e k K., S a n t o r s k a A., W i ę c k a A.: Polski rynek PV w liczbach. Czysta Energia, 2013, 10: 28-30. 231. R u n-C a n g S.: Cereal straw as a resource for sustainable biomaterials and biofuels. Elsevier, 2010, ss. 292. 232. R u t h M.: Integrating economics, ecology, and thermodynamics. Dordecht: Kluwer Academic, 1993, pp. 251. 233. S a m u e l s o n P., N o r d h a u s W.: Ekonomia 1. PWN, Warszawa 1995, s. 71. 234. S a y J.: Według wydania polskiego: Traktat o ekonomii politycznej. PWN, Warszawa 1960, ss. 906. 235. S c h e f o l d B.: Ecological problems as a challenge to classical and keynesian economics. Metroeconomica, 1985, 37: 22-24. 236. S c h u l z T.: A framework for land economics – the long view. J. Farm Econ., 1951, 33: 204-215. 237. S c h u l z e L a m e r s P., H e l l w i g M.: Brennverhalten verschiedener pflanzlicher Brennstoffe. Landtechnik 41, 1986, 2: 246-248. 238. S c h u m a c h e r E.: Małe jest piękne. PIW Warszawa, 1981, s. 198-199. 239. S c h u m p e t e r J.: The analysis of economic change. Rev. Econ. Stat., 1935, 17(4): 2-10. 240. S e m k o w J.: Ekonomia a ekologia. PWN, Warszawa 1989, ss. 314. 241. S i m o n J.L., K a h n H.: The resourceful Earth. A response to Global 2000. Basil Blackwell, Oxford, 1984, pp. 596. 242. S l a d e M.: Trends in natural resource commodity prices: an analysis of the time domain. J. Environ. Econ. Manag., 1982, 9: 122-137. 243. S l e s s e r M.: Energy in the economy. The Macmillan Press Ltd, London, 1978, pp. 162. 244. S l e s s e r M.: Unitax: a new environmentally sensitive concept of taxation. Ross-on-Wye: Hydatum Press, 1989, p. 1-14. 245. S l e s s e r M.: ECCO: User's Manual. In Resource Use Institute, 1992, Edinburgh, Scotland, ss. 40. 246. S m i l V.: General energetics energy in the biosphere and civilization. John Wiley, New York, 1991, pp. 370. 247. S m i l V.: Energy in world history. Westview Press, Oxford, 1994, p. 35-165. 248. S m i l V.: Crop residues: agriculture’s largest harvest. BioSc49, 1999, p. 299-308. 249. S m i t h A.: Badania nad naturą i przyczynami bogactwa narodów. T I i II, PWN, Warszawa 1954, s. 102. Monografie i Rozprawy Naukowe 169 250. S m i t h J.: Distributed generation coming into focus. Power Engineering, 2002, p. 1-4. 251. S o d d y F.: Wealth, virtual wealth and debt: the solution of the economic paradox. New York, 1933, p. 56. 252. S o d e r h o l m P., K l a s s e n G.: Wind power in Europe; a simultaneous innovation-diffusion model. Environmental and Resource Economics, 2007, 2: 163-190. 253. S o l o w R.: Intergenerational equity and exhaustible resources. Review and Economic Studies, Symposium Volume, 1974, p. 29-45. 254. S o l o w R.: A contribution to the theory of economic growth. Q. J. Econ., 1956, 70: 65-94. 255. S p i e g e l M., S t e p h e n s L.: Theory and problems of statistics. Fourth Edition, McGrawHill, 2008, pp. 512. 256. S t a n i f o r t h A.: Cereal straw. Clarendon Press, Oxford, 1979, pp. 179. 257. S t e r n D.: Limits to substitution and irreversibility in production and consumption: a neoclassical interpretation of ecological economics. Ecol. Econ., 1997a, 2: 197-215. 258. S t e r n D.: The capital theory approach to sustainability: a critical appraisal. J. Econ. Issues, 1997b, 31: 145-173. 259. S t e r n D.: The role of energy in economic growth. Crawford School, The Australian National University, 2011, p. 17. 260. S t e r n D., K a n d e r A.: The role of energy in the Industrial Revolution and modern economic growth, CAMA Working Papers, 2010, pp. 37. 261. S t e r n N.: Globalny ład. Zmiany klimatu a powstanie nowej epoki postępu i dostatku. Wyd. Krytyki Politycznej, Warszawa 2010, s. 191. 262. S t i g l i t z J.: Growth with exhaustible resources: efficient and optimal growth paths. Review and Economic Studies, Symposium Volume, 1974, p. 123-137. 263. S t i g l i t z J.E.: Ekonomia sektora publicznego. PWN, Warszawa 2004, s. 254. 264. Straw for Energy Production. Technology – Environment – Economy. The Centre for Biomass Technology in Denmark, 1998, s. 10. 265. Ś w. T o m a s z z A k w i n u: O Bogu. Cz. 1. Suma teologiczna 1. London: Veritas, 1980. 266. T a y l o r E.: Wstęp do ekonomiki. Gdynia 1947, s. 241. 267. T h o m s o n W.: On the mechanical energies of the solar system. Philos. Mag. and J. Sci., 1854, p. 409-430. 268. T i e t e n b e r g T.: Emission trading: an exercise in reforming policy. Resources for the Future, INC./Washington, D.C., 1985, p. 7-11. 269. T i e t e n b e r g T.: Emission trading: principles and practice. RFF Press Book, Waszyngton, 2006, p. 7. 270. T i l l e y D.: Howard T. Odum’s contribution to the laws energy. Ecol. Model., 2004, 178: 121-125. 271. T i m m e r P.: Agriculture and economic development. W: Handbook of agricultural development, B. Gardner and G. Rausser (eds). 2002, 2A: 1487-1546. 272. T o f f l e r A.: Trzecia fala. PIW Warszawa, 1997, s. 38. 273. T o k a r s k i J. (red.): Słownik wyrazów obcych. PWN, Warszawa 1980, s 192. 274. T o t h N.: The first technology. Sci. Am., 1987, 256(4): 112-121. 275. T y m i ń s k i J.: Wykorzystanie odnawialnych źródeł energii w Polsce do 2030 roku. IBMER, 1997, s. 85. 276. Urząd Regulacji Energetyki i Towarowa Giełda Energii. Dene niepublikowane. 277. U T h a n t S.: Człowiek i jego środowiska. Raport Sekretarz Generalnego ONZ z dnia 26 maja 1969 r. Biuletyn Polskiego Komitetu do Spraw UNESCO, 1970, s. 12-42. 278. V a i z e y J.: The residual factor and economic growth. OECD 1964, s. 5. 170 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk 279. W a l r a s L.: Éléments d’économie politique pure, ou théorie de la richesse sociale. Laussanne, Imprimerie L. Corbaz & Cie, Editeurs, 1874, pp. 491. 280. W h i t e L.: Energy and the evolution of life. W.H. Freeman, New York, 1943, p. 38. 281. W i l k i n J.: Rolnictwo a społeczeństwo – ewolucja funkcji i relacji. Uwarunkowania i kierunki przemian społeczno-gospodarczych na obszarach wiejskich. IRWiR PAN, 2005a, s. 9-28. 282. W i l k i n J.: Uwagi o „Strategii rozwoju rolnictwa i obszarów wiejskich na lata 2007–2013 (z elementami prognozy do 2020 roku)”. MRiRW. Wieś i Rolnictwo, 2005b, 1: 17-22. 283. W i l k i n J.: Czy ekonomia może być piękna? Rozważania o przedmiocie i metodzie ekonomii. Ekonomista, 2009, 3: 295-313. 284. W i n i a r s k i L.: Essai sur la mecanique sociale. L’energie sociale et ses mensurations. Revue Philosophique de la France Et de l’Etranger, 1900, 49: 113-134. 285. W i r t h H., W a n i e l i s t a K.: Koncepcja ustalania renty górniczej. Rudy i metale nieżelazne, 2012, 4: 227-231. 286. W i t r u w i u s z: O architekturze ksiąg dziesięć. Prószyński i S-ka S.A., Warszawa 2004, ks. 10, r. 1,1. 287. W ł o d a r z R.: Słoma: zaorać czy sprzedać? Top Agrar Plus, 2001, 1: 6-7. 288. W o j t y n a A.: Współczesna ekonomia – kontynuacja czy poszukiwanie paradygmatu? Ekonomista, 2008, 1: 9-32. 289. W o o l d r i d g e J.: Introductory econometrics. A modern approach. South-Western Cengage Learning, 2012, p. 343-548. 290. W o ś A.: Ekonomika odnawialnych zasobów naturalnych. PWN, Warszawa 1995, s. 13-146. 291. W o ś A.: Szanse i ograniczenia przekształceń strukturalnych polskiego rolnictwa. Komunikaty, raporty, ekspertyzy IERiGŻ, 2003, 491: 5. 292. W o ś A., Z e g a r J. Rolnictwo społecznie zrównoważone. IERiGŻ Warszawa, 2002, s. 13-14. 293. W r i g l e y E.: Continuity, chance and change. The character of the industrial revolution in England. Cambridge University Press, Cambridge, 1988, pp. 146. 294. Y o u n g T.: A Course of Lectures on Natural Philosophy and the Mechanical Arts. Vol. II. London: Printed for Joseph Johnson, St. Pauls’Church Yard, by William Savage, Bedford Bury, 1807, p. 52. 295. Zasady metodyczne sprawozdawczości statystycznej z zakresu gospodarki paliwami i energią oraz definicje stosowanych pojęć. Główny Urząd Statystyczny, Warszawa 2006, s. 14-15. 296. Z e l i a ś A.: Teoria prognozy. PWE Warszawa, 1997, ss. 383. 297. Z i m m e r m a n E.: Word resources and industries. Harper, New York, 1951, p. 814-818. 298. Ż y l i c z T.: Ekonomia środowiska i zasobów naturalnych. PWE Warszawa, 2004, s. 13-60. 299. Ż y l i c z T.: Ekonomia wobec wspierania odnawialnych źródeł energii. W: Generacja rozproszona w nowoczesnej polityce energetycznej – wybrane problemy i wyzwania, J. Rączka, M. Swora i W. Stawiany (red.). NFOŚiGW Warszawa, 2012, s. 46-50. 300. Ż y l i c z T.: Ekonomia wobec zagadnień środowiska przyrodniczego. Elementy teorii oraz implikacje praktyczne. Rozprawy Uniwersytetu Warszawskiego, 1990, 361: 20-181. 301. Ż y l i c z T., P u s t o ł a J.: Szczupłość zasobów naturalnych jako istotny problem współczesnej polityki gospodarczej. Problemy Studenckiego Ruchu Naukowego, 1973, 8: 30-37. Monografie i Rozprawy Naukowe 171 GOSPODARCZE ZNACZENIE I MOŻLIWOŚCI WYKORZYSTANIA SŁOMY NA CELE ENERGETYCZNE W POLSCE Streszczenie Słowa kluczowe: energia, odnawialne źródła energii, słoma, prognozowanie, modelowanie zasobów Głównym celem badań była ocena potencjału produkcyjnego słomy w Polsce oraz możliwości jej wykorzystania na cele energetyczne wraz z prognozą do 2030 r., przy założeniu, że gospodarka tym surowcem jest zgodna z zapisami wynikającymi z Kodeksu Dobrej Praktyki Rolniczej. Zagadnienie to staje się szczególnie ważne wobec uwarunkowań globalnych oraz wynikających z polityki energetycznej Unii Europejskiej. Postulowana w europejskim programie ramowym Horyzont 2020 i zaakceptowana przez Parlament Europejski nowelizacja dyrektywy w sprawie promowania stosowania energii ze źródeł odnawialnych (2009/28/WE) ma na celu zwiększenie udziału wykorzystania produktów ubocznych między innymi z rolnictwa na cele energetyczne, głównie wytwarzania biopaliw kolejnych generacji. Aby ocenić możliwości wykorzystania słomy na cele energetyczne, należało zbiory słomy pomniejszyć o jej zużycie w rolnictwie. Na podstawie dotychczasowych badań przyjęto założenie, że słoma w pierwszej kolejności ma pokryć zapotrzebowanie produkcji zwierzęcej (ściółka i pasza) oraz cele nawozowe (przyoranie) – aby utrzymać zrównoważony bilans glebowej substancji organicznej. W latach 1983–1990 średnioroczna nadwyżka słomy ponad zużycie w rolnictwie wyniosła 5119 tys. t, a w latach 2007–2013 już 17047 tys. t. Zwiększające się nadwyżki słomy są spowodowane spadkiem pogłowia zwierząt gospodarskich, a tym samym i zmniejszającym się zapotrzebowaniem głównie na ściółkę. Niekorzystnym zjawiskiem, choć charakterystycznym dla rolnictwa, były występujące fluktuacje w zbiorach słomy, co nie pozostawało bez wpływu na poziom jej nadwyżek. I dletego w 2000 r. wyniosły tylko 6348 tys. t, a w 2001 r. – ponad dwukrotnie więcej, bo aż 15042 tys. t. Tak znaczne wahania choć występujące co kilka lat, są jedną z barier hamujących wykorzystanie słomy poza rolnictwem. W niniejszym opracowaniu zbudowano i poddano szczegółowej weryfikacji modele tendencji rozwojowej: − zbiorów słomy zbóż podstawowych z mieszankami, rzepakowej, kukurydzianej, a także jej nadwyżek (zmienne zależne), − powierzchni zasiewów i plonów słomy tych roślin oraz jej zużycie na pasze, ściółkę i przeoranie (zmienne niezależne). Otrzymane modele ekonometryczne, których parametry estymowano z wykorzystaniem klasycznej metody najmniejszych kwadratów, poddawano weryfikacji, oceniając ich jakość oraz poprawność specyfikacji. Otrzymane modele poddawano dodatkowo symulacji stochastycznej, aby potwierdzić ich zdolność wyjaśniania 172 Gospodarcze znaczenie i możliwości wykorzystania słomy... – P. Gradziuk zmienności opisywanego zjawiska oraz właściwości prognostyczne. Testowano również integrację i kointegrację szeregów czasowych w celu wyeliminowania mogącego pojawić się zjawiska tzw. regresji pozornej. Dla modeli panelowych dodatkowo wykonywano test istotności efektów stałych. Do zbudowania prognozy nadwyżek słomy posłużono się oszacowanymi modelami trendu oraz modelami przyczynowo-skutkowymi. W obu przypadkach uzyskane wyniki są zbieżne. W wariancie realistycznym następować będzie powolny spadek nadwyżek słomy do poziomu około 10 mln t w 2030 r. Najwyższe jej zasoby są i będą dostępne w woj. dolnośląskim, kujawsko-pomorskim, lubelskim, wielkopolskim i zachodniopomorskim. THE ECONOMIC IMPORTANCE AND POSSIBILITIES OF USING STRAW FOR ENERGY PURPOSES IN POLAND Summary Key words: energy, renewable energy sources, straw, forecasting, resource modeling The main aim of the study was the evaluation of the production potential of straw in Poland and the possibility of its use for energy purposes, including a forecast for 2030, on the assumption that the management of this resource is in accordance with the provisions of the Code of Good Agricultural Practice. This issue becomes particularly important in light of global conditions and the resulting from energy policy of the European Union. Postulated in the European Framework Programme Horizon 2020 and approved by the European Parliament, the amendment to the Directive on the promotion of the use of energy from renewable sources (2009/28/EC) aims to increase the share of waste and by-products, inter alia from the agricultural sector, for energy, especially biofuels of new generations. In order to assess the potential of using straw for energy purposes, its harvesting capacities were reduced by its consumption in agriculture. On the basis of previous studies, we assumed that the resources of straw in the first place has to meet the needs of animal production (as bedding and feed) and fertilizing purposes (plowing in) – to maintain a sustainable balance of soil organic matter. In the years 1983–1990 the average annual straw surplus over the agricultural consumption amounted to 5119 thousand tons, and between 2007 and 2013 the value reached 17047 thousand tons. The increasing straw surplus is caused by decreases in livestock population and thus a declining demand mainly for bedding. Additionally, an unfavorable phenomenon, although characteristic for agriculture, was the fluctuation in the collection of straw, which had not been without effect on the level Monografie i Rozprawy Naukowe 173 of its surpluses. And therefore, in 2000 such surpluses amounted only 6348 thousand tons, whereas in 2001, more than twice, because is was 15042 thousand tons. Such significant fluctuations that occur every few years are one of the barriers to use of straw outside the agriculture. In this study, we presented and thoroughly verified a number of models for the development trends: − harvests of straw mixtures of cereals, rapeseed, corn and their surpluses (dependent variables), − sown area and straw yields of these crops and their use for fodder, bedding and plughing-in (independent variables). The obtained econometric models, whose parameters were estimated using the classical method of least squares, were verified by assessing their quality and correctness of specification. The resulting models were additionally subjected to a stochastic simulation in order to confirm their suitability to explain the volatility of studied phenomenon and their forecasting properties. We also tested the integration and cointegration of time series in order to eliminate the phenomenon of the so called apparent regression. For panel models we also performed a significance test of fixed effects. The estimated trend models were used with the cause and effect models to forecast surpluses of straw. In both cases the results are similar. In a realistic scenario, there will occur a low decline in surplus straw to around 10 million tons in 2030. The largest resources of straw are currently located, and they will be found in future in Lower Silesia, Pomerania and Kujawy, Lublin, Wielkopolska and West Pomerania provinces. WSKAZÓWKI DLA AUTORÓW W serii wydawniczej IUNG „Monografie i Rozprawy Naukowe” publikowane są recenzowane prace o charakterze monografii i oryginalne rozprawy naukowe (w tym prace habilitacyjne) z zakresu agronomii oraz ochrony i kształtowania środowiska rolniczego. Wydruk tekstu do recenzji czcionką 11 p., z odstępem 1,5-wierszowym. Przygotowanie do druku: – tekst i tabele w programie Word, wersja 6.0 lub wyższa – czcionka – Times New Roman – układ pracy: spis treści, wstęp, metodyka, omówienie wyników i dyskusja, wnioski lub podsumowanie, literatura, streszczenie – objaśnienia tabel, podpisy i opisy do rysunków oraz streszczenie pracy wraz ze słowami kluczowymi w językach polskim i angielskim tekst – czcionka – 11 p. (spis pozycji literatury – 9 p.) – wcięcie akapitowe – 0,5 cm tabele – podział na wiersze i kolumny (z funkcji tworzenia tabel) – szerokość dokładnie 13 cm (tabele w pionie) lub 19 cm (tabele w poziomie) – czcionka 9 p., pojedyncze odstępy międzywierszowe – umieszczone w oddzielnych plikach rysunki – czarno-białe – wykresy w programie Word lub Excel – wymiary w zakresie 13 cm × 19 cm – dołączony wydruk w odpowiednich wymiarach, bardzo dobrej jakości, na białym papierze lub na folii – w podpisach czcionka 9 p. – na dyskietce w oddzielnych plikach jednostki miary – system SI – jednostki zapisywać potęgowo (np. t∙ha-1) literatura – spis literatury w układzie alfabetycznym wg nazwisk autorów, w kolejności: nazwisko (pismo rozstrzelone), pierwsza litera imienia, tytuł pracy, miejsce publikacji: tytuł wydawnictwa (wg ogólnie przyjętych skrótów tytułów czasopism), rok, numer (pismo pogrubione), strony – cytowanie w tekście – jako nazwisko autora (autorów) i rok wydania (w nawiasach okrągłych). Pracę do recenzji należy składać w 2 egzemplarzach. Po recenzji oryginalny egzemplarz recenzowany i ostateczną wersję pracy, uwzględniającą uwagi recenzenta i redaktora, należy dostarczyć do Redakcji w 1 egzemplarzu oraz na dyskietce (lub przesłać e-mailem) na adres: Dział Upowszechniania i Wydawnictw IUNG-PIB ul. Czartoryskich 8 24-100 Puławy e-mail: [email protected] W serii wydawniczej IUNG „Monografie i Rozprawy Naukowe” ukazały się następujące pozycje: 1. Adam Harasim – Kompleksowa ocena płodozmianów z różnym udziałem roślin zbożowych i okopowych. Puławy, 2002. 2. Stanisław Wróbel – Określenie potrzeb nawożenia buraka cukrowego mikroelementami. Puławy, 2002. 3. Janusz Podleśny – Studia nad oddziaływaniem światła laserowego na nasiona, wzrost i rozwój roślin oraz plonowanie łubinu białego (Lupinus albus L.). Puławy, 2002. 4. Czesław Józefaciuk, Anna Józefaciuk, Eugeniusz Nowocień, Rafał Wawer – Przeciwerozyjne zagospodarowanie zlewni wyżynnej potoku Grodarz z uwzględnieniem ograniczania występowania powodzi. Puławy, 2002. 5. Jerzy Księżak – Dynamika gromadzenia składników pokarmowych w organach roślin tradycyjnych i samokończących odmian bobiku w okresie od kwitnienia do dojrzałości pełnej. Puławy, 2002. 6. Franciszek Pistelok – Analiza zależności pomiędzy zanieczyszczeniem ze źródeł komunalnych a jakością powierzchniowych wód płynących na obszarach silnie zurbanizowanych na przykładzie zlewni Górnej Wisły. Puławy, 2002. 7. Ewa Stanisławska-Glubiak – Analiza wybranych czynników determinujących efekty dolistnego nawożenia molibdenem w uprawie rzepaku ozimego. Puławy, 2003. 8. Kazimierz Noworolnik – Wpływ wybranych czynników agrotechnicznych na plonowanie jęczmienia jarego w różnych warunkach siedliska. Puławy, 2003. 9. Teresa Doroszewska – Krzyżowanie oddalone i transformacja genetyczna w uzyskiwaniu odporności tytoniu (Nicotiana tabacum L.) na wirusa Y ziemniaka (PVY). Puławy, 2004. 10. Eugeniusz K. Chyłek – Uwarunkowania procesu modernizacji rolnictwa i obszarów wiejskich w Polsce. Puławy, 2004. 11. Zbigniew Samoń – Studia nad metodami energooszczędnego suszenia chmielu. Puławy, 2004. 12. Ryszard Weber – Zmienność plonowania odmian pszenicy ozimej w zależności od przedplonu i sposobu uprawy roli. Puławy, 2004. 13. Janusz Igras – Zawartość składników mineralnych w wodach drenarskich z użytków rolnych w Polsce. Puławy, 2004. 14. Mariusz Kucharski – Odporność chwastów na herbicydy z grupy inhibitorów fotosyntezy PSII na polach uprawnych południowo-zachodniej Polski. Puławy, 2005. 15. Maria J. Król – Azospirillum – asocjacyjne bakterie wiążące wolny azot. Puławy, 2006. 16. Jerzy Grabiński – Studia nad potencjałem allelopatycznym żyta ozimego. Puławy, 2006. 17. Krzysztof Domaradzki – Efektywność regulacji zachwaszczenia zbóż w aspekcie ograniczenia dawek herbicydów oraz wybranych czynników agroekologicznych. Puławy, 2006. 18. Anna Stochmal – Flawonoidy lucerny siewnej (Medicago sativa L. ) – budowa chemiczna, właściwości spektralne, zawartość w zależności od odmiany i terminu zbioru. Puławy, 2007. 19. Tomasz Stuczyński – Assessment and modelling of land use change in Europe in the context of soil protection. Puławy, 2007. 20. Jolanta Korzeniowska – Potrzeby nawożenia pszenicy cynkiem, miedzią i borem w warunkach glebowo-klimatycznych Polski. Puławy, 2008. 21. Maria J. Król, Janusz Smagacz – Rozkład resztek pozbiorowych w glebie. Puławy, 2008. 22. Agnieszka Klimkowicz-Pawlas – Oddziaływanie wielopierścieniowych aromatycznych na siedliskową funkcję gleby. Puławy, 2009. węglowodorów 23. Janusz Czaban – Fitogeniczne dodatki do paszy świń ze szczególnym uwzględnieniem ich roli jako zamienników antybiotykowych stymulatorów wzrostu. Puławy, 2009. 24. Maria J. Król – Bakterie endofityczne. Puławy, 2009. 25. Ryszard Weber – Przydatność uprawy konserwującej w rolnictwie zrównoważonym. Puławy, 2010. 26. Józefa Harasim, Adam Harasim – Produkcyjność mieszanek pastwiskowych z udziałem koniczyny białej (Trifolium repens L.) w różnych warunkach siedliskowych. Puławy, 2010. 27. Maria J. Król – Bakterie utleniające siarkę elementarną i redukujące siarczany. Puławy, 2010. 28. Andrzej Doroszewski – Skład spektralny promieniowania jako czynnik kształtujący pokrój i plon pszenicy. Puławy, 2011. 29. Jerzy Bieńkowski – Wielokryterialna analiza możliwości zrównoważonego rozwoju gospodarstw rolniczych z uwzględnieniem czynników środowiskowych i ekonomicznych. Puławy, 2011. 30. Hanna Gołębiowska – Dynamika występowania flory segetalnej w uprawie kukurydzy na Dolnym Śląsku w latach 1972–2008 i obecne możliwości jej regulacji. Puławy, 2011. 31. Maria J. Król – Przemiany mikrobiologiczne żelaza w glebie. Puławy, 2011. 32. Franciszek Woch, Krzysztof Wierzbicki, Andrzej Eymontt, Anna Dziadkowicz-Ilkowska, Alina Syp, Jerzy Kopiński, Czesław Pietruch, Mirosław Nierubca, Antoni Miklewski, Piotr Maśloch – Efektywność gospodarcza i ekonomiczna scalania gruntów w Polsce. Puławy, 2011. 33. Maria J. Król – Przemiany mikrobiologiczne fosforu w glebie. Puławy, 2012. 34. Adam Harasim – Ocena produkcji roślinnej na gruntach ornych w gospodarstwie rolniczym w ujęciu długookresowym. Puławy, 2012. 35. Mariusz Matyka – Produkcyjne i ekonomiczne aspekty uprawy roślin wieloletnich na cele energetyczne. Puławy, 2013. 36. Beata Feledyn-Szewczyk – Wpływ użytkowania gruntów na różnorodność gatunkową flory segetalnej. Puławy, 2013. 37. Anna Podleśna – Studia nad rolą siarki w kształtowaniu gospodarki mineralnej oraz wielkości i jakości plonu wybranych roślin uprawnych. Puławy, 2013. 38. Mariola Staniak – Reakcja wybranych gatunków i odmian traw pastewnych na niedobory wody w glebie. Puławy, 2013. 39. Rafał Pudełko – Ocena potencjałów biomasy ubocznej i odpadowej w UE-27 i Szwajcarii oraz ich regionalizacja. Puławy, 2013. 40. Jerzy Kozyra – Wpływ prognozowanych zmian temperatury powietrza na fenologię zbóż ozimych w Polsce. Puławy, 2013. 41. Zofia Kołoszko-Chomentowska – Przyrodnicze i organizacyjno-ekonomiczne uwarunkowania rozwoju rodzinnych gospodarstw rolnych w województwie podlaskim. Puławy, 2013. 42. Maria J. Król – Przemiany mikrobiologiczne potasu, magnezu, manganu i wapnia w glebie. Puławy, 2013. 43. Ryszard Weber, Włodzimierz Kita – Zagrożenia i sposoby ograniczania chorób fuzaryjnych i mikotoksyn w zbożach kukurydzy. Puławy, 2014. 44. Anna Józefaciuk, Eugeniusz Nowocień, Rafał Wawer – Erozja gleb w Polsce – skutki środowiskowe i gospodarcze, działania zaradcze. Puławy, 2014.